Search

Nos encontramos en pleno auge de las Inteligencias Artificiales, donde hemos visto avances revolucionarios en campos como la Visión por Ordenador, Procesamiento Natural del Lenguaje, Machine Learning entre otros. Las utilizamos en nuestro día a día en aplicaciones como ChatGPT, programas de edición de fotos (Photoshop), asistentes domésticos virtuales (Siri, Alexa) o sin darnos cuenta en servicios de recomendación de contenidos y publicidad en páginas de compras por internet y redes sociales (Amazon, Instagram). Es por esto que para este proyecto se ha decidido implementar una solución que hace uso del modelo de detección de objetos en tiempo real YOLOv7 junto a la infraestructura de computación en la nube Amazon Web Services. La aplicación realiza la función de sistema de videovigilancia con una infraestructura hibrida entre AWS realizando las funciones de notificación y un servidor local que procesará las imágenes con Yolov7 y activará las notificaciones. Una vez se realice una detección en el servidor local, se notificará al usuario mediante mensaje SMS y correo electrónico con una captura de la detección. Finalmente se almacenará en clip de vídeo la grabación de todo lo ocurrido mientras esté detectando alguna cámara para que el usuario pueda revisar los vídeos y ver lo sucedido. Se detallará los servicios utilizados, su implementación, la puesta en marcha y como se integran entre ellos. Se explicarán los componentes que forman parte de la aplicación junto a ejemplos y pruebas de funcionamiento. Finalmente se hará un estudio del rendimiento de diferentes modelos de Yolov7 con distinto hardware para saber cómo dimensionar la cantidad de cámaras que se pueden conectar al mismo tiempo. Y se hará una valoración de los objetivos conseguidos y líneas futuras a implementar., We are currently in the middle of the Artificial Intelligence boom, where we have seen revolutionary advancements in fields such as Computer Vision, Natural Language Processing, Machine Learning, among others. We use them in our day-to-day lives through applications like ChatGPT, photo editing programs like Photoshop, virtual home assistants like Siri and Alexa, or unknowingly through content recommendation and advertising services on e-commerce websites and social media platforms like Amazon and Instagram. That's why, for this project, it has been decided to implement a solution that utilizes the real-time object detection model YOLOv7, along with the Amazon Web Services cloud computing infrastructure. The application functions as a video surveillance system with YOLOv7 as the intruder detector, employing a hybrid infrastructure between AWS being responsible of the notification process and Yolov7 the one that process all images in search of a detection at a local server. Once detection is made user will be notified by SMS and by email with a screenshot of the detection. Finally, a video will be saved with the recordings of what happened while the cameras were detecting, and user could check those videos at the local server. We will provide a detailed description of the services used, their implementation, setup and integration between them. We will explain all the components that made the application with examples. There will be a study of performance of different Yolov7 models and hardware to see how many cameras could handle at the same time depending in which hardware is running. Finally, we will check if all goals were satisfied and let some ideas for future works in this project.

Objectives Real world data on glecaprevir/pibrentasvir (G/P) among active drug users are scarce. We evaluated the sustained virological response (SVR) rates of G/P among individuals with and without active drug use in routine clinical practice. Methods Two ongoing prospective multicenter cohorts of individuals starting G/P were analyzed. Overall SVR intention-to-treat (ITT), discontinuations due to adverse effects and dropouts were evaluated. Results in patients with active, past and without active drug use were compared. Results Overall, 644 individuals started G/P and have reached the date of SVR evaluation. Of them, 613 (95.2%) individuals achieved SVR. There were two (0.3%) relapses, one (0.2%) discontinuation due to side effects and 35 (5.4%) dropouts. SVR rates for patients with active drug use, past drug use and those who never used drugs were 85.4%(n/N = 70/82), 96.1%(n/N = 320/333) and 97.4%(n/N = 223/229) respectively (p < 0.001). After adjustment by sex, age, HCV genotype and opioid agonist therapy, active drug use was the only factor independently associated with SVR (ITT) [adjusted OR (95%confidence interval): 0.29(0.09–0.99),p = 0.048]. Conclusions Active drug use was independently associated with lower SVR rates to G/P, mainly due to voluntary dropout. G/P could be particularly beneficial in this scenario but specific strategies designed to increase the retention in care are needed.

