INTRODUCCIÓN AL

APRENDIZAJE DE MÁQUINA
Guía paso a paso para implementar
algoritmos de aprendizaje automático con
python, Scikit-learn, TensorFlow y Keras

CONCEPTOS, HERRAMIENTAS Y TÉCNICAS

Guía absoluta en español para principiantes

Comienza con aprendizaje automático desde cero

ALAN LÓPEZ
INTRODUCCIÓN
AL
APRENDIZAJE DE MÁQUINA

Conceptos,
Herramientas y Técnicas

ESTA OBRA ESTÁ BAJO UNA LICENCIA CREATIVE

COMMONS ATRIBUCIÓN-NOCOMERCIAL-
SINDERIVADAS 4.0 INTERNACIONAL.

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

 ACERCA DEL
AUTOR

El Dr. Alan López actualmente es consultor en materia de inteligencia

artificial y profesor en el Instituto Tecnológico Nacional de México, campus
León. Obtuvo la licenciatura en ingeniería en mecatrónica por la Universidad
Tecnológica de León en 2011, la maestría en optomecatrónica en 2014, y el
doctorado en ciencias en 2019; ambos por el Centro de Investigaciones en
Óptica, A.C.

Como consultor, ha participado en proyectos relacionados con la

implementación de sistemas de visión en montacargas, y el uso del
aprendizaje de máquina para la predicción de fallas en tarjetas electrónicas.
Ha publicado artículos en revistas indizadas sobre algoritmos bioinspirados
aplicados en visión artificial para el entendimiento de la escena.

Como cofundador y chief academic officer de disruptora_ su trabajo consiste

en usar modelos de inteligencia artificial para mejorar las experiencias de
aprendizaje en línea.

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

 TABLA DE
CONTENIDO

PREFACIO 1
ACERCA DE ESTE LIBRO 2
SECCIÓN I: DATOS Y PROBLEMAS 5
5
I. DATOS Y BASES DE DATOS

1.1 ¿Qué son los datos?

1.2 Bases de datos relacionales y SQL

1.3 Bases de datos no relacionales y MongoDB

1.4 Implementación de pipelines

1.5 Introducción al Big Data y su uso en ML

II. PROPONER PROYECTOS DE ML 5

2.1 ¿Cómo empiezan las iniciativas de ML?

2.2 Levantamiento de requerimientos comerciales y

técnicos

2.3 Análisis de los requerimientos comerciales y técnicos

2.4 Exploración de datasets

SECCIÓN II: APRENDIZAJE MÁQUINA 5

III. INTRODUCCIÓN AL APRENDIZAJE MÁQUINA 5
3.1 ¿Cómo generar valor con Machine Learning?
3.2 Aprendizaje Supervisado
3.3 Aprendizaje no Supervisado
3.4 Datos no estructurados
3.5 Análisis de Sentimientos
3.6 Procesamiento de Lenguaje Natural (NLP)
3.7 Reducción de dimensionalidad

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

 TABLA DE
CONTENIDO

IV. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 5

4.1 Introducción a Tensorflow y Pytorch

4.2 Redes Neuronales Convolucionales (CNN)

4.3 Redes Neuronales Recurrentes (RNN)

SECCIÓN III: IMPLEMENTACIÓN DE PROYECTOS 5

V. ARQUITECTURA DE SOFTWARE PARA 5
PROYECTOS

5.1 Introducción a DevOps

5.2 Microservicios en Python

5.3 Estrategias de despliegue

VI. USO DEL ML A NIVEL PROFESIONAL 5

6.1 Integración del Aprendizaje Máquina a proyectos
reales
6.2 Preparación de un portafolio de proyectos
6.3 Preparación para la búsqueda de empleo y la
entrevista laboral
6.4 Preparación para el empleo

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

 PREFACIO

Antes de adentrarte en la lectura de este libro, es probable que hayas notado

la relevancia del aprendizaje máquina en la construcción de las herramientas
informáticas que nos rodean cada vez más en nuestro día a día. Con el verti-
ginoso avance de esta disciplina en los últimos años, hemos tenido acceso a
impresionantes instrumentos capaces de realizar tareas que parecen sacadas
de una película de ciencia ficción. Pero, ¿Cómo iniciarse en este fascinante
mundo? ¿Qué conocimientos son necesarios para desarrollar soluciones reales
a problemas concretos? Y lo más importante, ¿Cómo prepararse para dedi-
carse a este ámbito de manera profesional?

En este libro, espero responder a estas interrogantes y más. Encontrarás

explicaciones claras y precisas para aquellos que se están iniciando en el
aprendizaje máquina, así como recursos visuales que te permitirán compren-
der fácilmente los conceptos expuestos. Además, hallarás ejemplos de código
y ejercicios prácticos que te ayudarán a afianzar tus habilidades y a profun-
dizar en la implementación en código de los algoritmos propuestos.

Esta obra tiene tres objetivos principales: primero, introducirte a las herra-
mientas que te permitirán extraer y analizar datos para proponer proyectos
que puedas resolver mediante el aprendizaje máquina; segundo, presentarte
los algoritmos básicos del aprendizaje máquina y el aprendizaje profundo, y
mostrarte cómo puedes utilizarlos para abordar problemas reales; y tercero,
enseñarte cómo planificar y organizar el desarrollo de un proyecto de apren-
dizaje máquina, y cómo integrarlo en tu portafolio de proyectos para ayudar-
te a conseguir empleo en este emocionante campo laboral.

