Meta tags:
description= Aprende a configurar Python para machine learning, entiende el flujo de trabajo de ML y ejecuta tu primer modelo con scikit-learn, NumPy y pandas.;
Headings (most frequently used words):
paso, machine, learning, el, python, de, primeros, pasos, con, en, qué, para, entorno, datos, un, modelo, instalar, es, por, configurar, tu, flujo, trabajo, comprende, tus, numpy, pandas, limpiar, preparar, los, dividir, conjuntos, entrenamiento, prueba, entrenar, evaluar, elegir, algoritmo, adecuado, errores, comunes, principiantes, conclusión, crear, virtual, las, bibliotecas, principales, manejar, valores, faltantes, escalar, características,
Text of the page (most frequently used words):
#python (70), con (33), datos (31), los (23), que (19), para (18), aprender (15), matplotlib (15), una (15), copiar (14), mysql (13), mongodb (12), machine (11), learning (11), las (11), elementos (11), pasos (10), modelo (10), más (10), print (10), import (10), numpy (10), pandas (10), primeros (9), entorno (8), valores (8), listas (8), html (7), paso (7), por (7), conjunto (7), income (7), tuplas (7), media (6), antes (6), entrenamiento (6), prueba (6), regresión (6), qué (6), data (6), sklearn (6), from (6), age (6), crear (6), eliminar (6), métodos (6), w3docs (5), aprendizaje (5), supervisado (5), siempre (5), faltantes (5), sobre (5), scikit (5), learn (5), características (5), archivos (5), string (5), strings (5), tutorial (5), variables (5), lista (5), formatter (5), color (5), json (4), generator (4), entrenar (4), algoritmos (4), como (4), validación (4), cruzada (4), tus (4), son (4), clases (4), del (4), randomforestclassifier (4), consulta (4), x_test (4), model (4), random_state (4), iris (4), train_test_split (4), conjuntos (4), columna (4), mean (4), trabajo (4), pip (4), env (4), ver (4), aprende (4), diccionarios (4), acceder (4), code (3), encoder (3), editor (3), herramientas (3), cuestionarios (3), ejercicios (3), php (3), javascript (3), css (3), ejemplos (3), desde (3), mediana (3), pipeline (3), completo (3), cada (3), comprueba (3), etiquetas (3), exactitud (3), esta (3), serie (3), decisión (3), vecinos (3), cercanos (3), clasificación (3), diferentes (3), algoritmo (3), capítulo (3), positivos (3), base (3), y_test (3), x_train (3), y_train (3), train (3), test_size (3), ejemplo (3), división (3), standardscaler (3), array (3), desviación (3), estándar (3), isnull (3), sum (3), números (3), esto (3), cómo (3), proyecto (3), flujo (3), virtual (3), tres (3), bibliotecas (3), salida (3), configurar (3), cadenas (3), recorrer (3), unir (3), tools (3), reservados (2), italiano (2), português (2), español (2), français (2), русский (2), deutsch (2), english (2), beautifier (2), diff (2), password (2), try (2), práctica (2), java (2), git (2), libros (2), tutoriales (2), fragmentos (2), this (2), page (2), moda (2), gráficos (2), pastel (2), ahora (2), tienes (2), modelar (2), distribuciones (2), exploración (2), negativo (2), pero (2), elegir (2), métrica (2), tiene (2), usa (2), dividir (2), solo (2), lineal (2), árbol (2), agrupamiento (2), tipo (2), rápida (2), matriz (2), confusión (2), precisión (2), exhaustividad (2), reales (2), cuántos (2), entender (2), puede (2), clase (2), proporciona (2), muchos (2), árboles (2), número (2), n_estimators (2), 100 (2), accuracy_score (2), predictions (2), test (2), predict (2), evaluate (2), split (2), load_iris (2), model_selection (2), primer (2), hace (2), sea (2), nunca (2), entrenado (2), divide (2), parte (2), x_scaled (2), round (2), scaler (2), escalar (2), fillna (2), 48000 (2), 70000 (2), none (2), 55000 (2), 40000 (2), dataframe (2), tienen (2), shape (2), max (2), std (2), cualquier (2), arrays (2), este (2), código (2), install (2), requirements (2), txt (2), versiones (2), activo (2), instalar (2), principales (2), prompt (2), activate (2), python3 (2), paquetes (2), instalación (2), reciente (2), comunidad (2), sin (2), sintaxis (2), lenguaje (2), categoría (2), error (2), segmentación (2), detección (2), partir (2), entrada (2), and (2), handling (2), limit (2), colección (2), delete (2), ordenar (2), cuadrícula (2), dispersión (2), distribución (2), introducción (2), bucles (2), set (2), sets (2), cambiar (2), agregar (2), hash (2), 2026, todos, derechos, hecho, desarrolladores, idioma, política, privacidad, contacto, acerca, empresa, gratuitos, web, 