[Objectives] Real world data on glecaprevir/pibrentasvir (G/P) among active drug users are scarce. We evaluated the sustained virological response (SVR) rates of G/P among individuals with and without active drug use in routine clinical practice., [Methods] Two ongoing prospective multicenter cohorts of individuals starting G/P were analyzed. Overall SVR intention-to-treat (ITT), discontinuations due to adverse effects and dropouts were evaluated. Results in patients with active, past and without active drug use were compared., [Results] Overall, 644 individuals started G/P and have reached the date of SVR evaluation. Of them, 613 (95.2%) individuals achieved SVR. There were two (0.3%) relapses, one (0.2%) discontinuation due to side effects and 35 (5.4%) dropouts. SVR rates for patients with active drug use, past drug use and those who never used drugs were 85.4%(n/N = 70/82), 96.1%(n/N = 320/333) and 97.4%(n/N = 223/229) respectively (p < 0.001). After adjustment by sex, age, HCV genotype and opioid agonist therapy, active drug use was the only factor independently associated with SVR (ITT) [adjusted OR (95%confidence interval): 0.29(0.09–0.99),p = 0.048]., [Conclusions] Active drug use was independently associated with lower SVR rates to G/P, mainly due to voluntary dropout. G/P could be particularly beneficial in this scenario but specific strategies designed to increase the retention in care are needed.

Los continuos avances científicos en redes neuronales e Inteligencia Artificial permiten que año tras año aparezcan nuevos modelos que mejoran las características de los anteriores y obtienen un mejor resultado en comparación a otras redes neuronales similares. El equipo de Google Brain ha desarrollado una nueva red neuronal llamada EfficientDet, la cual mejora en eficiencia y resultados a otras redes neuronales como Yolov-3, ResNet e Inception. Esto supone un avance en el mundo del machine learning, ya que gracias a estas implementaciones y al continuo esfuerzo de los ingenieros por seguir mejorando no solo la respuesta computacional de los ordenadores, sino también los algoritmos que realizan estas operaciones, se ha conseguido lograr unos resultados nunca vistos hasta la fecha. Esto conlleva una disminución del dataset (conjunto de imágenes) que precisa una red neuronal para realizar tareas complejas, disminuyendo así los FLOPS (Floating Points Operation per Second) que necesita un ordenador para llevar a cabo las operaciones necesarias. Realizaremos un estudio teórico sobre el funcionamiento de las redes neuronales en general, para profundizar en las redes neuronales convolucionales. Estas están especializadas en la detección de objetos en imágenes en tiempo real; es por esto por lo que son las escogidas para detectar señales de tráfico. Dentro de las redes neuronales convolucionales, se ha escogido EfficientDet, pues esta es una red eficiente en el uso de recursos, además de ser precisa. Para llegar a formarla, explicaremos el método de ajuste compuesto, el cual es uno de los motivos principales de la llegada de esta familia de redes neuronales. Se va a realizar un estudio comparativo entre EfficientDet y Yolov-3 en la detección de señales de tráfico, con la intención de buscar mejoras en la seguridad vial. Según los resultados obtenidos, podremos recomendar el uso de EfficientDet para detectar señales de tráfico., The continuous scientific advances in neural networks and Artificial Intelligence allow new models to appear year after year that improve the characteristics of the previous ones and obtain a better result compared to other similar neural networks. The Google Brain team has developed a new neural network called EfficientDet, which improves in efficiency and results to other neural networks such as Yolov-3, ResNet and Inception. This represents a breakthrough in the world of machine learning, since thanks to these implementations and the continuous effort of engineers to continue improving not only the computational response of computers, but also the algorithms that perform these operations, it has been possible to achieve results never seen to date. This leads to a decrease in the dataset (set of images) required by a neural network to perform complex tasks, thus reducing the FLOPS (Floating Points Operation per Second) required by a computer to carry out the necessary operations. We will carry out a theoretical study on the operation of neural networks in general, in order to go deeper into convolutional neural networks. These are specialized in the detection of objects in images in real time; this is why they are the ones chosen to detect traffic signals. Within the convolutional neural networks, EfficientDet has been chosen, because it is an efficient network in the use of resources, besides being accurate. In order to train it, we will explain the composite adjustment method, which is one of the main reasons for the advent of this family of neural networks. A comparative study will be carried out between EfficientDet and Yolov-3 in traffic sign detection, with the intention of seeking improvements in road safety. Based on the results obtained, we will be able to recommend the use of EfficientDet to detect traffic signs.

