Nota: (Las librerías de Python son una herramienta Imprescindible para, los programas desarrollados con Python. Python es uno de los lenguajes de programación más usados del mundo digital).
Librería-Python
Librería de Python (biblioteca) :
Es un conjunto de implementaciones funcionales, codificadas en un lenguaje de programación, que ofrece una interfaz bien definida para la funcionalidad que se invoca. Las librerías de Python son amplias y cuentan con gran cantidad de producciones en contenidos. Constan de diversos módulos que permiten el acceso de funcionalidades específicas del sistema como entrada y salida de archivos, soluciones estandarizadas a problemas de programación, etc.
Qué son los módulos de las Librerías
Un módulo es una porción de un programa de ordenador. De las varias tareas que debe realizar un programa para cumplir con su función u objetivos, un módulo realizará, comúnmente, una de dichas tareas o varias. Una definicion de librería como un conjunto de módulos cuya agrupación tiene una finalidad específica y que también puede ser invocada, tal como un módulo. Pero no es un módulo, sino un conjunto de ellos con una estructura determinada para lograr una finalidad.
Librerías de Python para Visualización
-. La visualización de datos será muy útil para comprender el problema que vamos a resolver, visualización de datos nos ayuda a entender mejor tanto los datos como el problema y analizar los errores.
Matplotlib :
- Es la librería gráfica de python estándar . Puedes usar matplotlib para generar gráficos de calidad para publicarlas tanto en papel como digitalmente. Con matplotlib puedes crear muchos tipos de gráficos: series temporales, histogramas, espectros de potencia, diagramas de barras, diagramas de errores, etc.
Librerías de Python para Cálculo Numérico y Análisis de Datos
-. El proceso de Machine Learning que más tiempo consumen es la preparación de datos y el cálculo de atributos relevantes o características (features). NumPy, SciPy y Pandas son las librerías de python ideales para análisis de datos y computación numérica.
-. En Big Data podemos usar por supuestos estas librerías (NumPy, SciPy y Pandas) .
NumPy proporciona una estructura de datos universal que posibilita el análisis de datos y el intercambio de datos entre distintos algoritmos. Las estructuras de datos que implementa son vectores multidimensionales y matrices con capacidad para gran cantidad de datos.
NumPy:
- Proporciona una estructura de datos universal que posibilita el análisis de datos y el intercambio de datos entre distintos algoritmos. Las estructuras de datos que implementa son vectores multidimensionales y matrices con capacidad para gran cantidad de datos. esta librería proporciona funciones matemáticas de alto nivel que operan en estas estructuras de datos
https://numpy.org/ https://numpy.org/doc/stable/user/whatisnumpy.html
SciPy:
- Proporciona rutinas numéricas eficientes fáciles de usar y opera en las mismas estructuras de datos proporcionadas por NumPy. Por ejemplo, con SciPy puedes realizar: integración numérica, optimización, interpolación, transformadas de Fourier, álgebra lineal, estadística, etc.
https://scipy.org/index.html https://docs.scipy.org/doc/scipy/reference/tutorial/index.html
Pandas:
- Es una de las librerías de python más útiles para los científicos de datos. Las estructuras de datos principales en pandas son Series para datos en una dimensión y DataFrame para datos en dos dimensiones. Estas son las estructuras de datos más usadas en muchos campos tales como finanzas, estadística, ciencias sociales y muchas áreas de ingeniería. Pandas destaca por lo fácil y flexible que hace la manipulación de datos y el análisis de datos.
https://pandas.pydata.org/ https://pandas.pydata.org/pandas-docs/stable/
Librerías de Python para Machine Learning
-. Hay muchas bibliotecas de aprendizaje automático ya escritas para Python, puedes elegir una de de la variedad de bibliotecas en función del caso de uso, habilidad y necesidad de personalización, personalmente utilizo scikit-learn.
