9Mar, 2023
Herramientas para creación de modelos sobre Inteligencia Artificial (AI) que te ayudarán en tus proyectos
A continuación encontrarás una guía visual y estructurada de algunas de las herramientas más populares para el desarrollo y aplicación de la Inteligencia Artificial. Con ellas podrás construir, entrenar y desplegar modelos de aprendizaje automático y deep learning para diferentes fines, desde la visión por computador hasta el procesamiento del lenguaje natural.
1. TensorFlow
Sitio Oficial: https://www.tensorflow.org
Descripción:
TensorFlow es una plataforma de aprendizaje automático de código abierto creada por Google. Resulta especialmente útil para desarrollar modelos de redes neuronales y aprendizaje profundo (deep learning). Ofrece una gran comunidad de desarrolladores, así como numerosa documentación y ejemplos de uso.
Características clave:
- Gran escalabilidad: TensorFlow puede ejecutarse en CPU, GPU y TPU.
- Flexibilidad: Permite construir modelos tanto de alto nivel (con Keras) como de bajo nivel (con operaciones personalizadas).
- Amplio ecosistema: Incluye TensorBoard para visualización y herramientas como TensorFlow Lite para dispositivos móviles.
2. Keras
Sitio Oficial: https://keras.io
Descripción:
Keras es una biblioteca de aprendizaje profundo de código abierto escrita en Python, que funciona sobre TensorFlow (entre otros backends). Su principal objetivo es permitir un desarrollo de modelos de IA rápido, sencillo y modular.
Características clave:
- Sintaxis clara y amigable, ideal para prototipar modelos de manera rápida.
- Integra perfectamente con otras herramientas como scikit-learn y TensorFlow.
- Amplia comunidad y gran cantidad de ejemplos prácticos disponibles.
3. PyTorch
Sitio Oficial: https://pytorch.org
Descripción:
PyTorch es una biblioteca de aprendizaje automático de código abierto desarrollada principalmente por Facebook AI Research. Es muy popular en tareas de visión artificial y procesamiento del lenguaje natural. Ofrece una interfaz en Python y C++.
Características clave:
- Dinamismo en la creación de gráficos (define-by-run), lo que facilita la depuración y experimentación.
- Extensa comunidad investigadora que lo usa como estándar en muchos proyectos de vanguardia.
- Integración con bibliotecas especializadas como TorchVision y TorchText para visión y lenguaje.
4. Scikit-learn
Sitio Oficial: https://scikit-learn.org
Descripción:
Scikit-learn es una biblioteca de aprendizaje automático de código abierto muy utilizada para la minería de datos y el modelado predictivo. Ofrece herramientas sencillas y eficientes para clasificación, regresión, clustering y reducción de dimensionalidad.
Características clave:
- Perfecta para tareas de machine learning clásicas (árboles de decisión, SVM, regresión lineal, etc.).
- Se integra de forma natural con otras bibliotecas de Python como NumPy, SciPy y Pandas.
- Documentación detallada y una comunidad activa.
5. Hugging Face Transformers
Sitio Oficial: https://huggingface.co/transformers
Descripción:
Hugging Face Transformers es una biblioteca de aprendizaje profundo enfocada en el procesamiento del lenguaje natural (NLP). Ofrece acceso a una amplia variedad de modelos de lenguaje preentrenados como GPT-3, BERT, RoBERTa y muchos más.
Características clave:
- Gran variedad de modelos listos para usar (traducción, clasificación de texto, preguntas y respuestas, etc.).
- Fácil integración con PyTorch, TensorFlow y JAX.
- Comunidad dinámica que contribuye con nuevos modelos y funcionalidades de manera constante.
6. OpenCV
Sitio Oficial: https://opencv.org
Descripción:
OpenCV es una biblioteca de visión artificial de código abierto que permite procesar imágenes y videos en tiempo real. Se utiliza en aplicaciones como reconocimiento facial, seguimiento de objetos y análisis de movimiento.
Características clave:
- Amplio conjunto de funciones para manipulación y procesamiento de imágenes.
- Compatible con múltiples lenguajes de programación como C++, Python y Java.
- Ideal para proyectos de visión por computador que necesiten ejecución rápida.
