Machine Learning con Python y Scikit-learn: Introducción

¿Qué es Machine Learning?

Machine Learning (Aprendizaje Automático) es una rama de la inteligencia artificial que permite a las computadoras aprender patrones a partir de datos sin ser programadas explícitamente.

Tipos de Machine Learning

• Supervisado: El modelo aprende con datos etiquetados (clasificación, regresión)
• No supervisado: Encuentra patrones en datos sin etiquetar (clustering)
• Reforzado: Aprende mediante prueba y error con recompensas

Instalación

pip install scikit-learn pandas numpy

Ejemplo: Clasificación con Iris Dataset

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Cargar datos
iris = load_iris()
X = iris.data
y = iris.target

# Dividir en entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Entrenar modelo
modelo = RandomForestClassifier(n_estimators=100)
modelo.fit(X_train, y_train)

# Evaluar
predicciones = modelo.predict(X_test)
precision = accuracy_score(y_test, predicciones)
print(f"Precisión: {precision * 100:.1f}%")

Ejemplo: Regresión Lineal

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import numpy as np

# Datos de ejemplo
X = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])
y = np.array([2.1, 4.0, 5.8, 8.1, 9.9, 12.0, 14.1, 16.2])

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

modelo = LinearRegression()
modelo.fit(X_train, y_train)

print(f"Pendiente: {modelo.coef_[0]:.2f}")
print(f"Intercepto: {modelo.intercept_:.2f}")
print(f"Predicción para X=10: {modelo.predict([[10]])}")

Conclusión

Scikit-learn makes machine learning accessible to any Python developer. Start with simple datasets and gradually explore more complex algorithms.