En esta sección encontrarás ejercicios prácticos que combinan Python con conceptos fundamentales de inteligencia artificial. Utilizaremos bibliotecas populares como NumPy y scikit-learn para realizar tareas comunes como regresión lineal y manipulación de matrices, que son la base para el análisis de datos y el desarrollo de modelos predictivos.
Estos ejemplos te ayudarán a entender cómo manejar datos numéricos y construir modelos simples que pueden aplicarse en problemas reales de inteligencia artificial.
La regresión lineal es una técnica estadística utilizada para modelar la relación entre una variable independiente y una variable dependiente. En este ejercicio, realizaremos una regresión lineal sencilla para predecir valores basándonos en datos de ejemplo.
Usamos scikit-learn, una biblioteca popular de Python para machine learning, junto con NumPy para manejar los datos y matplotlib para graficar (aunque en este ejemplo no se grafica explícitamente).
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# Datos de ejemplo
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 3, 5, 7, 11])
# Crear el modelo de regresión lineal
modelo = LinearRegression()
modelo.fit(X, y)
# Ahora el modelo está entrenado y puede predecir nuevos valores
Las matrices son fundamentales en inteligencia artificial y ciencia de datos para representar y manipular conjuntos de datos. En este ejercicio básico, utilizamos NumPy para crear una matriz 3x3 y calcular la suma de cada fila.
import numpy as np
# Crear una matriz 3x3
matriz = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# Calcular la suma de cada fila
suma_filas = np.sum(matriz, axis=1)
print("Suma de cada fila:", suma_filas)
Este tipo de operaciones es muy útil para el procesamiento de datos y análisis numérico en proyectos de inteligencia artificial.