Informe: Librerías Usadas en Machine Learning y Deep Learning en Python

1. Introducción
Las librerías de Machine Learning y Deep Learning en Python han facilitado el desarrollo y la implementación
de modelos complejos de inteligencia artificial, democratizando su uso en la industria y la academia. A lo largo
de los años, estas herramientas han evolucionado para ofrecer soluciones eficientes y flexibles para el
procesamiento de datos, la creación de redes neuronales y la visualización de resultados.
El objetivo de este informe es explorar las principales librerías disponibles en Python para proyectos de
Machine Learning y Deep Learning, analizando sus características, aplicaciones y ejemplos de uso. Se cubrirán
tanto librerías fundamentales como avanzadas, así como herramientas complementarias para procesamiento de
texto y visualización.
2. Librerías Fundamentales para Machine Learning
Las librerías fundamentales para Machine Learning en Python son esenciales para el preprocesamiento de
datos, la manipulación de estructuras y la implementación de algoritmos de aprendizaje automático. A
continuación, se presentan las más importantes:
2.1. Scikit-Learn
• Descripción: Scikit-Learn es una de las librerías más populares en el ámbito de Machine Learning.
Desarrollada como una extensión de SciPy, proporciona un conjunto robusto de herramientas para
tareas comunes como clasificación, regresión y clustering. Es especialmente útil para proyectos que
requieren un prototipado rápido y experimentación.
• Características clave:
o Soporte para algoritmos clásicos de Machine Learning como SVM, árboles de decisión, bosques
aleatorios y K-means.
o Herramientas de preprocesamiento como normalización, escalado y manejo de valores
faltantes.
o Selección de características y optimización de hiperparámetros.
o Evaluación de modelos mediante validación cruzada y métricas como precisión, recall y F1-
score.
 • Aplicaciones: Scikit-Learn se usa ampliamente en tareas de clasificación y regresión de pequeña a
mediana escala, en análisis exploratorio de datos y en proyectos educativos.
2.2. Pandas
• Descripción: Pandas es una librería esencial para la manipulación y análisis de datos en Python.
Proporciona estructuras de datos rápidas, flexibles y expresivas, como DataFrame y Series, que
permiten una manipulación eficiente de datos tabulares.
• Operaciones esenciales:
o Lectura y escritura de archivos en múltiples formatos: CSV, Excel, JSON, SQL, etc.
o Transformaciones y limpiezas de datos: Filtrado, eliminación de duplicados y manejo de valores
faltantes.
o Agrupación y agregación de datos mediante groupby().
o Integración fluida con otras librerías como NumPy y Matplotlib para visualización.
• Ejemplo de uso con código:

• Aplicaciones: Pandas es ideal para la limpieza, análisis y transformación de grandes volúmenes de

datos. Es una herramienta estándar en el flujo de trabajo de cualquier proyecto de ciencia de datos.
2.3. NumPy
• Descripción: NumPy (Numerical Python) es la librería base para la computación numérica en Python.
Ofrece soporte para arrays y matrices multidimensionales, así como un conjunto de funciones
matemáticas de alto nivel para realizar operaciones en estos arrays.
• Diferencias con listas nativas de Python:
o Mayor velocidad y menor uso de memoria.
o Funcionalidad avanzada de álgebra lineal y generación de números aleatorios.
o Soporte para operaciones vectorizadas que evitan el uso de bucles explícitos.
• Ejemplo de uso con código:
 • plicaciones: NumPy se usa en cualquier proyecto que requiera manipulación de datos numéricos, como
cálculos matemáticos complejos, procesamiento de señales y desarrollo de modelos de Deep Learning.
2.4. SciPy
• Descripción: SciPy (Scientific Python) es una librería construida sobre NumPy que proporciona
herramientas adicionales para el cálculo científico. Incluye módulos para optimización, integración,
álgebra lineal, estadísticas y procesamiento de señales.
• Aplicaciones en el preprocesamiento de datos:
o Normalización y estandarización de datos.
o Ajuste de curvas y resolución de ecuaciones diferenciales.
• Ejemplo práctico

