Equipaje recomendado

Programación en Python

Google Colab

Nota: Este tutorial tiene una versión más extensa y detallada en YouTube, en forma de minicurso:

Antes de comenzar… ¿API?

La librería Spotipy de Python permite establecer comunicación con la API Web de Spotify, la cual a su vez ofrece un medio para la extracción de datos mediante comandos con contenido específico para cada tipo de consulta. Para poder utilizar de manera efectiva esta librería, es necesario tener al menos la noción de lo que es una API, cómo funciona, y (para el caso específico de Spotify) cómo y dónde está documentada.

¿Qué es una API?

Cómo se menciona en el artículo sobre cómo obtener conjuntos de datos, una API (de las siglas en inglés Application Programming Interface) es una interfaz de programación de aplicaciones, lo cual es, en pocas palabras, una forma de comunicación entre diferentes softwares mediante protocolos relativamente sencillos.

Una API (en específico, una API Web) permite establecer comunicación con plataformas web como Facebook, Google, Netflix o Spotify, y pueden ser consumidas mediante clientes utilizando diversas aplicaciones y lenguajes de programación, dentro de los cuales se encuentra Python.

API Web

Las API Web son un tipo de API que se utiliza para generar comunicación entre aplicaciones mediante el uso de la web. Esta conexión se da mediante solicitudes que se realizan a servidores utilizando un protocolo HTTP, el cual, simplemente, es la manera estandarizada en la que se deben estructurar los mensajes para generar tales solicitudes.

La Figura T.1 muestra de forma muy simplificada cómo se establece el flujo de datos mediante el consumo de una API Web:

Ejemplos de API web

Algunos ejemplos de este tipo de API son los siguientes:

GitHub API:

• Usada para acceder a datos de repositorios, usuarios, y más.
• Ejemplo de uso: Obtener información de un usuario de GitHub.
• Documentación

Twitter/X API v2:

• Usada para interactuar con tweets, usuarios, y estadísticas.
• Ejemplo de uso: Publicar un tweet desde tuuna aplicación desarrollada por ti.
• Documentación

OpenWeatherMap API:

• Ofrece datos climáticos como temperatura, precipitación, etc.
• Ejemplo de uso: Consultar el clima actual de una ciudad.
• Documentación

Google Maps API:

• Ofrece servicios como generación de mapas, cálculo de rutas, y geocodificación.
• Ejemplo de uso: Obtener coordenadas de una dirección.
• Documentación

API Web de Spotify y endpoints

La API Web de Spotify permite interactuar con el servicio de streaming de Spotify para realizar acciones como recuperar datos y metadatos de contenido, obtener recomendaciones, crear y gestionar listas de reproducción, o controlar la reproducción misma.

Para el uso de esta API se deben seguir al pie de la letra las formas de comunicación con los puntos de acceso o endpoints especificados por Spotify. Un endpoint es una URL que podemos utilizar para enviar solicitudes para interactuar con el servidor.

Estos endpoints están detallados en la documentación de la API: https://developer.spotify.com/documentation/web-api

En el cómo llamar a estos endpoints es donde entra en acción la librería de Spotipy, ya que simplifica la forma de consumir la API Web mediante funciones. Pasemos a ver cómo utilizarla.

¿Cómo consumir la API Web de Spotify con Python?

Spotipy es una librería de Python que facilita el consumo de la API web de Spotify mediante el uso de una sintaxis sencilla. Permite enviar solicitudes de manera simplificada, sin necesidad generar las estructuras de cada endpoint señaladas en la documentación.

Más adelante veremos cómo es la sintaxis para hacer uso de esta librería.

A continuación, se describen los pasos para consumir la API Web de Spotify con Python, utilizando Spotipy:

1. Configura una aplicación en Spotify for developers

Para poder acceder a la API, antes deberás crear una cuenta en https://developer.spotify.com/, y crear una app (un registro de proyecto que te permitirá extraer datos); es muy sencillo y rápido.

Primero deberás acceder a la sección de Login en la página principal e iniciar sesión si ya tienes una cuenta, o crear una:

Una vez realizado tu ingreso a la plataforma, deberás acceder a tu dashboard desde el menú desplegable del header:

Acepta los términos y condiciones:

Una vez dentro del dashboard, deberás dar clic en el botón «Create app«:

Llenas los campos del formulario, puedes añadir lo siguiente para los dos primeros:

• App Name: My App
• App Description: This is my first Spotify app

No es necesario llenar el campo Website. Añades el siguiente el siguiente valor en el campo Redirect URIs: http://127.0.0.1:3000 o http://localhost:3000, y das clic en el botón Add:

Selecciona las casillas como se muestra a continuación:

Y das clic en Save.

Aquí te puede salir el siguiente error:

Si esto sucede, solo hay que esperar algunos minutos, prepárate un café y vuelve a dar clic en Save.

Y con esto ya has completado el primer paso, lo siguiente es obtener las credenciales para acceder a la API.

2. Obtén tu client ID y client secret

Después de haber creado la app, deberás obtener códigos de identificación que te permitan hacer uso de la API, estos los podrás extraer desde la opción de «Settings» de tu app:

Una vez ahí, elige la opción «View client secret«, debajo del Client ID:

Finalmente, te mostrará los valores que necesitas:

Y listo, con estas cadenas de caracteres puedes comenzar a utilizar la API.

3. Configuración en Python

Ahora proseguiremos a instalar la librería en nuestro entorno de ejecución; estos pasos pueden variar ligeramente dependiendo de dónde correrás tu programa, ya sea en tu ordenador de forma local o en un servicio en la nube como Google Colab, si no sabes de qué se trata, visita este rápido tutorial. Aquí te explicaré ambas formas:

Pasos si ejecutarás el código de forma local

Primero, claramente debemos asegurarnos de tener Python instalado en nuestro sistema. En caso contrario, puedes descargarlo desde python.org.

Una vez hecho esto, deberás crear un directorio para tu proyecto y, dentro de él, crear un entorno virtual. Puedes hacerlo utilizando el siguiente comando en tu terminal:

python -m venv venv

Ahora activa el entorno virtual ejecutando el siguiente comando:

En macOS/Linux:

source venv/bin/activate

En Windows:

venv\Scripts\activate

Por último, instala la librería Spotipy ejecutando el siguiente comando dentro de tu compilador de Python:

pip install tqdm==4.67.1 pandas==2.2.2 spotipy==2.25.0

Pasos si ejecutarás el código en Google Colab

En lo que respecta a Google Colab, solo deberías instalar las librerías utilizando el siguiente comando:

!pip install pandas==2.2.2
!pip install tqdm==4.67.1
!pip install spotipy==2.25.0

4. Comencemos con Python: declaración de credenciales

Es hora de programar; lo siguiente será importar las librerías, declarar las variables client_id y client_secret con los valores que obtuviste al crear tu app (las credenciales para utilizar la API), y definir la variable que se utilizará para llamar a la API:

# Se importan las librerías necesarias.
import warnings
import spotipy
from spotipy.oauth2 import SpotifyClientCredentials
import pandas as pd
from tqdm import tqdm

# Se filtran las advertencias.
warnings.filterwarnings('ignore')

# Se declara el ID del cliente.
client_id = 'Añade tu Client ID'

# Se declara el valor del secret client.
client_secret = 'Añade tu Client Secret'

client_credentials_manager = SpotifyClientCredentials(client_id, client_secret)

5. Extrayendo datos

Con lo que tenemos hasta ahora ya podemos dar inicio a la obtención de datos de Spotify. ¿Qué es lo que podemos obtener utilizando la API?, las opciones son variadas, y pueden ser consultadas en la documentación de la librería: https://spotipy.readthedocs.io/en/2.24.0/#api-reference

Vayamos a un ejemplo específo para comprender cómo debemos estructurar las consultas. Supongamos que has explorado las funciones a utilizar, y te decides por la función search, la cual permite obtener información del catálogo de Spotify sobre álbumes, artistas, listas de reproducción, canciones, programas, episodios o audiolibros que coincidan con una cadena de palabras clave (es decir, buscará y traerá información sobre algún elemento especificado, como si utilizarás la barra de búsqueda).

Debemos identificar los elementos que conforman al comando para utilizar esta función en la documentación de la librería:

Notarás que se hace una breve descripción de lo que hace la función, y se especifican los parámetros que deben pasarse.

El parámetro más importante es q, el cual es la consulta de búsqueda a realizar, la cual puede ser acotada con los demás parámetros. La salida de esta función puede ser consultada en su respectivo espacio en la documentación de la API: https://developer.spotify.com/documentation/web-api/reference/search

Es aquí donde podemos ver por qué es necesario entender que es la API web y cómo es utilizada por la librería Spotipy, será necesario atender a ambas documentaciones para generar y comprender las consultas.

Ahora utilicemos la función. Supongamos que has decidido realizar la búsqueda «Blackpink» para obtener información sobre este grupo desde los servidores de Spotify. Usarías la función como sigue, especificando el nombre del grupo, y que se trata de un artista y no de una canción o algún otro tipo:

# Se busca información sobre Blackpink.
result = sp.search(q='Blackpink', type='artist', limit=1)

# Se imprime el resultado.
result

Como se aprecia arriba en la salida del código, el resultado es un diccionario con diferentes elementos correspondientes a información relacionada a la consulta (géneros a los que pertenece, imágenes relacionadas, popularidad, etc.), en este caso, la agrupación Blackpink.

Si deséaramos obtener de este diccionario, por ejemplo, el número de seguidores que tiene el grupo en la plataforma, tendríamos que acceder a la llave «followers«, y después al elemento ‘total‘:

# Se imprime el número de seguidores de Blackpink. 
result['artists']['items'][0]['followers']['total']

Nota: El valor retornado es el que se ve debajo de las líneas de código.

Ahora, supongamos que queremos algo un poco más específico: las 10 canciones más populares del grupo. Para esto obtendremos el ID que ha asignado Spotify a Blackpink, y después usaremos el método artist_top_tracks para obtener las canciones.

El código quedaría como sigue:

# Se obtiene ID de Blackpink de la información antes extraída.
blackpink_id = result['artists']['items'][0]['id']

# Se obtienen las 10 canciones más escuchadas de Blackpink.
results = sp.artist_top_tracks(blackpink_id)

# Se imprime el nombre de las canciones.
for track in results['tracks']:
    print(track['name'])

Como notarás, el uso de esta librería consiste en definir qué datos requieres, y traerlos mediante la manipulación de las respuestas de la API. Para saber todo sobre la información que puedes disponer a través de este medio, no olvides consultar las referencias del repositorio oficial de la librería, y complementar tu comprensión de cada característica acudiendo a la página oficial de la API de Spotify.

Nota: a veces la ejecución de códigos con esta librería puede arrojar el siguiente error:

Si es el caso, no te preocupes, esto se debe a una inocua incidencia de conexión; solo vuelve a ejecutar el código.

6. Extracción, transformación y descarga de datos: de diccionarios a tablas, y de tablas a CSV/Excel

Por último, te mostraré un ejemplo de cómo obtener una tabla con datos de 500 canciones, y descargar esta en formato CSV o Excel.

