Óscar Ramírez Jiménez - Python a fondo

Para la representación estadística se hace uso de la librería Seaborn( https://seaborn.pydata.org/), la cual usa Matplotlib, pero añade nuevos tipos de visualizaciones más orientados a la estadística, como gráficos que soportan rangos de errores y una interfaz de alto nivel para hacer el uso intuitivo.

Por último, cabe destacar la librería Bokeh( https://bokeh.org/), la cual no solo permite mostrar gráficos tanto en dos dimensiones como en tres dimensiones, sino hacer interacciones con ellos, permitiendo a los usuarios ver de forma atractiva e interactiva los datos representados.

Cabe mencionar que existen distribuciones de paquetes científicos que unen muchas de las herramientas que se han expuesto en este apartado en un solo paquete de software. Así, la instalación será una sola, en vez de instalar cada herramienta por separado.

Un ejemplo de distribución científica es Anaconda( https://www.anaconda.com/), que, gracias a sus herramientas añadidas, comprende desde el manejo simple de datos con Jupyter Notebook hasta el visualizado de datos con Bokeh o Matplotlib, pasando por herramientas de inteligencia artificial como Scikit-learn o TensorFlow. Utiliza librerías como NumPy y Pandas y gestiona las dependencias de paquetes con Conda( https://docs.conda.io/en/latest/). Anaconda es una distribución completa que contiene todas las herramientas necesarias para la mayoría de ámbitos de la ciencia, la investigación y la ingeniería de datos, y es utilizada para instalar todos los componentes de una vez y bajo el mismo entorno.

La inteligencia artificial ha sido un tema de interés muy popular desde que se empezó a investigar a finales de los años 30 hasta que se consiguió crear la primera red neuronal artificial en 1951, la famosa SNARC(Stochastic Neural Analog Reinforcement Calculator). Desde entonces, este campo de la ingeniería informática ha evolucionado de forma trepidante, aunque se relajó un poco cuando paró la financiación para este tipo de proyectos entre los años 80 y el 2011. Hoy día es una parte fundamental en el desarrollo de aplicaciones y está totalmente de moda gracias a las tres partes fundamentales en las que se desarrolla en la actualidad: big data , inteligencia artificial general y deep learning .

El término big data hace referencia a la manipulación de grandes cantidades de datos. En Python se realiza haciendo uso de las herramientas comentadas en el apartado 3.6, cuando se habla del manejo de datos utilizando herramientas que permitan la obtención de los mismos y el guardado eficiente, como Apache Spark( https://spark.apache.org/) y Hadoop( https://hadoop.apache.org/), o Dask( https://dask.org/), que permite la ejecución paralela del mismo código en diferentes máquinas y, en caso de ser necesario, escalar las mismas, lo que ayuda a agilizar la ejecución de los cálculos científicos.

La rama de las ciencias de la computación especializada en inteligencia artificial generalintenta entender la inteligencia humana y desarrollar algoritmos para que las computadoras puedan tener comportamientos similares a los humanos. En este aspecto, los ejemplos más clásicos podrían ser: la categorización de imágenes, el reconocimiento de patrones de habla, el procesamiento de lenguaje natural y la robótica, entre otros. En Python existe una gran variedad de herramientas que ayudan a desarrollar aplicaciones en cada aspecto, pero cabe destacar la librería Scikit-learn( https://scikit-learn.org/), la cual permite hacer clasificación de objetos en categorías, predicciones basadas en eventos pasados, reprocesamiento de datos y otras muchas herramientas muy útiles en este campo.

El aprendizaje profundo(o deep learning ) se centra en el desarrollo de algoritmos de aprendizaje automático para analizar datos expresados de forma matricial o tensorial mediante capas de redes neuronales. Son especialmente útiles porque no necesitan, en la mayoría de los casos, la intervención humana para su aprendizaje. El software más destacado en este campo es TensorFlow( https://www.tensorflow.org/), que es una librería desarrollada por Google como parte de sus herramientas principales y abierta como código abierto para el público general. Aunque TensorFlow es la herramienta principalmente utilizada, existen otras como CNTK( https://docs.microsoft.com/es-es/cognitive-toolkit/), de Microsoft, o Theano( https://pypi.org/project/Theano/). Estos tres frameworks pueden ser utilizados fácilmente por la librería de Python Keras( https://keras.io/), la cual permite la integración y utilización de cualquiera de las tres herramientas de forma fácil.

El desarrollo del núcleo de Python se lleva a cabo gracias a los core-developers ("desarrolladores principales" del lenguaje) del código, los cuales forman parte de una comunidad diversa y abierta que permite que cualquiera pueda aportar ideas y ayude a hacer evolucionar el lenguaje.

Por este motivo, el desarrollo de Python se hace por medio de propuestas de cambio que se denominan Python Enhancement Proposals("propuestas de mejora de Python" o PEP) y se pueden encontrar en el repositorio de propuestas https://github.com/python/peps. Así quedan públicamente marcados los cambios realizados en cada propuesta y la evolución de la misma. Existen tres tipos de propuestas:

• Propuesta estándar:describe una nueva funcionalidad o implementación para la librería estándar de Python.

• Propuesta informacional:describe un problema de diseño, una guía general o información general para la comunidad de Python, pero no propone ninguna nueva funcionalidad. Este tipo de propuestas no necesitan de consenso o recomendaciones.

• Propuestas de proceso:describen el proceso alrededor de Python. Son parecidas a las propuestas estándar, pero están enfocadas a áreas diferentes del lenguaje en sí y, por lo general, necesitan de consenso para llevarse a cabo.

Python evoluciona siguiendo las propuestas, y estas son una parte fundamental en el desarrollo del lenguaje. Cada día se crean propuestas nuevas, y su número va aumentando. Las propuestas disponen de un número entero que las identifica y, como no podía ser de otra forma, la documentación sobre cómo hacer una propuesta y la información sobre las propuestas se encuentra en la primera propuesta creada o PEP-1: https://www.python.org/dev/peps/pep-0001/.

En el proceso de creación y desarrollo de una propuesta hay diferentes actores implicados, con distintos papeles y poderes que se describen en la PEP-13 ( https://www.python.org/dev/peps/pep-0013/):

• Consejo directivo de Python:es un consejo elegido por la comunidad y su papel es ser la autoridad final a la hora de tomar una decisión sobre cualquier propuesta. El consejo puede aceptarla o rechazarla.

• Core Developers:son los desarrolladores que contribuyen activamente al desarrollo del núcleo de Python y la librería estándar.

• BDFL-Delegated:BDFL son las siglas en inglés de benevolent dictator for life (dictador benevolente de por vida). Guido Van Rosum ha sido esa figura hasta que renunció al título en 2018 para entrar en el consejo directivo. Esta figura es quien finalmente tiene la decisión de aceptar o rechazar una propuesta, aunque desde la constitución del consejo directivo suele ser el consejo quien determina este aspecto, y no una sola persona.