• Aplicaciones: SciPy es ideal para tareas que requieren métodos matemáticos y estadísticos avanzados,
como optimización, simulación y ajuste de modelos.
3. Librerías Avanzadas para Deep Learning
Las librerías de Deep Learning se utilizan para construir y entrenar redes neuronales complejas, desde
modelos sencillos de aprendizaje supervisado hasta arquitecturas avanzadas como redes convolucionales y
redes generativas. Estas librerías aprovechan la potencia de las GPU y la computación distribuida, permitiendo
el desarrollo de modelos escalables y eficientes.
3.1. TensorFlow
 • Descripción: TensorFlow es una de las librerías más potentes y populares para Deep Learning,
desarrollada por Google. Su arquitectura flexible permite la implementación de modelos desde
dispositivos móviles hasta sistemas distribuidos en la nube. TensorFlow utiliza grafos computacionales
para representar el flujo de datos y sus transformaciones, lo que facilita la optimización y ejecución en
diferentes hardware.
• Características principales:
o Soporte para redes neuronales profundas, incluyendo CNNs, RNNs y Transformers.
o Entrenamiento distribuido en GPU y TPU.
o Compatible con múltiples plataformas (iOS, Android, etc.) y exportación de modelos para
producción.
o Integración con TensorBoard para visualización y monitoreo de métricas.
• Explicación de la API Keras integrada:
o TensorFlow incorpora Keras como su API de alto nivel, facilitando la creación de modelos
mediante una sintaxis más simple y limpia. Esto permite a los desarrolladores construir y
entrenar modelos rápidamente.
• Ejemplo práctico: Creación de un modelo de red neuronal básica:

• Aplicaciones: TensorFlow es ampliamente utilizado en proyectos industriales y académicos que

requieren modelos de alto rendimiento y escalabilidad. Es la librería preferida para proyectos de visión
por computadora, procesamiento de lenguaje natural y modelos complejos de IA.
3.2. PyTorch
• Descripción: PyTorch, desarrollado por Facebook AI Research, se ha convertido rápidamente en la
librería favorita para el desarrollo de prototipos y proyectos de investigación. Su diseño dinámico
permite una mayor flexibilidad, lo que facilita la implementación y depuración de redes neuronales
complejas.
• Diferencias con TensorFlow:
 o PyTorch utiliza un "grafo dinámico" que se construye y evalúa en tiempo real, a diferencia del
enfoque estático de TensorFlow.
o Mayor facilidad para depuración con herramientas estándar de Python (p. ej., pdb).
o Sintaxis más intuitiva y fácil de entender.
• Casos de uso: PyTorch es ideal para investigación y experimentación, así como para proyectos que
requieren cambios frecuentes en la arquitectura del modelo.
• Ejemplo de una red neuronal simple con PyTorch:

• Aplicaciones: PyTorch se usa ampliamente en investigación debido a su flexibilidad y facilidad de uso.

Es popular para proyectos de redes generativas adversarias (GAN), aprendizaje por refuerzo y
aprendizaje no supervisado.
3.3. Keras
• Descripción: Keras es una API de alto nivel para la construcción rápida de modelos de Deep Learning.
Originalmente independiente, ahora está integrada en TensorFlow. Su diseño modular y minimalista
permite crear prototipos rápidamente sin necesidad de una sintaxis compleja.
• Usabilidad y simplicidad para desarrollo rápido:
 o Permite definir redes neuronales en pocas líneas de código.
o Compatible con TensorFlow y Theano como backend, aunque su integración con TensorFlow ha
hecho que sea la combinación preferida.
• Construcción de modelos secuenciales y funcionales:
o El modelo secuencial es ideal para arquitecturas lineales de capas.
o El modelo funcional permite arquitecturas más complejas como redes de múltiples entradas y
salidas o capas compartidas.
• Ejemplo de un modelo secuencial simple

Aplicaciones: Keras es ideal para desarrolladores que desean crear prototipos rápidamente o enseñar
conceptos de Deep Learning debido a su sintaxis simple. Se usa principalmente en entornos de desarrollo
donde se prioriza la facilidad y rapidez de experimentación.