7. Pandas
Sitio Oficial: Pandas: La biblioteca de Python dedicada a la Data Science
Descripción:
Pandas es una biblioteca imprescindible para el análisis de datos en Python. Ofrece estructuras de datos flexibles (DataFrame) y herramientas para limpiar, transformar y analizar tanto datos numéricos como de series temporales.
Características clave:
- Operaciones de filtrado, agrupación y agregación de datos muy intuitivas.
- Integración perfecta con NumPy, Matplotlib y otras librerías de ciencia de datos.
- Gran variedad de funciones para importar y exportar datos en distintos formatos (CSV, Excel, SQL, etc.).
8. Weka
Sitio Oficial: https://www.cs.waikato.ac.nz/ml/weka
Descripción:
Weka es un conjunto de herramientas de aprendizaje automático de código abierto muy útil para la minería de datos. Incluye algoritmos de clasificación, regresión y clustering, y se caracteriza por su interfaz gráfica que facilita la experimentación.
Características clave:
- Permite experimentar con diferentes algoritmos sin necesidad de programar.
- Visualizaciones integradas para comprender y comparar resultados.
- Adecuado para introducirse en la minería de datos de forma rápida y práctica.
¿Por dónde empezar?
- Define el objetivo de tu proyecto: ¿Necesitas clasificar imágenes, procesar texto o simplemente analizar datos?
- Selecciona la herramienta adecuada: No todas las librerías están enfocadas en lo mismo. TensorFlow y PyTorch destacan en deep learning, mientras que Scikit-learn es ideal para algoritmos de machine learning clásicos.
- Explora la documentación y tutoriales: Cada biblioteca ofrece documentación extensa y comunidades muy activas, lo que facilita la resolución de dudas.
- Practica con proyectos simples: Implementa ejemplos pequeños antes de pasar a soluciones más complejas. Así conocerás mejor el flujo de trabajo de cada herramienta.
- Pasa a producción: Una vez que tu modelo funcione en entornos de prueba, considera aspectos como la optimización, el escalado y la integración con sistemas existentes.
¡Con estas herramientas y un poco de práctica, estarás listo para aprovechar todo el potencial de la Inteligencia Artificial!
13Feb, 2023
Instalar Factusol en Linux con Wine
Lo primero ha sido ir a la web del programa Factusol y pulsar el botón «Descargar Factusol»:
Tras hacerlo, nos pedirá un correo electrónico para enviarnos el enlace. Lo escribimos, marcaremos la casilla «Acepto la política de privacidad» (tras leerla, evidentemente), y pulsaremos el botón «Enviar»:
En un momento, recibiremos un correo similar al siguiente:
Simplemente, debemos hacer clic en el botón «Descargar Factusol» y guardar el instalador. Más tarde lo necesitaremos.
Ahora, debemos instalar wine en nuestro Ubuntu. Así que iremos al Centro de Software y lo buscaremos para instalarlo:
Tras pulsar «Instalar», se nos pedirá autenticarnos como administrador. Escribiremos la contraseña correspondiente y pulsaremos «Autenticar»:
En mi caso, la versión estable de wine disponible en este momento ha sido la 1.6.2.
Antes de intentar instalar el Factusol, debemos añadir algunas librerías a nuestro wine. Para ello, pulsamos Alt+F2 y ejecutamos winetricks, simplemente escribiéndolo y pulsando sobre el icono de colores:
Al abrirse winetricks, debemos seleccionar «Select the default wineprefix» y pulsar el botón «Aceptar»:
Como es la primera vez que lo ejecuto, se me pregunta si quiero enviar estadísticas de uso a los desarrolladores de winetricks. Dejo la elección a vuestro gusto. En mi caso he pulsado «Sí»:
Se me ha mostrado después un mensaje de agradecimiento y he pulsado «Aceptar»:
Se nos muestran ahora varias opciones. Elegimos la primera, ya que es la que nos permitirá agregar nuevas librerías a nuestro wine. Así que, seleccionamos «Install a Windows DLL or component» y pulsamos el botón «Aceptar»:
En la nueva ventana, seleccionamos los siguientes componentes:
- comctl32
- jet40
- mdac27
- mdac28
- mfc40
- mfc42
- vb6run
Una vez seleccionados, pulsamos «Aceptar»:
Se nos pide aceptar una de las licencias, pulsamos «Yes»:
Se nos pregunta por una licencia más, y también pulsamos «Yes»:
Para los MDAC se nos pide que realicemos la descarga manualmente, con lo que se nos abre automáticamente la página correspondiente en el navegador. Pulsamos en «Download Now»:
Se nos pedirá guardar el archivo, así que pulsamos en «Save file»:
Al finalizar la descarga, vemos un mensaje de winetricks indicándonos que el archivo debe guardarse en una carpeta concreta (/home/nombredetuusuario/.cache/winetricks/mdac27) y que ya se nos ha abierto en el gestor de archivos:
Pulsamos el botón «Aceptar» en el mensaje de winetricks y dejamos la otra ventana abierta.
