Cómo utilizar el algoritmo central de análisis predictivo de aprendizaje automático de Python
Hola
Basándonos en las siguientes tres razones, elegimos Python como lenguaje de programación para implementar algoritmos de aprendizaje automático: (1) La sintaxis clara de Python (2) Texto sin formato fácil de operar; archivos; (3) Es ampliamente utilizado y tiene una gran cantidad de documentos de desarrollo.
Pseudocódigo ejecutable
Python tiene una estructura de sintaxis clara y todo el mundo también lo llama pseudocódigo ejecutable. El entorno de desarrollo Python instalado de forma predeterminada ya viene con muchos tipos de datos avanzados, como listas, tuplas, diccionarios, conjuntos, colas, etc., y puede utilizar las operaciones de estos tipos de datos sin necesidad de programación adicional. El uso de estos tipos de datos hace que la implementación de conceptos matemáticos abstractos sea muy sencilla. Además, los lectores pueden utilizar estilos de programación familiares, como la programación orientada a objetos, la programación procedimental o la programación funcional. Los lectores que no estén familiarizados con Python pueden consultar el Apéndice A, que proporciona una introducción detallada al lenguaje Python, los tipos de datos utilizados por Python y las pautas de instalación.
El lenguaje Python es muy sencillo de procesar y operar archivos de texto, y es muy fácil de procesar datos no numéricos. El lenguaje Python proporciona una gran cantidad de funciones de expresión regular y muchas bibliotecas de funciones para acceder a páginas web, lo que hace que la extracción de datos de HTML sea muy simple e intuitiva.
Python es más popular
El lenguaje Python se usa ampliamente y hay muchos ejemplos de código, lo que facilita que los lectores aprendan y dominen rápidamente. Además, al desarrollar aplicaciones reales, también puede utilizar la rica biblioteca de módulos para acortar el ciclo de desarrollo.
En los campos de la ciencia y las finanzas, el lenguaje Python ha sido ampliamente utilizado. Muchas bibliotecas de funciones científicas, como SciPy y NumPy, implementan operaciones vectoriales y matriciales. Estas bibliotecas de funciones aumentan la legibilidad del código. Cualquiera que haya estudiado álgebra lineal puede comprender la función real del código. Además, las bibliotecas de funciones científicas SciPy y NumPy están escritas en lenguajes subyacentes (C y Fortran), lo que mejora el rendimiento informático de las aplicaciones relacionadas. Este libro hará un uso intensivo de NumPy de Python.
Las herramientas científicas de Python pueden funcionar junto con la herramienta de dibujo Matplotlib. Matplotlib puede dibujar gráficos 2D y 3D, y también puede procesar gráficos que se utilizan a menudo en la investigación científica, por lo que este libro también utilizará Matplotlib en gran medida.
El entorno de desarrollo Python también proporciona un entorno de shell interactivo, que permite a los usuarios ver y detectar el contenido del programa al desarrollar programas.
El entorno de desarrollo Python también integrará el módulo Pylab en el futuro, que fusionará NumPy, SciPy y Matplotlib en un solo entorno de desarrollo. Al momento de escribir este libro, Pylab aún no se ha integrado en el entorno Python, pero seguramente podremos encontrarlo en el entorno de desarrollo Python en un futuro próximo.