robintux

def generar_respuesta(prompt, max_length=200, num_beams=4):
    """Genera respuesta del modelo"""

    inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=512).to(device)

    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_length=max_length,
            min_length=20,

robintux

import numpy as np
import matplotlib.pyplot as plt
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

# Configuración de estilo para publicaciones académicas
plt.style.use('seaborn-v0_8-whitegrid')

robintux

import numpy as np
import copy
import time
import signal

import matplotlib.pyplot as plt
from graphviz import Digraph

from pandas import DataFrame
from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error, log_loss

robintux

import numpy as np
from collections import Counter
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

class Word2VecSimple:
    """
    Implementación simplificada de Word2Vec (Skip-gram) para fines educativos.
    """
    

robintux

import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
from typing import Tuple, Callable

class PowerFunctionOneSampleT:
    """
    Calcula y visualiza la función de poder para prueba t de una muestra.
    
    Conexión con Sesión 1:

robintux

def temporal_train_test_split(df, predictors, target, test_size=0.2):
    """
    División temporal que respeta:
    1. Orden cronológico (no leakage)
    2. Integridad de series por país (no partir series arbitrariamente)
    3. Balance de países entre train/test
    """
    # Ordenar por año
    df_sorted = df.sort_values('Year').reset_index(drop=True)
    

robintux

import pandas as pd
import numpy as np
import miceforest as mf

def impute_life_expectancy_data_robust(df):
    """
    Pipeline de imputación diferenciada con manejo explícito de tipos de datos.
    Soluciona el error de columnas 'object' en miceforest mediante:
    1. Conversión de categóricas a tipo 'category'
    2. Exclusión de identificadores del kernel MICE

robintux

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
cpython = pd.read_csv("https://github.com/robintux/Datasets4StackOverFlowQuestions/raw/refs/heads/master/cpython_commit_history_pre.csv")

# Creacion de columnas para obtener informacion temporal
cpython["date"] = pd.to_datetime(cpython["date"], utc=True)
cpython["year"] = cpython["date"].dt.year
cpython["month"] = cpython["date"].dt.to_period("M")

robintux

# Modulos y datos
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
uber = pd.read_csv("https://raw.githubusercontent.com/robintux/Datasets4StackOverFlowQuestions/refs/heads/master/Datos_Uber_2024.csv")

# Preprocesamiento 
uber['Date'] = pd.to_datetime(uber['Date'], format='%Y-%m-%d')
uber['Year'] = uber['Date'].dt.year

robintux

def classical_decomposition(Y, m, model='additive'):
    """
    Y: array de valores de la serie temporal
    m: periodicidad estacional (ej: 12 para mensual)
    model: 'additive' o 'multiplicative'
    """
    n = len(Y)
    T = np.zeros(n) * np.nan  # Tendencia
    
    # PASO 1: Estimación de Tendencia-Ciclo via MA centrada