xi Resumen Cada año, la Dirección General de Tráfico emprende campañas de concienciación para mitigar el número de accidentes en vías urbanas e interurbanas. Algunos de estos siniestros son fruto de la imprudencia al volante, o sencillamente de no prestar suficiente atención a la hora de conducir. Teniendo esto en mente, los fabricantes de coches están introduciendo las Inteligencias Artificiales en sus vehículos para asistir en la conducción al piloto, tomando el control parcial o total sobre los actuadores electromecánicos e incluso avisando verbalmente al conductor sobre alguna posible infracción, con objeto de aportar un plus de seguridad y calidad como servicios adicionales en el producto final. Por supuesto, estas Inteligencias Artificiales se comercializan como un sistema embebido dentro del propio coche, por lo que se plantea la posibilidad de elaborar un sistema modular utilizando ordenadores de placa reducida para lograr este fin, y así poder aportar esa seguridad a vehículos que anteriormente no disponían de este servicio. Con todo esto presente, en este proyecto se abordan todos los aspectos y fundamentos teóricos sobre las Inteligencias Artificiales aplicadas a la visión artificial, dando un enfoque ascendente y explicando en profundidad su naturaleza y funcionamiento. También se ha desarrollado una aplicación en Python para la detección de imágenes mediante el uso de redes neuronales convolucionales enfocadas a la visión artificial. Dicha aplicación consta de un módulo para de un asistente de voz que enuncia los resultados de la detección utilizando YOLOv5, ofreciendo una interfaz gráfica para la interacción con el usuario. Además, se exponen las características esenciales del sistema de código abierto de YOLOv5 para la detección de imágenes mediante el uso de redes neuronales convolucionales enfocadas a la visión artificial, explicando de forma somera el funcionamiento y la utilidad de sus dependencias. Se han planteado dos entornos de entrenamiento (, Every year, the spanish Directorate General of Traffic (Dirección General de Tráfico) undertakes awareness campaigns to mitigate the number of accidents on urban and interurban roads. Some of these accidents are the result of reckless driving, or simply not paying enough attention while driving. With this in mind, car manufacturers are introducing Artificial Intelligences in their vehicles to assist the driver in driving, taking partial or total control over the electromechanical actuators and even verbally warning the driver about a possible infraction, in order to provide extra safety and quality as additional services in the final product. Of course, these Artificial Intelligences are marketed as an embedded system within the car itself, so the possibility of developing a modular system using small-board computers to achieve this end is being considered, and thus be able to provide this safety to vehicles that previously did not have this service. With all this in mind, this project addresses all the aspects and theoretical foundations of Artificial Intelligences applied to artificial vision, taking a bottom-up approach and explaining in depth their nature and how they work. A Python application has also been developed for image detection using convolutional neural networks focused on artificial vision. This application consists of a module for a voice assistant that announces the results of the detection using YOLOv5, offering a graphical interface for interaction with the user. In addition, the essential features of the YOLOv5 open source system for image detection using convolutional neural networks focused on computer vision are presented, explaining briefly the operation and usefulness of its dependencies. Two training environments (the Google Colab cloud and the Raspberry Pi 4B itself) have been proposed in order to have a contrast when analysing their viability in terms of duration, quality of the inference model and data privacy. Both environments will us

Hoy día nos encontramos en la era de la información, los datos se han convertido en un activo muy valioso. Es por esto por lo que cada vez son más las empresas que quieren sacar provecho a este activo. Dando lugar a grandes inversiones en el campo del Machine Learning tanto privadas como públicas. Debido al creciente interés en el campo y las grandes inversiones de los últimos años han surgido productos enfocados al Machine Learning. Estos ponen al alcance de empresas y particulares no especializados en esta tecnología herramientas que les permiten explotar los datos de los que disponen. Este trabajo se centra en estudiar las principales opciones que existen en la actualidad relacionadas con el Machine Learning. Nos centramos en aquellas que nos permiten analizar textos, concretamente, las de procesado del lenguaje natural (del inglés, NLP). Durante el estudio de mercado se analizan las opciones que nos ofrecen las tres principales empresas del sector de la computación en la nube: Amazon Web Services, Microsoft Azure y Google Cloud. Estudiamos las opciones que nos ofrecen las tres empresas mencionadas, eligiendo la que mejor cubre nuestras necesidades al menor precio. Una vez realizado el estudio del mercado, hemos creado una aplicación para poner en práctica lo que nos ofrece estos productos y poder comparar las opciones de Amazon Web Services y la de Microsoft Azure. La aplicación consiste en analizar los comentarios de distintos restaurantes, clasificándolos en función de dos parámetros: el idioma en el que están escrito y el sentimiento que transmiten. La fuente de los datos es Google Maps. Para realizar la prueba, hemos dividido el escenario en cuatro fases. • En la fase inicial procedemos a recolectar la información. Para ello empleamos