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

 ACERCA DE
ESTE LIBRO

¿A quién está enfocado el libro?

Este libro ha sido concebido con el objetivo de brindar una guía completa
para aquellas personas que cuenten con conocimientos básicos en el len-
guaje de programación Python y deseen aplicar sus conocimientos con un
enfoque profundo y especializado en el ámbito del Machine Learning. Con el
fin de brindar una experiencia agradable y accesible, el autor se esforzará
por mantener un tono ameno y amistoso en el texto, sin embargo, se tendrá
en cuenta la formalidad y rigor requeridos para una obra de esta naturaleza.

Estructura del libro

El presente libro se divide en tres grandes secciones, cada una de las cuales
se subdivide en capítulos detallados. La primera sección se enfoca en propor-
cionar una sólida base para el manejo y manipulación de datos y datasets. A
través de la introducción a pipelines, bases de datos relacionales y no rela-
cionales, el lector podrá aprender a implementar estas herramientas y com-
prender las metodologías necesarias para desarrollar un proyecto de aprendi-
zaje máquina eficaz.

La segunda sección explora los conceptos fundamentales de aprendizaje

automático, comenzando con los algoritmos de máquinas de soporte vecto-
rial, Naive-Bayes, K-Nearest Neighbors, K-Means, y reducción de dimensio-
nalidad. Posteriormente, se profundiza en las Redes Neuronales, con un
enfoque práctico y fácil de entender, incluyendo ejemplos y ejercicios para
cada tema.

Por último, la tercera sección aborda cómo aplicar estas técnicas a proble-
mas reales y cómo hacer uso de herramientas como los microservicios de
Python para incorporar las soluciones a estos problemas en aplicaciones
reales. Esta sección ayudará al lector a enriquecer su portafolio de proyectos
y a construir su camino hacia una carrera en el campo del aprendizaje
máquina.

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

 ¿Cómo usar este libro?

Cada una de las secciones previamente abordadas se dividirá en capítulos,

los cuales agruparán toda la información relativa a un mismo asunto. Cada
capítulo, a su vez, se dividirá en varios temas que se enumerarán de forma
sucesiva y se presentarán al lector con una tipografía de gran tamaño y
resaltados en negritas.

Es importante destacar que el contenido de cada tema se presentará de

manera distinta, dependiendo de su naturaleza. Para que el lector se
familiarice con su uso, se muestran a continuación los diferentes estilos
utilizados:

Para introducir nuevas fórmulas, se utilizará el siguiente formato: el nombre

de la fórmula por definir se encontrará a la izquierda, y al centro se colocará
su definición matemática.

Loss Function

Cuando se requiera hacer una definición formal, se encasillará el concepto

en un recuadro como el siguiente:

Definición: Descripción de la definición

En cada capítulo, se proporcionarán al lector uno o varios ejemplos con su

correspondiente solución, como se muestra a continuación:

Ejemplo 1.2 Regresión

Estimar los parámetros correctos para una línea recta que pase por a y
b.

SOLUCIÓN

Estimar los parámetros correctos para una línea recta que pase por a y
b.

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

Todas las tablas e imágenes utilizadas en el contenido de cada tema estarán
etiquetadas de la siguiente manera:

Tabla 1.2 Figura 1.1

Al final de cada capítulo, se incluirá una sección de repaso que pretende con-
centrar la información más importante de cada tema a manera de resumen y
destacar los aspectos más relevantes a considerar en relación a cada capítulo.
Dicha sección estará indicada por un encabezado como el siguiente:

Repaso

Por último, en cada capítulo aparecerán señales adicionales que indican

situaciones específicas, tales como:

Recuerda Para aclarar un punto o concepto importante o retomar algún

concepto previo
Cuidado Para alertar sobre situaciones que puedan causar problemas o
confusiones al lector.
Consejo Para proporcionar recomendaciones y sugerencias útiles para el
lector.

INTRODUCCIÓN AL APRENDIZAJE DE MÁQUINA

 SECCIÓN

APRENDIZAJE 2
MÁQUINA

COCHES AUTÓNOMOS

By Joyce Wright
Photographs by Mark Halberg

E
l aprendizaje profundo es un subcampo del aprendizaje de máquina, y como tal,
busca encontrar patrones en los datos para describir comportamientos y
distribuciones ocultas e imposibles de describir con total exactitud con el objetivo de
poder hacer predicciones con un grado de exactitud importante. Esto último para generar
valor de los datos, por lo general automatizando decisiones de negocio.

El aprendizaje de máquina clásico hace uso de métodos para lo anterior, como los árboles
de decisión, las máquinas de soporte vectorial, e incluso las redes neuronales arificial.
El aprendizaje profundo busca lo mismo, pero exclusivamente con arquitecturas de redes
neuronales profundas. A medida que la recopilación de datos se hace más fácil, y que el
poder de cómputo más potente, las soluciones basadas en redes neuronales profundas van
tomando protagonismo.