Aprovechamos ahora para abrir un nuevo gestor de archivos, ir a la carpeta de Descargas y así arrastrar el archivo a su lugar correcto.
Para ello, primero abrimos una nueva ventana del gestor de archivos haciendo clic derecho sobre él y pulsando en «Abrir una ventana nueva»:
Una vez abierta, iremos a la carpeta de «Descargas» y arrastraremos el archivo recién descargado a la otra ventana:
Una vez hecho, ya queda colocado el archivo en su sitio y podemos cerrar las dos ventanas:
Debemos ahora ejecutar de nuevo winetricks tal como habíamos comentado antes y seleccionar de nuevo las mismas opciones y librerías. En resumen:
- Alt+F2
- Escribimos winetricks y lo abrimos
- Seleccionamos «Select the default wineprefix»
- Pulsamos «Aceptar»
- Seleccionamos «Install a Windows DLL or component»
- Pulsamos «Aceptar»
Ya estará marcada la primera de las librerías (comctl32), marcamos las demás:
- jet40
- mdac27
- mdac28
- mfc40
- mfc42
- vb6run
Y de nuevo pulsamos «Aceptar»:
Se nos pide aceptar una nueva licencia, marcamos la casilla y pulsamos «Siguiente»:
Tras hacer varias operaciones, se indica que se instalarán los componentes y que pulse «Finalizar»:
Una vez terminada la instalación, pulsaremos «Close»:
Ahora le toca a la licencia del Jet, pulsaremos «Yes»:
Tras unos segundos, nos salta la licencia del MDAC28, marcaremos la casilla y pulsaremos «Siguiente»:
Al igual que en el MDAC27, ahora se nos pide pulsar «Finalizar» para comenzar la instalación. Hacemos clic en «Finalizar»:
Tras instalarse, pulsaremos el botón «Close»:
Nos toca ahora aceptar una licencia en alemán. Pulsaremos el botón «Ja»:
Y una licencia más, la de las librerías en tiempo de ejecución de VB6. Pulsaremos «Yes»:
Como winetricks ha terminado con las instalaciones, vuelve a preguntarnos qué deseamos hacer. Simplemente cerraremos la ventana:
Se abrirá la primera ventana de wineprefix, y la cerramos también:
Ahora vamos a instalar el Factusol. Abriremos un terminal pulsando Ctrl+Alt+T y accederemos a la carpeta de Descargas con el comando «cd Descargas»:
Ejecutaremos el instalador con «msiexec /i factusolinstalarweb.msi»:
Veremos ahora el instalador, pulsaremos «Siguiente»:
Aceptamos la licencia y pulsamos «Siguiente» de nuevo:
Cubrimos los datos que se nos piden y pulsamos «Siguiente» una vez más:
Se nos solicita la carpeta donde instalarlo. Lo dejamos así y pulsamos «Siguiente»:
«Siguiente» una vez más:
Esperamos mientras se instala:
Una vez instalado, pulsamos «Finalizar»:
Se nos habrán creado dos iconos en el escritorio. Utilizaremos el segundo para abrir el Factusol:
Vemos que el Factusol se ejecuta correctamente:
Faltaría crear una empresa y esas cosas… pero ya podemos empezar a utilizarlo:
Y hasta aquí el pasito a pasito de la instalación de Factusol 2015 en Ubuntu 14.04 32bit. Espero que os haya sido de ayuda.
Un saludo: Roi
—-
+Billington Estrada indica que, a mayores, para hacerlo funcionar ha necesitado ejecutar dos comandos más desde un terminal:
winetricks native_mdac winetricks native_oleaut32