La intención será la de obtener una lista de 50 canciones de 10 géneros diferentes, de las cuales se tendrá la siguiente información: nombre, género, nombre del/la artista, nombre del álbum, fecha de estreno del álbum, duración, popularidad, número de canción en el álbum, URI.

El siguiente fragmento de código crea una función para la extracción de 50 canciones del género definido, sus características, y acomoda la información en un dataFrame de Pandas (formato de tabla):

def get_tracks_by_genre(genre):
    """
    Función que obtiene información de 50 canciones de un género musical de
    Spotify y organiza la información de un Pandas dataframe.
    """

    # Se buscan 50 canciones del género especificado.
    results = sp.search(q=f'genre:{genre}', type='track', limit=50)

    # Se extraen los IDs de las canciones.
    track_ids = [track['id'] for track in results['tracks']['items']]

    # Se obtienen detalles de las canciones.
    tracks_info = sp.tracks(tracks=track_ids)

    # Se crea una lista para almacenar los datos.
    track_data = []

    # Se obtienen los datos de cada canción y se añaden a la lista.
    for track in tracks_info['tracks']:
        track_data.append({
            'genre': genre,
            'name': track['name'],
            'artists_name': ', '.join([artist['name'] for artist in track['artists']]),  # Si hay varios artistas
            'album_name': track['album']['name'],
            'album_release_date': track['album']['release_date'],
            'duration_ms': track['duration_ms'],
            'popularity': track['popularity'],
            'track_number': track['track_number'],
            'uri': track['uri']
        })

    # Se convierte la lista en un DataFrame de pandas.
    df = pd.DataFrame(track_data)

    return df

Así luce la tabla resultante, por ejemplo, del uso de la función con el género Rock como parámetro de entrada:

# Ejemplo de uso con el género 'rock'.
genre = "rock"
get_tracks_by_genre(genre)

Ahora, creamos un bucle que obtenga estos datos para cada género especificado en una lista, y concatenamos las tablas resultantes, generando una única tabla con los datos de todas las canciones:

# Se crea una lista con los géneros musicales deseados.
genres_list = ['world-music', 'salsa', 'rock-n-roll', 'reggae', 'reggaeton', 'pop', 'black-metal', 'k-pop', 'hip-hop', 'electronic']

# Se itera sobre esta lista utilizando sus elementos como entradas de la función creada.
tables = []

for item in tqdm(genres_list, desc = 'Creando conjunto de datos:'):
  table = get_tracks_by_genre(item)
  tables.append(table)

# Se concatenan las tablas y se imprime el resultado.
dataset = pd.concat(tables)
dataset

El resultado es un conjunto de datos estructurados en formato de tabla, con 500 renglones y 13 columnas.

Nota: una lista de los géneros disponibles se puede consultar en https://everynoise.com/everynoise1d.html

Por último, se puede obtener en formato CSV o Excel como sigue:

De forma local:

 # Se guarda en formato CSV.   
dataset .to_csv('dataset .csv', index=False)

 # Se guarda en formato Excel.   
dataset .to_excel('dataset .xls', index=False)

En Google Colab:

# Se guarda en formato CSV.   
dataset .to_csv('dataset .csv', index=False)

# Se guarda en formato Excel.   
dataset .to_excel('dataset .xls', index=False)

# Se descarga el CSV.   
from google.colab import files
files.download('dataset .csv')

# Se descarga el Excel.   
from google.colab import files
files.download('dataset .xls')

Puedes ver y ejecutar el código completo en Google Colab dando clic al siguiente botón:

Con esto concluimos este rápido tutorial de consumo de la API de Spotify en Python; notarás que es un proceso sencillo, y que depende de que te instruyas en qué datos puedes extraer, y cómo puedes acceder a ellos correctamente en el formato en el que son entregados.

¿Siguientes pasos? Lo que puedes hacer ahora es someter estos datos a un preprocesamiento y procesamiento, para un análisis o un modelo de aprendizaje automático. ¿Te interesa ver cómo alimentar un algoritmo de machine learning con estos datos? Revisa el tutorial sobre regresión logística, donde te enseño un código de Python en el que utilizamos estos datos para entrenar un modelo que aprende a clasificar canciones en diversos géneros musicales dadas algunas características.

Hemos alcanzado la penúltima sesión de nuestro entrenamiento especializado en conjuntos de datos, uno de los peldaños más significativos previo a dar partida en caminos más intrincados, poblados por los desafíos que plantean los modelos del machine learning.

En esta ocasión, conocerás y pondrás en práctica un paso ineludible en el desarrollo de todo algoritmo de aprendizaje de máquinas: el preprocesamiento de datos. Este es una parte cardinal del ciclo de vida de los datos, y es una actividad muy frecuente a realizar por quienes tienen la tarea de implementar modelos de aprendizaje de máquinas, ya que la mayoría de las veces es necesario modificar algunos aspectos de los datos para procurar su eficaz procesamiento computacional.

Equipaje recomendado

Nociones sobre conjuntos de datos, el ciclo de vida de los datos, y tipos de datos

Matemáticas: conocimiento en estadística descriptiva e inferencial

Análisis exploratorio de datos

Google Colab

Programación en Python: uso de librerías y comprensión básica de sintaxis

Tentempié

En este caso, además de explicar nuestro objeto de estudio, también tendremos nuestra primera práctica en Python, la cual vendrá desarrollada en un cuaderno de Google Colab, y para el que solo tendrás que ejecutar líneas de código y observar los resultados.

Nota: Recuerda que para utilizar Google Colab solo tendrás que hacer clic en el botón que te compartiré en la sección de programación, el cual te dirigirá hacia el espacio de trabajo con el código ejecutable y sus respectivas explicaciones. No olvides revisar la introducción rápida a Colab si aún no sabes de qué se trata.

¿Qué es el preprocesamiento de datos?

El preprocesamiento de datos es el conjunto de técnicas empleadas con el fin de preparar los datos para asegurar su calidad, viabilidad, y eficiencia para su procesamiento computacional. Es una de las etapas del ciclo de vida de los datos, y su importancia radica en que su objetivo es procurar las mejores propiedades de los datos para su computación.

El preprocesamiento de datos como una etapa del ciclo de vida de los datos está justo detrás de la fase de procesamiento (Fig. 2.7.1), que es la que corresponde a la operación computacional de los datos para su transformación en conocimiento de valor.

A quien le interesa particularmente acondicionar los datos es a quien está involucrado directamente con el procesamiento de estos (en nuestro caso, alimentar un modelo de aprendizaje de máquinas).

A pesar de que el preprocesamiento se da en un momento posterior a la transformación de los datos, la cual consiste en modificar estos para su correcto almacenamiento en bases de datos relacionales o no relacionales (es decir, dotarlos de formatos estructurados o semi-estructurados), esto no quiere decir que la información ya está en la mejor forma para entrar en la etapa de procesamiento.

Para entenderlo mejor, dejemos de lado las analogías de panes, y veamos las técnicas empleadas para ello, y algunos ejemplos.

Técnicas de preprocesamiento de datos

El preprocesamiento de datos comprende un conjunto de técnicas o tipos de técnicas originadas principalmente en la minería de datos (la cual trata sobre extracción de patrones en grandes volúmenes de datos). Estas componen el flujo del preprocesamiento, y conocerlas ilustrará los objetivos que persigue.

Las cuatro técnicas o enfoques principales del preprocesamiento se dividen de la siguiente forma:

• Integración
• Limpieza.
• Transformación.
• Reducción.

Veamos de qué va cada una.

Integración de datos

La la etapa de integración de datos en el preprocesamiento consiste en combinar información proveniente de diversas fuentes en un solo conjunto unificado. El realizar o no esta tarea dependerá de diversos factores referentes a tus bases de datos: ¿de dónde tomarás los datos?, ¿son compatibles entre sí?, ¿qué tipos de datos tienes y qué requieres para unirlos en un solo conjunto?

Entre otras palabras, esta etapa consiste en tomar datos de diversas bases y cruzarlos para tener un solo conjunto sobre el cual operar. Es importante, ya que para entrenar un modelo de aprendizaje artificial debes tener ordenados tus datos en un solo conjunto de ejemplos de entrenamiento, como vimos en las definiciones de conjuntos de datos y conjuntos de datos etiquetados.

Puede que esto suene un poco inconsistente con el flujo del ciclo de vida de los datos presentado hasta ahora, ya que he hablado de que los datos suelen almacenarse en espacios centralizados como data warehouses o datalakes. Pero esto no implica que TODOS los datos se encuentren en una sola estructura como una tabla, si no que se tendrán diferentes conjuntos almacenados en estructuras separadas, generalmente tablas relacionadas entre sí (cuando son datos estructurados). Y de ahí debes tomar lo que necesites, y combinarlo en un solo conjunto para tus fines.

Antes de continuar… no olvidemos el análisis exploratorio

Una vez que tenemos un conjunto unificado, es hora de realizar las modificaciones correspondientes a los datos para que queden listos como entradas para un algoritmo de machine learning. Pero, ¿cómo sabemos qué acciones específicas llevar a cabo?

Para esto, se realiza un análisis de datos exploratorio, en el que irás descubriendo los aspectos de tus datos que debes trabajar. Por lo tanto, el análisis de datos va aunado a las siguientes etapas; conforme vas analizando tus datos, vas determinando qué tareas necesitarás ejecutar para preprocesar los datos adecuadamente. Por ello, consideraremos que el análisis exploratorio es parte del peprocesamiento de datos, y no una actividad separada.

Recordemos de qué va este tipo de análisis visualizando de nuevo el esquema de la Figura 2.6.1 de la sesión pasada:

Ahora sí, es momento de modificar esos datos.

Limpieza de datos

Esta es generalmente la más elemental más concurrida actividad dentro del preprocesamiento. Consiste en la detección y corrección de inconsistencias en el conjunto de datos. Para su ejemplificación, nos referiremos principalmente a datos organizados en tablas, dado que es muy frecuente encontrarlos en estas estructuras. Algunos ejemplos de inconsistencias en datos para su limpieza (las cuales encontraste mediante un análisis exploratorio) son:

• Datos nulos o ausentes: generalmente son expresados por la máquina con la forma «NaN» o «Null», estos representan espacios vacíos o datos no válidos en el conjunto de datos.
• Datos duplicados: renglones/ejemplos de entrenamiento repetidos en el conjunto de datos.
• Datos mal escritos: palabras o números que no tienen sentido en el contexto del conjunto de datos por algún error de transcripción.
• Tipos de datos inconsistentes: que cada columna no esté definida con su tipo de datos correspondiente, por ejemplo, los datos cuantitativos deberían expresarse como enteros (int) o racionales (float), y los datos cualitativos en su mayoría como cadenas de caracteres (strings).
• Datos atípicos: valores que se alejan de forma estadísticamente considerable de la tendencia.

