Scribd
Cargar
4 vistas5 páginas

Módulo 3 Programación para IA

El documento presenta una introducción a la programación en Python para Inteligencia Artificial, destacando su simplicidad y flexibilidad. Se describen librerías fundamentales como NumPy, Pandas y Matplotlib, que son esenciales para la manipulación de datos y visualización. Además, se menciona el uso de Jupyter Notebook y Google Colab como herramientas para el desarrollo y análisis de proyectos de IA.

Cargado por

Alejandro Sierra
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
4 vistas5 páginas

Módulo 3 Programación para IA

El documento presenta una introducción a la programación en Python para Inteligencia Artificial, destacando su simplicidad y flexibilidad. Se describen librerías fundamentales como NumPy, Pandas y Matplotlib, que son esenciales para la manipulación de datos y visualización. Además, se menciona el uso de Jupyter Notebook y Google Colab como herramientas para el desarrollo y análisis de proyectos de IA.

Cargado por

Alejandro Sierra
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 5

Módulo 3: Programación para IA

1. Introducción a Python para IA

Python es uno de los lenguajes más utilizados para el desarrollo de aplicaciones de


Inteligencia Artificial (IA) debido a su simplicidad y flexibilidad. Es un lenguaje de
programación interpretado, lo que significa que se ejecuta línea por línea, lo que facilita
la depuración y el prototipado rápido.

Algunos de los comandos y conceptos básicos de Python que se deben conocer al


comenzar en IA son:

Comandos básicos de Python:

1. Declaración de variables:

python
Copiar código
x = 10 # Asignación de un valor entero
y = 3.14 # Asignación de un valor flotante
nombre = "Juan" # Asignación de una cadena de texto

2. Operadores aritméticos:

python
Copiar código
suma = 5 + 3 # Suma
resta = 10 - 4 # Resta
multiplicacion = 6 * 7 # Multiplicación
division = 10 / 2 # División

3. Condicionales:

python
Copiar código
if x > 5:
print("x es mayor que 5")
else:
print("x es menor o igual a 5")

4. Bucles:

python
Copiar código
for i in range(5):
print(i) # Imprime los números del 0 al 4

5. Funciones:

python
Copiar código
def saludar(nombre):
return f"Hola, {nombre}!"
print(saludar("Juan"))
6. Listas y diccionarios:

python
Copiar código
lista = [1, 2, 3, 4]
lista.append(5) # Añadir un elemento a la lista
print(lista)

diccionario = {"nombre": "Juan", "edad": 30}


print(diccionario["nombre"]) # Acceder a un valor del
diccionario

Python en IA: En IA, Python se utiliza para la creación de algoritmos de aprendizaje


automático, redes neuronales, análisis de datos, procesamiento de lenguaje natural
(NLP), y mucho más. Las librerías y frameworks más utilizados incluyen TensorFlow,
Keras, Scikit-learn, PyTorch, NLTK, entre otros.

2. Librerías fundamentales:

NumPy

NumPy es una librería esencial en Python para la manipulación y cálculo de matrices y


arreglos multidimensionales. Es ampliamente utilizada en ciencia de datos y IA debido
a su alto rendimiento en operaciones numéricas.

Ventajas de NumPy:

 Eficiencia: Permite realizar operaciones sobre grandes volúmenes de datos de


manera eficiente.
 Facilidad de uso: Posee una sintaxis sencilla y funciones optimizadas.
 Soporte para álgebra lineal: Ofrece operaciones como multiplicación de
matrices, determinantes, etc.

Ejemplo de uso:

python
Copiar código
import numpy as np

# Crear un arreglo 1D
arr_1d = np.array([1, 2, 3, 4, 5])
print(arr_1d)

# Crear una matriz 2D


arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr_2d)

# Operaciones aritméticas
suma = arr_1d + 10 # Sumar 10 a cada elemento del arreglo
print(suma)

producto = np.dot(arr_2d, arr_2d.T) # Multiplicación de matrices


print(producto)
Pandas

Pandas es una librería utilizada principalmente para la manipulación y análisis de datos


estructurados, como bases de datos o archivos CSV. Su estructura fundamental es el
DataFrame, que permite manejar datos en tablas de manera eficiente.

