Machine Learning: caso práctico

Introducción

En el capítulo Su primer programa en Python, cubrimos los fundamentos del lenguaje de programación Python y su entorno de desarrollo (IDE) PyCharm. Ahora vamos a continuar nuestro aprendizaje y profundizar en el fascinante campo del reconocimiento de imágenes y el machine learning (aprendizaje automático). 

La inteligencia artificial permite a los ordenadores aprender y tomar decisiones a partir de datos. El reconocimiento de imágenes es una de las aplicaciones más apasionantes de la IA, ya que permite a los ordenadores interpretar y analizar imágenes del mismo modo que lo hacen los humanos. En este capítulo exploraremos esta apasionante disciplina.

Nuestro viaje al mundo del reconocimiento de imágenes y el aprendizaje automático comenzará con un caso práctico.

Trabajaremos en un caso de uso común en el que se utiliza el aprendizaje automático, a saber, "Predicción de la diabetes a partir de datos médicos".

El ejercicio se realizará paso a paso, utilizando los conocimientos que hemos adquirido en los capítulos anteriores, en particular programando en Python y utilizando el IDE PyCharm.

El objetivo aquí será familiarizarte con los pasos necesarios para construir un modelo de machine learning, desde la preparación de los datos hasta la evaluación del rendimiento del modelo. Descubrirá...

Diabetes

En este tutorial, creará un pequeño programa utilizando el lenguaje Python y su entorno de desarrollo PyCharm. Por supuesto, es libre de utilizar cualquier otro IDE de su elección; sin embargo, en aras de la coherencia con el capítulo Su primer programa en Python, todos los elementos presentes en este ejercicio guiado se basarán en este entorno de desarrollo.

No se preocupe si es principiante porque este capítulo es accesible para todos, tanto si es nuevo en programación como si no, la idea es guiarle de principio a fin.

Le guiaremos a través de seis pasos distintos y un único archivo de programación, para poner en marcha su primera aplicación de machine learning.

Para esto, partiremos de un caso real que nos permita beneficiarnos de un modelo de aprendizaje, basado en un conjunto de datos existente que importaremos. Nuestro objetivo es identificar vínculos causales entre la diabetes y una serie de características específicas de los datos importados.

Verá que este conjunto de datos contiene información sobre 442 pacientes con diabetes, incluida información demográfica y clínica:

No se preocupe, vamos a basarnos en un "conjunto...

Diabetes: ejercicio aplicado

Requisitos previos

Los requisitos previos se corresponden con los tratados en el capítulo Su primer programa en Python, incluyendo:

Estos elementos son esenciales para este ejercicio.

Etapa 1: Importar las librerías necesarias

Crear un proyecto en PyCharm

En esta etapa, sólo se debe preocupar por la ubicación física del TP en su estación de trabajo.

Ubicación física del ejercicio

Como se indica en la introducción de este capítulo, le sugerimos que trabaje simplemente con un único documento llamado main.py por defecto, cuando se crea el proyecto. La extensión de archivo ".py" es específica del lenguaje Python. PyCharm le ofrece un ejemplo de código, que deberá eliminar.

Inicio de la creación

Con esto, estará todo listo para llevar a cabo el programa.

Inserte el siguiente código fuente en el archivo main.py de su editor Pycharm:

import numpy as np 
import pandas as pd from sklearn. 
datasets import load_diabetes 
from sklearn.model_selection import train_test_split 
from sklearn.linear_model import LogisticRegression 
from sklearn.metrics import accuracy_score, precision_score, 
recall_score, f1_score 

La importación puede generar algunos warnings. Si es necesario, mueva el ratón sobre la línea de importación problemática para instalar la(s) librería(s) que falta(n).

Install Package : Unsolved reference

Una vez que todo esto está bien, usted debe tener una visualización clara en su archivo main.py:

Install package OK

Etapa 2: cargar los datos

El segundo paso consiste en cargar nuestro famoso conjunto de datos "diabetes" de la librería Scikit-learn.

Inserte el siguiente...

Conclusión

Mediante un ejercicio práctico sobre predicción de diabetes, aplicamos los conocimientos adquiridos en el capítulo anterior Su primer programa en Python, secciones Instalación de Python e Instalación de PyCharm, para construir un modelo de machine learning.

Pudimos observar de forma sencilla cómo los conceptos de programación que exploramos, como la manipulación de datos, la creación de funciones y la comprensión de estructuras condicionales, son directamente aplicables a problemas reales y complejos como el reconocimiento de imágenes.

El ejercicio nos ha permitido conocer las distintas fases del proceso de machine learning, desde la recogida y preparación de datos hasta la construcción y evaluación de modelos. Pudimos experimentar el impacto de la elección de algoritmos y parámetros en el rendimiento del modelo, lo que subraya la importancia de la experimentación y la iteración en el machine learning.

Gracias a esta experiencia, se ha podido familiarizar con la forma en que la inteligencia artificial se puede utilizar para resolver problemas concretos y aportar soluciones innovadoras. Esta exploración también nos ha hecho conscientes de los retos y responsabilidades asociados al uso de la IA, sobre todo en términos de transparencia, parcialidad y ética.

Si sigue los pasos del ejercicio...