Colab, o "Colaboratory", te permite escribir y ejecutar código de Python en tu navegador, con
Seas estudiante, científico de datos o investigador de IA, Colab facilita tu trabajo. Mira este video introductorio sobre Colab para obtener más información, o bien comienza a usarlo más abajo.
El documento que estás leyendo no es una página web estática, sino un entorno interactivo denominado notebook de Colab, que permite escribir y ejecutar código.
Por ejemplo, esta es una celda de código con una secuencia de comandos Python corta que calcula un valor, lo almacena en una variable y devuelve el resultado:
seconds_in_a_day = 24 * 60 * 60
seconds_in_a_day
86400
A fin de ejecutar el código en la celda anterior, haz clic en él para seleccionarlo y luego presiona el botón de reproducción ubicado a la izquierda del código o usa la combinación de teclas "Command/Ctrl + Intro". Para editar el código, solo haz clic en la celda y comienza a editar.
Las variables que defines en una celda pueden usarse en otras:
seconds_in_a_week = 7 * seconds_in_a_day
seconds_in_a_week
604800
Los notebooks de Colab te permiten combinar código ejecutable y texto enriquecido en un único documento, junto con imágenes, HTML, LaTeX y mucho más. Los notebooks que crees en Colab se almacenan en tu cuenta de Google Drive. Puedes compartir fácilmente los notebooks de Colab con amigos o compañeros de trabajo para que realicen comentarios o los editen. Si quieres obtener más información, consulta la Descripción general de Colab. Para crear un nuevo notebook de Colab, ve al menú Archivo que aparece más arriba o usa este vínculo: crear un nuevo notebook de Colab.
Los notebooks de Colab son notebooks de Jupyter que aloja Colab. Para obtener más información sobre el proyecto Jupyter, visita jupyter.org.
Con Colab, puedes aprovechar por completo las bibliotecas más populares de Python para analizar y visualizar datos. La celda de código que se incluye a continuación usa NumPy para generar algunos datos aleatorios y matplotlib para visualizarlos. Para editar el código, haz clic en la celda y comienza a editar.
import numpy as np
import IPython.display as display
from matplotlib import pyplot as plt
import io
import base64
ys = 200 + np.random.randn(100)
x = [x for x in range(len(ys))]
fig = plt.figure(figsize=(4, 3), facecolor='w')
plt.plot(x, ys, '-')
plt.fill_between(x, ys, 195, where=(ys > 195), facecolor='g', alpha=0.6)
plt.title("Sample Visualization", fontsize=10)
data = io.BytesIO()
plt.savefig(data)
image = F"data:image/png;base64,{base64.b64encode(data.getvalue()).decode()}"
alt = "Sample Visualization"
display.display(display.Markdown(F"""![{alt}]({image})"""))
plt.close(fig)
Puedes importar datos propios a notebooks de Colab desde tu cuenta de Google Drive (incluso desde hojas de cálculos), GitHub y muchas otras fuentes. Para obtener más información acerca de la importación de datos y cómo puede usarse Colab para fines relacionados con la ciencia de datos, consulta los vínculos de Cómo trabajar con datos.
Colab te permite importar un conjunto de datos de imágenes, entrenar un clasificador de imágenes en él y evaluar el modelo con solo unas pocas líneas de código. Los notebooks de Colab ejecutan código en los servidores alojados en la nube de Google, lo que significa que puedes aprovechar al máximo el hardware de Google, incluidas las GPU y TPU, independientemente de la potencia de tu máquina. Lo único que necesitas es un navegador.
Entre los usos que se la da a Colab en la comunidad de aprendizaje automático, se encuentran los siguientes:
Para ver notebooks de Colab de ejemplo que muestran los usos del aprendizaje automático, consulta los ejemplos que se incluyen a continuación.
Estos son algunos de los notebooks del curso de aprendizaje automático en línea de Google. Para obtener más información, consulta el sitio web del curso completo.
NeMo Voice Swap: Utiliza el kit de herramientas de NeMo para IA conversacional de Nvidia si quieres cambiar una voz en un fragmento de audio por otra generada por computadora.
Reentrenamiento de un clasificador de imágenes: compila un modelo de Keras sobre un clasificador de imágenes previamente entrenado para distinguir flores.
Clasificación de texto: clasifica opiniones sobre películas de IMDB como positivas o negativas.
Transferencia de estilos: usa el aprendizaje profundo para transferir el estilo de una imagen a otra.
Codificador universal de oraciones en varios idiomas para preguntas y respuestas: usa un modelo de aprendizaje automático para responder preguntas del conjunto de datos SQuAD.
Interpolación de videos: predice lo que sucedió en un video entre el primer y el último fotograma.