Aprender los conceptos clave

1

Todo lo que aprenderás sobre MA con Scikit-Learn

2

¿Cómo aprenden las máquinas?

3

Problemas que podemos resolver con Scikit-learn

4

Las matemáticas que vamos a necesitar

Iniciar un proyecto con sklearn

5

Configuración de nuestro entorno Python

6

Instalación de librerías en Python

7

Datasets que usaremos en el curso

Optimización de features

8

¿Cómo afectan nuestros features a los modelos de Machine Learning?

9

Introducción al PCA

10

Preparación de datos para PCA e IPCA

11

Implementación del algoritmo PCA e IPCA

12

Kernels y KPCA

13

¿Qué es la regularización y cómo aplicarla?

14

Implementación de Lasso y Ridge

15

Explicación resultado de la implementación

16

ElasticNet: Una técnica intermedia

Regresiones robustas

17

El problema de los valores atípicos

18

Regresiones Robustas en Scikit-learn

19

Preparación de datos para la regresión robusta

20

Implementación regresión robusta

Métodos de ensamble aplicados a clasificación

21

¿Qué son los métodos de ensamble?

22

Preparación de datos para implementar métodos de ensamble

23

Implementación de Bagging

24

Implementación de Boosting

Clustering

25

Estrategias de Clustering

26

Implementación de Batch K-Means

27

Implementación de Mean-Shift

Optimización paramétrica

28

Validación de nuestro modelo usando Cross Validation

29

Implementación de K-Folds Cross Validation

30

Optimización paramétrica

31

Implementación de Randomized

32

Bonus: Auto Machine Learning

Salida a producción

33

Revisión de nuestra arquitectura de código

34

Importar y exportar modelos con Sklearn

35

Creación de una API con Flask para el modelo

36

Cierre del curso

37

Material adicional para consultar

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

No se trata de lo que quieres comprar, sino de quién quieres ser. Aprovecha el precio especial.

Antes: $249

Currency
$209

Paga en 4 cuotas sin intereses

Paga en 4 cuotas sin intereses
Suscríbete

Termina en:

14 Días
4 Hrs
36 Min
18 Seg

Instalación de librerías en Python

6/37
Recursos

Aportes 33

Preguntas 3

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

les dejo un truquito:
pueden crear un archivo llamado: requirements.txt
y dentro ponen todo lo que necesitan de la siguiente manera(el nombre de las librerias):
numpy
scipy
joblib
pandas
matplotlib
scikit-learn

y en su ambiente virtual ejecutan el siguiente comando:

pip install -r requirements.txt

Y así ya tienen en un archivo con los requerimientos de su proyecto y pueden ir agregando las librerías que necesiten y solo ejecutar un comando 😃

Soy el único que siente que el profesor transmite mucha confianza a la hora de hablar?

Pasos para instalar librerías

<h1>Instalación de librerías</h1>

instalación de librerías que vamos a usar en el proyecto en el entorno de trabajo

  • Install Numpy python-m pip install numpy
  • Install Scipy python -m pip install scipy
  • Install Joblib python -m pip install joblib
  • Install Pandas python -m pip install pandas
  • Install Matplotlib python -m pip install matplotlib
  • Install Scikit-lean python -m pip install scikit-learn

Corroborar la instalación

Entrar al entorno de python desde el cmd python

Importar la libreria import sklearn

imprimir la versión que estamos trabajando print(sklearn.__version__)

yo voy a usar google colab

las librerias usadas son: numpy, scipy, pandas, matplotlib y scikit-learn
en anaconda podemos usar conda list para ver las librerias isntaladas y si usamos conda install anaconda se instalan todas las librerias automaticamente y otras mas que son utiles

Otra forma para conocer las versiones instaladas es escribiendo

pip freeze

Cuando se crean ambientes virtuales “entorno” como lo llamo Ariel, también, se conoce como (.env, .venv y venv); todas las dependencias que se instalan se hacen en el ambiente virtual, por lo que si haces pip freeze podrás visualizar todas las librerias instaladas en el proyecto!

ATENCIÓN: Para que esto funcione, tenemos que estar atentos de que el ambiente virtual este activado

.venv\Scripts\activate.bat en Windows

y

source .venv/bin/activate en Linux y MacOS

Nota: Para salir del Shell de Python después de comprobar la versión de Python como lo muestra en el video, se sale con exit() y enter.


Otra forma de comprobar que este instalado correctamente y la versión de la biblioteca es con el comando: python -m pip show Nombre_Del Paquete

Y para comprobar o simplemente listar los paquetes de nuestro entorno virtual es con: pip freeze , o con: pip list

En caso de que al intentar hacer el

import sklearn

dentro del shell de python les de el siguiente error:

RuntimeError: The current Numpy installation (PATH) fails to pass a sanity check due to a bug in the windows runtime.

La solución momentanea es instalar la versión 1.19.3 de numpy.

python -m pip install numpy==1.19.3

Que buena clase!!!