Transformación de datos

Este enfoque tiene el mismo nombre que el de nuestro ciclo de vida de los datos, pero no debe confundirse: la transformación de datos en el preprocesamiento trata sobre modificar el conjunto de datos para posibilitar o acrecentar su facilidad de procesamiento. Algunas de estas transformaciones pueden ser: normalización/estandarización de los datos (una operación muy común), suavizado, vectorización, escalado, o codificación (traducción de datos cualitativos a números o estructuras matemáticas).

Reducción de datos

La reducción de datos consiste en la obtención de una representación más pequeña, pero más conveniente, del conjunto de datos. Entre las actividades que la conforman están la reducción de categorías/dimensionalidad (una práctica muy frecuente), y reducción de numerosidad. Para esto se pueden emplear incluso algoritmos de aprendizaje supervisado y no supervisado, y su fin es la optimización del procesamiento de la información, y la generación de los resultados más óptimos posibles.

Como podrás notar, el preprocesamiento consiste en asegurar que los datos a procesar no generen errores al tomarse como entradas en los algoritmos, y sean computados en el menor tiempo posible; esta es la razón de ser de este paso del ciclo de vida de los datos, el cual es casi rutinario en la creación y ejecución de un modelo de aprendizaje de máquinas.

¿Cómo hacer preprocesamiento de datos?

El preprocesamiento se puede trabajar con distintas herramientas que permitan la manipulación de los datos, ya sea con algún lenguaje de programación como SQL, Python o R, o aplicaciones como Excel, Google Sheets, entre otras. La mejor idea es (si está dentro de las posibilidades) hacer este acondicionamiento de los datos desde el mismo lugar en el que ejecutarás su procesamiento, ya que simplifica el salto entre etapas (pre y procesamiento); en términos generales, un lenguaje de programación flexible como Python es la mejor opción, ya que puedes llevar a cabo tareas altamente personalizables, y definir tanto las operaciones de la etapa de preprocesamiento y procesamiento con códigos escritos en el mismo lenguaje, lo cual aporta fluidez.

Como he mencionado al principio de esta travesía, nosotros usaremos Python para preprocesar nuestros conjuntos de datos, y ya es tiempo de navegar hacia tu primera práctica en este lenguaje de programación, donde entenderás mucho mejor el proceso de preparación de datos definido hasta ahora.

Análisis exploratorio y preprocesamiento de datos con Python

En el siguiente código en Python observarás ejemplos de manipulación de datos utilizando parte de las técnicas anteriormente descritas, principalmente mediante la librería Pandas. Operarás sobre un conjunto de datos real, y visualizarás los cambios que se van suscitando en estos conforme a las modificaciones realizadas alineadas a objetivos propuestos.

No necesitas programar nada, solo ejecutar el código para atestiguar los resultados, aunque eres libre de realizar cambios si deseas realizar experimentos.

Accede dando clic en el siguiente botón:

También puedes echar un vistazo al código en la siguiente ventana:

Esta primera práctica en Python funge como una introducción a la forma de trabajo en libretas de Google Colab, y tiene como objetivo el darte una idea de las metas del preprocesamiento y su importancia al programar un algoritmo de aprendizaje automático.

Las técnicas empleadas para ejecutar estas tareas varían de acuerdo a los datos a preprocesar, e irás explorando sus distintas formas conforme avancemos en el curso.

Has concluido el tramo más escabroso de tu entrenamiento en datos, el cual es imprescindible para iniciar tus andanzas en los territorios que albergan los principales algoritmos del aprendizaje de máquinas.

Si te quedaste con dudas sobre lo que hemos puesto en marcha en la práctica, no te preocupes, haremos preprocesamiento de datos y análisis exploratorio en innumerables ocasiones a lo largo de nuestras travesías. El fin de este primer acercamiento fue mostrarte cómo evoluciona un conjunto de datos al ir aplicando las etapas de análisis y preprocesamiento.

Como última parada antes de comenzar nuestro estudio de algoritmos de machine learning, haremos una breve exploración en un tema inherente a la división de los datos para el entrenamiento y evaluación de modelos.

Una de las formas en que podemos percibir el lugar que tiene nuestra labor como especialistas en aprendizaje de máquinas es estudiando el ciclo de vida de los datos, ya que se trata de una organización secuencial de las diferentes etapas de la evolución de los datos en todo proyecto que los utilice para sus fines, y nos permite identificar en qué momento intervienen nuestros conocimientos.

Este breve recorrido fungirá como un preludio a nuestra antepenúltima sesión de entrenamiento sobre datos, en el cual veremos por primera vez código en Python aplicado al aprendizaje de máquinas, y nos abrirá la puerta al estudio de los algoritmos de aprendizaje supervisado.

Equipaje recomendado

Nociones sobre conjuntos de datos y su ciclo de vida

Programación en Python

Algún aperitivo

Ciclo de vida de los datos

El ciclo de vida de los datos es el conjunto de etapas a través de las cuales los datos son transformados desde su recolección hasta el cumplimiento del objetivo u objetivos para los cuales fueron obtenidos, o hasta su destrucción o publicación (si es el caso).

Esto quiere decir que el ciclo de vida de los datos está compuesto por las distintas formas evolutivas de los datos en cuanto a su formato, presentación y consumo a partir de que son adquiridos. Las etapas de este ciclo no están definidas universalmente, sino que existen versiones que se diversifican en su número y definición.

Para darte una idea de las fases en las que suele dividirse este ciclo, aquí te mostraré algunas versiones del ciclo de vida de datos según diversas organizaciones.

Ejemplos del ciclo de vida de los datos

Ciclo de vida de los datos según Google:

1. Planeación.
2. Captura.
3. Administración.
4. Análisis.
5. Archivado.
6. Destrucción.

Ciclo de vida de los datos según la Escuela de Negocios de Harvard (HBS):

1. Generación.
2. Recolección
3. Procesamiento.
4. Almacenamiento.
5. Análisis.
6. Visualización.
7. Interpretación.

Además, también existe una variación de este ciclo llamado <<ciclo de vida de la analítica de datos>>, que es el mismo ciclo de vida de los datos, pero con la particularidad de que su último nivel es específicamente cuando estos son utilizados para algún fin analítico (transformarlos en conocimiento útil).

Ejemplos del ciclo de vida de la analítica de datos

Algunas versiones del ciclo de vida de la analítica de datos son:

Ciclo de vida del análisis de datos de EMC Dll:

1. Descubrimiento.
2. Preprocesamiento.
3. Planeación del modelo.
4. Construcción del modelo.
5. Comunicación de resultados.
6. Operación.

Ciclo de vida del análisis de datos según SAS:

1. Cuestionamiento (identificación de objetivos).
2. Preparación.
3. Exploración.
4. Modelado.
5. Implementación.
6. Accionamiento.
7. Evaluación.

Razona un poco las diferentes versiones que te he presentado hasta ahora, puedes notar cierto patrón y orden común. A pesar de sus variantes, las similitudes entre todas las versiones son palmarias: el ciclo de vida da inicio desde el momento en el que se determina qué datos se desean recolectar, hasta cuando son puestos en operación, o desechados.

El ciclo de vida de los datos al final se presta para una gama surtida de interpretaciones, pero en este curso tomaremos en cuenta el siguiente:

Ciclo de vida de los datos de Dialéktico

1. Planeación: se determina qué datos se necesitan para solventar una o un conjunto de necesidades.
2. Recolección: se adquieren los datos por las vías planeadas.
3. Transformación: de ser necesario, se realizan adecuaciones a los datos para un almacenamiento eficiente.
4. Almacenamiento: se almacenan los datos en bases de datos relacionales o no relacionales; si estos provienen de diversas fuentes, se almacenan en un espacio centralizado.
5. Preprocesamiento: en caso de necesitarse, una vez que los datos son tomados de las bases de datos, se realizan modificaciones previas para su eficaz análisis y/o procesamiento computacional.
6. Procesamiento: se opera computacionalmente sobre los datos para generar conocimiento.
7. Comunicación: se comparten los resultados a las partes interesadas.
8. Operación: se utilizan los resultados para la comprobación de hipótesis, o toma de decisiones que derivan en acciones y/o estrategias.
9. Post-operación: se mantienen los datos resguardados, se trasladan a un dominio de uso público, o se eliminan.

Notas:

1. Las fases tempranas de recolección, transformación y almacenamiento corresponden a un esquema muy conocido en ciencia de datos llamado proceso ETL (por sus siglas en inglés «Extract, transform, load«), el cual consiste en la obtención de los datos, su acondicionamiento para ser resguardados, y su almacenamiento. Este proceso es generalmente llevado a cabo por el o la ingeniera de datos, pero a veces un proyecto puede requerir que la persona a cargo de la ciencia de datos o los modelos de aprendizaje automático estén determinados a realizar estas tareas.
2. Como se ha revisado, el ciclo de vida de los datos tiene diferentes formas conforme a diferentes factores. Un ciclo de vida de los datos altamente relevante actualmente en la industria es el correspondiente al MLOps, el cual trata sobre cómo los datos son manipulados a través de etapas orientadas al desarrollo de software. Para más información sobre esto puedes consultar: MLOps Spanning Whole MachineLearningLife Cycle: ASurvey.

El ciclo de vida de los datos nos da una visión global sobre qué sucesión de pasos podemos seguir al momento de crear un proyecto que involucre el uso de estos para satisfacer alguna necesidad, y dentro de este, la gente especializada en machine learning tiene injerencia principalmente en las fases de preprocesamiento y procesamiento, aunque la ciencia de datos puede llegar a abordarlas todas.

Este corto vistazo al ciclo de vida de los datos añade conocimiento sobre nuestra materia prima, y nos da una introducción a las últimas sesiones de entrenamiento en datos.

En la siguiente travesía dejaremos de lado estos aspectos generales, y nos introduciremos en tareas que conllevan el operar directamente sobre los datos.

Después de haber comenzado nuestro entrenamiento sobre los datos y sus características, y más específicamente, los conjuntos de datos para aprendizaje de máquinas, es momento de atravesar un sendero más sosegado y conocer los principales lugares y métodos que pueden proveerte conjuntos de datos para la realización de tus proyectos en ámbitos académicos, laborales, o incluso personales.

Equipaje recomendado

En esta exploración solo es recomendable tener presentes las generalidades sobre conjuntos de datos mostradas en las últimas dos sesiones:

Nociones sobre conjuntos de datos

Algún refrigerio como acompañamiento

¿Cómo obtener conjuntos de datos para machine learning?

Existen varias maneras de adquirir conjuntos de datos para todo tipo de proyectos que varían de acuerdo a las fuentes de información, a quiénes extraen esa información, y a su disponibilidad.

Antes de mostrar los lugares de donde podemos obtener conjuntos de datos, explicaremos cómo se clasifican de acuerdo a su origen y forma de obtención:

• Datos de primera mano (First Party Data).
• Datos de segunda mano (Second Party Data).
• Datos de terceros o de tercera mano (Third Party Data).

First Party Data

Los datos de fuente primaria, de primera mano, o first party data, son los conjuntos de datos recabados mediante medios propios por la misma persona, conjunto de personas, o asociados que pretenden utilizarlos, sin acudir a datos obtenidos por gente u organizaciones externas.