Scikit–learn:
- Es una librería de python para Machine Learning y Análisis de Datos. Está basada en NumPy, SciPy y Matplotlib. La ventajas principales de scikit-learn son su facilidad de uso y la gran cantidad de técnicas de aprendizaje automático que implementa.
-. Con scikit-learn podemos realizar aprendizaje supervisado y no supervisado. Podemos usarlo para resolver problemas tanto de clasificación y como de regresión. Es muy fácil de usar porque tiene una interfaz simple y muy consistente.
Técnicas de aprendizaje automático con scikit-learn:
- -. regresión lineal y polinómica
- -. regresión logística
- -. máquinas de vectores de soporte
- -. árboles de decisión
- -. bosques aleatorios (random forests)
- -. agrupamiento (clustering)
- -. modelos basados en instancias
- -. clasificadores bayesianos
- -. reducción de dimensionalidad
- -. detección de anomalías …etc.
https://scikit-learn.org/stable/index.html
https://scikit-learn.org/stable/install.html#install-official-release
https://scikit-learn.org/stable/user_guide.html
https://scikit-learn.org/stable/modules/classes.html
https://scikit-learn.org/stable/tutorial/index.html
Librerías de Python para Deep Learning
-. El Deep Learning se engloba dentro de Machine Learning, en Deep Learning tenemos un desarrollo espectacular, (no hay día que no tenemos novedades) estas librerías las prefiero englobar dentro de Deep Learning .
-. TensorFlow :
- Es una librería de python, para realizar cálculos numéricos mediante diagramas de flujo de datos. Esto puede chocar un poco al principio, porque en vez de codificar un programa, codificaremos un grafo. Los nodos de este grafo serán operaciones matemáticas y las aristas representan los tensores (matrices de datos multidimensionales).
-. Con esta computación basada en grafos, TensorFlow puede usarse para deep learning y otras aplicaciones de cálculo científico. El grafo que representa la red neuronal profunda y sus datos, se podrá ejecutar en una o varias CPU o GPU en un PC, en un servidor o en un móvil.
Técnicas de aprendizaje automático con TensorFlow :
- -. Gestión de redes neuronales profundas
- -. Procesamiento del lenguaje natural
- -. Ecuación diferencial parcial
- -. Capacidades de abstracción
- -. Reconocimiento de imágenes, texto y voz
- -. Colaboración sin esfuerzo de ideas y código
https://www.tensorflow.org/?hl=es
https://www.tensorflow.org/tutorials/?hl=es
-. Keras:
- Es un interfaz de alto nivel para trabajar con redes neuronales. El interfaz de Keras es mucho más simple de usar que el de TensorFlow. la facilidad de uso es su principal característica.
-. Con Keras es fácil comprobar si nuestras proyecto tendrán buenos resultados . Keras utiliza otras librerías de deep learning (TensorFlow, CNTK o Theano) de forma transparente para hacer el trabajo que le digamos.
Técnicas de aprendizaje automático con Keras:
- -. Capas neuronales
- -. Funciones de activación y de costes
- -. Objetivos
- -. Normalización por lotes
- -. Abandono
- -. Puesta en común
PyTorch :
- Es una librería de python, desarrollada por Facebook, que permite el cálculo numérico eficiente en CPU y GPUs .El aprendizaje profundo (deep learning) usa cálculos matriciales y de derivadas masivos y paralelizables en GPUs. Por eso, PyTorch también se especializa en deep learning .
Técnicas de aprendizaje automático con
- -. Tensor computing con capacidad de procesamiento acelerado mediante unidades de procesamiento gráfico
- -. Fácil de aprender, usar e integrar con el resto del ecosistema de Python
- -. Soporte para redes neuronales basadas en un sistema de autodifusión basado en cintas
https://pytorch.org/tutorials/
https://pytorch.org/docs/stable/index.html
Recoilando:
- Una introducción a las Librerías de Python ,clasificación de las misma, las fuentes de esto apuntes son los Docs de las Librerías .