Capítulo 13: Introducción al Aprendizaje Automático
13.4 Ejercicios Prácticos Capítulo 13
Aquí tienes algunos ejercicios prácticos para reforzar tu comprensión de los conceptos cubiertos en el Capítulo 13.
Ejercicio 13.1: Tipos de Aprendizaje Automático
Problema:
Clasifica los siguientes escenarios como tareas de aprendizaje supervisado, no supervisado o de refuerzo:
- Enseñar a un dron a navegar a través de un circuito de obstáculos.
- Agrupar artículos según su contenido.
- Predecir el clima para la próxima semana.
- Recomendar música en función de los hábitos de escucha previos de un usuario.
Solución:
- Aprendizaje por Refuerzo
- Aprendizaje No Supervisado
- Aprendizaje Supervisado
- Aprendizaje por Refuerzo o Aprendizaje Supervisado (dependiendo de cómo se implemente)
Ejercicio 13.2: Implementar un Algoritmo Básico
Problema:
Implementa un algoritmo básico de K-Vecinos Más Cercanos (KNN) para clasificar el siguiente conjunto de datos en dos clases:
# Data
X = [[2, 3], [4, 1], [1, 4], [4, 4], [2, 1], [3, 2]]
y = [0, 1, 0, 1, 0, 1]Solución:
from sklearn.neighbors import KNeighborsClassifier
# Create a KNN classifier instance
knn = KNeighborsClassifier(n_neighbors=3)
# Fit the model
knn.fit(X, y)
# Predict a new data point
new_point = [[3, 3]]
prediction = knn.predict(new_point)
print(f'The predicted class of the point {new_point} is {prediction[0]}')Ejercicio 13.3: Evaluación del Modelo
Problema:
Evalúa un simple modelo de RandomForest usando las métricas de precisión (accuracy) y puntuación F1 en el siguiente conjunto de datos:
# Data
X_train = [[1, 2], [3, 4], [5, 6], [7, 8]]
y_train = [0, 1, 1, 0]
X_test = [[2, 3], [4, 5]]
y_test = [0, 1]Solución:
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, f1_score
# Initialize classifier
clf = RandomForestClassifier()
# Fit the model
clf.fit(X_train, y_train)
# Make predictions
y_pred = clf.predict(X_test)
# Evaluate the model
accuracy = accuracy_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print(f'F1 Score: {f1}')¡Siéntete libre de sumergirte en estos ejercicios y no dudes en explorar más allá de ellos! ¡Feliz codificación!
13.4 Ejercicios Prácticos Capítulo 13
Aquí tienes algunos ejercicios prácticos para reforzar tu comprensión de los conceptos cubiertos en el Capítulo 13.
Ejercicio 13.1: Tipos de Aprendizaje Automático
Problema:
Clasifica los siguientes escenarios como tareas de aprendizaje supervisado, no supervisado o de refuerzo:
- Enseñar a un dron a navegar a través de un circuito de obstáculos.
- Agrupar artículos según su contenido.
- Predecir el clima para la próxima semana.
- Recomendar música en función de los hábitos de escucha previos de un usuario.
Solución:
- Aprendizaje por Refuerzo
- Aprendizaje No Supervisado
- Aprendizaje Supervisado
- Aprendizaje por Refuerzo o Aprendizaje Supervisado (dependiendo de cómo se implemente)
Ejercicio 13.2: Implementar un Algoritmo Básico
Problema:
Implementa un algoritmo básico de K-Vecinos Más Cercanos (KNN) para clasificar el siguiente conjunto de datos en dos clases:
# Data
X = [[2, 3], [4, 1], [1, 4], [4, 4], [2, 1], [3, 2]]
y = [0, 1, 0, 1, 0, 1]Solución:
from sklearn.neighbors import KNeighborsClassifier
# Create a KNN classifier instance
knn = KNeighborsClassifier(n_neighbors=3)
# Fit the model
knn.fit(X, y)
# Predict a new data point
new_point = [[3, 3]]
prediction = knn.predict(new_point)
print(f'The predicted class of the point {new_point} is {prediction[0]}')Ejercicio 13.3: Evaluación del Modelo
Problema:
Evalúa un simple modelo de RandomForest usando las métricas de precisión (accuracy) y puntuación F1 en el siguiente conjunto de datos:
# Data
X_train = [[1, 2], [3, 4], [5, 6], [7, 8]]
y_train = [0, 1, 1, 0]
X_test = [[2, 3], [4, 5]]
y_test = [0, 1]Solución:
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, f1_score
# Initialize classifier
clf = RandomForestClassifier()
# Fit the model
clf.fit(X_train, y_train)
# Make predictions
y_pred = clf.predict(X_test)
# Evaluate the model
accuracy = accuracy_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print(f'F1 Score: {f1}')¡Siéntete libre de sumergirte en estos ejercicios y no dudes en explorar más allá de ellos! ¡Feliz codificación!
