Resumen usos y aplicaciones de diferentes librerías de ML
En este documento se explican como funcionan algunas de de las principales librerías para trabajar con Machine Learning haciendo uso de Python, así como diferentes ventajas e inconvenientes que pueden hacer que nos decantemos por una u otra.
En este caso, se habla sobre Scikit-Learn (SkLearn), TensorFlow (TF) y Amazon SageMaker (si bien esta última no es una librería como tal, sino más bien una herramienta en la nube).
Tras una breve introducción de cada tecnología, se harán mención a una serie de ventajas y “áreas de crecimiento”. Mientras que en “Ventajas” se hace especial énfasis en los puntos fuertes del uso de la herramienta en cuestión, en “Áreas de crecimiento” se mencionan puntos en los que se podría mejorar.
Esta expresión (“Áreas de crecimiento”) enfatiza la idea de que incluso las librerías de Aprendizaje Automático más exitosas tienen áreas en las que se pueden mejorar, y que aprender a superar estos desafíos puede ser una oportunidad para crecer y mejorar en el uso de estas herramientas.
Scikit-Learn (SkLearn)
Scikit-Learn es una biblioteca de aprendizaje automático en Python que proporciona una gran variedad de algoritmos de aprendizaje automático, herramientas y utilidades para construir y aplicar modelos de aprendizaje automático.
Por mencionar algunas, estas son las características que definen a Scikit-Learn:
•Gran variedad de algoritmos de ML. SkLearn proporciona un amplia variedad de algoritmos para trabajar con ML, entre los que se encuentran algoritmos de regresión lineal, regresión logística, SVM, Clasificador Bayesiano Ingenuo, árboles de decisión, … .
•Estructura consistente. SkLearn tiene una API consistente que permite que sea fácil cambiar de algoritmo sin cambiar la forma de usar la librería. Con esto me refiero a que la API de SkLearn es coherente y predecible, lo que facilita el aprendizaje de la biblioteca y la construcción de modelos de aprendizaje automático con ella. Esto se debe a que todos los algoritmos y funciones de SkLearn tienen una API similar, lo que significa que los usuarios pueden cambiar fácilmente de un algoritmo a otro sin tener que cambiar su código.
•Documentación detallada. SkLearn posee una documentación detallada para cada algoritmo y función que podemos utilizar. Por otro lado, tiene una comunidad activa de desarrolladores que comparten noticias y están disponibles para ayudar a otros usuarios.
•Preprocesamiento de datos. SkLearn proporciona una amplia variedad de herramientas para el preprocesamiento de datos, como la transformación de características, la normalización de datos, la selección de características y la reducción de dimensionalidad.
A continuación, se detallan algunas ventajas e inconvenientes que tiene su uso frente a otras librerías de ML.
Ventajas
1.Facilidad de uso. SkLearn tiene una API fácil de usar que hace que sea fácil para los usuarios construir y aplicar modelos de aprendizaje automático.
2.Alto rendimiento. Scikit-Learn está optimizado para un alto rendimiento y es capaz de procesar grandes conjuntos de datos de forma eficiente.
3.Gran variedad de algoritmos de aprendizaje automático. Scikit-Learn proporciona una amplia variedad de algoritmos de aprendizaje automático, lo que permite a los usuarios elegir el algoritmo adecuado para su problema.
4.Compatibilidad con otras bibliotecas. Scikit-Learn es compatible con otras bibliotecas de Python para el procesamiento de datos, como Pandas y NumPy.
Áreas de crecimiento
1.Limitaciones en el modelado de Aprendizaje Profundo. SkLearn no proporciona una funcionalidad de modelado profundo para algoritmos como redes neuronales y modelos basados en árboles profundos. Este sería el que considero el punto más débil, y en el que destacan otras librerías como TensorFlow.
2.Limitaciones en la selección de modelos complejos. SkLearn no proporciona una funcionalidad para la selección de modelos complejos, como modelos basados en redes neuronales.
3.Falta de escalabilidad horizontal. SkLearn no es ideal para aplicaciones de escalabilidad horizontal, ya que está diseñado para funcionar en una sola máquina. Esto implica la prohibición en cierto modo de trabajar con conjuntos de da datos demasiado grandes, pues no podemos hacer uso de varios equipos para equilibrar la carga de trabajo.
TensorFlow (TF)
TensorFlow es una biblioteca de código abierto de aprendizaje automático desarrollada por Google que se utiliza para construir y entrenar modelos de aprendizaje profundo.
Fue lanzado en 2015 y desde entonces ha ganado una gran popularidad en la comunidad de aprendizaje automático y ciencia de datos.
TF se basa en la idea de un grafo computacional (el cual representa el funcionamiento de una red neuronal), donde los nodos (neuronas) en el grafo representan operaciones matemáticas y las aristas representan el flujo de datos entre estas operaciones. Los modelos de aprendizaje profundo se representan como grafos computacionales, y TensorFlow proporciona herramientas para construir, entrenar y evaluar estos modelos.
Entre sus principales características se encuentran:
•Código abierto. TF se trata de una librería de ML de código abierto desarrollada por Google.