Estos datos se recolectan por las vías que se tienen a la mano, interactuando directa o indirectamente con las entidades o fenómenos de los cuales se obtiene la información.

Así es, todo conjunto de datos que son recolectados de forma interna son de este tipo, se obtienen de registros/mediciones con herramientas propias y por parte de personas involucradas en el proyecto.

Para reforzar esta definición, te dejaré algunos ejemplos segmentados por tipos de proyectos.

Ejemplos de First Party Data para proyectos empresariales

Cuando se trata de organizaciones que buscan conjuntos de datos para satisfacer objetivos comerciales, estos son algunos ejemplos de first party data:

• Datos recabados de visitas de usuarios a una aplicación o página web propias mediante una herramienta de medición.
• Datos sobre ventas de productos y/o servicios, provenientes de los registros de los mismos vendedores en tiendas físicas.
• Datos sobre reseñas de un hotel, obtenidos de las opiniones dejadas en su buzón físico y página web.
• Datos sobre películas de terror más vistas en un servicio de streaming, recolectados de mediciones realizadas por la misma plataforma.

Ejemplos de First Party Data para un proyecto académico o científico

Toda investigación científica requiere de información sobre su objeto de estudio. Algunos ejemplos de conjuntos de datos de primera mano para estos fines son:

• Imágenes de resonancia magnética para estudiar alguna enfermedad neurológica, obtenidos directamente de voluntarios, y registrados por el equipo de investigadores involucrados.
• Datos sobre objetos astronómicos recogidos personalmente por el equipo de astrónomos que los utilizará, con telescopios y espectroscopios.
• Videos sobre conductas de animales para estudios biopsicológicos, tomados por el mismo científico que los estudia.

Ejemplos de First Party Data para un proyecto personal

En lo personal, puedes tener interés en desarrollar un proyecto de ciencia de datos para resolver algún problema, o por simple pasatiempo. Este tipo de actividades pueden ser recopiladas en un portafolio, el cual es cada día más valorado por las empresas en el ramo de la ciencia de datos, y que puedes crear en plataformas como GitHub o Kaggle.

Ejemplos de first party data para este tipo de proyectos son los siguientes:

• Conjunto de datos de todas las fotos de tus familiares, tanto físicas como digitales, las cuales recabas para luego entrenar un algoritmo de inteligencia artificial de reconocimiento de rostros.
• Información sobre textos publicados en una página web, la cual obtienes haciendo web scraping.
• Conjunto de datos de publicaciones tuyas en una red social, obtenido mediante el uso de una API, y que utilizas para hacer un análisis.

Estos ejemplos te servirán como un atisbo a las posibilidades que tienes para obtener información para todo tipo de proyectos, y de las técnicas que puedes emplear para este fin.

Esos son algunos de los métodos más utilizados para obtener conjuntos de datos de medios digitales, lo hablaremos casi al final con un poco más de detalle, pero antes daremos una rápida mirada a los datos de segundos y terceros.

Second party data y third Party data

Los datos de fuentes secundarias, de segunda mano, o second party data son aquellos conjuntos de datos que se obtienen de otras personas u organizaciones, quienes los recolectaron utilizando sus propios recursos (es decir, para ellos son first party data), y se suelen intercambiar, vender, o hacer públicos, dependiendo de la entidad que los posea.

Los datos de fuentes terciarias, de tercera mano, o third party data, son conjuntos de datos también provenientes de forma externa, pero que no fueron recolectados directamente por sus proveedores. Se obtienen indirectamente de individuos o grupos dedicados a la obtención y distribución de información, principalmente para su comercio. La Figura 2.4.1 ilustra estas relaciones:

¿De dónde obtener conjuntos datos?

Ahora que hemos entendido que los conjuntos de datos pueden ser recolectados personalmente u obtenidos de fuentes ajenas, y cuál es la denominación asignada de acuerdo a su origen, podemos avistar algunos lugares clave de dónde obtenerlos.

Existen varios sitios web que venden datos (o los medios para conseguirlos) como Bright Data, Data & Sons, o DataStock, pero aquí nos enfocaremos en conjuntos de datos gratuitos (públicos), porque los hay de fuentes confiables, y porque nos servirán principalmente para poner en práctica nuestros conocimientos en aprendizaje automático.

Conjuntos de datos públicos (open data)

En la web hay varias páginas que ofrecen una cantidad enorme de datos gratuitos, documentados y listos para ser descargados. Aquí te enlisto las más conocidas por su variedad y accesibilidad.

Mejores páginas para obtener conjuntos de datos (datasets) gratuitos:

• Kaggle (el más recomendado y fácil de explorar).
• UCI – machine learning repository.
• Google Data Search.
• Data Hub.
• VisualData.
• Carnegie Mellon University.
• Awesome Public Datasets.
• Páginas gubernamentales como el INEGI en México, o Data.gov de Estados Unidos.

Además, existen proyectos científicos cuya información recolectada es pública, como Earth Data de la NASA u opendata del CERN; te recomiendo buscar tipos de datos específicos en la red, y encontrarás varias opciones. También puedes obtener conjuntos de datos más especializados, no públicos pero que solo requieren solicitudes sencillas para su adquisición, como es el caso de IDA y OASIS, que son recursos con conjuntos de datos neurológicos a los que personalmente he accedido con fines académicos.

Las anteriores son formas de obtener second y third party data; ahora hablaremos brevemente de dos técnicas muy comunes para la obtención de datos de primera mano de páginas web y aplicaciones móviles.

Nota: puedes consultar una lista más extensa de repositorios de conjuntos de datos en kdnuggets.com.

Web scraping

El web scraping es una técnica cuyo fin es la extracción de datos de páginas web. Para lograr esto, se crean programas que «navegan» la web y toman datos de partes específicas de esta.

El arte en esta metodología se encuentra en la forma en que se señala en dónde buscar y extraer la información, ya que esto implica no navegar la web como estamos acostumbrados a hacerlo, sino en explorar fragmentos de códigos específicos en el backend de dicha página (dicho de otra forma, consiste en decir a la computadora en qué partes del código que da estructura a la página están los datos que necesitas).

En realidad es más sencillo de lo que parece, sobre todo con las herramientas actuales. Solo es necesario contar con algunos conocimientos de HTML y/o CSS, y puedes utilizar Python con librerías como Beautiful Soup, Scrapy o Selenium, y puedes empezar a hacer tus pruebas en Google Colab.

Consumo de APIs

Por último, hablaremos sobre las APIs, las cuales son ampliamente utilizadas para la extracción de información, y muchas veces son provistas por los mismos creadores de las aplicaciones y páginas web.

Una API es una interfaz de programación de aplicaciones, lo cual es, en pocas palabras, una forma de comunicación entre diferentes softwares mediante protocolos relativamente sencillos.

Una API (en específico, una API Web) permite establecer comunicación para extraer información de plataformas web como Facebook, Google, Netflix o Spotify, y pueden ser consumidas mediante diversas aplicaciones y lenguajes de programación, dentro de los cuales también se encuentra Python.

Las APIs de empresas grandes, como las antes mencionadas, generalmente son elaboradas y lanzadas por las mismas empresas, por lo que la información que arrojan es confiable, y la comunicación suele ser sencilla y estar bien documentada.

Un ejemplo de uso de una API, es utilizar la API de Google Maps para obtener reseñas de sitios web, o la API de Instagram para recolectar información de likes y comentarios de publicaciones.

Si quieres ver un ejemplo mucho más detallado, puedes echar un vistazo al tutorial para utilizar la API de Spotify con Python.

Como menciona Mmerf, lo concerniente a la extracción de datos puede corresponder más a otras áreas dentro de una organización; sin embargo, es mucho mejor estar familiarizados con estas técnicas para ser conscientes de los posibles orígenes de nuestros datos, y para hacer uso de estas en caso de necesitarlas.

Con esto concluimos una de las últimas partes de nuestro entrenamiento en conjuntos de datos, en nuestro próximo destino, nos adentraremos en el ciclo de vida de los datos, lo cual nos introducirá y guiará finalmente hacia el análisis exploratorio y preprocesamiento de datos con Python.

Uno de los términos que avistarás con mayor frecuencia por estos rumbos es el de conjunto de datos (dataset), ya que, como vimos en la introducción al machine learning, es uno de los ingredientes principales e imprescindibles en toda técnica del aprendizaje de máquinas, y en general de la ciencia de datos y sus derivados.

En este recorrido definiremos brevemente qué son los conjuntos de datos, cuáles son sus características, algunos ejemplos enfocados en enfatizar su variedad y uso para la resolución de problemas, y, finalmente, su definición matemática.

Inventario recomendado

Exploración en datos

Conocimiento sobre datos y sus tipos.

Matemáticas

Álgebra lineal y conjuntos

Algún aperitivo para acompañar

¿Qué son los conjuntos de datos para machine learning?

Un conjunto de datos es una colección de datos u observaciones que es concebida como una unidad para su procesamiento computacional. En aprendizaje de máquinas, se utiliza para entrenar y evaluar modelos matemáticos, y es claramente un bloque más que sustancial en este campo, ya que el aprendizaje se produce exclusivamente a través de su procesamiento.

Así es, un conjunto de datos se puede ver como la información recabada para propiciar que una máquina logre realizar alguna tarea mediante aprendizaje automático, forjando un modelo a partir de los patrones extraídos de los datos.

El concepto de conjunto de datos tiene una relación con el de muestra y población en estadística, siendo la muestra un subconjunto de una población, y la población el universo o totalidad de datos referentes a un objeto de estudio. En el contexto del machine learning, un conjunto de datos se puede percibir como una muestra estadística en un formato legible para una máquina.

No es necesario que piensen mucho en esto último, solo tengan en cuenta que el conjunto de datos es la agrupación de observaciones registradas que serán procesadas por un algoritmo para modelar patrones que se deseen identificar, justo como se muestra en la Figura 1.3.3 de la introducción al aprendizaje de máquinas:

Además, debemos considerar lo entendido en nuestro primer entrenamiento en datos, y recordar la jerarquía del conocimiento mostrada en la Fig. 2.1.3:

Con esto podemos identificar qué relevancia y significado tiene un conjunto de datos en aprendizaje de máquinas, dando lugar a este pequeño flujo de uso para el entrenamiento de un modelo:

1. Se registran datos que son almacenados y transformados para su procesamiento computacional.
2. Los datos son manipulados y analizados por un algoritmo de aprendizaje de máquinas, generando un modelo matemático.
3. El modelo resultante es utilizado para obtener información nueva sobre los datos, es decir, conocimiento de valor.

Esto es solo una parte de lo que se conoce como ciclo de vida de los datos, y del cual hablaremos con mucho más detalle en una siguiente parada. El punto hasta aquí es reconocer qué son los conjuntos de datos y cómo son utilizados particularmente para el entrenamiento de un modelo de machine learning.

Ejemplos de entrenamiento

Ahora que hemos ubicado el qué y por qué de un conjunto de datos, hablemos sobre su composición en términos de machine learning. Para efectos de terminología asociada con el entrenamiento de modelos, los conjuntos de datos se dice que están compuestos de algo llamado ejemplos de entrenamiento.