la API de Google Maps, concretamente Place Details, empleando los números de teléfono de los locales para localizarlos dentro de Maps. • Durante la segunda fase analizamos los datos que obtenemos de la primera. Para esta fase e, Today we are in the information age, data has become a very valuable asset. Therefore, more and more companies want to take advantage of this asset. Resulting in large investments in the field of Machine Learning, both private and public. Due to the growing interest in the field and the large investments in recent years, products focused on Machine Learning have emerged. These make available to companies and individuals not specialized in this technology tools that allow them to exploit the data they have. This work focuses on studying the main options that currently exist related to Machine Learning. We focus on those that allow us to analyse texts, specifically, Natural Language Processing (NLP). During the market study, the options offered by the three main companies in the cloud computing sector are analysed: Amazon Web Services, Microsoft Azure and Google Cloud. We study the options offered by the three companies mentioned, choosing the one that best meets our needs at the lowest price. Once the market study has been carried out, we have created an application to put into practice what these products offer us and to be able to compare the options of Amazon Web Services and that of Microsoft Azure. The application consists of analysing the comments of different restaurants, classifying them based on two parameters: the language in which they are written and the feeling they convey. The source of the data is Google Maps. To perform the test, we have divided the scenario into four phases. • In the initial phase we proceed to collect the information. For this we use the Google Maps API, specifically Place Details, using the telephone numbers of the premises to locate them within Maps. • During the second phase we analyse the data we obtain from the first. For this phase we use the services of Amazon Web Services, specifically Comprehend and those of Microsoft Azure, specifically Text Analytics. In this phase we carry out two classifications. The first based on the

Desde hace algúntiempo, se vienehablandode nuevas tecnologías que revolucionarán la industria y nuestra forma de vivir en los próximos años, como el Internet de las Cosas, el Big Data, el Cloud Computingo la Inteligencia Artificial. Conocerlas, trabajar con ellas y estudiar su potencial es clave para entender cómo impactarán en nuestro día a díafuturo.En este proyecto haremos uso de una de estas tecnologías: la detección de objetos, una de las múltiples ramas de la inteligencia artificial, cuyo fin último será el de permitir crear máquinas con la capacidad de ver e interpretar el mundo tal y como nosotros lo hacemos a través de nuestros ojos. Además, implementaremos uno de estos sistemas en un dispositivo ligero, no originalmente diseñado para este fin, pero de propósitogeneral, extendido, y económico; con la ideade medir su rendimiento y llegar a una conclusión respecto a la combinación.En concreto, utilizaremos una versión simplificadade YOLOv3, uno de los algoritmos de detección de objetos más punteros en los últimos años, conocida como TinyYOLOv3; que será implementado en una Raspberry Pi 3. Los objetivosdel proyecto serán los de comprobar que la instalación y puesta en marcha del algoritmo es factible, y a continuación probar y medir su rendimiento en aquellas facetas que son más relevantes en la inteligencia artificial: el entrenamiento y la inferencia.A lo largo de esta memoria, realizaremos un viaje en el que explicaremos los principios que gobiernan el campo de la detección de objetos, desde las bases de la inteligencia artificial hasta el deep learning;para luego explicar en detalle el proceso de integración del algoritmo TinyYOLOv3 en Raspberry Pi 3; y finalmente procederemos a llevar a cabo las pruebas pertinentes que nos permitirán cumplir losobjetivos del proyecto., For some time now, there has been talk about some new technologies that will revolutionize the industry and our way of life in the coming years, such as the Internet of Things, BigData, Cloud Computing or Artificial Intelligence. Knowing them, working with them and studying their potential is key to understanding how they will impact our future day-to-day lives. In this project, we will be making use of one of those technologies: object detection, one of the many branches of artificial intelligence, which ultimate goal will be to create machines with the ability to see and interpret the world as we do through our eyes. In addition, we will implement one of these systems in a lightweight device, not originally designed for this purpose, but general-purpose, extended, and economic; with the idea of measuring its performance and reaching a conclusion regarding the combination.Specifically, we will use a simplified version of YOLOv3, one of the most advanced object detection algorithms in recent years, known as TinyYOLOv3; which will be implemented in a Raspberry Pi 3. The objectives of the project will be to verify that the installation and implementation of the algorithm is feasible, and then test and measure its performance in those facets that are most relevant in artificial intelligence: training and inference.Throughout this report, we will make a journey in which we will explain the principles that govern the field of object detection, from the basics of artificial intelligence to deep learning, and then explain in detail the process of integrating the algorithm TinyYOLOv3 in Raspberry Pi 3, and finally proceed to carry out the relevant tests that will allow us to fulfill the objectives of the project.

