# Ejemplo de uso de IA en diagnóstico de imágenes médicas
from keras.models import load_model
from keras.preprocessing import image
import numpy as np

# Cargar un modelo preentrenado
model = load_model('modelo_diagnostico.h5')

# Cargar y preprocesar una imagen de prueba
img = image.load_img('imagen_prueba.jpg', target_size=(224, 224))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)

# Realizar la predicción
prediccion = model.predict(img_array)
print(f'Probabilidad de enfermedad: {prediccion[0][0]*100:.2f}%')

# Ejemplo de algoritmo de control para un coche autónomo
import numpy as np

class CocheAutonomo:
    def __init__(self):
        self.posicion = np.array([0, 0])
        self.velocidad = np.array([0, 0])

    def actualizar_posicion(self, aceleracion, tiempo):
        self.velocidad += aceleracion * tiempo
        self.posicion += self.velocidad * tiempo

# Crear una instancia del coche autónomo
coche = CocheAutonomo()

# Simular una actualización de posición
aceleracion = np.array([0.1, 0.2])
tiempo = 1.0
coche.actualizar_posicion(aceleracion, tiempo)
print(f'Nueva posición: {coche.posicion}')

# Ejemplo de predicción de precios de acciones usando un modelo de regresión lineal
from sklearn.linear_model import LinearRegression
import numpy as np

# Datos de ejemplo (precios históricos de una acción)
precios = np.array([100, 101, 102, 103, 104, 105])
dias = np.array([1, 2, 3, 4, 5, 6]).reshape(-1, 1)

# Crear y entrenar el modelo
modelo = LinearRegression()
modelo.fit(dias, precios)

# Predecir el precio del día 7
prediccion = modelo.predict([[7]])
print(f'Predicción del precio para el día 7: {prediccion[0]}')

# Ejemplo de sistema de recomendación basado en filtrado colaborativo
from sklearn.neighbors import NearestNeighbors
import numpy as np

# Datos de ejemplo (matriz de usuario-producto)
usuarios_productos = np.array([
    [5, 3, 0, 1],
    [4, 0, 0, 1],
    [1, 1, 0, 5],
    [1, 0, 0, 4],
    [0, 1, 5, 4],
])

# Crear y entrenar el modelo
modelo = NearestNeighbors(metric='cosine', algorithm='brute')
modelo.fit(usuarios_productos)

# Encontrar productos similares para el usuario 0
distancias, indices = modelo.kneighbors([usuarios_productos[0]], n_neighbors=3)
print(f'Productos recomendados para el usuario 0: {indices[0]}')

# Ejemplo de mantenimiento predictivo usando un modelo de regresión
from sklearn.linear_model import LinearRegression
import numpy as np

# Datos de ejemplo (horas de operación y tiempo hasta fallo)
horas_operacion = np.array([100, 200, 300, 400, 500])
tiempo_hasta_fallo = np.array([10, 8, 6, 4, 2])

# Crear y entrenar el modelo
modelo = LinearRegression()
modelo.fit(horas_operacion.reshape(-1, 1), tiempo_hasta_fallo)

# Predecir el tiempo hasta fallo para 600 horas de operación
prediccion = modelo.predict([[600]])
print(f'Tiempo hasta fallo para 600 horas de operación: {prediccion[0]}')