¿Y qué son?, simplemente así es como se hace referencia a cada observación o instancia de un conjunto de datos.

Por ejemplo, supongamos que hemos recolectado fotos de imágenes de diferentes objetos con el fin de entrenar un modelo que aprenda a reconocerlos.

El conjunto de datos serían las imágenes que he tomado, y cada ejemplo de entrenamiento se refiere a cada imagen unitaria:

Cada observación conforma a un ejemplo de entrenamiento, y estos en su totalidad dan forma al conjunto de datos. Se les conoce como ejemplos de entrenamiento porque su función en machine learning es <<entrenar>> modelos, es decir, generar aprendizaje mediante su procesamiento.

Es correcto.

Es… correcto.

Ejemplos de conjuntos de datos para machine learning

Por último, exploraremos algunos ejemplos de conjuntos de datos para aprendizaje de máquinas, señalando el objetivo del modelo a entrenar, sus respectivos ejemplos de entrenamiento, y el tipo de datos utilizado en cuanto a su estructura:

Notarás que la naturaleza de los conjuntos de datos es variada, al igual que los objetivos de los modelos que pretendemos alimentar con ellos.

Hemos concluido con la parte descriptiva de nuestro encuentro con los conjuntos de datos, ahora atenderemos por primera vez a las definiciones matemáticas.

Conjunto de datos para machine learning: definición matemática

Como ya he explicado anteriormente, todo elemento del machine learning se funda desde las matemáticas, y por lo tanto, es definible a través de estas, incluyendo a los datos.

En este bloque te mostraré cual es la representación matemática de los conjuntos de datos, lo cual será vital para comprender la manera en que se interpreta la entrada de información no solo en términos puramente matemáticos, sino también en un contexto computacional.

Nota:

Los tramos de nuestros recorridos que corresponden a las matemáticas no son imprescindibles para programar algoritmos de aprendizaje de máquinas, y decidir si aprender o no sobre esta parte depende mucho de la manera en la deseas conocer el machine learning, y de tu nivel actual de experticia en la materia. Si no deseas abordar las matemáticas, puedes saltar estos bloques y poner suma atención a los términos y los ejemplos expuestos, pero recuerda: un mago o maga de alto rango en ciencia de datos conoce sus herramientas de trabajo desde todos los ángulos posibles, y tiene ventaja sobre quienes no ahondan en sus más insondables misterios.

Mi recomendación: intenta explorar y comprender los temas también desde su fundamento matemático, te dará una visión mucho más completa, y te proveerá la mejor preparación para encarar situaciones intrincadas.

A continuación, se mostrará una definición general de conjuntos de datos, la cual abarca todos los tipos de machine learning, y los distintos formatos que pueden tomar los datos de entrada de sus algoritmos.

Preludio: transformación de datos a arreglos numéricos

Antes de llegar a la definición matemática de los conjuntos de datos, debemos considerar los formatos finales de los datos que serán procesados por un algoritmo de machine learning. Independientemente de si se trata de datos estructurados, no estructurados, cuantitativos o cualitativos, todo dato de entrada deberá ser transformado a un valor numérico o entidad matemática.

No ahondaremos mucho en esto, pero es necesario tomarlo en cuanto para comprender la definición de conjunto de datos que se enunciará más adelante.

Un ejemplo muy simple de esto son datos de tipo cualitativo, que pueden ser reducidos a valores positivos o negativos, como los de un gusto personal. Este tipo de datos pueden lucir así en una tabla:

Este tipo de información puede ser traducido a una forma numérica como sigue:

Un ejemplo un poco diferente es el uso de una combinación valores binarios 1 y 0, para la caracterización de valores cualitativos. Por ejemplo, supongamos que tenemos los siguientes colores en el conjunto de datos:

Una forma de representar estos colores numéricamente es como sigue:

Es decir, cada valor de la variable color tiene una combinación de valores asociada, la cual a su vez conforma a un vector. Por ejemplo, dados los valores de cada renglón, se tiene que:

\mathrm{rojo} = \begin{bmatrix} 1, 0, 0 \end{bmatrix} \tag{2.1}

\mathrm{azul} = \begin{bmatrix} 0, 1, 0 \end{bmatrix} \tag{2.2}

\mathrm{verde} = \begin{bmatrix} 0, 0, 1 \end{bmatrix} \tag{2.3}

Entiendo que esto parece ser parte de otro tema (y de hecho es algo que exploraremos más adelante). Lo único que requiero es que tengas en mente que todo dato pasará a un algoritmo de machine learning en forma puramente matemática. Esto es lo único que veremos al respecto sobre ese detalle .

Con esto en mente, formalizaremos la definición de conjunto de datos y ejemplos de entrenamiento.

Definición matemática de conjunto de datos y ejemplo de entrenamiento

Definición 2.1 (Conjunto de datos). Un conjunto de datos es un conjunto \mathcal{D}=\{o_1, o_2, \dots, o_N\} de N observaciones, donde cada observación \mathcal{o}_{n} es llamada ejemplo de entrenamiento del conjunto \mathcal{D}, y puede ser un escalar (un número), vector, matriz o tensor. Es decir:

\begin{aligned}\mathcal{D} = \{ o_1, o_2, \dots, o_N \}, \quad o_i \in \mathbb{R}^{d_1 \times d_2 \times \dots \times d_k} \tag{2.4}\end{aligned}

donde d_1, d_2, \dots, d_k representan las dimensiones de la observación, permitiendo su representación en escalares (k = 0), vectores (k = 1), matrices (k = 2), o tensores de mayor orden (k \geq 3).

Esto quiere decir, entre otras palabras, que un conjunto de datos puede ser representado como un conjunto de observaciones, donde cada observación es un número o un arreglo matemático (como los vectores de las ecuaciones (2.1),(2.2),(2.3).

Si no has entendido del todo esta definición, no te preocupes, la entenderás mejor conforme avancemos en el curso, y extendamos la definición para algoritmos de aprendizaje supervisado y los restantes tipos de aprendizaje de máquinas.

Aquí concluye tu introducción a este primordial objeto para la ciencia de datos; recuerda que los conjuntos de datos pueden venir en variadas presentaciones y provenir de diversos orígenes. En la siguiente sesión de nuestro entrenamiento en datos aprenderemos sobre una de las tipificaciones clásicas de los conjuntos de datos: datos etiquetados.

Todo artista debe conocer de manera minuciosa los materiales con los que edifica sus obras. Así como el pintor es escrupuloso con los atributos de los colores, lienzos y aditamentos que son artífices de la génesis de sus cuadros, o el músico explora las infinitas formas de combinar sonidos y silencios en secuencias temporales, el escultor de modelos de aprendizaje automático debe dedicar el mismo esmero a la extracción y manipulación de su materia prima: los datos.

En esta ocasión, comenzaremos la primera etapa de un raudo entrenamiento en el que te mostraré los principios y características básicas de estos elementos sobre los que se alimenta todo modelo de machine learning; exploraremos su origen, definición, tipos, y otros aspectos que debemos considerar como un preludio al estudio del aprendizaje supervisado y sus algoritmos más emblemáticos.

Equipaje recomendado

Tentempié: algún acompañamiento para energizar tus andanzas

Al igual que en nuestra anterior travesía, este entrenamiento tendrá una carga informativa exenta de conceptos matemáticos y programación, por lo que no habrá necesidad de incluir ningún artefacto especial en tu inventario.

Datos: definición, jerarquía y ejemplos

Es indudable que la entidad primaria con la que se trabaja en ciencia de datos es (aunque suene redundante) el dato, y al introducirnos en el estudio del aprendizaje automático, no podemos prescindir del conocimiento de este singular objeto, pues uno de los pecados que a veces cometen las y los aprendices de esta, y toda disciplina que le utiliza para satisfacer sus fines, es no atender los conceptos básicos que las componen.

Y dado el nivel que pretendemos alcanzar, esto es algo que definitivamente no dejaremos que suceda.

¿Qué son los datos?

La definición del término dato puede ser sencilla, pero bajo ciertos contextos puede tornarse mucho más compleja de lo que parece, ya que da hincapié a todo tipo de interpretaciones desde distintos enfoques de la ciencia y la filosofía. Para nuestros fines, y en el contexto de las ciencias computacionales, definiremos al dato como una representación unitaria de fenómenos, entidades, o cualquier aspecto de estos, perceptibles directa o indirectamente, en una forma que pueda ser comunicada y almacenada efectivamente.

Para una mejor asimilación, conceptualizaremos esto citando una actividad común en nuestra vida cotidiana: cuando se realizan y registran mediciones con una regla graduada.

Al realizar y tomar nota de este tipo de mediciones, se están recabando datos sobre longitudes de objetos. Aquí, un dato es una medición que se ha decidido representar como un número que indica una cantidad específica de centímetros, el cual puede ser compartido e interpretado por otras personas, dado que se encuentra definido dentro de un sistema generalizado de mediciones.

En este ejemplo, la regla es el instrumento de medición, el objeto medido es la entidad percibida de la cual se desea recabar información, y las mediciones representadas en números son los datos.

Esta es una pregunta clave, ya que la información juega un rol tan importante como los datos, y en este contexto son casi lo mismo, pero los datos en realidad fungen como las unidades que componen a la información. Hablemos más sobre ello.

¿Qué es la información?

La información es un conjunto de datos organizados en formas significativas y útiles.

En nuestro ejemplo de mediciones con una regla, si se registraran varias longitudes de distintos objetos, y se colocaran en una tabla para que alguien pudiera hacer comparaciones de estos tamaños, y usarlas con algún fin, este conjunto de datos (de mediciones de objetos) es lo que se denomina información.

En el caso presentado, los componentes identificados y visualizados en la fig. 2.1.2 (el instrumento de medición, los objetos medidos, y los datos e información), conforman lo que se conoce como ecosistema de datos, el cual es el conjunto de elementos que interactúan con el fin de producir, organizar, controlar, almacenar, procesar, y compartir información.

Jerarquía del conocimiento

Para dar finalización a esta rauda introducción, hablaremos sobre las relaciones existentes entre los datos, la información, y dos estadios superiores de estos: el conocimiento y la sabiduría.

Este modelo se conoce como jerarquía del conocimiento, pirámide del conocimiento, o pirámide DIKW (de las siglas en inglés Data, Information, Knowledge, Wisdom), entre otros nombres parecidos. Se trata de una forma de definir las relaciones existentes entre estos elementos, desde los datos en bruto, hasta el conocimiento aplicado en la sabiduría.

¿Por qué es importante saber esto? Porque el fin de usar datos para estudiar fenómenos es el de transformarlos para la obtención de conocimientos de valor (lo que a veces se suele denominar como insights), y esto es una necesidad que permea no solo a la investigación científica, sino también al ramo empresarial (es esto, de hecho, lo que se conoce como inteligencia de negocios: utilizar conocimientos provenientes de datos para la toma de decisiones).