La Inteligencia Artificial (IA) ha presenciado un crecimiento monumental en la reducción de la brecha entre las capacidades de las personas y las máquinas. La IA es una rama de la ciencia, en concreto de la informática, que hace referencia a la capacidad de una máquina para resolver un problema tal y como lo haría una persona. Si además de resolver un problema tal y como lo haría una persona, queremos que la máquina aprenda por sí sola, entonces hablamos de un segundo término cuyo uso ha experimentado también un gran crecimiento: Machine Learning, o lo que es lo mismo, Aprendizaje Automático. En los últimos años, el uso de estos dos términos, Inteligencia Artificial y Aprendizaje Automático, han experimientado un crecimiento exponencial, ayudando a resolver problemas como la detección de spam, recomendación personalizada de productos, diagnósticos médicos y detección de peatones e imágenes médicas con visión artificial entre otros. Sin embargo, hay otros problemas para los que no se ha encontrado solución todavía, como son los accidentes de tráfico. Según la Dirección General de Tráfico (DGT), en el último año documentado, 2018, en España, hubo un total de 102.299 accidentes con víctimas, lo que ha supuesto un 1% más con respecto del año 2017 [1]. Debemos añadir que, en estos accidentes, la velocidad excesiva o inadecuada sigue siendo una de las principales causas, concretamente, el 22%, sólo por detrás de la conducción distraída y por delante del alcohol [2]. En este proyecto se ha indagado en estas técnicas, en concreto se ha usado la tecnología del Machine Learning para la detección de objetos, en este caso, detección de señales de tráfico de velocidad desde el vehículo mientras es conducido en carretera, usando redes neuronales convolucionales como es Yolo (You Only Look Once). Se ha diseñado e implementado software que detecta el objeto deseado, su posición (longitud y latitud), velocidad máxima permitida y cercanía a través de la cámara de un dispositivo móvil, Artificial Intelligence (AI) has been witnessing a monumental growth in bridging the gap between the capabilities of humans and machines. AI is a branch of computer science which refers to the ability of a machine to solve a problem just as a person would. If in addition to solving a problem just as a person would do, we want the machine to learn by itself, then we are talking about a second term whose use has also experienced great growth: Machine Learning. In recent years, the use of these two terms, Artificial Intelligence and Machine Learning, have experienced exponential growth, helping to solve problems such as spam detection, personalized product recommendation, medical diagnostics, and pedestrian detection with artificial vision among others. However, there are other problems whose solutions have not yet been found,such as traffic accidents. According to Dirección General de Tráfico (DGT), in the last documented year, 2018, in Spain, there were a total of 102,299 accidents with victims, which was 1% more than in 2017 [1]. Furthermore, in these accidents, excessive or inadequate speed continues to be one of the main causes, specifically, 22%, only behind distracted driving and ahead of alcohol [2]. In this project, these techniques have been investigated, specifically Machine Learning technology has been used to detect objects, in this case, detect speed traffic signs from the vehicle while driving it, using convolutional neural networks such as Yolo (You Only Look Once). Software has been designed and implemented that detects the desired object, its position (longitude and latitude), maximum allowed speed and proximity through the camera of a mobile device. For this, a mobile application has been created on Android that sends the information collected to the Spring web service created and it is stored in a database for free consultation and use by each user of the application.