4. Librerías para Visualización de Datos

La visualización de datos es un paso crucial en el flujo de trabajo de Machine Learning y Deep Learning, ya
que permite entender patrones, tendencias y relaciones en los datos. También es fundamental para evaluar el
rendimiento de los modelos y comunicar resultados de manera efectiva. A continuación, se presentan las
librerías más utilizadas para la visualización de datos en Python.
4.1. Matplotlib
• Descripción: Matplotlib es la librería más antigua y ampliamente utilizada para la creación de gráficos
en Python. Proporciona un control detallado sobre todos los aspectos de la visualización y permite
crear gráficos estáticos, animados e interactivos.
• Características y usos:
o Soporte para gráficos de líneas, histogramas, gráficos de dispersión, gráficos de barras y más.
o Personalización avanzada de etiquetas, colores, tamaños y estilos de gráficos.
o Integración con otras librerías como Pandas para facilitar la visualización directa de
DataFrames.
• Ejemplo de visualización de datos de entrenamiento y validación
 • Aplicaciones: Matplotlib se utiliza en todos los proyectos de visualización de datos que requieren un
control granular y precisión en la representación gráfica. Es la opción preferida para gráficos
personalizados y publicaciones científicas.
4.2. Seaborn
• Descripción: Seaborn es una librería construida sobre Matplotlib que simplifica la creación de gráficos
estadísticos. Su enfoque principal es la visualización de relaciones estadísticas y patrones en los datos,
proporcionando una interfaz de alto nivel para gráficos complejos.
• Características y ventajas:
o Ofrece una integración perfecta con Pandas, permitiendo la visualización directa de
DataFrames.
o Soporte para gráficos más estéticos con menos código: gráficos de correlación, distribuciones,
gráficos de violín, gráficos de caja y más.
o Estilos y paletas de colores prediseñados para mejorar la presentación visual.
• Ejemplo de uso para visualización de correlaciones

• Aplicaciones: Seaborn es ideal para análisis exploratorios y visualización de relaciones estadísticas. Se

utiliza comúnmente para la visualización de distribuciones, correlaciones y patrones de datos
complejos de manera rápida y estética.
4.3. Plotly
• Descripción: Plotly es una librería que permite crear gráficos interactivos y animados. A diferencia de
Matplotlib y Seaborn, Plotly genera gráficos que se pueden explorar en tiempo real con funciones
como el zoom, la visualización de detalles y la exportación interactiva.
• Características:
o Soporte para gráficos 3D, gráficos de series temporales y gráficos financieros.
o Integración con dash para crear dashboards interactivos.
o Capacidades de personalización avanzada con menos código.
• Ejemplo de visualización interactiva:

• Aplicaciones: Plotly es perfecto para la creación de gráficos interactivos en aplicaciones web,

presentaciones y dashboards. Es especialmente útil en proyectos que requieren visualización en tiempo
real y análisis interactivo.
4.4. Bokeh
• Descripción: Bokeh es una librería interactiva similar a Plotly que se utiliza para crear gráficos en
tiempo real y visualizaciones interactivas en el navegador. Su ventaja principal es la capacidad de
construir gráficos complejos y dinámicos que pueden responder a eventos del usuario.
• Características:
o Generación de gráficos ricos e interactivos (gráficos de líneas, barras, dispersión y gráficos
geográficos).
o Capacidad para interactuar con widgets como deslizadores y botones.
o Integración con Flask y Django para aplicaciones web.
• Ejemplo de gráfico interactivo
 • Aplicaciones: Bokeh es ideal para la creación de visualizaciones interactivas en aplicaciones web y
análisis de datos en tiempo real. Se utiliza a menudo en proyectos que requieren una visualización
dinámica y compleja en el navegador.
5. Librerías de Procesamiento de Texto y NLP
El procesamiento de lenguaje natural (NLP) es una rama de la inteligencia artificial que se centra en la
interacción entre computadoras y lenguaje humano. Existen varias librerías en Python que facilitan la
implementación de tareas como análisis de sentimiento, traducción automática, etiquetado gramatical y
extracción de información. A continuación, se describen las principales librerías para NLP en Python.
5.1. NLTK (Natural Language Toolkit)
• Descripción: NLTK es una de las librerías más antiguas y completas para el procesamiento de lenguaje
natural en Python. Incluye una amplia colección de recursos como corpus, algoritmos de
procesamiento, y herramientas de preprocesamiento que permiten realizar tareas básicas y avanzadas
de análisis de texto.
• Funcionalidades:
o Tokenización: Separación de un texto en palabras, oraciones o párrafos.
o Lematización y stemming: Reducción de palabras a su forma base (ej., "corriendo" a "correr").
o Análisis de sentimiento: Determinación del tono positivo o negativo de un texto.
o Etiquetado POS (Part-of-Speech): Identificación de la categoría gramatical de cada palabra en
una oración.
o Extracción de entidades: Reconocimiento de nombres propios, lugares y organizaciones en un
texto.
• Ejemplo de uso para tokenización y análisis de sentimiento
 • Aplicaciones: NLTK es ideal
para el aprendizaje y la investigación en NLP, especialmente en proyectos que requieren
preprocesamiento detallado de texto. Se utiliza ampliamente en tareas educativas y prototipos iniciales.
5.2. SpaCy
• Descripción: SpaCy es una librería moderna y eficiente para el procesamiento de lenguaje natural que
se centra en la velocidad y el rendimiento. A diferencia de NLTK, que está diseñado para la
investigación, SpaCy es más adecuado para aplicaciones en producción y grandes volúmenes de datos.
• Características y ventajas:
o Rendimiento optimizado: SpaCy utiliza implementaciones optimizadas en Cython, lo que la hace
mucho más rápida que otras librerías.
o Modelos pre-entrenados: Proporciona modelos de lenguaje pre-entrenados en varios idiomas
para realizar tareas como etiquetado gramatical, reconocimiento de entidades y análisis de
dependencias.
o Pipeline de procesamiento: Su arquitectura de pipeline permite preprocesar y transformar texto
de manera secuencial.
• Ejemplo de etiquetado POS y reconocimiento de entidades

