Python de Cero a Experto / Ruta datos e IA

Machine Learning y APIs de IA

Teoría24 min20 XP

Llegas a la frontera más emocionante de Python: la inteligencia artificial. Dos caminos que puedes tomar —ambos con Python como protagonista—. El MACHINE LEARNING: enseñarle a un programa a aprender patrones de los datos y hacer predicciones, con scikit-learn. Y consumir APIs de IA GENERATIVA (como Claude): conectar tus programas con modelos que razonan, escriben y analizan. Hoy tienes una introducción a ambos —el mapa de por dónde seguir en el mundo de la IA—.

Enseñar con ejemplos vs. contratar un experto

Machine Learning con scikit-learn

El flujo de un modelo predictivo

El machine learning "clásico" (predecir a partir de datos con estructura) se hace con scikit-learn. Su flujo tiene siempre los mismos pasos:

ml.py

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import numpy as np

# 1. DATOS: características (X) y lo que queremos predecir (y)
#    ej: predecir el gasto del mes según cuántas salidas hubo
X = np.array([[2], [5], [8], [12], [15], [20]])   # salidas (característica)
y = np.array([50000, 120000, 180000, 260000, 310000, 400000])  # gasto (objetivo)

# 2. DIVIDIR en entrenamiento y prueba (para evaluar honestamente)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 3. ELEGIR y ENTRENAR un modelo (aprende la relación de los datos)
modelo = LinearRegression()
modelo.fit(X_train, y_train)

# 4. PREDECIR casos nuevos
prediccion = modelo.predict([[10]])       # ¿gasto con 10 salidas?
print(f"Predicción: {prediccion[0]:,.0f}")

# 5. EVALUAR qué tan bueno es (score de 0 a 1)
print(f"Precisión: {modelo.score(X_test, y_test):.2f}")

El flujo del ML supervisado es SIEMPRE el mismo, sin importar el modelo: (1) preparar los DATOS separando las características (X, lo que sabes) del objetivo (y, lo que quieres predecir); (2) DIVIDIR en datos de entrenamiento y de prueba (nunca evalúas con los mismos datos que entrenaste —sería trampa—); (3) ELEGIR un modelo y ENTRENARLO con .fit() (aprende los patrones); (4) PREDECIR casos nuevos con .predict(); (5) EVALUAR con .score(). scikit-learn ofrece decenas de modelos (regresión, clasificación, agrupamiento) con esta MISMA interfaz fit/predict —aprendes el flujo una vez y lo aplicas a todos—. Es la puerta a predecir, clasificar y encontrar patrones automáticamente.

Consumir una API de IA generativa

Conectar tu programa con Claude

La otra vía: usar un modelo de IA ya entrenado (como Claude) desde tu código, vía su API. Es como el requests del módulo de scripting, pero hablando con un modelo que razona:

ia_generativa.py

import os
from anthropic import Anthropic   # pip install anthropic

# la clave API va en una VARIABLE DE ENTORNO, nunca en el código
cliente = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])

# enviar una instrucción y recibir la respuesta del modelo
respuesta = cliente.messages.create(
  model="claude-sonnet-5",
  max_tokens=300,
  messages=[
      {"role": "user", "content": "Resume estos gastos y sugiere dónde ahorrar: "
                                   "Mercado 87500, Taxi 12000, Cine 18000, Café 4200"},
  ],
)

print(respuesta.content[0].text)   # la respuesta del modelo, en texto

Consumir una IA generativa es enviar un MENSAJE (una instrucción, con contexto) y recibir la respuesta del modelo. Con esto integras capacidades de IA en tus programas: resumir textos, clasificar, extraer datos, generar contenido, responder preguntas sobre tus datos —cosas que programar a mano sería imposible—. Aplican las mismas reglas del módulo de scripting: la CLAVE API va en una variable de entorno (NUNCA en el código), manejas errores de red, y controlas el costo (cada llamada consume tokens). De hecho, ESTA plataforma (CodeForge) se construyó con Claude —así de real es esta herramienta—. El futuro del desarrollo combina las dos IAs: modelos propios entrenados con scikit-learn para problemas específicos con tus datos, y APIs de IA generativa para capacidades de lenguaje y razonamiento.

¿Cuál es la diferencia entre entrenar un modelo con scikit-learn y consumir una API de IA como Claude?

Mini-reto

Explora ambos caminos (en tu Python instalado o razonando): 1) para scikit-learn, describe qué serían las características (X) y el objetivo (y) si quisieras predecir el gasto mensual —¿qué datos usarías?—, y enumera los 5 pasos del flujo (datos, dividir, entrenar, predecir, evaluar); 2) para una API de IA, esboza una llamada que le pida a Claude clasificar la categoría de un gasto a partir de su nombre; 3) explica por qué la clave API va en una variable de entorno. Reflexiona: ¿cuál usarías para "predecir ventas" y cuál para "resumir reseñas de clientes"?

Qué sigue

¡Módulo 9 conquistado! Dominas la ruta de datos e IA —NumPy, Pandas, visualización, machine learning y APIs de IA—. Tienes el kit para analizar datos y construir inteligencia. El reto del módulo junta el análisis de datos en un caso real. Después, el módulo 10 CIERRA el supercurso con proyectos completos y retos de entrevista —tu graduación como pythonista—.