Vivimos en un mundo conectado donde la cantidad de información que generamos es mayor día a día. Toda esta cantidad de datos contiene información muy valiosa queantes estaba oculta, pero ahora, podemos encontrarla y usarla en el progreso de la humanidad. La herramamienta que nos permite almacenar, procesar y analizar estos datos es Big Data. La relevanciadeesta tecnología es cada vez mayor, y sus posibilidades son casi infinitas.Lo podemos encontrar en las redes sociales, internet, investigaciones científicas, empresasy otros cientos de lugares.Big Data está en todas partes, y sus ventajas son considerables. Una de las tecnologías más usadas en el mundo deBig Data es Apache Hadoop. Hadoop nos permitirá realizar las tareas de Big Data de forma muy cómoda, ofreciendo un amplio ecosistema.Por una parte, con Hadoop podremos almacenar los datos de un manera totalmente fiable y tolerante a fallos. Por otra parte, Hadoop nos permite procesar todos esos datos de una forma sencilla. Cuando hablamos deprocesardatos, nos referimos a que nos permite procesar terabytes de información, por ello es una herramienta muy potente.Para permitir todo esto, Hadoop posee tres componentesprincipalesque son HDFS, MapReduce y Yarn.Por tanto, además de explicar qué es Big Data y ver algunas de sus aplicaciones, en este trabajo nos centraremos en Hadoop. Veremos en detalle cada uno de sus componentes y cómo funcionan. Además de explicar cómo funciona teóricamente, también realizaremos una demostración práctica. Paraello instalaremos Hadoop en un clúster de Raspberry Pi. Este clúster estará compuesto por cuatro Raspberry Pi 3 model B+ que permitirán ejecutar Hadoop sin problema. Detallaremos los componentes necesarios, cuálha sido el proceso de instalación,así comolas herramientas que nos ofrece.Hadoop posee un amplio ecosistema en el que cada una de sus diversas aplicaciones ofrece una solución para los diferentes problemas de Big Data. Una de esas herramientas es Apache Pig. Pig nos permite r, We live in a connected world where the information that we generate is greater day by day. This amount of data contains a very valuable information that was hidden, but now, we can find it and use it in the progress of humanity. The Big Data is the tool that allows us store, process and analyze this data. The relevance of this technology is increasing, and its possibilities are almost endless. It can be found in social networks, the internet, scientific researches, companies and hundreds of other places.Big Data is everywhere, and its advantages are considerable. One of the most used technologies in the Big Data world is Apache Hadoop. Hadoop will allow us to carry out Big Data tasks in a very confortable way, offering a wide ecosystem. On the one hand, Hadoop will allow us storing data in a totally reliable and fault-tolerant way. On the other hand, Hadoop allows us to process allthis data in a simple way. When we talk about processing data, we mean that it allows us to process terabytes of information, this is why it is a very powerful tool. Hadoop has three main components to manage all of this, those are three components which are HDFS, MapReduce and Yarn.Therefore, in addition to explaining what Big Data is and studying some of its applications, we will focus on Hadoop in this work. We will see in detail each of its components and how they work. In addition to explaining how it works theoretically, we will also do a practical demonstration. We will install Hadoop on a Rasperry Pi cluster for this. This cluster will be composed of four Raspberry Pi 3 model B+ that will allow Hadoop to run without any problem. We will detail the necessary components, the installation process, as well as the tools it offers us.Hadoop has a wide ecosystemin which each of its components offers a solution for different Big Data problems. One of those tools is Apache Pig. Pig allows us to perform MapReduce tasks in a simple and fast way. MapReduce is the framework used by Hadoop for d

Este proyecto consiste en el desarrollo de una aplicación web didáctica enfocada a personas que quieran aprender los pilares básicos de un lenguaje de programación, bien porque estén estudiándolos desde cero o porque quieran repasar estos contenidos. El proyecto es la continuación de dos proyectos realizados en años anteriores, primero uno en Android, y después otro en IOS, y en este se dará el salto a una aplicación web añadiendo diferentes formas de seguir aprendiendo a la vez que divirtiéndose. En la página Web se podrá aprender la teoría de lenguajes como Java, C, HTML y CSS, y a través del videojuego se podrá aprender sobre Java mediante escritura de código. El videojuego es del tipo de rol (RPG, role-playing game) con un modo historia, es decir, un juego en el cual los niveles están unidos por una historia común que se va descubriendo y profundizando a medida que se va superando a través de los personajes. El juego es multiplataforma, inicialmente con una versión de escritorio Web y una versión de escritorio, disponible para Windows en sus arquitecturas de 32 y 64 bits. La versión de escritorio cuenta con un sistema de guardado para que el juego pueda ser completado en diferentes momentos. Esta será descargable desde la página Web. En este trabajo se ha profundizado en la experiencia del videojuego, dándole gran importancia a la historia y la jugabilidad, así como mapas complejos y extensos o efectos visuales y de sonido. La página web sirve como herramienta de soporte y del videojuego, y completa al juego con manuales para lenguajes de programación y herramientas externas del estilo de nuestro videojuego donde aprenderás jugando. Como futuro del proyecto se propone la inclusión de cuestionarios y juegos de tipo trivial en la página Web, así como más lenguajes. En cuanto al videojuego, se creará un nuevo conjunto de mapas ambientado en una mazmorra subterránea alargando por tanto la historia y modificando el guion del mismo para conocer más sobre la historia.