2014, next, previous, yes, was, helpful, funcionamiento, comprendes, cargar, limpiarlos, dividirlos, evaluarlo, capítulos, siguen, profundizan, comenzando, pasando, individuales, terminando, temas, avanzados, ajuste, hiperparámetros, preparación, conclusión, mira, rangos, recuentos, omitir, predice, obtiene, inútil, ignorar, desequilibrio, memoriza, rendimiento, deficiente, nuevos, detectarlo, tiempo, sobreajuste, ajustar, escalador, filtra, estadísticas, ajusta, transformadores, luego, aplícalos, fuga, errores, comunes, principiantes, explorarás, mayoría, estos, resto, buenos, puntos, partida, pca, reducción, dimensionalidad, kmeans, randomforestregressor, linearregression, logisticregression, primero, problema, problemas, requieren, aquí, orientación, adecuado, análisis, detallado, evaluación, armónica, puntuación, predijimos, correctamente, predichos, eran, realmente, fracción, total, aciertos, mide, proporción, predicciones, correctas, fácil, ser, engañosa, cuando, mucho, rara, demás, suite, completa, métricas, evaluar, entrena, subconjuntos, aleatorios, combina, sus, votos, maneja, bien, relaciones, lineales, buena, línea, tareas, especifica, accuracy, len, samples, fit, target, load, metrics, ensemble, datasets, limpios, divididos, puedes, continuación, benchmark, clásico, 150, muestras, numéricas, especies, flores, clasificar, reserva, pruebas, reproducible, estrategias, estratificada, evalúes, fue, sería, corregir, propio, examen, solucionario, abierto, entrene, evalúe, reservada, haya, visto, detalles, escalado, fit_transform, 300, 400, 200, preprocessing, svms, redes, neuronales, sensibles, escala, miles, dominará, dígito, menos, normalices, resta, modo, característica, median, reemplaza, robusta, ante, atípicos, manejar, casi, formatos, inconsistentes, escalas, muy, necesario, abordar, limpiar, preparar, indica, filas, columnas, cuenta, missing, values, each, column, 49000, bought, 32000, construir, pequeño, 1402, inspeccionar, numérico, cosa, necesitas, saber, aritmética, añade, tablas, dataframes, facilitan, comprende, importante, memorizar, individual, secciones, siguientes, recorren, raw, clean, prepare, todo, sigue, mismo, cinco, cualquiera, clone, reproducir, freeze, guarda, exactas, reproducibilidad, instala, usarás, largo, mostrará, confirmar, está, scripts, bat, command, windows, source, bin, macos, linux, actívalo, venv, aísla, sistema, evita, conflictos, entre, proyectos, deberías, version, descarga, versión, verifica, org, mayor, significa, abundancia, respuestas, stack, overflow, modelos, preentrenados, hacen, manipulación, sencilla, tensorflow, pytorch, keras, apis, primera, ecosistema, rico, pueden, prototipar, rápidamente, repetitivo, legible, convertido, predeterminado, varias, razones, centra, porque, utilizada, juegos, robótica, agente, mediante, recompensas, refuerzo, clientes, anomalías, encuentra, estructuras, ocultas, etiquetar, spam, predicción, precio, viviendas, etiquetados, conocida, típico, existen, categorías, amplias, rama, inteligencia, artificial, programa, patrones, lugar, seguir, reglas, escritas, mano, proporcionas, especificas, quieres, predecir, descubrir, determina, mapeo, correspondiente, terminar, habrás, ejecutado, usando, presenta, aprenderás, dominante, ello, encaja, principio, fin, bruto, hasta, evaluado, entiende, ejecuta, peticiones, http, pytest, entornos, virtuales, tooling, best, practices, threading, asyncio, concurrency, csv, random, sys, itertools, collections, lanzar, excepciones, the, standard, library, sumar, dos, invertir, duplicados, how, enumeraciones, abstractas, encapsulamiento, polimorfismo, dataclasses, static, classmethod, property, mágicos, advanced, oop, sentencia, match, enumerate, zip, map, comprensiones, gestores, contexto, recursión, closures, generadores, decoradores, args, kwargs, sugerencias, intermediate, actualización, find, insertar, join, update, drop, table, order, where, select, insert, tabla, curva, auc, roc, agregación, bootstrap, means, categóricos, búsqueda, logística, jerárquico, múltiple, polinomial, diagrama, normal, percentil, histogramas, barras, subplot, líneas, marcadores, trazado, pyplot, django, scipy, modules, escribir, leer, manejo, file, formateo, usuario, except, regex, matemáticas, fechas, módulos, ámbito, iteradores, herencia, objetos, lambda, funciones, for, while, else, operadores, booleanos, casting, tipos, comentarios, nombres, actualizar, desempaquetar, tupla, home, anidados, modificar, iterar, comprensión, globales, formato, caracteres, escape, diccionario, concatenar, asignar, múltiples, añadir, iniciar, sesión, buscar, formatters, url, reverse, sha256, md5, length, calculator, colors, hsl, hex, mixer, converter, picker, general, cursos,
Text of the page (random words):
