Introducción a la Inteligencia Artificial para Jóvenes
En esta sesión, daremos nuestros primeros pasos en la creación de un modelo de Machine Learning (aprendizaje automático) usando Python y una biblioteca popular llamada Scikit-Learn. Crear un modelo de Machine Learning significa enseñar a la computadora a reconocer patrones o hacer predicciones, basándose en datos de ejemplo.
Objetivo
Construir un modelo básico en Python usando Scikit-Learn y entrenarlo para que pueda clasificar datos. Al final de la sesión, habrás entrenado un modelo que puede aprender de datos y hacer predicciones simples.
¿Qué es Scikit-Learn?
Scikit-Learn es una biblioteca en Python que contiene herramientas y funciones para construir modelos de Machine Learning. Nos facilita el trabajo de entrenamiento y evaluación de modelos sin tener que programar cada paso de forma manual. Con Scikit-Learn, podemos probar diferentes algoritmos de Machine Learning para resolver problemas como clasificación, regresión y agrupamiento.
Ejemplo Práctico: Clasificación de Números Pares e Impares
Para entender cómo funciona el entrenamiento de un modelo, vamos a construir uno que clasifique si un número es par o impar. Aunque es un ejemplo simple, nos ayudará a entender los pasos básicos del proceso de Machine Learning.
Paso a Paso para Crear el Modelo
Importar Librerías y Datos. Primero, asegúrate de tener Scikit-Learn instalado. Si aún no lo tienes, instala la biblioteca ejecutando este comando:
!pip install scikit-learn Luego, importamos las bibliotecas que necesitamos:
from sklearn.linear_model import LogisticRegression import numpy as npPreparar los Datos. Vamos a crear algunos datos sencillos: una lista de números y sus etiquetas (par o impar). En Machine Learning, estos datos son los que el modelo utilizará para «aprender».
# Números de ejemplo
numeros = np.array([[2], [4], [6], [8], [10], [1], [3], [5], [7], [9]])
# Etiquetas (0 para par, 1 para impar)
etiquetas = np.array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1])
En este caso:
- Los números pares están etiquetados como
0. - Los números impares están etiquetados como
1.
Crear y Entrenar el Modelo. Usaremos un modelo de regresión logística, que es adecuado para clasificación binaria (con dos opciones, como par o impar).
# Crear el modelo de regresión logística
modelo = LogisticRegression()
# Entrenar el modelo con nuestros datos
modelo.fit(numeros, etiquetas)Este paso enseña al modelo a reconocer patrones en los números para poder identificar pares e impares.
Hacer Predicciones. Ahora que el modelo está entrenado, ¡podemos probarlo con nuevos números!
# Números a clasificar
nuevos_numeros = np.array([[11], [14], [17], [20]])
# Predecir si son pares o impares
predicciones = modelo.predict(nuevos_numeros)
# Mostrar resultados
print("Números:", nuevos_numeros.flatten())
print("Predicciones (0: par, 1: impar):", predicciones)Aquí, el modelo nos dirá si considera que cada número es par (0) o impar (1), basándose en lo que aprendió.
Actividad Sugerida: Prueba con tus Propios Datos
Intenta usar otros números o crear tus propios conjuntos de datos con diferentes patrones. Aquí tienes algunas ideas:
- Intenta con números mayores y observa si el modelo puede clasificarlos correctamente.
- Experimenta con diferentes etiquetas, como «mayor que 10» o «menor o igual a 10», y observa cómo el modelo clasifica los datos en función de las nuevas reglas.
Reflexión
Hoy has dado tus primeros pasos en la creación de un modelo de Machine Learning. Has aprendido cómo preparar datos, entrenar un modelo y probarlo con datos nuevos. Estos mismos principios se aplican en proyectos de IA más avanzados, ¡así que estás en el camino correcto para entender cómo las computadoras aprenden y toman decisiones!
Recuerda que este proceso se puede aplicar a datos más complejos para resolver problemas en el mundo real, como clasificar imágenes, analizar texto, o predecir tendencias. ¡Sigue experimentando y aprendiendo!