La pirámide del conocimiento se puede concebir como se muestra en la Figura 2.1.3, donde se observa cómo el primer estadio corresponde a los datos, y se va relacionando con los siguientes inmediatos, siendo la sabiduría el de jerarquía más alta.

Las definiciones y relaciones de cada etapa con las siguientes:

1. Los datos son impresiones medibles que capturamos y almacenamos.
2. La información es cuando hemos decidido ordenar los datos en formatos significativos, donde adquieren sentido y utilidad.
3. El conocimiento es la síntesis y comprensión de la información para su aplicación a un problema o actividad.
4. La sabiduría es el uso de los conocimientos para actuar de la mejor manera ante cualquier situación. Trata sobre la acumulación de conocimientos y el discernimiento de cómo utilizarlos para satisfacer objetivos.

Ejemplos de la jerarquía del conocimiento

Por último, para tener un panorama más claro, hagamos una distinción de estas relaciones utilizando ejemplos aplicados en tres ámbitos: investigación científica, vida cotidiana, e inteligencia empresarial.

Investigación científica

En la investigación científica, las etapas de la pirámide se pueden invocar conforme el siguiente ejemplo: supongamos que estamos realizando una investigación sobre cómo ciertas regiones cerebrales son afectadas durante el envejecimiento, y para esto utilizaremos datos de imágenes médicas del cerebro, y las analizaremos. Los estadios de la jerarquía serían los siguientes:

• Datos: Los datos son las señales obtenidas con el equipo médico utilizado para la obtención de imágenes del cerebro, estas señales pueden ser mediciones de la actividad de las regiones cerebrales.
• Información: Una vez que las señales son acomodadas e interpretadas como imágenes del cerebro, se obtiene información del mismo. Las imágenes pueden ser etiquetadas y resaltadas en los puntos de interés (por ejemplo, tiñendo de algún color las regiones que muestran mayores cambios al envejecer). Así los datos se han contextualizado y adquirido significado con relevancia para la investigación.
• Conocimiento: A partir de la información obtenida, se analiza y descubre cuáles son las regiones cerebrales cuya actividad sufre más modificaciones con la edad. Estos conocimientos pueden ser empleados para diagnóstico o investigaciones relacionadas.
• Sabiduría: Estos nuevos conocimientos se pueden enlazar con otros conocimientos del ramo médico para la solución de problemas asociados. Cuando un médico adhiere estos conocimientos a los que ya tiene, y les da utilidad para salvaguardar la vida de un paciente, está haciendo uso de su sabiduría. El conjunto de conocimientos que pueden tener un papel en una situación de este tipo no solo se limita al ramo médico: pueden ser sobre aspectos psicológicos, de química, física, o incluso sobre la vida personal del paciente.

Vida cotidiana

Para este ejemplo pensemos en un caso en el necesitas comprar un regalo para tu sobrina de 6 años.

• Datos: Los datos son las preferencias que muestra la niña sobre sus juguetes o pasatiempos favoritos, las cuales son anotadas por su mamá en una libreta.
• Información: La información es un resumen de estos datos realizado por la mamá de la sobrina, quien crea una lista de los gustos más destacados y que pueden dar pie a la compra de un regalo, y te la envía por mensaje de texto.
• Conocimiento: Cuando tomas la información, la analizas, y decides, con base en lo leído y tu presupuesto, qué objetos puedes regalar a la pequeña, estás transformando la información en conocimientos que te ayudarán a solventar el problema.
• Sabiduría: A lo largo de tu vida los conocimientos obtenidos de estas preferencias, sumados a conocimientos sobre tendencias y gustos de otras personas, te pueden servir para comprar regalos a otros niños de una forma más informada y procurando entregar objetos de valor.

Inteligencia empresarial

Con inteligencia empresarial nos referimos a la manipulación de datos para tomar decisiones de impacto positivo para una empresa. En este caso, imaginaremos que debemos analizar las tendencias de compras de productos de una tienda en línea de videojuegos.

• Datos: Los datos son el número de compras realizadas por cada cliente, del cual también se tienen datos sobre su edad, identidad sexual, nivel socioeconómico, entre otras variables de interés.
• Información: La información es el acomodo de estos registros en tablas, encapsulando cada tipo de dato en columnas con nombres específicos. Estas dotan a los datos de contexto y significado para nuestros fines.
• Conocimiento: La información obtenida es analizada utilizando un algoritmo de agrupación, el cual determina qué grupos de personas tienden a preferir unos videojuegos sobre otros. Estos conocimientos se utilizan para optimizar las ventas de la tienda en línea.
• Sabiduría: Los conocimientos sobre tendencias de compras se pueden utilizar en conjunto con otros conocimientos para la toma de decisiones en diversas áreas de la empresa como marketing, ventas, atención al cliente y desarrollo; esta sabiduría es propia de personas con años de experiencia en el campo, de forma que pueden ejecutar acciones mucho más robustas con base en su experiencia.

Así concluye esta primera sesión de entrenamiento sobre datos; en nuestra siguiente parada, hablaremos más sobre las características de los datos, sus tipos, y estructuras.

Previo a comenzar tu aprendizaje del machine learning, e introducirte en el mundo de la ciencia de datos, debes estar familiarizado con Google Colab, la herramienta que utilizarás en este curso para observar y/o desarrollar tus propios modelos. Si ya lo has utilizado antes, puedes saltar esta sección y emprender tu primera exploración del aprendizaje automático:

En caso contrario, te recomiendo que te quedes a revisar este tutorial introductorio.

También puedes visitar la versión en video de este tutorial:

¿Qué es Google Colab?

Google Colaboratory es una plataforma en línea de Google que permite la creación, ejecución, almacenamiento y compartición de programas en Python en espacios de trabajo amigables y sencillos de utilizar. Sus principales beneficios, contra otras aplicaciones de escritorio para programar en Python, son los siguientes:

• No tienes que instalar Python, ni las bibliotecas más populares, o lidiar con posibles tediosas configuraciones para empezar a programar, lo cual es demasiado bueno en términos de ahorro de tiempo.
• Es un entorno sumamente intuitivo y fácil de utilizar.
• Permite almacenamiento de códigos en la nube de Google Drive, así como conexión a tu cuenta de GitHub.
• Es un recurso online, por lo que podrás acceder a él en cualquier lugar con conexión a internet y utilizarlo incluso en tu dispositivo móvil.
• Permite compartir códigos con otros usuarios, ya sea para su edición conjunta o solo para ser ejecutados.
• Es posible utilizar GPU o TPU sin costo.
• A pesar de que hay versiones de paga, su forma gratuita ofrece lo suficiente para configurar y ejecutar algoritmos de machine learning.
• Es popular entre la comunidad, por lo que encontrarás todo tipo de tutoriales y códigos en la red para su uso.
• Empezar a utilizarlo es fácil, solo es necesaria una cuenta de Google.

Tutorial: ¿cómo utilizar Google Colab?

Ahora que ya hablamos de sus nada despreciables bondades, pasemos a la acción. A continuación, te describiré paso a paso cómo comenzar a usar Colab para programar y/o ejecutar programas de Python línea, y cómo utilizar sus diferentes funciones:

1. Entra a Google Colab

Lo primero que tienes que hacer es picar en este botón para abrir una libreta de Google Colab

En pantalla te aparecerá un notebook o libreta ejecutable, la cual es un tipo de entorno interactivo en el que hallarás una interfaz en la que puedes ejecutar código y crear bloques con texto, imágenes, y más (es importante mencionar que este tipo de entornos fue ideado originalmente por jupyter.org).

Lo que verás en pantalla es un notebook que hice para ti con el fin de que te familiarices con la herramienta:

2. Ingresa a tu cuenta de Google

Para poder comenzar a interactuar con esta y cualquier libreta de Colab en línea, primero deberás iniciar sesión en Google, o crear tu cuenta de Gmail. A estas alturas, siendo sinceros, no contar con una es algo extraño.

Para iniciar sesión navega a la parte superior derecha de la libreta, y da clic en el botón <<Acceder>>:

En pantalla aparecerá un campo para iniciar sesión o crear una cuenta nueva. Introduce tus datos:

Una vez dentro, se te redirigirá a la libreta de Colab, lista para ser utilizada.

3. Familiarízate con el espacio de trabajo

Ahora debes entender cómo están estructuradas las libretas en Colab. En esencia, existen dos tipos de entidades principales: celdas de texto, y celdas de código.

Cada celda es un bloque al cual puedes acceder dando clic sobre este. Generalmente, los bloques de texto contienen descripciones detalladas del código, por lo que para trabajar con una nueva libreta solo necesitas leer el contenido de las celdas de texto, y ejecutar los códigos correspondientes. Así de sencillo.

4. Ejecuta código

Para ejecutar las celdas de código lo único que tienes que hacer es presionar el símbolo de reproducir, u oprimir las teclas Ctrl + Enter estando dentro del bloque:

Lo primero que verás al ejecutar la celda es el siguiente mensaje:

Da clic en «Ejecutar de todos modos» (a menos que no confíes en mí ), y notarás que el código empezará a correr, para posteriormente generar su respectiva salida. La primera vez que ejecutas código puede tardar un poco, no te preocupes si es el caso.

Para probar un código más complejo, puedes ejecutar la siguiente celda y observar cómo genera una gráfica:

Con esto que hemos visto hasta ahora puedes comenzar a ejecutar códigos utilizando libretas de Colab tanto del curso como fuera de este. Sin embargo, Colab es una herramienta con muchas características a las que puedes sacar provecho a lo largo de toda tu carrera, por lo que te hablaré de otras características más adelante.

Si esto último no es de tu interés, o quieres consultarlo más tarde, puedes saltar hasta la última parte del tutorial dando clic aquí.

Google Colab: funciones y características

Vamos a hablar rápidamente sobre diferentes utilidades que ofrece Google Colab más allá de lectura, escritura y ejecución de código, pensando en que le puedas dar un uso más personal y ágil.

Tocaremos los siguientes puntos:

• Edición y creación de celdas:
  • Creación y manipulación de celdas.
  • Manipulación de celdas en interfaz.
• Celdas de texto:
  • Markdown y HTML.
  • Estilos y elementos.
  • Tablas.
  • Matemáticas con LaTeX.
  • Magics.
• Celdas de código:
  • Instalación de bibliotecas.
  • Autocompletado.
  • Asistente Gemini.
  • Tablas interactivas.
• General:
  • Almacenamiento e historial de versiones.
  • Edición e inserción de bloques.
  • Información adicional.
  • Entorno de ejecución.
  • Herramientas y configuración.
  • Panel de apoyo
    • Índice
    • Búsqueda y reemplazo.
    • Variables.
    • Secretos.
    • Control de archivos.

Edición y creación de celdas

Primero hablaremos de manera efímera sobre cómo crear y manipular celdas de manera sencilla dentro de la libreta de Colab.

Creación de celdas en interfaz

Para crear una nueva celda (de código o texto) en Google Colab, la manera más sencilla es colocando el cursor justo debajo o encima de una celda ya existente; al hacer esto, aparecerá una línea sobre la que reposarán dos botones con las leyedas <<Código>> y <<Texto>>. Al hacer clic, crearás una celda nueva del tipo que hayas elegido.