•Enfocada al Deep Learning. El funcionamiento general de TF se basa en grafos computacionales, que es como re representan las redes neuronales. TF proporciona las herramientas necesarias para construir, entrenar y evaluar modelos complejos de Deep Learning.
Ventajas
1.Capacidad para trabajar con grandes conjuntos de datos. TF se puede utilizar para entrenar modelos en grandes conjuntos de datos utilizando técnicas como el procesamiento distribuido y el procesamiento en lotes.
2.Gran variedad de herramientas y modelos ya construidos. TF proporciona una amplia gama de herramientas y modelos ya construidos, como redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN), que permiten a los usuarios construir modelos de aprendizaje profundo de manera rápida y sencilla. TensorFlow Hub es donde podemos encontrar estos modelos para implementarlos en nuestros sistemas de ML.
Áreas de crecimiento
1.Curva de aprendizaje elevada. TF posee una curva de aprendizaje más elevada que otras librerías como SkLearn, lo que puede requerir tiempo y esfuerzo para aprender a utilizarlo correctamente. Sin embargo, la página oficial de TensorFlow encontramos una gran cantidad de información para poder comprender con gran detalle como poder trabajar con la librería. Además, a pesar de su curva de aprendizaje elevada, esta librería es una herramienta poderosa que puede llevar tus habilidades de Aprendizaje Automático (concretamente, en la creación y uso de redes neuronales) al siguiente nivel.
2.TensorFlow, al estar más enfocado en el Deep Learning, no proporciona herramientas integradas para otros tipos de algoritmos de ML, como la regresión o agrupación en clústeres (clustering).
Amazon SageMaker
Amazon SageMaker es un servicio completamente administrado por Amazon Web Services (AWS) que permite a los desarrolladores y científicos de datos crear, entrenar e implementar modelos de aprendizaje automático a escala. Proporciona un conjunto de herramientas integradas para el procesamiento de datos, la selección de algoritmos, la creación de modelos, el entrenamiento y la implementación, lo que simplifica el proceso de creación de modelos de aprendizaje automático.
Ventajas
1.Escalabilidad. Amazon SageMaker es un servicio completamente administrado que se puede escalar fácilmente a medida que cambian las necesidades del negocio. Puede manejar grandes conjuntos de datos y entrenar modelos complejos en paralelo, lo que acelera el tiempo de entrenamiento y reduce los costos. Esto permite no pagar una suscripción como tal, sino más bien el pago dependerá de los usos que le demos a la plataforma.
2.Integración con AWS. Amazon SageMaker se integra con una amplia gama de servicios de AWS, como S3, Glue y Lambda, lo que simplifica el proceso de carga y procesamiento de datos.
3.Flexibilidad. Amazon SageMaker es compatible con una amplia gama de bibliotecas de aprendizaje automático, como TensorFlow, PyTorch, Scikit-Learn, entre otros. Esto permite a los desarrolladores utilizar las herramientas con las que se sienten más cómodos para el desarrollo de sus proyectos.
4.Automatización. Amazon SageMaker proporciona herramientas integradas para la selección de algoritmos, el ajuste de hiperparámetros y la creación de modelos, lo que simplifica el proceso de creación de modelos de aprendizaje automático y acelera el tiempo de entrenamiento.
5.Fácil implementación. Amazon SageMaker proporciona herramientas para implementar modelos de aprendizaje automático en producción con facilidad, lo que permite a los desarrolladores integrar modelos de aprendizaje automático en aplicaciones empresariales existentes, y no requerir de la creación de cero del proyecto completo.
Áreas de crecimiento
1.Coste. Amazon SageMaker es un servicio de pago, lo que significa que puede ser costoso para empresas con presupuestos limitados. Sin embargo, la propia plataforma ofrece diversos planes que se pueden ajustar a nuestros requerimientos.
2.Curva de aprendizaje elevada. Al igual que ocurría con el uso de TensorFlow, Amazon SageMaker puede ser difícil de aprender para desarrolladores sin experiencia en AWS o en el desarrollo de modelos de Aprendizaje Automático. Si bien puede requerir un poco más de tiempo y esfuerzo aprender a utilizar correctamente esta herramienta, los beneficios que ofrece en aspectos como la precisión y la eficiencia del modelo ( SageMaker ofrece la capacidad de ejecutar diferentes librerías de AA en un mismo entorno, lo que permite adaptarnos a nuestras necesidades), el almacenamiento de los datos (la plataforma de AWS cuenta con herramientas como S3 para guardar modelos creados, archivos, entre otros…) y la representación del flujo de trabajo (AWS Lake Formation), entre muchas más, valen mucho la pena.
3.Dependencia de AWS. Amazon SageMaker es un servicio de AWS, lo que puede limitar las opciones de integración para empresas que utilizan otros proveedores de servicios en la nube.
En resumen, Amazon SageMaker es una herramienta poderosa para crear, entrenar e implementar modelos de aprendizaje automático a escala. Proporciona una serie de ventajas, como escalabilidad, flexibilidad y automatización, pero también tiene algunos inconvenientes, como el costo y la curva de aprendizaje elevada.
