🐍 El Libro De Python 🐍
@ellibrodepython.bsky.social
Libro de Python en Español: https://ellibrodepython.com/
También podemos integrarla con sp.integrate():
January 17, 2025 at 3:48 PM
También podemos integrarla con sp.integrate():
Ahora, derivamos la expresión con respecto a x usando sp.diff():
January 17, 2025 at 3:48 PM
Ahora, derivamos la expresión con respecto a x usando sp.diff():
Primero, definimos una expresión matemática con la variable simbólica x y creamos un polinomio:
January 17, 2025 at 3:48 PM
Primero, definimos una expresión matemática con la variable simbólica x y creamos un polinomio:
Con DEBUG, obtienes más detalle:
January 16, 2025 at 6:05 PM
Con DEBUG, obtienes más detalle:
Ejecuta con INFO para ver logs básicos:
January 16, 2025 at 6:05 PM
Ejecuta con INFO para ver logs básicos:
Para scripts simples, print puede bastar, pero en sistemas complejos necesitas algo más potente.
Con logging, puedes configurar niveles de logs desde la línea de comandos. Veamos un ejemplo práctico 👇
Con logging, puedes configurar niveles de logs desde la línea de comandos. Veamos un ejemplo práctico 👇
January 16, 2025 at 6:05 PM
Para scripts simples, print puede bastar, pero en sistemas complejos necesitas algo más potente.
Con logging, puedes configurar niveles de logs desde la línea de comandos. Veamos un ejemplo práctico 👇
Con logging, puedes configurar niveles de logs desde la línea de comandos. Veamos un ejemplo práctico 👇
📊 ¡Ahora ya podemos usar nuestro modelo!
#DeepLearning #DataScience
Clasificamos imágenes del set de test:
#DeepLearning #DataScience
Clasificamos imágenes del set de test:
January 15, 2025 at 4:02 PM
📊 ¡Ahora ya podemos usar nuestro modelo!
#DeepLearning #DataScience
Clasificamos imágenes del set de test:
#DeepLearning #DataScience
Clasificamos imágenes del set de test:
Evaluamos la precisión con datos de test:
January 15, 2025 at 4:02 PM
Evaluamos la precisión con datos de test:
🏋️ Entrenamos el modelo:
Usamos el conjunto de entrenamiento durante 5 épocas y verificamos con el de test.
Usamos el conjunto de entrenamiento durante 5 épocas y verificamos con el de test.
January 15, 2025 at 4:02 PM
🏋️ Entrenamos el modelo:
Usamos el conjunto de entrenamiento durante 5 épocas y verificamos con el de test.
Usamos el conjunto de entrenamiento durante 5 épocas y verificamos con el de test.
📐 Definimos y compilamos el modelo:
January 15, 2025 at 4:02 PM
📐 Definimos y compilamos el modelo:
🔧 Preprocesamos los datos:
1️⃣ Normalizamos los píxeles (valores entre 0 y 1).
2️⃣ Añadimos una dimensión extra para trabajar con CNNs.
3️⃣ Convertimos las etiquetas a formato categórico.
1️⃣ Normalizamos los píxeles (valores entre 0 y 1).
2️⃣ Añadimos una dimensión extra para trabajar con CNNs.
3️⃣ Convertimos las etiquetas a formato categórico.
January 15, 2025 at 4:02 PM
🔧 Preprocesamos los datos:
1️⃣ Normalizamos los píxeles (valores entre 0 y 1).
2️⃣ Añadimos una dimensión extra para trabajar con CNNs.
3️⃣ Convertimos las etiquetas a formato categórico.
1️⃣ Normalizamos los píxeles (valores entre 0 y 1).
2️⃣ Añadimos una dimensión extra para trabajar con CNNs.
3️⃣ Convertimos las etiquetas a formato categórico.
Ahora cargamos el dataset MNIST y mostramos algunos ejemplos: 🖼️
Son imágenes de 28x28 píxeles.
Cada imagen tiene una etiqueta (el número que representa).
Son imágenes de 28x28 píxeles.
Cada imagen tiene una etiqueta (el número que representa).
