Herramientas visuales |
Aunque los lenguajes de programación proporcionan un entorno muy flexible para desarrollar soluciones personalizadas con base en el aprendizaje automático, un abordaje alternativo para algunas tareas de aprendizaje automático es usar herramientas de minería de datos visuales y aprendizaje automático que no necesariamente demandan la escritura de código. Ejemplos de herramientas de código abierto en esta categoría incluyen Weka, Orange, KNIME y SIMON. Tenga en cuenta que algunas de las herramientas de esta categoría demandan algo de programación; sin embargo, esta se realiza a través de una interfaz visual, por lo que no es tener que escribir código directamente. |
Seaborn |
Seaborn amplía la funcionalidad de Matplotlib ya que incorpora más tipos de gráficos, así como versiones más sofisticadas de los gráficos Matplotlib. Seaborn también hace que la visualización de datos sea más atractiva. Por ejemplo, una aplicación común de Seaborn es la creación de mapas de calor para representar valores en una matriz mediante colores y sombreado. |
TensorFlow |
Esta biblioteca admite algoritmos de aprendizaje profundo, lo que le permite configurar, entrenar e implementar rápidamente redes neuronales artificiales con grandes conjuntos de datos. TensorFlow admite una amplia variedad de lenguajes de programación, especialmente Python® y C. TensorFlow puede usar la potencia de las GPU para aumentar el rendimiento del entrenamiento. Una biblioteca complementaria llamada TensorBoard proporciona herramientas de visualización para las redes neuronales de TensorFlow.
Nota: El "Tensor" en "TensorFlow" se refiere a un tipo de estructura de datos utilizada en álgebra lineal y que se utiliza con frecuencia en el aprendizaje automático. Se podría pensar en un tensor como un tipo especial de matriz multidimensional.
|
PyTorch |
PyTorch es una biblioteca de aprendizaje profundo para Python que, al igual que TensorFlow, utiliza tensores para cálculos. PyTorch es útil particularmente en proyectos de procesamiento del lenguaje natural (PLN) que aprovechan las redes neuronales recurrentes (RNN). Debido a que está profundamente arraigado en Python, PyTorch tiende a ser más fácil de aprender que TensorFlow. PyTorch también admite cálculos acelerados mediante GPU. |
Keras |
Keras es una biblioteca que actúa como una interfaz de alto nivel para experimentar con redes neuronales artificiales (ANN) utilizadas en el aprendizaje profundo. Puede ejecutarse sobre varias tecnologías de redes neuronales diferentes, incluido TensorFlow. Keras es útil en especial para aquellos sin experiencia en ANN, así como para la creación rápida de prototipos, porque abstrae algunos de los componentes más complejos de la disciplina. |
Apache Spark MLlib |
Apache Spark es una plataforma para la computación en clúster, una técnica en la que varios equipos trabajan juntos como si fueran un solo sistema. Spark incluye MLlib, una biblioteca de aprendizaje automático que utiliza la potencia de la computación en clúster para mejorar el rendimiento de las técnicas de aprendizaje automático como la clasificación, la regresión, la reducción de dimensionalidad, la extracción de características y muchas más. Spark MLlib también admite un objeto DataFrame proporcionado por Spark SQL, similar a pandas. |
Colaboración de Google |
Google™ proporciona un servicio gratuito en la nube basado en Jupyter® Notebook, que proporciona acceso gratuito a GPU. Hay límites, por supuesto, como la cantidad de datos y la duración de las sesiones, pero este servicio permite a los usuarios practicar el trabajo con GPU y desarrollar aplicaciones de aprendizaje profundo mediante bibliotecas como PyTorch, TensorFlow y Keras. |
Campus
Campus
