Detectar spam con Python en Google Colab

Curso de Fundamentos de AI para Manejo de Datos

Contenido del curso

Principios de la IA

Modelo Predictivo

Tipos de Aprendizaje

Herramientas para IA

Ciclo de Vida ML

Ética en IA

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0010:12

Detectar spam con Python en Google Colab

Curso de Fundamentos de AI para Manejo de Datos

Clase 7 de 20

Clase 7 / 20

Recursos

¿Quieres entender cómo un modelo de machine learning clasifica correos como spam? Aquí construyes uno desde cero en Google Colab usando Python, Pandas y Scikit-Learn, ideal si recién empiezas en ciencia de datos y quieres ver el flujo completo: cargar datos, entrenar y evaluar.

La idea es simple: tomar encabezados de correos etiquetados, convertirlos en números que la computadora entienda y dejar que un modelo bayesiano aprenda a distinguir lo bueno de lo basura.

¿Cómo se prepara el entorno en Google Colab?

Google Colab es una interfaz que ejecuta código de Python directamente en el navegador, sin instalar nada en tu máquina. Trabajas con celdas de texto y celdas de código, y las corres con el botón de play o con shift + enter [01:38].

Antes de escribir lógica, importas las librerías base. Pandas se encarga del manejo y análisis de datos, mientras que Scikit-Learn aporta las funciones para vectorizar texto, dividir datos y entrenar modelos [00:55].

¿Qué es Pandas? Es una librería de Python que te permite cargar, explorar y transformar datos en estructuras tipo tabla llamadas data frames.

Un detalle importante: cuando arrastras un archivo al Colab, ese archivo se borra al cerrar la pestaña. Si pausas la clase, vuelve a cargarlo [02:20].

¿Cómo cargar y explorar el dataset de correos?

Después de subir el dataset a Colab, copias la ruta del archivo dando clic en los tres puntos junto al nombre y la pegas en tu código. Esto evita errores de ubicación al leer los datos [02:55].

La información se guarda en una variable llamada df, que hace referencia a un data frame. Para inspeccionarla rápido, usas:

python df.head()

Python se lee de izquierda a derecha como una oración: df es el sujeto y .head() es el verbo, la acción que trae las primeras filas del dataset [04:20]. En este caso verás dos columnas: el encabezado del correo y la clase que indica si es spam o un correo regular.

¿Cómo se transforma texto en números para el modelo?

Las computadoras no entienden palabras, entienden números. Por eso el texto se convierte en vectores numéricos antes de entrenar cualquier modelo [05:05].

En ese proceso se eliminan las llamadas stop words, que son palabras sin valor informativo como artículos, preposiciones o signos de puntuación. Algunos ejemplos:

el, la, los.
que, de.
comas y signos de interrogación.

Luego se definen dos variables clave:

X guarda los encabezados ya transformados, que alimentarán el entrenamiento.
Y guarda la etiqueta que dice si cada correo es spam o normal.

Esta etiqueta es lo que convierte al ejercicio en aprendizaje supervisado: el modelo aprende porque tú ya le dijiste qué es qué.

¿Cómo dividir los datos en entrenamiento y prueba?

No puedes entrenar y evaluar con los mismos datos, porque entonces no sabrías si el modelo aprendió o solo memorizó. La solución es partir el dataset [06:30].

El parámetro test_size define esa partición. Con un valor de 0.3, separas 70% para entrenamiento y 30% para prueba. Es decir, el modelo aprende con la mayor parte y se evalúa con el resto, datos que nunca vio.

Otro parámetro útil es random_state. Fija los números aleatorios para que tu ejecución y la de cualquier otra persona usen los mismos registros. Aquí se usa el valor 42, pero puedes poner 99, 12 o el que quieras, siempre que mantengas la consistencia [07:25].

¿Para qué sirve random_state? Para que el muestreo aleatorio sea reproducible. Si tú y yo usamos el mismo número, obtenemos exactamente los mismos datos en train y test.

Un tip de orden: las celdas en Colab se numeran según el orden de ejecución. Si ves saltos como 3, 10, 12, puedes reorganizar arrastrando con la flechita hacia abajo para mantener el flujo lógico.

¿Cómo entrenar y evaluar el modelo bayesiano?

El entrenamiento sigue tres pasos claros [08:50]:

Instanciar el modelo, es decir, guardarlo en una variable lista para usarse.
Entrenarlo pasándole los datos X_train junto con su variable objetivo Y_train, para que aprenda la relación entre encabezados y etiquetas.
Predecir sobre X_test, los datos reservados que el modelo nunca vio.

Ese 30% de prueba es lo que te dice si el modelo realmente generaliza o solo se aprendió las respuestas.

Al ejecutar las métricas de evaluación, en este ejercicio aparece un 1 en todos los indicadores, lo que significa 100% de aciertos [09:50]. Esto pasa porque los datos son simulados; en la vida real difícilmente verás un resultado tan limpio.

Un extra de Colab: el ícono de Gemini junto a cada celda te explica qué hace el código si te pierdes con alguna función o parámetro [08:15]. Útil cuando estás aprendiendo a leer Python.

¿Tu modelo logró clasificar correctamente todos los correos? Cuéntame en los comentarios qué dataset te gustaría probar después.

Jesus Eduardo Castillo Saavedra

Hace un año

La clase se centra en la detección de spam usando Python y Google Colab. Aquí tienes un resumen parte por parte:

Introducción a Google Colab: Se explica que es una interfaz para ejecutar código Python y se menciona que se proporciona un dataset para trabajar.

Carga de datos:

import pandas as pd
DF = pd.read_csv('ruta/a/tu/dataset.csv')

Exploración de datos:
```
DF.head()
```

Preprocesamiento: Se eliminan stop words y se convierten textos en vectores numéricos.

from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(stop_words='english')
X = vectorizer.fit_transform(DF['email'])
y = DF['label']

División de datos:

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

Entrenamiento del modelo:

from sklearn.naive_bayes import MultinomialNB
model = MultinomialNB()
model.fit(X_train, y_train)

Predicción y evaluación:

predictions = model.predict(X_test)
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, predictions)

Este resumen cubre las partes clave de la clase sobre detección de spam.

Principios de la IA

Qué es realmente la inteligencia artificial

Diferencias entre inteligencia artificial, machine learning y deep learning

Modelo Predictivo

Regresión lineal con datos de casas

Regresión lineal manual con NumPy

Scikit-Learn vs statsmodels en regresión lineal

Tipos de Aprendizaje

Regresión y clasificación en machine learning

Detectar spam con Python en Google Colab

Clustering y normalización de datos con K-means

PCA para reducir variables en clustering

Aprendizaje por refuerzo con Q-learning y OpenAI Gym

Herramientas para IA

Instalación de Jupyter Notebook y Anaconda para análisis de datos

Series y DataFrames con Pandas en Python

Clasificación de flores con Scikit-Learn

Ciclo de Vida ML

Traducción de problemas de negocio a tareas de machine learning

Limpieza de datos con Pandas y Scikit-Learn

Entrenamiento y evaluación de modelos de machine learning

RMSE y R cuadrada en modelos de regresión

Ética en IA

Sesgo algorítmico y cómo reducirlo

Privacidad de datos en inteligencia artificial: riesgos y técnicas

Futuro de la inteligencia artificial y desarrollo responsable

Detectar spam con Python en Google Colab

Progreso del curso

Principios de la IA

Modelo Predictivo

Tipos de Aprendizaje

Herramientas para IA

Ciclo de Vida ML

Ética en IA

Recursos

Recursos