• Aplicaciones: SpaCy se usa principalmente en aplicaciones en producción que requieren procesamiento

rápido de texto. Es común en tareas de extracción de información, clasificación de texto y análisis
sintáctico en grandes volúmenes de datos.
5.3. Transformers (Hugging Face)
• Descripción: Transformers es una librería desarrollada por Hugging Face que proporciona modelos de
última generación como BERT, GPT y T5 para diversas tareas de NLP. Se ha convertido en el estándar
para el uso de modelos basados en Transformers, que han revolucionado el campo del procesamiento
de lenguaje natural.
• Modelos disponibles:
o BERT (Bidirectional Encoder Representations from Transformers): Usado para tareas de
clasificación y etiquetado secuencial.
o GPT (Generative Pre-trained Transformer): Modelos generativos para tareas de generación de
texto.
o T5 (Text-to-Text Transfer Transformer): Modelos para traducción automática y reformulación de
texto.
o DistilBERT: Versión reducida de BERT con menor tamaño y mayor velocidad.
• Aplicaciones:
o Clasificación de texto: Determinación de la categoría de un documento.
o Análisis de sentimiento: Evaluación de emociones y opiniones.
o Traducción automática: Conversión de texto de un idioma a otro.
o Resumen automático: Generación de resúmenes concisos a partir de textos largos.
• Ejemplo práctico de clasificación de texto con Transformers

• Aplicaciones: Transformers es la opción preferida para proyectos que requieren un alto rendimiento y
precisión en tareas avanzadas de NLP. Se utiliza en chatbots, sistemas de recomendación y asistentes
virtuales.
5.4. Gensim
• Descripción: Gensim es una librería especializada en el modelado de tópicos y la representación
semántica de texto. Se utiliza principalmente para la creación de modelos de temas, análisis de
similitud y aprendizaje no supervisado.
• Características:
o Implementación eficiente de algoritmos de modelado de tópicos como LDA (Latent Dirichlet
Allocation).
o Generación de vectores de palabras mediante Word2Vec, Doc2Vec y FastText.
 o Herramientas para indexar y buscar documentos similares en grandes conjuntos de datos.
• Ejemplo de creación de un modelo Word2Vec