13.4 Ejercicios Prácticos Capítulo 13
Aquí tienes algunos ejercicios prácticos para reforzar tu comprensión de los conceptos cubiertos en el Capítulo 13.
Ejercicio 13.1: Tipos de Aprendizaje Automático
Problema:
Clasifica los siguientes escenarios como tareas de aprendizaje supervisado, no supervisado o de refuerzo:
- Enseñar a un dron a navegar a través de un circuito de obstáculos.
- Agrupar artículos según su contenido.
- Predecir el clima para la próxima semana.
- Recomendar música en función de los hábitos de escucha previos de un usuario.
Solución:
- Aprendizaje por Refuerzo
- Aprendizaje No Supervisado
- Aprendizaje Supervisado
- Aprendizaje por Refuerzo o Aprendizaje Supervisado (dependiendo de cómo se implemente)
Ejercicio 13.2: Implementar un Algoritmo Básico
Problema:
Implementa un algoritmo básico de K-Vecinos Más Cercanos (KNN) para clasificar el siguiente conjunto de datos en dos clases:
# Data
X = [[2, 3], [4, 1], [1, 4], [4, 4], [2, 1], [3, 2]]
y = [0, 1, 0, 1, 0, 1]Solución:
from sklearn.neighbors import KNeighborsClassifier
# Create a KNN classifier instance
knn = KNeighborsClassifier(n_neighbors=3)
# Fit the model
knn.fit(X, y)
# Predict a new data point
new_point = [[3, 3]]
prediction = knn.predict(new_point)
print(f'The predicted class of the point {new_point} is {prediction[0]}')Ejercicio 13.3: Evaluación del Modelo
Problema:
Evalúa un simple modelo de RandomForest usando las métricas de precisión (accuracy) y puntuación F1 en el siguiente conjunto de datos:
# Data
X_train = [[1, 2], [3, 4], [5, 6], [7, 8]]
y_train = [0, 1, 1, 0]
X_test = [[2, 3], [4, 5]]
y_test = [0, 1]Solución:
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, f1_score
# Initialize classifier
clf = RandomForestClassifier()
# Fit the model
clf.fit(X_train, y_train)
# Make predictions
y_pred = clf.predict(X_test)
# Evaluate the model
accuracy = accuracy_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print(f'F1 Score: {f1}')¡Siéntete libre de sumergirte en estos ejercicios y no dudes en explorar más allá de ellos! ¡Feliz codificación!
13.4 Ejercicios Prácticos Capítulo 13
Aquí tienes algunos ejercicios prácticos para reforzar tu comprensión de los conceptos cubiertos en el Capítulo 13.
Ejercicio 13.1: Tipos de Aprendizaje Automático
Problema:
Clasifica los siguientes escenarios como tareas de aprendizaje supervisado, no supervisado o de refuerzo:
- Enseñar a un dron a navegar a través de un circuito de obstáculos.
- Agrupar artículos según su contenido.
- Predecir el clima para la próxima semana.
- Recomendar música en función de los hábitos de escucha previos de un usuario.
Solución:
- Aprendizaje por Refuerzo
- Aprendizaje No Supervisado
- Aprendizaje Supervisado
- Aprendizaje por Refuerzo o Aprendizaje Supervisado (dependiendo de cómo se implemente)
Ejercicio 13.2: Implementar un Algoritmo Básico
Problema:
Implementa un algoritmo básico de K-Vecinos Más Cercanos (KNN) para clasificar el siguiente conjunto de datos en dos clases:
# Data
X = [[2, 3], [4, 1], [1, 4], [4, 4], [2, 1], [3, 2]]
y = [0, 1, 0, 1, 0, 1]Solución:
from sklearn.neighbors import KNeighborsClassifier
# Create a KNN classifier instance
knn = KNeighborsClassifier(n_neighbors=3)
# Fit the model
knn.fit(X, y)
# Predict a new data point
new_point = [[3, 3]]
prediction = knn.predict(new_point)
print(f'The predicted class of the point {new_point} is {prediction[0]}')Ejercicio 13.3: Evaluación del Modelo
Problema:
Evalúa un simple modelo de RandomForest usando las métricas de precisión (accuracy) y puntuación F1 en el siguiente conjunto de datos:
# Data
X_train = [[1, 2], [3, 4], [5, 6], [7, 8]]
y_train = [0, 1, 1, 0]
X_test = [[2, 3], [4, 5]]
y_test = [0, 1]Solución:
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, f1_score
# Initialize classifier
clf = RandomForestClassifier()
# Fit the model
clf.fit(X_train, y_train)
# Make predictions
y_pred = clf.predict(X_test)
# Evaluate the model
accuracy = accuracy_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print(f'F1 Score: {f1}')¡Siéntete libre de sumergirte en estos ejercicios y no dudes en explorar más allá de ellos! ¡Feliz codificación!