</> CodeBooks
    ← Volver a IA: fundamentos y aplicaciones (página 7)
    Portada de Hands-On AI Development with Python

    Hands-On AI Development with Python

    Vivian Aranha

    Editorial
    Packt
    Año
    2026
    Páginas
    ~314
    Nivel
    Intermedio

    De qué trata

    Manual eminentemente práctico en el que Vivian Aranha conduce al lector a través de la construcción integral de aplicaciones de inteligencia artificial, machine learning y procesamiento del lenguaje natural desde cero hasta su despliegue web. La obra está orientada a desarrolladores principiantes en el campo de la IA, analistas técnicos y estudiantes que dominan la sintaxis básica de Python y desean adquirir habilidades aplicadas para crear un portafolio sólido de proyectos ejecutables.

    El contenido introduce el ecosistema científico de Python, comenzando con la manipulación y limpieza de datasets con NumPy y pandas, junto al análisis exploratorio y visualización de datos mediante Matplotlib y Seaborn. A continuación, explica la formulación de modelos predictivos y clasificadores supervisados (regresión lineal, regresión logística, árboles de decisión) con scikit-learn, cubriendo ingeniería de variables y métricas de evaluación (precisión, recall, puntuación F1 y matrices de confusión). Progresa hacia los fundamentos de redes neuronales artificiales y técnicas de NLP orientadas a la minería de texto (tokenización, TF-IDF y análisis de sentimientos), concluyendo con el empaquetado de modelos y su exposición como aplicaciones web interactivas mediante Flask y Streamlit.

    Se construyen proyectos reales orientados a portafolio, como un analizador de sentimientos sobre reseñas de texto, un filtro detector de spam para correo electrónico y una aplicación web interactiva que expone un modelo predictivo para consultas de usuarios en vivo. El gran valor del texto es su carácter directo y pragmático: prioriza el flujo de trabajo end-to-end por encima de demostraciones matemáticas densas. Deja fuera temas avanzados como el entrenamiento de LLMs desde cero o el despliegue en Kubernetes, siendo una lectura recomendada como primer paso antes de abordar el MLOps profesional.

    • Python
    • NumPy
    • Pandas
    • Matplotlib
    • Seaborn
    • Scikit-Learn
    • Machine Learning
    • Deep Learning
    • Procesamiento del Lenguaje Natural
    • Streamlit
    • Flask
    • Análisis de sentimientos

    ¿Cómo enseña?

    TeóricoPráctico

    Con proyectos

    • ✗ Sin ejercicios
    • ✓ Incluye proyectos

    Proyectos

    Clasificador de análisis de sentimiento para reseñas

    Pipeline de NLP que procesa comentarios textuales, extrae características numéricas mediante TF-IDF y clasifica opiniones de usuarios en categorías positivas o negativas.

    Detector predictivo de correo spam

    Sistema de clasificación supervisada con scikit-learn que limpia cadenas de correo, extrae patrones sintácticos y predice si un mensaje es legítimo o fraudulento.

    Aplicación web interactiva para consumo de modelos

    Interfaz interactiva desarrollada en Streamlit y respaldada por Flask para permitir a usuarios finales introducir datos y obtener predicciones en tiempo real.

    Más de IA: fundamentos y aplicaciones con nivel Intermedio