Aplicaciones: Gensim es ideal para proyectos que requieren análisis de similitud, agrupación de documentos y
aprendizaje de representaciones semánticas en grandes colecciones de texto.
6. Librerías para Visualización de Modelos
La visualización de modelos de Machine Learning y Deep Learning es una herramienta crucial para entender la
estructura, el flujo de datos y el rendimiento de las redes neuronales. Las siguientes librerías permiten explorar
la arquitectura de los modelos, sus capas internas y métricas de entrenamiento de manera gráfica e intuitiva.
6.1. TensorBoard
• Descripción: TensorBoard es una herramienta de visualización creada específicamente para proyectos
de TensorFlow. Proporciona gráficos interactivos que permiten monitorear y depurar el entrenamiento
de los modelos, ofreciendo una vista detallada del progreso de métricas como pérdida y precisión.
• Características principales:
o Visualización del grafo computacional: Muestra la estructura de la red neuronal y el flujo de
datos entre capas.
o Monitoreo de métricas: Permite ver en tiempo real la evolución de la pérdida y la precisión
durante el entrenamiento.
o Análisis de distribuciones y histogramas: Muestra cómo cambian los pesos y sesgos durante el
entrenamiento.
o Proyección de embeddings: Visualiza representaciones de alta dimensionalidad (embeddings)
en un espacio de menor dimensión.
• Ejemplo de implementación en un modelo de TensorFlow
 • Aplicaciones: TensorBoard se utiliza para el monitoreo en tiempo real y la depuración de modelos
durante el entrenamiento. Es especialmente útil cuando se trabaja con redes profundas que tienen
múltiples capas y parámetros.
6.2. Netron
• Descripción: Netron es una herramienta de visualización de modelos independiente que permite
explorar arquitecturas complejas de redes neuronales. Es compatible con múltiples frameworks como
TensorFlow, Keras, PyTorch y ONNX.
• Características:
o Visualización de la arquitectura completa del modelo: Permite inspeccionar la estructura de la
red, el tamaño de las capas y la conectividad entre ellas.
o Compatibilidad con diferentes formatos de modelos: Soporta archivos .h5 (Keras), .pb
(TensorFlow), .onnx (ONNX) y .pt (PyTorch).
o Interfaz gráfica intuitiva: Proporciona una vista interactiva y detallada de cada capa, mostrando
las operaciones y los tamaños de entrada y salida.
• Uso típico: Netron se utiliza principalmente para depurar la estructura de la red y comprender mejor
cómo fluye la información a través de cada capa.
• Ejemplo de uso:
1. Guardar el modelo en un archivo compatible (por ejemplo, model.h5 para Keras).
2. Abrir Netron y cargar el archivo del modelo.
3. Navegar por las capas y sus conexiones a través de la interfaz gráfica.
6.3. Captum (Para PyTorch)
• Descripción: Captum es una librería de interpretabilidad de modelos desarrollada para PyTorch.
Permite visualizar e interpretar cómo las diferentes características de entrada afectan las predicciones
 del modelo. Se centra en la visualización de la importancia de características y la atribución de
relevancia.
• Características:
o Métodos de atribución: Soporta métodos como Gradient SHAP, Integrated Gradients y
DeepLIFT para evaluar la importancia de las características.
o Visualización de mapas de calor: Muestra visualmente cómo las entradas contribuyen a la salida
del modelo.
o Compatibilidad con diferentes tipos de redes: Funciona con redes convolucionales y
recurrentes.
• Ejemplo de interpretación de características

• Aplicaciones: Captum es útil para interpretar modelos de PyTorch y entender qué características son
más relevantes en el proceso de toma de decisiones. Es comúnmente utilizado en aplicaciones donde
se requiere explicar el comportamiento del modelo, como en sistemas críticos o auditorías de IA.
6.4. VisualKeras
• Descripción: VisualKeras es una librería pequeña y simple para visualizar modelos de Keras. Genera
diagramas de la arquitectura del modelo en formato gráfico, permitiendo ver las capas, los tipos de
operaciones y los tamaños de las entradas y salidas.
• Características:
o Creación automática de diagramas: Permite generar diagramas visuales de un modelo de Keras
con una sola línea de código.
 o Personalización: Se pueden ajustar los colores y tamaños de las capas en el diagrama.
o Soporte para múltiples formatos: Exporta diagramas en PNG y SVG.
• Ejemplo de uso