Ubica la celda –C1– y añade celdas debajo de la indicación para hacer pruebas:

Manipulación de celdas en interfaz

Además de la creación de celdas sobre el espacio de trabajo, también existe un pequeño menú con opciones para manipular las celdas. Solo debes dar clic en cualquier celda y se mostrará como sigue:

Estos íconos representan funciones sencillas para manipular y/o modificar las celdas. A continuación te describo cada una de estas, describiéndolas de izquierda a derecha:

• Mover hacia arriba (Flecha hacia arriba): Este ícono permite mover la celda actual hacia arriba, intercambiándola con la celda que está justo encima de ella.
• Mover hacia abajo (Flecha hacia abajo): Similar al ícono anterior, este permite mover la celda actual hacia abajo, intercambiándola con la celda que está justo debajo.
• Insertar enlace (Ícono de cadena): Este ícono sirve para añadir un enlace a un texto seleccionado en la celda de texto, facilitando la inclusión de hipervínculos en tus textos.
• Editar celda (Ícono de lápiz): Al hacer clic en este ícono, puedes cambiar el tipo de celda (por ejemplo, de código a texto o viceversa) y editar su contenido.
• Duplicar celda en una pestaña (Ícono de dos rectángulos superpuestos): Este ícono permite editar la celda en una pestaña que aparece en la parte superior derecha de la libreta.
• Eliminar celda (Ícono de basurero): Este ícono elimina la celda actual del notebook. Es importante usarlo con precaución ya que no hay opción de deshacer si eliminas una celda por error.
• Menú de opciones (Tres puntos verticales): Este ícono despliega un menú con opciones adicionales, como mover la celda a una posición específica, copiar, cortar, pegar, y otras configuraciones avanzadas para la celda.

Celdas de texto en Google Colab

Comenzaremos explicando varias características importantes que permiten escribir texto de manera enriquecida en libretas de Colab.

Nota: a partir de este momento, nos referiremos a las celdas con un identificador si es necesario, para facilitar su hallazgo en la libreta, este vendrá marcado por una C y un número, lo cual significa Celda número {n}.

Por ejemplo, esta sería la celda número 1, referenciada con –C1–:

Markdown y HTML

Ahora exploremos el contenido que se puede añadir a las celdas de texto. Para poder crear texto enriquecido debemos comprender que las celdas de Colab utilizan un lenguaje de marcado llamado Markdown, el cual permite añadir contenido de manera sencilla a páginas web. Puedes encontrar todo lo relacionado a este lenguaje en markdown.es.

No es necesario que aprendas este lenguaje de marcado, pero tenerlo en cuenta te ayudará a tener contexto de lo que verás al editar celdas de texto.

Para que entiendas mejor de qué hablo, ubica la celda –C2– y realiza doble clic. Verás lo siguiente:

Al dar doble clic observarás cómo luce el contenido en formato Markdown en la parte superior. Esta es la que puedes editar, siendo la parte inferior la manera como luce una vez que la ejecutas o das clic fuera de la celda:

Además de poder utilizar este lenguaje de marcado, Markdown permite usar HTML para añadir elementos y estilos que no están disponibles en la sintaxis de Markdown, como centrar imágenes, insertar tablas personalizadas, o definir estilos específicos.

Da doble clic en la celda –C3– para que observes el mismo texto de –C2– pero generado con HTML:

Estilos y elementos

Ahora pasemos a cómo generar estilos y elementos en las celdas de texto de Colab. Hacerlo es bastante sencillo, ya que, como habrás notado, se tiene a disposición un editor de texto al dar doble clic en la celda:

Secciones y subsecciones

Para añadir títulos y subtítulos, y con ello generar un índice de forma automática, puedes hacer diferentes secciones o subsecciones en las celdas de texto-

Para esto deberás dar clic en la doble T que aparece al principio del menú de edición de texto:

También lo puedes hacer escribiendo el símbolo <<#>> más el nombre de la sección, y añadiendo más asteriscos para designar jerarquías. Esto lo puedes entender mejor dando doble clic en la celda –C4–, donde verás lo siguiente:

Podrás notar como por cada <<#>> adicional añadido se generan subsecciones.

Formatos de texto

Los formatos de texto pueden ser moldeados a través de las demás herramientas del panel. Si das doble clic en la celda –C5–, aparecerá lo siguiente:

(La línea horizontal, por razones de procesos de la libreta, solo aparece cuando cierras el editor de texto).

Puedes modificar cada línea que requieras para comprender cómo se genera cada formato y objeto diferente.

Listas

Al hacer clic en la celda –C6– se mostrará el Markdown para cada tipo de lista. Toma en cuenta que para añadir listas puedes utilizar los íconos de listas que aparecen en el editor de texto, pero si deseas más de dos elementos debes añadirlos manualmente con el lenguaje de marcado.

Tablas

Para generar tablas debes utilizar exclusivamente el lenguaje Markdown. En la celda –C7– podrás ver el formato requerido:

Imágenes

En cuanto a las imágenes, la carga de imágenes es sencilla, solo hay que presionar en el ícono de la imagen del editor:

Esto te permitirá subir una imagen directamente desde los archivos de tu computadora.

En este caso no he colocado una celda en la libreta de Colab del tutorial mostrando una imagen cargada de esta forma, ya que esta acción genera un enorme código de Markdown:

(Y eso solo es una pequeña parte).

Existen varias formas de cargar imágenes, puedes consultaras de forma detallada en esta libreta de Colab.

Matemáticas con LaTeX en Colab

Algo que te será de mucha utilidad para escribir libretas que impliquen notación matemática es la capacidad de Colab de soportar LaTeX, el cual es un lenguaje para generación de expresiones matemáticas. Si deseas conocer la sintaxis de LaTeX puedes visitar su documentación en latex-project.org o visitar wikibooks.org, sin embargo, lo más recomendable es que utilices una herramienta en línea como el de tutorials.point.com, latexeditor.lagrida.com, o utilizar un servicio como Gemini, ChatGPT, o Claude.

Para usar LaTeX en Colab solo deberás colocar la sintaxis entre el signo «$». Si deseas que estén centradas, debes utilizar dos símbolos $$, como se muestra en la celda –C8–:

Celdas de código

Ahora pasemos a revisar algunos detalles de las celdas código.

Instalación de librerías/bibliotecas

Algo fundamental que debes tener en cuenta a la hora de utilizar Colab, es que ya hay algunas bibliotecas de Python instaladas, por lo que no es necesario preocuparse por ello al momento de utilizar las más populares. Por ejemplo, si vas a la celda –C9– y la ejecutas, podrás notar que el código corre sin problemas:

Pero si ejecutas la celda –C10–, obtendrás el siguiente error:

Esto sucede porque la biblioteca mlektic no está instalada de forma nativa en Colab. Para este caso, la puedes instalar utilizando !Pip como se muestra en la celda –C11–:

!Pip es generalmente la manera más común y sencilla de instalar librerías, pero puedes consultar otras formas de hacerlo en este notebook de Colab.

Autocompletado

A estas alturas tal vez ya lo hayas notado. Google Colab, al igual que varios entornos de desarrollo integrados, muestra sugerencias de autocompletado conforme escribes código. Por ejemplo, si creas una celda debajo de la celda –C11–, y escribes print, seguro te aparecerá una sugerencia como esta:

Si presiones la tecla tabulador una o dos veces, verás que esto se autocompleta con el código sugerido:

Esto puede ser de mucha utilidad para agilizar el trabajo de escritura de código.

Asistente Gémini

Seguro también ya habrás notado que Colab ofrece la ayuda de Gemini, la LLM de Google, como asistente para la configuración de código.

Probablemente notaste que cada vez que creas una celda de código aparece la siguiente leyenda:

Para utilizar el asistente de Google solo debes presionar en donde dice <<generar>>:

Y escribir tu consulta:

En este caso, he solicitado crear una gráfica de barras utilizando la librería Matplotlib y he dado clic en <<Generar>>, lo cual creó el siguiente código en la celda –C12–:

Al ejecutarlo se obtiene lo siguiente:

Esta herramienta es muy útil, pero también puede ser (muy) imprecisa. Debes tomar precaución y utilizarla a consciencia; si la usas sin saber bien qué hace tu código, podría estar haciendo mal su trabajo y te podrían suceder dos cosas: o no sabes cómo solucionarlo, o no te das cuenta de que está mal.

Tablas interactivas

Por último, en cuanto a celdas de código, veremos cómo visualizar tablas de manera interactiva. Colab permite esto al realizar la impresión de una tabla generada con la librería Pandas como sigue:

Al ejecutar la celda –C13– podrás notar que se genera una tabla:

Puedes utilizar las opciones presentadas del lado derecho para interactuar con la tabla:

Da clic en el primer ícono para obtener la siguiente vista:

Esta te permitirá que interactúes con los datos, filtrando, navegando y ordenando estos.

Puedes consultar más características de las tablas interactivas en este notebook de Colab.

Ahora da clic en el segundo ícono, esto mostrará algo como lo siguiente:

Esta opción utiliza IA para sugerirte gráficas de los datos contenidos en las tablas. Si crees que alguna es de utilidad, da clic en ella y se generará el código de manera automática:

Finalmente, si das clic en el último ícono, aparecerá lo siguiente:

A pesar de que aparece el mensaje «Suggest a plot» puedes solicitar diferentes acciones a realizar sobre la tabla. Yo he escrito lo siguiente:

Y he obtenido el código de la celda –C14–:

Nota que estos resultados no te saldrán iguales a como lucen en las imágenes al ejecutar las celdas, ya que los valores de la tabla se generan de forma aleatoria.

Te recomiendo hacer tus propios experimentos con la tabla generada en nuevas celdas de código.

Funciones generales

Con esto que hemos visto hasta ahora es seguro que puedes crear libretas de Colab con una organización y atractivo visual considerables. Los siguientes puntos hablarán sobre generalidades que pueden ser desde relativamente básicas, hasta ayudarte a culminar un trabajo más especializado.

Con esto que hemos visto hasta ahora ya tienes más que suficiente para poder utilizar Colab eficazmente para el curso. Si deseas saltarte esta parte o volver a consultarla más tarde, ve al final del tutorial dando clic aquí.

