EMPIEZA AQUÍ / VISTA PREVIA EJECUTABLE
Empieza con la regla de ingeniería más sencilla. Detecta un atajo que revela la etiqueta, aparta diseños completos de convertidores, compara los mismos errores e indica exactamente qué no puede demostrar el segundo resultado.
Solo datos didácticos sintéticos. Sin pruebas con el público objetivo. No es validación de hardware, aprobación de diseño ni una prueba de transferencia a tu convertidor.
REGLAS DE EVIDENCIA
Se utilizan como estados de evidencia, no como énfasis decorativo.
ANTES DE EMPEZAR
La ruta acompaña a quien empieza a programar sin simplificar el contexto de electrónica de potencia.
No subas diseños confidenciales, modelos propietarios de simuladores, credenciales, material sujeto a controles de exportación, datos de clientes ni información personal a un cuaderno público o a un servicio de IA. Utiliza un entorno local aprobado cuando los datos lo requieran.
ELIGE TU NIVEL DE AYUDA
Ambas rutas utilizan los mismos archivos, partición por grupos, métricas y límites de evidencia.
GUIADA
Sigue las indicaciones sobre qué instalar, qué ejecutar, qué salida esperar y por qué existe cada comprobación.
COMPACTA
Examina el manifiesto y las condiciones del cuaderno, reproduce la ejecución y pasa directamente al resultado con casos apartados y a sus límites.
KIT DE INICIO PÚBLICO / V0.2.1-PREVIEW
El paquete es público y no requiere correo electrónico. Contiene los dos conjuntos de datos exactos, cuadernos ejecutados, ejecutor, lista de comprobación, manifiesto, semillas, predicciones, salidas esperadas, procedencia y licencia.
SHA-256 DEL ZIP3ec6b01c72118bdbec60cf5516dda55ceb5d66ecfa7f384deb8638211d4df21a
El ejercicio 1 revela una fuga directa de la etiqueta. El ejercicio 2 utiliza indicadores indirectos con ruido y una referencia sintética oculta, pero tampoco permite estimar el rendimiento en hardware ni aprobar un modelo.
RUTA DE APRENDIZAJE / 00–07
Cada módulo indica la decisión y el recurso que debes llevar al siguiente paso.
Indica el objetivo, la unidad de agrupación, las consecuencias del error y la regla más sencilla que podría resolver la tarea.
SALIDAFicha de decisión + regla de referencia
Indica qué representan una fila y un diseño, de dónde procede cada magnitud y cuál es su unidad.
SALIDAEsquema + design_id
Comprueba si una característica contiene o reconstruye exactamente el objetivo antes de interpretar el rendimiento como una capacidad de transferencia aprendida.
SALIDAAuditoría de fugas + decisión USE RULE
Mantén todos los puntos de funcionamiento de un diseño en una sola partición y detén la comprobación si algún design_id cruza ese límite.
SALIDAPartición por grupos + comprobación de solapamiento
Evalúa cada método en las mismas filas apartadas; la complejidad debe mejorar la decisión, no solo una puntuación.
SALIDAComparación congelada
Examina la precisión, la sensibilidad, F1, el número de casos, la exactitud equilibrada y la matriz de confusión.
SALIDARevisión de falsos negativos y falsos positivos
Congela el pipeline y evalúa con grupos de diseño apartados del entrenamiento.
SALIDAResultado con casos apartados + alcance
Registra los fenómenos físicos ausentes, las entradas desconocidas, la validación pendiente y cuándo el sistema devuelve UNKNOWN.
SALIDALímite + plan de validación adicional
COMPRUEBA LO APRENDIDO
La ruta principal está completa cuando puedes explicar la partición, el resultado y el límite. Transferirla a un segundo conjunto de datos autorizado es una ampliación independiente.
Porque el objetivo es exactamente vout_min_v < 4.90 V. La regla explícita lo reproduce a la perfección; logistic_regression añade un error y no aporta valor a la decisión.
Porque las filas relacionadas de un diseño pueden aparecer en ambas particiones y permitir que el modelo aproveche la identidad del diseño, en lugar de transferir lo aprendido a un diseño no visto.
La clase mayoritaria NORMAL puede dominar la exactitud mientras se pasa por alto la clase crítica COUT_TOO_LOW. La sensibilidad de la clase crítica y la matriz de confusión revelan ese fallo.
Solo que el paquete reproduce dos decisiones sintéticas congeladas: utilizar la regla exacta en el ejercicio 1 y seguir validando el candidato de aprendizaje automático en el ejercicio 2. No demuestra diagnóstico causal, transferencia ni seguridad.
CRITERIOS PARA COMPLETAR LA RUTA