Python para IA

Guía de Aprendizaje Acelerado 🐍

1. Fundamentos de Python para IA

¿Por qué Python para IA?

• Sintaxis clara y legible
• Gran cantidad de bibliotecas especializadas
• Comunidad activa
• Curva de aprendizaje suave

Configuración Rápida del Entorno

# Opción 1: Google Colab (Recomendada para principiantes)
# 1. Visita colab.research.google.com
# 2. Crea un nuevo notebook
# 3. ¡Listo para programar!

# Opción 2: Instalación Local
# 1. Descarga Python desde python.org
# 2. Instala Anaconda (recomendado para IA)

2. Conceptos Básicos Esenciales

Variables y Tipos de Datos

# Números
edad = 25               # int
altura = 1.75          # float

# Texto
nombre = "Ana"         # str

# Booleanos
es_estudiante = True   # bool

# Listas (colecciones ordenadas)
notas = [18, 19, 20]   # list

# Diccionarios (pares clave-valor)
persona = {
    "nombre": "Ana",
    "edad": 25
}                      # dict

Operaciones Básicas

# Matemáticas
suma = 5 + 3          # 8
resta = 5 - 3         # 2
multiplicacion = 5 * 3 # 15
division = 5 / 2      # 2.5
potencia = 2 ** 3     # 8

# Texto
nombre = "Python"
print(nombre.upper())  # PYTHON
print(len(nombre))     # 6

Estructuras de Control

# Condicionales
edad = 18
if edad >= 18:
    print("Mayor de edad")
else:
    print("Menor de edad")

# Bucles
# For
for i in range(5):
    print(i)  # Imprime 0,1,2,3,4

# While
contador = 0
while contador < 5:
    print(contador)
    contador += 1

3. Bibliotecas Esenciales para IA

NumPy (Cálculos Numéricos)

import numpy as np

# Crear array
arr = np.array([1, 2, 3, 4, 5])

# Operaciones básicas
print(arr.mean())     # Media
print(arr.max())      # Máximo
print(arr * 2)        # Multiplicar todo por 2

Pandas (Manipulación de Datos)

import pandas as pd

# Crear DataFrame
datos = {
    'nombre': ['Ana', 'Juan', 'María'],
    'edad': [25, 30, 35],
    'ciudad': ['Madrid', 'Barcelona', 'Sevilla']
}
df = pd.DataFrame(datos)

# Operaciones básicas
print(df.head())      # Ver primeras filas
print(df['edad'].mean())  # Media de edades

Matplotlib (Visualización)

import matplotlib.pyplot as plt

# Gráfico simple
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])
plt.title('Mi primer gráfico')
plt.show()

4. Estructuras de Datos para IA

Listas y Arrays

# Listas Python
numeros = [1, 2, 3, 4, 5]
print(numeros[0])     # Primer elemento
numeros.append(6)     # Añadir elemento
print(len(numeros))   # Longitud

# Arrays NumPy
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr.shape)      # Dimensiones
print(arr.mean())     # Media

Diccionarios y DataFrames

# Diccionario
estudiante = {
    'nombre': 'Ana',
    'notas': [18, 19, 20]
}

# DataFrame
import pandas as pd
df = pd.DataFrame([
    {'nombre': 'Ana', 'nota': 18},
    {'nombre': 'Juan', 'nota': 19}
])

5. Funciones y Clases

Funciones

# Función básica
def saludar(nombre):
    return f"Hola, {nombre}!"

# Función con valores por defecto
def calcular_promedio(numeros=[]):
    return sum(numeros) / len(numeros) if numeros else 0

# Lambda (funciones anónimas)
cuadrado = lambda x: x**2

Clases

class Estudiante:
    def __init__(self, nombre, edad):
        self.nombre = nombre
        self.edad = edad

    def presentarse(self):
        return f"Soy {self.nombre} y tengo {self.edad} años"

# Crear objeto
ana = Estudiante("Ana", 25)
print(ana.presentarse())

6. Manejo de Errores

try:
    resultado = 10 / 0
except ZeroDivisionError:
    print("Error: División por cero")
finally:
    print("Proceso terminado")

7. Ejercicios Prácticos para IA

Ejercicio 1: Análisis Básico de Datos

import pandas as pd
import matplotlib.pyplot as plt

# Cargar datos
datos = pd.read_csv('datos.csv')

# Análisis básico
print(datos.describe())

# Visualización
datos['edad'].hist()
plt.show()

Ejercicio 2: Preprocesamiento de Texto

texto = "Hola, esto es un ejemplo de texto"

# Convertir a minúsculas
texto = texto.lower()

# Dividir en palabras
palabras = texto.split()

# Contar frecuencia
from collections import Counter
frecuencia = Counter(palabras)

8. Recursos de Aprendizaje

Cursos Recomendados

• Coursera: Python para Todos
• freeCodeCamp: Python Scientific Computing
• DataCamp: Python para Data Science

Documentación

• Python oficial: python.org/docs
• NumPy: numpy.org/doc
• Pandas: pandas.pydata.org/docs

9. Consejos para el Éxito

1. Practica código todos los días
2. Usa Google Colab para experimentar
3. Participa en proyectos reales
4. Lee documentación oficial
5. Únete a comunidades Python

10. Próximos Pasos

1. Aprende Scikit-learn para ML
2. Explora TensorFlow/PyTorch
3. Trabaja en proyectos personales
4. Contribuye a proyectos open source