Ventajas de Pandas:

 Facilidad para manejar grandes volúmenes de datos.


 Operaciones rápidas de filtrado, agregación y transformación.
 Soporte para leer y escribir datos en múltiples formatos (CSV, Excel, SQL,
etc.).

Ejemplo de uso:

python
Copiar código
import pandas as pd

# Crear un DataFrame
data = {
"Nombre": ["Ana", "Juan", "Carlos"],
"Edad": [28, 35, 22],
"Ciudad": ["Madrid", "Barcelona", "Valencia"]
}
df = pd.DataFrame(data)
print(df)

# Filtrar datos
df_filtrado = df[df["Edad"] > 30] # Filtrar personas mayores de 30
años
print(df_filtrado)

# Leer un archivo CSV (supongamos que tienes un archivo llamado


"data.csv")
# df = pd.read_csv("data.csv")

Matplotlib

Matplotlib es una librería para la creación de gráficos y visualización de datos en


Python. Es fundamental para representar de manera gráfica los resultados obtenidos en
los proyectos de IA y análisis de datos.

Ventajas de Matplotlib:

 Flexibilidad para crear gráficos de diversos tipos (líneas, barras, dispersión,


histogramas, etc.).
 Personalización completa de los gráficos (títulos, etiquetas, colores).
 Integración con otras librerías de visualización como Seaborn y Plotly.

Ejemplo de uso:

python
Copiar código
import matplotlib.pyplot as plt
# Crear un gráfico de líneas
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y, label="Cuadrado de x")
plt.xlabel("x")
plt.ylabel("y")
plt.title("Gráfico de líneas")
plt.legend()
plt.show()

# Crear un histograma
data = np.random.randn(1000) # Generar datos aleatorios
plt.hist(data, bins=30, edgecolor="black")
plt.title("Histograma de distribución normal")
plt.show()

3. Introducción a Jupyter Notebook y Google Colab

 Jupyter Notebook es un entorno interactivo que permite ejecutar código de


Python junto con texto explicativo, ecuaciones y visualizaciones. Es muy útil
para prototipar y documentar proyectos de IA.
 Google Colab es una plataforma en la nube que ofrece un entorno de Jupyter
Notebook con acceso a recursos computacionales (como GPUs), ideal para
proyectos que requieren gran capacidad de procesamiento.

Ambos permiten realizar análisis de datos, entrenar modelos de machine learning, y


compartir resultados de manera eficiente.

4. Manipulación de datos y visualización

La manipulación de datos es una de las tareas más comunes en proyectos de IA. Con las
herramientas anteriores (NumPy, Pandas y Matplotlib), se pueden realizar tareas como:

 Limpieza de datos: Eliminación de valores nulos, transformación de datos, etc.


 Análisis de datos: Estadísticas descriptivas, agrupación y filtrado de
información.
 Visualización de datos: Creación de gráficos y diagramas para interpretar los
datos de manera clara.

Ejemplo de manipulación y visualización:

python
Copiar código
# Cargar un dataset de ejemplo
from sklearn.datasets import load_iris
import pandas as pd

# Cargar datos del conjunto de datos Iris


iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
# Visualizar estadísticas descriptivas
print(df.describe())

# Graficar un par de variables


import matplotlib.pyplot as plt
plt.scatter(df["sepal length (cm)"], df["sepal width (cm)"])
plt.xlabel("Longitud del sépalo (cm)")
plt.ylabel("Anchura del sépalo (cm)")
plt.title("Relación entre Longitud y Anchura del Sépalo")
plt.show()

También podría gustarte