primeros pasos con machine learning en python w3docs w3docs libros aprender html aprender css aprender javascript aprender git aprender java aprender php aprender python cursos cuestionarios ejercicios fragmentos herramientas general tools html editor password generator html encoder code diff json beautifier ver los 13 color tools color picker color converter color mixer color hex colors hsl ver los 10 string tools string length calculator md5 hash generator sha256 hash generator string reverse url encoder ver los 19 code formatters javascript formatter css formatter html formatter json formatter php formatter buscar en w3docs k es english en deutsch de русский ru français fr español es português pt italiano it iniciar sesión aprender python python tutorial acceder a elementos acceder a elementos de lista acceder a elementos de un set acceder a tuplas agregar elementos añadir elementos a una lista agregar elementos a un conjunto asignar múltiples valores cambiar elementos cambiar elementos de una lista concatenar strings copiar diccionarios copiar listas métodos de diccionario caracteres de escape cadenas de formato variables globales unir listas unir sets unir tuplas comprensión de listas métodos de lista iterar sobre diccionarios recorrer listas recorrer sets recorrer tuplas modificar strings diccionarios anidados variables de salida python home listas de python conjuntos en python python strings tuplas en python variables en python eliminar elementos eliminar elementos de una lista eliminar elementos de un set métodos de conjuntos segmentación de cadenas ordenar listas métodos de string métodos de tupla desempaquetar tuplas actualizar tuplas nombres de variables introducción a python primeros pasos con python sintaxis de python comentarios en python variables en python tipos de datos en python números en python casting en python strings de python booleanos en python operadores de python listas de python tuplas de python diccionarios en python python if else bucles while en python bucles for en python funciones en python python lambda arrays en python clases y objetos en python herencia en python iteradores de python ámbito en python módulos de python fechas en python matemáticas en python python json python regex python pip python try except entrada de usuario en python formateo de cadenas en python file handling manejo de archivos en python leer archivos en python escribir crear archivos en python eliminar archivos en python python modules tutorial de numpy tutorial de pandas tutorial de scipy tutorial de django python matplotlib introducción a matplotlib primeros pasos con matplotlib matplotlib pyplot trazado con matplotlib marcadores de matplotlib líneas en matplotlib etiquetas en matplotlib cuadrícula de matplotlib subplot de matplotlib dispersión en matplotlib barras en matplotlib histogramas con matplotlib gráficos de pastel con matplotlib machine learning primeros pasos media mediana moda desviación estándar percentil distribución de datos distribución normal de datos diagrama de dispersión regresión lineal regresión polinomial regresión múltiple escalar train test árbol de decisión matriz de confusión agrupamiento jerárquico regresión logística búsqueda en cuadrícula datos categóricos k means agregación bootstrap validación cruzada curva auc roc k vecinos más cercanos python mysql primeros pasos con mysql mysql crear base de datos mysql crear tabla mysql insert mysql select mysql where mysql order by mysql delete mysql drop table mysql update mysql limit mysql join python mongodb primeros pasos con mongodb crear base de datos mongodb mongodb crear colección insertar en mongodb mongodb find consulta mongodb ordenar en mongodb mongodb delete eliminar colección en mongodb actualización en mongodb mongodb limit intermediate python f strings sugerencias de tipo args kwargs decoradores generadores closures recursión gestores de contexto comprensiones enumerate zip map sentencia match advanced oop métodos mágicos property static y classmethod dataclasses polimorfismo encapsulamiento clases abstractas enumeraciones python how to eliminar duplicados en listas invertir un string sumar dos números error handling and the standard library lanzar excepciones collections itertools os sys random archivos csv concurrency in python asyncio threading python tooling and best practices entornos virtuales paquetes pytest peticiones http primeros pasos aprende a configurar python para machine learning entiende el flujo de trabajo de ml y ejecuta tu primer modelo con scikit learn numpy y pandas primeros pasos con machine learning en python este capítulo presenta el machine learning con python aprenderás qué es el machine learning por qué python es el lenguaje dominante para ello cómo configurar un entorno de trabajo y cómo encaja el flujo de trabajo de ml de principio a fin desde los datos en bruto hasta un modelo entrenado y evaluado al terminar habrás ejecutado un ejemplo completo de clasificación usando las