January 15, 2025 at 4:02 PM
Ahora cargamos el dataset MNIST y mostramos algunos ejemplos: 🖼️
Son imágenes de 28x28 píxeles.
Cada imagen tiene una etiqueta (el número que representa).
Son imágenes de 28x28 píxeles.
Cada imagen tiene una etiqueta (el número que representa).
Empezamos importando lo que necesitamos:
January 15, 2025 at 4:02 PM
Empezamos importando lo que necesitamos:
🎉 Empezamos el año con un challenge.
¡50 días, 50 ejemplos #Python! 🚀
Día 15/50: Reconoce números en una imagen. Primeros pasos con machine learning 👇🧵
¡50 días, 50 ejemplos #Python! 🚀
Día 15/50: Reconoce números en una imagen. Primeros pasos con machine learning 👇🧵
January 15, 2025 at 4:02 PM
🎉 Empezamos el año con un challenge.
¡50 días, 50 ejemplos #Python! 🚀
Día 15/50: Reconoce números en una imagen. Primeros pasos con machine learning 👇🧵
¡50 días, 50 ejemplos #Python! 🚀
Día 15/50: Reconoce números en una imagen. Primeros pasos con machine learning 👇🧵
Ahora, representemos los datos en dos gráficas:
1️⃣ Una serie temporal (temperatura a lo largo del tiempo).
2️⃣ Un histograma (distribución de las temperaturas).
Aquí va el código:
1️⃣ Una serie temporal (temperatura a lo largo del tiempo).
2️⃣ Un histograma (distribución de las temperaturas).
Aquí va el código:
January 14, 2025 at 6:28 PM
Ahora, representemos los datos en dos gráficas:
1️⃣ Una serie temporal (temperatura a lo largo del tiempo).
2️⃣ Un histograma (distribución de las temperaturas).
Aquí va el código:
1️⃣ Una serie temporal (temperatura a lo largo del tiempo).
2️⃣ Un histograma (distribución de las temperaturas).
Aquí va el código:
Primero, generemos 365 muestras aleatorias con una distribución normal (media=20, desviación=5).
Usaremos numpy para esto:
Usaremos numpy para esto:
January 14, 2025 at 6:28 PM
Primero, generemos 365 muestras aleatorias con una distribución normal (media=20, desviación=5).
Usaremos numpy para esto:
Usaremos numpy para esto:
Para que tu tarea siempre se ejecute cada 10 minutos, sin importar cuánto tarde, puedes usar threading.
Así, el programa no bloquea las siguientes ejecuciones. ✨
Aquí el código mejorado: 👇
Así, el programa no bloquea las siguientes ejecuciones. ✨
Aquí el código mejorado: 👇
January 13, 2025 at 7:16 PM
Para que tu tarea siempre se ejecute cada 10 minutos, sin importar cuánto tarde, puedes usar threading.
Así, el programa no bloquea las siguientes ejecuciones. ✨
Aquí el código mejorado: 👇
Así, el programa no bloquea las siguientes ejecuciones. ✨
Aquí el código mejorado: 👇
🕒 Con la librería schedule puedes ejecutar funciones en intervalos específicos.
Por ejemplo, cada 10 minutos. Aquí te enseño cómo ejecutar "tarea" cada 10 minutos. 👇
Por ejemplo, cada 10 minutos. Aquí te enseño cómo ejecutar "tarea" cada 10 minutos. 👇
January 13, 2025 at 7:16 PM
🕒 Con la librería schedule puedes ejecutar funciones en intervalos específicos.
Por ejemplo, cada 10 minutos. Aquí te enseño cómo ejecutar "tarea" cada 10 minutos. 👇
Por ejemplo, cada 10 minutos. Aquí te enseño cómo ejecutar "tarea" cada 10 minutos. 👇
3️⃣ Heatmap del fin de pases
Repetimos para visualizar dónde finalizan los pases. Observa cómo usamos str[0] y str[1] para las coordenadas x e y.
Repetimos para visualizar dónde finalizan los pases. Observa cómo usamos str[0] y str[1] para las coordenadas x e y.
