Inteligencia Artificial

GRUPO #5

• Whilmar Molina-------------------->100209302
• Oliver De Los Santos-------------->100340743
• Christopher Jiménez-------------->100399711
• Luis Miguel Martínez Pérez------> 100278295
 Librerías de Python para
Inteligencia Artificial

Estas son las bibliotecas básicas que transforman Python de un lenguaje de

programación de propósito general en una poderosa y robusta herramienta para el
análisis y la visualización de datos, estas son las bases sobre la que se basan las
herramientas más especializadas.
 ¿Qué es Pandas?

Pandas es una muy popular librería de código abierto dentro de los

desarrolladores de Python, y sobre todo dentro del ámbito de Data
Science y Machine Learning, ya que ofrece unas estructuras muy poderosas
y flexibles que facilitan la manipulación y tratamiento de datos.

El DatraFrame es la estructura principal de trabajo en Pandas. Esta estructura

de datos representa la información de dos dimensiones a modo de tabla,
Pandas también contiene una estructura de datos para una dimensión,
denominada Series y que complementa a los DataFrames.
Las dos estructuras de datos principales dentro del paquete Pandas son: Series,
Dataframe.
 Otras Características
•El tipo de datos son DataFrame para manipulación de datos con indexación integrada.
Tiene herramientas para leer y escribir datos entre estructuras de dato en memoria y formatos
de archivos variados.

•Permite la alineación de dato y manejo integrado de datos fallantes, la reestructuración y

segmentación de conjuntos de datos, la segmentación vertical basada en etiquetas, indexación
elegante, y segmentación horizontal de grandes conjuntos de datos, la inserción y eliminación de
columnas en estructuras de datos.

•Puedes realizar cadenas de operaciones, dividir, aplicar y combinar sobre conjuntos de

datos, la mezcla y unión de datos.

•Permite realizar indexación jerárquica de ejes para trabajar con datos de altas dimensiones

en estructuras de datos de menor dimensión, la funcionalidad de series de tiempo: generación
de rangos de fechas y conversión de frecuencias, desplazamiento de ventanas estadísticas y de
regresiones lineales, desplazamiento de fechas y retrasos.
Scipy: es un ecosistema basado en Python de software de código abierto para
matemática, ciencia e ingeniería. Se compone. De herramientas algoritmos
matemático.
SciPy tiene su propio conjunto de recursos disponibles bajo una licencia de
código abierto de Berkeley Software Distribution que ayuda a los
desarrolladores y a otros a perseguir objetivos de aprendizaje automático.
Los ingenieros de aprendizaje automático usan SciPy de muchas maneras diversas
para ayudar a diseñar y refinar algoritmos para el desarrollo del aprendizaje
automático. Uno de los principales usos de SciPy está relacionado con su enfoque
modular. Con módulos relacionados con la optimización de algoritmos,
integración, álgebra lineal y procesamiento de señales, SciPy tiene mucha utilidad
para proyectos de aprendizaje automático.

También funciona con otras herramientas como matplotlib para lograr los
objetivos de visualización. En general, todas estas herramientas trabajan juntas
para ayudar a los encargados de tomar decisiones humanas a elaborar ideas y
trabajar hacia resultados de aprendizaje automático que muestren un enfoque de
algoritmo refinado.
Ejemplo:
En este ejemplo, estamos importando el módulo newton de la librería SciPy para encontrar la
raíz cuadrada de un número utilizando el método de Newton. Primero, definimos la función f
cuya raíz cuadrada queremos calcular, en este caso f(x) = x^2 - 2. Luego, especificamos un
punto de inicio para el método de Newton en la variable x0.
Finalmente, llamamos a la función newton con la función f y el punto de inicio x0 como
argumentos, y almacenamos la raíz cuadrada en la variable raiz. Finalmente, imprimimos la
raíz cuadrada utilizando la función print. En este caso, el resultado impreso debería ser
aproximadamente 1.41421356, que es la raíz cuadrada de 2.
Hasta este punto únicamente hemos introducido librerías que nos permiten
manipular los datos y realizar algoritmos. Sin embargo, existe un procedimiento
igual de importante en los flujos de trabajo y ese es el de visualización. La librería
de Python para Machine Learning empleada en tareas de visualización por
excelencia es Matplotlib y entre sus cualidades destacan que es open source y
trabaja a bajo nivel. Es tal su importancia que otras librerías, como Plotly, se
basan en ella.

La naturaleza de bajo nivel de su interfaz hace que con Matplotlib se pueda

representar cualquier cosa. Por ejemplo, si lo que se necesita es realizar un
experimento rápido, con unas pocas líneas de código se puede representar la
función matemática deseada. Por contra, si se busca representar algo más
complejo, el bajo nivel de la librería lo hace posible, permitiendo incluso
visualizaciones en 3D.
Cómo instalar Matplotlib

Para instalar Matplotlib, digita en tu consola:

pip install matplotlib
Y para importarlo en tu código, por convención se usa:
import matplotlib.pyplot as plt
Si estás trabajando con un notebook en la nube como Deepnote o Colab, Matplotlib ya
estará instalado y solo tendrás que importarlo.
 
NumPy que es el acrónimo de Numeric Python es un módulo fundamental para el
cálculo científico con Python. Con él se dispone de herramientas computacionales
para manejar estructuras con una gran cantidad de datos, diseñadas para obtener
un buen nivel de rendimiento en su manejo.
Hay que tener en cuenta que en un lenguaje de programación interpretado como
lo es Python, el acceso secuencial a estructuras que contengan una gran cantidad
de datos afecta mucho al rendimiento de los programas. Por ello es imperativo
evitar, en la medida de lo posible, el usar bucles para recorrer uno a uno los
elementos de una estructura de datos.
 En ese sentido, el módulo NumPy incorpora un nuevo tipo de dato, el
array, similar a una lista, pero que es computacionalmente mucho más
eficiente. El módulo incorpora además una gran cantidad de métodos que
permiten manipular los elementos del array de forma no secuencial, lo que
se denomina vectorización, y que ofrece un alto grado de rendimiento.

A diferencia de las listas, cuyos elementos pueden ser de cualquier tipo, un

array de NumPy debe tener todos sus elementos del mismo tipo. Para
definirlo será necesario importar el módulo, y usar la orden array:
 
import numpy as np
a = np.array([1.,3,6])
print a
[ 1. 3. 6.]
 
Numpy es una librería de Python para Machine Learning caracterizada por ser
la librería de procesamiento de arrays (arreglos) por excelencia. Contiene
una gran colección de funciones que permiten realizar cálculos matemáticos
complejos sobre arrays multidimensionales. La funcionalidad que implementa
permite realizar operaciones lógicas, redimensiones, búsquedas y aplicar
estadísticos entre otras. El núcleo de la librería se basa en los objetos ndarray,
los cuales permiten encapsular arrays de n dimensiones sobre los que se
pueden realizar las operaciones antes descritas de una forma muy eficiente.

Debido a la eficiencia y rendimiento que aportan sus operaciones, hacen que

Numpy sea utilizado por otras librerías de ML como pueden ser TensorFlow
(aplica Numpy principalmente para la manipulación de tensores) o Pandas
(donde permite realizar los cálculos matriciales).