Almacenamiento e historial de versiones

Comenzaremos hablando sobre la barra de herramientas que tienes a disposición en la parte superior de tu espacio de trabajo:

En el primer menú (<<Archivo>>), encontrarás las opciones de almacenamiento, historial de versiones y otras funciones más:

A continuación, se detallan las funciones de cada opción desplegada en el menú <<Archivo>> de Google Colab:

• Ubicar en Drive: Muestra la ubicación del notebook actual dentro de Google Drive (que es donde siempre se almacenan).
• Abrir en modo de sitio de pruebas: Permite abrir el notebook en un entorno aislado para pruebas, útil para evitar afectar el entorno principal.
• Nuevo notebook en Drive: Crea un nuevo notebook en tu Google Drive.
• Abrir bloc de notas (Ctrl+O): Abre un archivo de notebook existente desde Google Drive o desde tu equipo.
• Subir notebook: Permite subir un archivo de notebook desde tu computadora a Google Colab.
• Renombrar: Cambia el nombre del notebook actual.
• Mover: Mueve el notebook a otra carpeta dentro de Google Drive.
• Mover a la papelera: Envía el notebook a la papelera de reciclaje en Google Drive.
• Guardar una copia en Drive: Guarda una copia del notebook actual en tu Google Drive.
• Guardar una copia como Gist en GitHub: Guarda una copia del notebook como un Gist en GitHub.
• Guardar una copia en GitHub: Guarda una copia del notebook en un repositorio de GitHub.
• Guardar (Ctrl+S): Guarda los cambios realizados en el notebook actual.
• Guardar y fijar revisión (Ctrl+M S): Guarda el notebook y marca esta versión como una revisión, creando un punto de restauración.
• Historial de revisión: Muestra el historial de cambios y revisiones realizadas en el notebook.
• Descargar: Ofrece varias opciones para descargar el notebook en diferentes formatos (por ejemplo, .ipynb, .py, .html).
• Imprimir (Ctrl+P): Imprime el notebook actual o lo guarda como PDF.

Edición e inserción de bloques

Para abordar estas opciones, describiré los menús «Editar» e «Insertar» de la barra de herramientas, comenzando por el menú para edición de bloques:

Funciones del menú «Editar» de Colab:

• Deshacer inserción de la celda (Ctrl+M Z): Revierte la última acción de inserción de una celda, restaurando el estado anterior.
• Rehacer (Ctrl+Shift+Y): Rehace la última acción que fue deshecha.
• Seleccionar todas las celdas (Ctrl+Shift+A): Selecciona todas las celdas del notebook, facilitando operaciones en masa como cortar o copiar.
• Cortar celda o selección (Ctrl+M X): Elimina la celda o selección actual y la guarda en el portapapeles para pegarla en otra ubicación.
• Copiar celda o selección (Ctrl+M C): Copia la celda o selección actual al portapapeles sin eliminarla del documento.
• Pegar (Ctrl+M V): Pega el contenido del portapapeles en la ubicación actual.
• Borrar las celdas seleccionadas (Ctrl+M D): Elimina las celdas que están seleccionadas actualmente en el notebook.
• Buscar y reemplazar (Ctrl+H): Abre una herramienta para buscar texto dentro del notebook y, si se desea, reemplazarlo por otro texto.
• Buscar siguiente (Ctrl+G): Salta a la siguiente coincidencia de la búsqueda actual dentro del notebook.
• Buscar anterior (Ctrl+Shift+G): Salta a la coincidencia anterior de la búsqueda actual dentro del notebook.
• Configuración del notebook: Abre un panel de configuración para ajustar varias opciones del notebook, como el tipo de entorno de ejecución, etc.
• Borrar todos los resultados: Limpia todos los resultados de ejecución de celdas en el notebook, dejando solo el código sin los outputs generados.

Proseguimos con el de inserción:

Las funciones del menú Insertar de Colab son:

• Celda de código (Ctrl+M B): Inserta una nueva celda de código en el notebook. Estas celdas se utilizan para escribir y ejecutar código en Python u otros lenguajes soportados.
• Celda de texto: Inserta una nueva celda de texto (Markdown). Estas celdas se utilizan para agregar texto descriptivo, títulos, listas, enlaces, imágenes, y otros elementos de formato dentro del notebook.
• Celda de encabezado de la sección: Inserta una celda de texto con formato de encabezado, útil para dividir el notebook en secciones con títulos destacados.
• Celda de código temporal (Ctrl+Alt+N): Inserta una celda de código que puede ser utilizada de manera temporal. Es similar a una celda de código normal, pero generalmente se usa para pruebas rápidas o código que no se planea mantener en el documento final.
• Fragmentos de código (Ctrl+Alt+P): Inserta fragmentos de código predefinidos, facilitando la reutilización de código común sin tener que escribirlo desde cero.
• Agregar un campo de formulario: Inserta un campo de formulario en el notebook, que puede ser utilizado para interactuar con el código de manera dinámica (por ejemplo, seleccionar valores, ingresar texto, etc.).

Entorno de ejecución

La configuración y administración del entorno de ejecución en Colab es sumamente importante, te permitirá gestionar las ejecuciones de las celdas y los recursos de cómputo:

Las funciones que ofrece el menú de entorno de ejecución de Colab son:

• Ejecutar todo (Ctrl+F9): Ejecuta todas las celdas del notebook desde el principio hasta el final, en orden.
• Ejecutar celdas anteriores a la seleccionada (Ctrl+F8): Ejecuta todas las celdas que están antes de la celda actualmente seleccionada, en orden.
• Ejecutar la celda enfocada (Ctrl+Enter): Ejecuta la celda que está actualmente seleccionada o enfocada sin avanzar a la siguiente celda.
• Ejecutar selección (Ctrl+Shift+Enter): Ejecuta el código que está seleccionado dentro de una celda. Si no hay nada seleccionado, ejecuta toda la celda.
• Ejecutar celda seleccionada y siguientes (Ctrl+F10): Ejecuta la celda seleccionada y todas las celdas que vienen después de ella.
• Interrumpir la ejecución (Ctrl+M I): Detiene la ejecución del código en todas las celdas, útil si un proceso está tomando demasiado tiempo o si quieres detener la ejecución por cualquier motivo.
• Reiniciar la sesión (Ctrl+M .): Reinicia el entorno de ejecución del notebook, borrando todas las variables, archivos temporales y procesos en memoria, pero sin ejecutar nuevamente las celdas.
• Reiniciar la sesión y ejecutar todas las celdas: Reinicia el entorno de ejecución y luego ejecuta todas las celdas desde el principio, útil para garantizar que el código funcione desde un estado limpio.
• Desconectar y borrar el tiempo de ejecución: Desconecta el entorno de ejecución, liberando los recursos y borrando toda la memoria asociada.
• Cambiar tipo de entorno de ejecución: Permite cambiar el tipo de entorno de ejecución, como usar un entorno con GPU, TPU, o cambiar la versión de Python.
• Administrar sesiones: Muestra las sesiones de ejecución actuales y permite administrarlas, como desconectar sesiones activas.
• Ver recursos: Muestra los recursos disponibles y utilizados por el entorno de ejecución actual, como CPU, RAM, y disco.
• Ver registros del entorno de ejecución: Muestra los registros o logs del entorno de ejecución, útil para depuración y monitoreo.

De estas opciones, me parece importante hacer énfasis en <<Cambiar tipo de entorno de ejecución>>, la cual abrirá la siguiente ventana:

Sobre estas configuraciones puedes seleccionar entre lo siguiente:

• Tipo de entorno de ejecución:
  • Selecciona la versión de Python que deseas usar en tu notebook. En este caso, está seleccionado Python 3.

• Acelerador de hardware:
  • CPU: Utiliza el procesador central (CPU) de la máquina para ejecutar el código. Esta es la opción predeterminada.
  • T4 GPU: Selecciona esta opción para utilizar una GPU (Unidad de Procesamiento Gráfico) NVIDIA T4, lo cual es útil para tareas que requieren procesamiento paralelo, como el entrenamiento de modelos de machine learning.
  • A100 GPU: Esta es una opción para utilizar una GPU NVIDIA A100, que es más potente y se considera una opción premium, pero está desactivada aquí.
  • L4 GPU: Otra opción de GPU disponible en ciertos planes, pero desactivada en esta configuración.
  • TPU v2: Selecciona esta opción para utilizar una TPU (Unidad de Procesamiento Tensor), que está optimizada para tareas de machine learning, especialmente aquellas que utilizan TensorFlow.

• Acceso a GPU premium:
  • Si necesitas una GPU de mayor rendimiento (como la A100), puedes adquirir unidades de procesamiento adicionales a través de la opción que te lleva a comprar GPU premium.

Herramientas y configuración

En última instancia, tenemos las opciones de herramientas y configuración del menú <<Herramientas>>:

Las funciones ofrecidas en el menú <<Herramientas>> son las siguientes:

• Paleta de comandos (Ctrl+Shift+P): Abre una paleta de comandos que permite acceder rápidamente a una amplia variedad de acciones y comandos dentro de Google Colab, similar a la funcionalidad de «Command Palette» en editores de texto como Visual Studio Code.
• Configuración: Abre la configuración del notebook donde puedes ajustar preferencias como el tema, el tamaño de fuente, el tipo de entorno de ejecución, y otras opciones relacionadas con la apariencia y el comportamiento del entorno.
• Combinaciones de teclas (Ctrl+M H): Muestra una lista de las combinaciones de teclas (atajos) disponibles en Google Colab, facilitando la ejecución rápida de comandos mediante el teclado.
• Diferencias entre cuadernos: Compara dos versiones de un notebook para mostrar las diferencias entre ellas. Esta herramienta es útil para ver qué cambios se han realizado en diferentes revisiones o versiones del mismo notebook.

Sobre estas últimas, te recomiendo explorar las opciones de configuración existentes en Colab, las cuales podrás explorar al dar clic en «Configuración», que hará aparecer la siguiente ventana:

Panel de apoyo

Pasemos finalmente a hablar sobre el panel que encuentras en la parte superior izquierda de Colab:

Aquí encontrarás los siguientes elementos:

índice

Esta opción muestra el índice de la libreta que se genera de forma automática conforme las secciones añadidas:

Búsqueda

Permite la búsqueda y/o reemplazo de cadenas de texto.

Variables

Muestra información de las variables creadas por el código ejecutado.

Secretos

Almacena valores privados que necesites cargar a tu código de manera segura.

Archivos

Gestiona los archivos almacenados durante la sesión. Además, permite realizar una conexión a los archivos almacenados en tu cuenta de Google Drive.

Tutorial terminado

Así concluimos este tutorial de Colab, si deseas obtener más información sobre sus funciones y actualizaciones puedes consultar los siguientes recursos:

• Descripción general de Colaboratory
• Guía para usar Markdown
• Cómo importar bibliotecas y luego instalar dependencias
• Cómo guardar y cargar notebooks en GitHub
• Formularios interactivos
• Widgets interactivos
• Cómo cargar datos: Drive, Hojas de cálculo y Google Cloud Storage
• Gráficos: visualización de datos
• Cómo comenzar a usar BigQuery
• Blog oficial de Google Colab.

Las prácticas embebidas en nuestras travesías para aprender machine learning solo consisten en que leas las instrucciones y ejecutes los fragmentos de código, lo que significa que con esta introducción, y un poco de interacción que hayas tenido con la plataforma, es más que suficiente para que puedas comenzar a correr los programas en tu navegador, ya sea los míos, o cualquier otro que encuentres compartido en línea. Además, puedes usarlo para generar tus propios códigos y enviarlos a otras personas.

Familiarizarte con un servicio como este es sin duda un gran paso hacia adelante en tu formación en ciencia de datos.

Equipaje listo

Teniendo a la mano Google Colab y los ánimos encendidos, podemos comenzar nuestro primer recorrido en los dominios del machine learning.