tres bibliotecas principales numpy pandas y scikit learn qué es el machine learning el machine learning ml es una rama de la inteligencia artificial en la que un programa aprende patrones a partir de datos en lugar de seguir reglas escritas a mano proporcionas ejemplos datos especificas lo que quieres predecir o descubrir y un algoritmo de ml determina el mapeo correspondiente existen tres categorías amplias categoría qué hace ejemplo típico aprendizaje supervisado aprende a partir de ejemplos etiquetados entrada salida conocida detección de spam predicción del precio de viviendas aprendizaje no supervisado encuentra estructuras ocultas en datos sin etiquetar segmentación de clientes detección de anomalías aprendizaje por refuerzo un agente aprende mediante prueba y error con recompensas ia para juegos robótica esta serie se centra en el aprendizaje supervisado porque es la categoría más utilizada en la práctica por qué python para machine learning python se ha convertido en el lenguaje predeterminado para ml por varias razones sintaxis legible los algoritmos se pueden prototipar rápidamente sin código repetitivo ecosistema rico scikit learn tensorflow pytorch y keras tienen apis de primera clase en python herramientas de datos numpy y pandas hacen que la manipulación de datos sea sencilla comunidad la mayor comunidad de ml lo que significa abundancia de tutoriales respuestas en stack overflow y modelos preentrenados configurar tu entorno instalar python descarga python 3 10 o una versión más reciente desde python org verifica la instalación python3 version copiar deberías ver una salida como python 3 10 15 o más reciente crear un entorno virtual un entorno virtual aísla los paquetes de tu proyecto de la instalación de python del sistema esto evita conflictos de versiones entre proyectos python3 m venv ml env copiar actívalo macos linux source ml env bin activate windows command prompt ml env scripts activate bat copiar tu prompt mostrará ahora ml env para confirmar que el entorno está activo instalar las bibliotecas principales con el entorno virtual activo instala las tres bibliotecas que usarás a lo largo de esta serie pip install numpy pandas scikit learn copiar guarda las versiones exactas para reproducibilidad pip freeze requirements txt copiar cualquiera que clone tu proyecto puede reproducir tu entorno con pip install r requirements txt el flujo de trabajo de machine learning todo proyecto supervisado de ml sigue el mismo pipeline de cinco pasos raw data clean prepare split train model evaluate copiar entender este pipeline es más importante que memorizar cualquier algoritmo individual las secciones siguientes recorren cada paso con código paso 1 comprende tus datos con numpy y pandas antes de entrenar cualquier cosa necesitas saber cómo son tus datos numpy proporciona aritmética rápida sobre arrays pandas añade tablas con etiquetas dataframes que facilitan la exploración numpy inspeccionar un array numérico import numpy as np data np array 2 1 3 4 1 8 5 0 2 7 print mean data mean 3 0 print std round data std 4 1 1402 print max data max 5 0 copiar pandas construir un pequeño conjunto de datos import pandas as pd df pd dataframe age 25 30 22 35 28 income 40000 55000 32000 70000 48000 bought 0 1 0 1 0 print df shape 5 3 print df income mean 49000 0 print df isnull sum 0 missing values in each column copiar df shape te indica el número de filas y columnas isnull sum cuenta los valores faltantes por columna comprueba esto siempre antes de modelar paso 2 limpiar y preparar los datos los conjuntos de datos reales casi siempre tienen valores faltantes formatos inconsistentes o características en escalas muy diferentes es necesario abordar esto antes del entrenamiento manejar valores faltantes reemplaza los números faltantes con la mediana de la columna robusta ante valores atípicos o la media import pandas as pd df pd dataframe age 25 none 22 35 28 income 40000 55000 none 70000 48000 df age df age fillna df age median df income df income fillna df income mean print df isnull sum age 0 income 0 copiar escalar características muchos algoritmos k vecinos más cercanos svms redes neuronales son sensibles a la escala de las características una columna con valores en miles dominará a una columna con valores de un solo dígito a menos que las normalices standardscaler resta la media y divide por la desviación estándar de modo que cada característica tiene media 0 y desviación estándar 1 from sklearn preprocessing import standardscaler import numpy as np x np array 1 0 200 0 2 0 400 0 3 0 300 0 scaler standardscaler x_scaled scaler fit_transform x print x_scaled round 2 1 22 1 22 0 1 22 1 22 0 copiar consulta escalado de características para más