Para que se les haga más sencillo, recomiendo crear un archivo llamado `requirements.txt` en su entorno virtual, dentro de este pueden copiar y pegar lo siguiente: `numpy` `scipy` `joblib` `pandas` `matplotlib` `scikit-learn` Una vez peguen eso, guardan el archivo y ejecutan esto en la terminal: `pip install -r requirements.txt` Este comando instala todas las librerías que escriban en su archivo requirements.txt Datos extra:; \* El archivo puede tener cualquier nombre, pero es un estándar y buena práctica llamarlo "requirements.txt" \* Pueden incluir una librería con una versión específica (ej. 'scipy==1.11.4')

Existen distintas alternativas para el uso de scikit.-learn, uno de ellas es Google Colab, les dejo el link por si quieren conocer más al respecto:

https://colab.research.google.com/?hl=es

Mas información sobre entornos virtuales e instalación de librerías de python en el Curso de Python Intermedio en la sección de Entorno virtual. Además, aprenderás a registrar las librerías instaladas en tu entorno en un archivo (requeriments.txt) para compartir tu proyecto o subirlo a producción.

Una vez instaladas todas las librerías podemos saber cómo quedó conformado nuestro entorno utilizando el siguiente comando:

<py -m pip freeze> 

Este comando nos da un listado de todas las versiones de las librerías en el formato para armar el archivo requirements.txt

contourpy1.0.7
cycler
0.11.0
fonttools4.39.0
joblib
1.2.0
kiwisolver1.4.4
matplotlib
3.7.1
numpy1.24.2
packaging
23.0
pandas1.5.3
Pillow
9.4.0
pyparsing3.0.9
python-dateutil
2.8.2
pytz2022.7.1
scikit-learn
1.2.2
scipy1.10.1
six
1.16.0
threadpoolctl==3.1.0

Con pip list pueden saber todo lo que tienen instalado en el entorno.

Pip freeze para ver todas las librerias y versiones que tienen instaladas

Por si quieren instalar todas la bibliotecas con un solo comando:

Ya había usado python con anterioridad, el problema es que no tenía actualizados los paquetes, por ejemplo utilicé:

python -m pip install --upgrade numpy

Perfecto todo listo!
Se puede usar anaconda como entorno de desarrollo de ML, ya viene con todas las librerías necesarias y con VS code.

No se olviden de poner los dos guiones para ver la versión de sklearn, tanto al principio como al final.
Para dar más claridad a lo que hace cada librería: * **numpy**: Proporciona operaciones eficientes con matrices y arrays multidimensionales, fundamentales para cálculos matemáticos y científicos. * **scipy**: Extiende `numpy` con herramientas avanzadas para matemáticas, ciencia y ingeniería, incluyendo optimización, álgebra lineal, y estadísticas. * **joblib**: Facilita la paralelización y serialización eficiente de tareas en Python, permitiendo ejecutar procesos en paralelo. * **pandas**: Ofrece estructuras de datos y funciones de análisis de datos poderosas, como DataFrames, para manipulación y análisis de datos. * **matplotlib**: Permite la creación de visualizaciones estáticas, animadas e interactivas en Python, como gráficos y diagramas.
Para que se les haga más sencillo, recomiendo crear un archivo llamado `requirements.txt` en su entorno virtual, dentro de este pueden copiar y pegar lo siguiente: `numpy` `scipy` `joblib` `pandas` `matplotlib` `scikit-learn` Una vez peguen eso, guardan el archivo y ejecutan esto en la terminal: ```js pip install -r requirements.txt ```pip install -r requirements.txt Este comando instala todas las librerías que escriban en su archivo requirements.txt Datos extra: * El archivo puede tener cualquier nombre, pero es un estándar y buena práctica llamarlo "requirements.txt" * Pueden incluir una librería con una versión específica (ej. `scipy==1.11.4`)

Recuerden para salir del entorno con Python escribir:
**- exit()

  • Escribir el comando CRT + D**

librerias ```bash python -m pip install numpy python -m pip install scipy python -m pip install joblib python -m pip install pandas python -m pip install matplotlib ##instalamos scikit learn python -m pip install scikit-learn ```


python -m pip install numpy

python -m pip install scipy 

python -m pip install joblib


python -m pip install pandas

python -m pip install matplotlib


##instalamos scikit learn

python -m pip install scikit-learn

La instalación de librerías en Python se realiza utilizando administradores de paquetes como pip, condau otros, dependiendo del entorno y las necesidades de su proyecto. A continuación, te mostraré cómo instalar librerías utilizando pipy conda.

Instalación con pip:

  • pip es el administrador de paquetes más comunes para Python y se utiliza para instalar librerías desde el repositorio público de Python, el Python Package Index (PyPI).

Instalación de paquetes desde fuentes externas:

  • Además de pipy conda, algunos paquetes pueden tener instaladores específicos o pueden requerir compilación. En ese caso, consulte la documentación específica del paquete.

  • Recuerda que es una buena práctica instalar las librerías en un entorno virtual para evitar conflictos y mantener tu espacio global de Python limpio.

A pesar de que me gustan manear ambientes en conda y PIP , yo por el momento voy a usar google colap, solo porque muchas de las librerias necesarias ya estan instaladas dentro entonces me ahorro esos minutos.

pd. el profesor lo explica muy bien y facil de entener pero recuerden que ya hay 2 cursos en la linea de estudio de ciencia e ingenieria de datos enfocada en este tema, les recomiendo verla por si no la han visto.

Ariel Ortiz que genail describiste Pandas te felicito explicas muy bien

Para verificar librerías instaladas:

pip freeze

o también

pip list

para verificar todas las librerias instaladas y versiones de las mismas pueden usar el comando
pip list
no se asusten si aparecen librerias que no installaron son de cuando matplotlib

me pone noqa: f401

Gran explicación

Si tienen algún problema con pip intenten con
pip install --upgrade pip --trusted-host pypi.org --trusted-host files.pythonhosted.org