¡Manos a la Obra! Instalando tu Kit de Herramientas de Machine Learning

¡Manos a la Obra! Instalando tu Kit de Herramientas de Machine Learning

¡Bienvenido al segundo capítulo de "El Puente al Machine Learning"!

En nuestro primer post, compartí mi historia y la motivación que, como especialista en BI, me impulsó a cruzar hacia el fascinante mundo del Machine Learning. Ahora que tenemos claro el "porqué", es momento de construir nuestro taller.

Hoy vamos a poner manos a la obra. Te guiaré paso a paso para instalar y configurar tu primer kit de herramientas de ciencia de datos. Exploraremos los dos caminos más populares: la instalación local con Anaconda y la alternativa en la nube con Google Colab.

---

El Camino Local: Guía Práctica para Instalar Anaconda

Tener un entorno en tu propia máquina te da control total y es ideal para el trabajo del día a día. Anaconda es la navaja suiza para esto, ya que no solo instala Python, sino que gestiona todos nuestros paquetes y entornos de forma ordenada.

Paso 1: Descargar Anaconda

Lo primero es ir a la página oficial de Anaconda. Verás dos opciones principales: Anaconda Distribution y Miniconda.

Para esta guía, y como recomendación para empezar, descargaremos la Anaconda Distribution completa. Esta versión ya incluye cientos de las librerías más populares para ciencia de datos, lo que nos facilita mucho el arranque.

Elige el instalador para tu sistema operativo (Windows, macOS o Linux) y la versión más reciente de Python (ej. Python 3.13 o superior).

Nota importante para usuarios de Mac Intel (2025): A partir del 15 de agosto de 2025, Anaconda ha dejado de construir nuevos paquetes para Macs con procesadores Intel (arquitectura osx-64). Los instaladores actuales seguirán funcionando, pero para tener acceso a las últimas versiones de las librerías, se recomienda usar Google Colab o considerar hardware más reciente con Apple Silicon.

---

Paso 2: Instalar Anaconda

Ejecuta el instalador. La mayoría de las veces, puedes seguir las recomendaciones por defecto. Haz clic en "Next" y acepta los términos.

Tip para usuarios de Windows: Durante la instalación, verás una opción para "Add Anaconda to my PATH environment variable". Aunque la recomendación oficial es no marcarla para evitar conflictos, si eres principiante y solo usarás Anaconda para Python, marcarla puede facilitar el uso de comandos desde cualquier terminal. Si decides no hacerlo, ¡recuerda usar siempre la Anaconda Prompt!

---

Paso 3: Crear un Entorno Virtual Limpio (¡La Mejor Práctica!)

Una vez instalado, no trabajaremos en el entorno "base". Crearemos un espacio aislado y limpio solo para nuestros proyectos de Machine Learning.

Abre la Anaconda Prompt (búscala en el menú de inicio) y escribe el siguiente comando:

conda create -n mi_entorno_ml python=3.13

• conda create -n: Es la instrucción para crear un nuevo entorno.
• mi_entorno_ml: Es el nombre que le damos. ¡Puedes ponerle el que quieras!
• python=3.13: Especificamos la versión de Python que queremos usar.

---

Paso 4: Activar Nuestro Entorno

Para empezar a usar nuestro nuevo entorno, debemos "activarlo". En la misma terminal, escribe:

conda activate mi_entorno_ml

Notarás que el texto al inicio de la línea en tu terminal cambiará de (base) a (mi_entorno_ml). ¡Eso significa que ya estás dentro!

---

Paso 5: Instalar las Librerías Esenciales

Ahora que estamos en nuestro entorno limpio, instalemos el kit básico que mencionamos en el post anterior. Escribe este comando:

conda install numpy pandas scikit-learn matplotlib

Anaconda se encargará de descargar e instalar estas librerías y todas sus dependencias.

Pro Tip: Si alguna vez tienes problemas con los comandos, es una buena práctica asegurarte de que conda esté actualizado. Puedes hacerlo ejecutando conda update conda.

---

Paso 6: Lanzando Nuestro Laboratorio (Anaconda Navigator)

¡Ya casi terminamos! Ahora vamos a la parte visual. Busca y abre Anaconda Navigator. Esta es la interfaz gráfica desde donde puedes lanzar todas tus aplicaciones.

Asegúrate de que en el menú desplegable de arriba esté seleccionado tu entorno: "mi_entorno_ml".

Para empezar a trabajar con los notebooks que usaremos en los próximos tutoriales, necesitas instalar dos herramientas clave desde aquí:

1. Jupyter Notebook: Es la herramienta principal para crear y compartir documentos que contienen código, visualizaciones y texto. Haz clic en el botón "Install" debajo de su ícono.
2. JupyterLab: Es la versión más moderna y potente de Jupyter Notebook, con una interfaz más completa. También te recomiendo instalarla.

Una vez instalados, verás que el botón cambia a "Launch". ¡Con eso, tu taller de Machine Learning está oficialmente abierto!

---

La Alternativa en la Nube: Un Vistazo a Google Colab

Si prefieres no instalar nada, Google Colab es tu mejor amigo. Es un Jupyter Notebook que corre en los servidores de Google y al que accedes desde tu navegador.

Ventajas:

• Cero instalación.
• Acceso a GPUs gratuitas, que son esenciales para entrenar modelos complejos más adelante.
• Fácil de compartir y colaborar, como un Google Doc.

Simplemente ve a colab.research.google.com, inicia sesión con tu cuenta de Google y crea un nuevo notebook. ¡Ya estás listo para escribir código!

Novedad 2025: Colab ahora integra funciones de IA, como la ayuda de Gemini, para autocompletar y explicar código. ¡Pruébalo para acelerar tu aprendizaje!

print("¡Hola desde Colab! Mi laboratorio en la nube está listo. ☁️")

---

Conclusión: ¿Cuál Camino Tomar?

Ambas opciones son fantásticas, pero sirven para propósitos ligeramente distintos.

Mi recomendación: ¡Usa ambos! Empieza con Colab para experimentar rápidamente y usa Anaconda para tus proyectos más establecidos.

---

Preparándonos para el Tercer Blog...

¡Felicidades! Ya sea en la nube o en tu máquina, tu laboratorio de ciencia de datos está listo. Ahora que tenemos las herramientas, en nuestro próximo capítulo vamos a empezar a usarlas de verdad.

Y aquí es donde conectaremos directamente con lo que ya dominamos. Si vienes del mundo de BI, seguramente has pasado horas usando SQL para extraer datos y Power Query para limpiarlos y transformarlos. En nuestro próximo post, nos enfocaremos en este último: te mostraré cómo podemos replicar las tareas de limpieza que hacemos en Power Query, pero esta vez con el poder de Python y la librería Pandas.

Dejaremos la comparación con SQL para un futuro capítulo. Por ahora, ¡prepárate para traducir lo que ya sabes de Power Query a un nuevo y poderoso lenguaje de manipulación de datos! ¡Nos vemos en la próxima entrega para seguir cruzando juntos este puente! 🚀

¡Ahora te toca a ti! ¿Cuál camino elegiste: Anaconda o Colab? ¡Cuéntame en los comentarios si tuviste algún tropiezo y cómo lo resolviste!

#MachineLearning #BItoML #Anaconda #GoogleColab #Python #DataScience #CienciaDeDatos #Español #Tutorial #Jupyter #Pandas