detalles paso 3 dividir en conjuntos de entrenamiento y prueba nunca evalúes un modelo con los datos con los que fue entrenado sería como corregir tu propio examen con el solucionario abierto divide los datos para que el modelo entrene con una parte y se evalúe con una parte reservada que nunca haya visto from sklearn model_selection import train_test_split x_train x_test y_train y_test train_test_split x y test_size 0 2 random_state 42 copiar test_size 0 2 reserva el 20 de los datos para pruebas random_state 42 hace que la división sea reproducible consulta el capítulo división en entrenamiento prueba para estrategias como la división estratificada y la validación cruzada paso 4 entrenar un modelo con datos limpios y divididos puedes entrenar tu primer modelo el ejemplo a continuación usa el conjunto de datos iris un benchmark clásico con 150 muestras 4 características numéricas y 3 especies de flores para clasificar from sklearn datasets import load_iris from sklearn model_selection import train_test_split from sklearn ensemble import randomforestclassifier from sklearn metrics import accuracy_score 1 load iris load_iris 2 split x_train x_test y_train y_test train_test_split iris data iris target test_size 0 2 random_state 42 3 train model randomforestclassifier n_estimators 100 random_state 42 model fit x_train y_train 4 predict evaluate predictions model predict x_test print f test samples len x_test 30 print f accuracy accuracy_score y_test predictions 2f 1 00 copiar un randomforestclassifier entrena muchos árboles de decisión sobre subconjuntos aleatorios de los datos y combina sus votos maneja bien las relaciones no lineales y es una buena línea base para tareas de clasificación n_estimators 100 especifica el número de árboles paso 5 evaluar el modelo la exactitud la proporción de predicciones correctas es fácil de entender pero puede ser engañosa cuando una clase es mucho más rara que las demás scikit learn proporciona una suite completa de métricas métrica qué mide exactitud fracción total de aciertos precisión de los positivos predichos cuántos eran realmente positivos exhaustividad de los positivos reales cuántos predijimos correctamente puntuación f1 media armónica de la precisión y la exhaustividad para un análisis más detallado de la evaluación consulta el capítulo matriz de confusión elegir el algoritmo adecuado diferentes problemas requieren diferentes algoritmos aquí tienes una orientación rápida tipo de problema prueba primero clasificación randomforestclassifier logisticregression regresión linearregression randomforestregressor agrupamiento kmeans reducción de dimensionalidad pca explorarás la mayoría de estos en el resto de esta serie buenos puntos de partida son k vecinos más cercanos árbol de decisión y regresión lineal errores comunes para principiantes fuga de datos ajustar el escalador sobre el conjunto de datos completo antes de dividir filtra las estadísticas del conjunto de prueba al entrenamiento ajusta siempre los transformadores solo sobre el conjunto de entrenamiento y luego aplícalos al conjunto de prueba sobreajuste un modelo que memoriza los datos de entrenamiento tiene un rendimiento deficiente con datos nuevos usa validación cruzada para detectarlo a tiempo ignorar el desequilibrio de clases si el 95 de tus etiquetas son negativo un modelo que siempre predice negativo obtiene un 95 de exactitud pero es inútil comprueba las distribuciones de clases antes de elegir una métrica omitir la exploración mira siempre tus datos antes de modelar comprueba rangos distribuciones y recuentos de valores faltantes conclusión ahora tienes un entorno de ml en python en funcionamiento y comprendes el pipeline completo de aprendizaje supervisado cargar los datos limpiarlos dividirlos entrenar un modelo y evaluarlo con datos reservados los capítulos que siguen profundizan en cada paso comenzando con la preparación de datos pasando por los algoritmos individuales y terminando con temas avanzados como la validación cruzada y el ajuste de hiperparámetros was this page helpful yes no previous gráficos de pastel con matplotlib next media mediana moda on this page primeros pasos con machine learning en python w3docs tutoriales ejemplos ejercicios fragmentos y cuestionarios gratuitos para la web desde 2014 libros aprender html aprender css aprender javascript aprender git aprender java aprender php aprender python práctica ejercicios cuestionarios editor try it herramientas html editor password generator html encoder code diff json beautifier empresa acerca de contacto política de privacidad idioma english deutsch русский français español português italiano 2026 w3docs todos los derechos reservados hecho para desarrolladores
|
