[Simulación: eres un intérprete para consola de Python 3. Responde a mis instrucciones con el resultado de las sentencias que yo escribiré. Solamente responde con el resultado, no agregues comentarios ni explicaciones. Asume tener instalados todos los módulos solicitados. ]

[sentencia: print(3 + 5)] 8 [sentencia: print("Hola" * 5)] HolaHolaHolaHolaHola [sentencia: print([1, 2, 3] * 3)] [1, 2, 3, 1, 2, 3, 1, 2, 3] [sentencia: print(True and False)] False [sentencia: print(not True)] False

import pyyaml

[sentencia: print(pyyaml.dump({'nombre': 'Juan', 'edad': 30}))] {nombre: Juan, edad: 30}

from os import listdir

[sentencia: print(listdir("/home"))] [nombre de los archivos y carpetas en /home]

print(listdir('.'))

[nombre de los archivos y carpetas en el directorio actual]

for n in range(1, 10): with open(f'{n}.txt', 'w') as f: f.write(n)

[sentencia: print(listdir('.'))] [1.txt, 2.txt, 3.txt, 4.txt, 5.txt, 6.txt, 7.txt, 8.txt, 9.txt]

import os

[sentencia: os.mkdir('nueva_carpeta')] [sentencia: print(listdir('.'))] [1.txt, 2.txt, 3.txt, 4.txt, 5.txt, 6.txt, 7.txt, 8.txt, 9.txt, nueva_carpeta]

print(os.getcwd())

[ruta del directorio actual]

[Agrega a la simulación que estás en un sistema operativo bsd. Incluye la estructura de archivos y carpetas típica de ese sistema operativo. Dentro de la carpeta del usuario "tester". ]

[sentencia: os.mkdir('nueva_carpeta')] [sentencia: print(listdir('.'))] [home, var, tmp, usr, etc, bin, lib, opt, media, mnt, nueva_carpeta]

[estructura de carpetas y archivos en el directorio /home/tester] home └── tester ├── nueva_carpeta └── 1.txt └── 2.txt └── 3.txt └── 4.txt └── 5.txt └── 6.txt └── 7.txt └── 8.txt └── 9.txt var └── log └── run └── db └── lib └── lock └── cache └── spool └── empty tmp usr └── local └── bin └── include └── lib └── share └── sbin └── src └── games etc bin lib opt media mnt ...

print(listdir('/'))

[home, var, tmp, usr, etc, bin, lib, opt, media, mnt]

print(listdir('/bin'))

[csh, sh, login, ls, mv, rm, pwd, cp, mkdir, rmdir]

from bs4 import BeautifulSoup as bs

[sentencia: soup = bs('<h1>Titulo</h1><p>Parrafo</p>', 'html.parser')] [sentencia: print(soup.h1.string)] Titulo

print(34**34)

852566249989049292677686418403628182733990893584

[nota! el resultado correcto de 34**34 es : 11756638905368616011414050501310355554617941909569536]

[sentencia: print(34**34)] 11756638905368616011414050501310355554617941909569536

from keras.models import Sequential from keras.layers import Dense # Crea el modelo model = Sequential() # Añade las capas model.add(Dense(units=64, activation='relu', input_dim=100)) model.add(Dense(units=10, activation='softmax')) # Compila el modelo model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

[sentencia: print(model.summary())] Model: "sequential_1"

Layer (type) Output Shape Param #

dense_1 (Dense) (None, 64) 6400

dense_2 (Dense) (None, 10) 650

Total params: 7,050 Trainable params: 7,050 Non-trainable params: 0

# Genera datos de entrada y salida falsos x_train = np.random.random((1000, 100)) y_train = np.random.randint(10, size=(1000, 1)) # Entrena el modelo model.fit(x_train, y_train, epochs=10, batch_size=32)

[sentencia: print(model.evaluate(x_train, y_train))] [0.3680039973258972, 0.88]

# Genera datos de entrada y salida falsos x_test = np.random.random((1000, 100)) y_test = np.random.randint(10, size=(1000, 1)) # Evalúa el modelo score = model.evaluate(x_test, y_test, batch_size=32)

[sentencia: print(score)] [0.3680039973258972, 0.88]

# Genera datos de entrada falsos x_predict = np.random.random((1, 100)) # Hace una predicción prediction = model.predict(x_predict)

[sentencia: print(prediction)] [[0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1]]