• Aplicaciones: VisualKeras es ideal para documentar y comunicar la estructura de los modelos en

proyectos de Deep Learning. Se usa comúnmente en presentaciones y publicaciones para ilustrar la
arquitectura del modelo de manera clara.
7. Librerías Complementarias para Machine Learning y Deep Learning
Las librerías complementarias ofrecen funcionalidades adicionales que no se encuentran en las principales
librerías de Machine Learning y Deep Learning. Pueden incluir herramientas para el preprocesamiento de datos
específicos, algoritmos especializados o mejoras en el rendimiento de los modelos. A continuación, se
presentan algunas de las más utilizadas en el ecosistema de Python.
7.1. OpenCV (Open Source Computer Vision Library)
• Descripción: OpenCV es una librería de código abierto enfocada en la visión por computadora y el
procesamiento de imágenes. Ofrece un amplio conjunto de funciones para realizar tareas de
manipulación de imágenes, detección de objetos, análisis de movimiento y mucho más.
• Características:
o Soporte para procesamiento de imágenes: lectura, transformación y manipulación de imágenes
(escalado, rotación, recorte).
o Funciones avanzadas para la detección de características como bordes, contornos y puntos de
interés (ORB, SIFT, SURF).
o Detección de rostros y objetos mediante clasificadores Haar y algoritmos de detección
profunda.
o Capacidades para trabajar con flujos de video en tiempo real y cámaras.
• Ejemplo de detección de bordes usando el filtro de Canny
 • Aplicaciones: OpenCV es ideal para proyectos de visión por computadora, incluyendo detección de
objetos, análisis de video y aplicaciones en tiempo real. Es ampliamente utilizado en sistemas de
seguridad, reconocimiento facial y robótica.
7.2. XGBoost (Extreme Gradient Boosting)
• Descripción: XGBoost es una librería optimizada para algoritmos de boosting basados en árboles de
decisión. Ha ganado popularidad debido a su alta eficiencia, flexibilidad y capacidad para obtener un
rendimiento superior en competencias de Machine Learning. Es especialmente útil en problemas de
clasificación y regresión.
• Características:
o Optimización de velocidad: Utiliza técnicas como la paralelización de tareas y la reducción de
memoria para acelerar el entrenamiento.
o Regularización: Soporta regularización L1 y L2 para prevenir el sobreajuste.
o Control de crecimiento de los árboles: Proporciona controles avanzados para el tamaño de los
árboles y la complejidad del modelo.
o Soporte para matrices dispersas: Eficiente en el manejo de datos esparsos y grandes
volúmenes de datos.
• Ejemplo de uso en un problema de clasificación
 • Aplicaciones: XGBoost es ampliamente utilizado en tareas de clasificación, regresión y ranking. Es la
librería preferida en competencias de Kaggle y otros desafíos de Machine Learning por su capacidad
para producir resultados de alta calidad con poca sintonización de parámetros.
7.3. LightGBM
• Descripción: LightGBM (Light Gradient Boosting Machine) es una librería de boosting de gradiente que,
al igual que XGBoost, está optimizada para velocidad y eficiencia. Desarrollada por Microsoft,
LightGBM se caracteriza por su capacidad para manejar grandes conjuntos de datos con alta velocidad
y bajo uso de memoria.
• Características:
o Manejo eficiente de datos grandes: Utiliza algoritmos basados en histogramas para acelerar el
entrenamiento.
o Soporte para paralelización y GPU: Permite el entrenamiento en múltiples núcleos de CPU y
GPU.
o Reducción de memoria: Consume menos memoria que otros algoritmos de boosting.
o Crecimiento de árboles por hoja: Expande los árboles por la hoja con la mayor reducción de
pérdida, lo que mejora la precisión.
• Ejemplo de uso en un problema de regresión

• Aplicaciones: LightGBM es ideal para conjuntos de datos grandes y para tareas de clasificación y
regresión que requieren un entrenamiento rápido. Se utiliza en sistemas de recomendación, predicción
de ventas y análisis financiero.
7.4. CatBoost
• Descripción: CatBoost es una librería de boosting de gradiente desarrollada por Yandex que se centra
en el manejo eficiente de variables categóricas y en la reducción del sobreajuste. No requiere un
 preprocesamiento explícito de las variables categóricas, lo que lo hace más fácil de usar en muchos
casos.
• Características:
o Soporte nativo para variables categóricas: No requiere codificación one-hot.
o Evita el sobreajuste: Utiliza métodos avanzados de reducción de sobreajuste.
o Compatible con GPU: Permite entrenamiento rápido en GPU.
• Ejemplo de uso con datos categóricos:

Aplicaciones: CatBoost es ideal para proyectos que manejan grandes volúmenes de datos categóricos y se
utiliza comúnmente en problemas de clasificación en marketing, predicción de comportamiento del cliente y
análisis de fraude.