January 12, 2025 at 10:24 PM
3️⃣ Heatmap del fin de pases
Repetimos para visualizar dónde finalizan los pases. Observa cómo usamos str[0] y str[1] para las coordenadas x e y.
Repetimos para visualizar dónde finalizan los pases. Observa cómo usamos str[0] y str[1] para las coordenadas x e y.
2️⃣ Visualización
Creamos un heatmap de los puntos de inicio de los pases con Seaborn. El gráfico nos muestra los "puntos calientes" de inicio, ¡como los saques del portero!
Creamos un heatmap de los puntos de inicio de los pases con Seaborn. El gráfico nos muestra los "puntos calientes" de inicio, ¡como los saques del portero!
January 12, 2025 at 10:24 PM
2️⃣ Visualización
Creamos un heatmap de los puntos de inicio de los pases con Seaborn. El gráfico nos muestra los "puntos calientes" de inicio, ¡como los saques del portero!
Creamos un heatmap de los puntos de inicio de los pases con Seaborn. El gráfico nos muestra los "puntos calientes" de inicio, ¡como los saques del portero!
1️⃣ Datos del partido
Primero, obtenemos los eventos del partido usando el match_id. Luego filtramos los datos para quedarnos con los pases de Inglaterra.
Primero, obtenemos los eventos del partido usando el match_id. Luego filtramos los datos para quedarnos con los pases de Inglaterra.
January 12, 2025 at 10:24 PM
1️⃣ Datos del partido
Primero, obtenemos los eventos del partido usando el match_id. Luego filtramos los datos para quedarnos con los pases de Inglaterra.
Primero, obtenemos los eventos del partido usando el match_id. Luego filtramos los datos para quedarnos con los pases de Inglaterra.
🎉 Empezamos el año con un challenge.
¡50 días, 50 ejemplos #Python! 🚀
Día 12/50: Analiza los pases de un partido de futbol con seaborn 👇🧵
¡50 días, 50 ejemplos #Python! 🚀
Día 12/50: Analiza los pases de un partido de futbol con seaborn 👇🧵
January 12, 2025 at 10:24 PM
🎉 Empezamos el año con un challenge.
¡50 días, 50 ejemplos #Python! 🚀
Día 12/50: Analiza los pases de un partido de futbol con seaborn 👇🧵
¡50 días, 50 ejemplos #Python! 🚀
Día 12/50: Analiza los pases de un partido de futbol con seaborn 👇🧵
¡Probemos la función!
El regex analiza cada parte del correo y nos dice si es válido. ✅❌
El regex analiza cada parte del correo y nos dice si es válido. ✅❌
January 12, 2025 at 12:15 PM
¡Probemos la función!
El regex analiza cada parte del correo y nos dice si es válido. ✅❌
El regex analiza cada parte del correo y nos dice si es válido. ✅❌
Ahora vamos al reto: validar correos electrónicos.
Un correo como usuario@gmail.com tiene:
👤 Un nombre de usuario
🌐 Una @
🏢 Un dominio (como gmail)
🔗 Un TLD (como .com o .es)
Lo podemos expresar con re así:
Un correo como usuario@gmail.com tiene:
👤 Un nombre de usuario
🌐 Una @
🏢 Un dominio (como gmail)
🔗 Un TLD (como .com o .es)
Lo podemos expresar con re así:
January 12, 2025 at 12:15 PM
Ahora vamos al reto: validar correos electrónicos.
Un correo como usuario@gmail.com tiene:
👤 Un nombre de usuario
🌐 Una @
🏢 Un dominio (como gmail)
🔗 Un TLD (como .com o .es)
Lo podemos expresar con re así:
Un correo como usuario@gmail.com tiene:
👤 Un nombre de usuario
🌐 Una @
🏢 Un dominio (como gmail)
🔗 Un TLD (como .com o .es)
Lo podemos expresar con re así:
Además de detectar, también podemos reemplazarlos:
2 -> dos
3 -> tres
2 -> dos
3 -> tres
January 12, 2025 at 12:15 PM
Además de detectar, también podemos reemplazarlos:
2 -> dos
3 -> tres
2 -> dos
3 -> tres