Aprendizaje Profundo¶

Introducción a JupyterLab¶

Autores¶

Alvaro Mauricio Montenegro Díaz, ammontenegrod@unal.edu.co
Daniel Mauricio Montenegro Reyes, dextronomo@gmail.com
Oleg Jarma Montoya, ojarmam@unal.edu.co

Asesora Medios y Marketing digital¶

Maria del Pilar Montenegro, pmontenegro88@gmail.com

Contenido¶

Introducción
Programación Interactiva
Lenguaje de Marcado y texto
Visualización

Introducción¶

Jupyterlab es una aplicación de software libre que permite mezclar programación interactiva con sus respectivos resultados, ecuaciones complejas y texto. Todo en un solo archivo. Ademas, tenemos acceso a editores de código, terminales y pequeños dispositivos para aumentar la utilidad.

Jupyterlab utiliza archivos .ipynb o Jupyter Notebooks. Estos son perfectos para la investigación y la retroalimentación científicia y la enseñanza académica.

Programación Interactiva¶

Jupyterlab fue creado principalmente para el desarrollo en el lenguaje Python, pero permite el trabajo en muchos otros Lenguajes de Programación. La forma de conectar los lenguajes instalados con Jupyterlab es a través de "Kernels", archivos que nos permiten correr los procesos de Programación en Jupyter de manera interactiva.

El único lenguaje "oficial" es Python, a través del kernel "IPython", pero la comunidad ha creado múltiples kernels para utilizar múltiples lenguajes. Aquí tenemos una lista de estos

Gracias a esto, podemos escribir con diferentes lenguajes en un editor de código. Por ejemplo:

Por supuesto, no podemos correr estos archivos aquí directamente, y tenemos que correrlos totalmente. Aquí introducimos uno de los conceptos más importantes de los Jupyter notebooks: Celdas.

Jupyter tiene tres tipos de celdas:

Code. Donde podemos escribir código y correrlo sin ningún tipo de "compilación"
Markdown. Donde escribimos texto.
Raw. La celda de forma pura sin salida

Enfoquémonos en la celda de código

In [4]:

print("Esto es una celda de código")

Esto es una celda de código

Cosas a notar: Podemos correr las celdas de forma independiente, permitiendo un manejo más granular sobre nuestro código.

In [5]:

x = 1

print("x =", x)

x = 1

In [6]:

x += 1

print("x =", x)

x = 2

[Volver]

Lenguaje de Marcado y texto¶

Dentro de Jupyter, además de los lenguajes de programación, usamos lenguajes de "marcado", que nos permiten estrucutrar y codificar textos. Podemos utilizar 3 tipos de lenguajes de marcado en Jupyter:

Lenguaje Markdown¶

Fuente: Wikipedia

Manual de Markdown: Markdown Cheat Sheet

Markdown es un lenguaje sencillo con el cual podemos hacer muchas pequeñas cosas para hacer un cuaderno con una buena presentación

podemos editar markdown en celdas markdown o directamente en archivos .md

Lenguaje LaTeX¶

Manual de LaTeX: LaTeX Cheat Sheet

Otro lenguaje de marcado que utiliza principalmente funciones y métodos de marcado para cambiar el estilo del texto. Jupyter tiene capacidades limitadas para usar LaTeX. Lo podemos usar en celdas de markdown o en los mismos archivos .md. Lo más relevante para Jupyter es un "Math Mode" para hacer texto de estilo matemático como ecuaciones complejas.

HTML¶

Markdown es en realidad una forma de escribir HTML de forma sencilla. Para hacer cosas más complejas con el texto, es necesario utilizar convenciones HTML.

[Volver]

Visualización¶

Podemos visualizar imágenes en JupyterLab de distintas maneras.

La ventaja que tenemos al hacer esto sobre Colab, es que podemos hacer referencias locales de archivos.

HTML Puro¶

Aqui un ejemplo de cómo cargar una imagen local sin código de Python explícito:

Librería HTML de Python¶

Ahora, una imagen cargada con código HTML explícito:

In [7]:

# Librería para leer Código HTML y ejecutarlo
from IPython.display import HTML
# Código HTML
html1 = '<img src="../imagenes/zeus.jpg" width="500" height="600" align="center"/>'
# Ejecutar instrucción a través de Python
HTML(html1)

Out[7]:

Librería Matplotlib de Python¶

También se puede usando código Python (Se necesita tener instalada la librería Matplotlib):

In [14]:

# Librerías de Dibujo
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

# Leer ruta de Archivo
ruta_foto = '../imagenes/zeus2.jpg';

# Leer imagen desde la ruta
zeus = mpimg.imread(ruta_foto);

# Dibujar Lienzo
plt.figure(figsize=(15,10))
# Poner Dibujo en Lienzo
plt.imshow(zeus);
# Eliminar Ejes
plt.axis("Off");
# Mostrar Dibujo
plt.show();

Librería IPython usando Image¶

In [12]:

from IPython.display import Image
#filename respect to CPU absolute Path (VERY IMPORTANT)
Image(filename="../imagenes/zeus3.jpg")

Out[12]:

Directamente desde la Web¶

Gatito

También podemos insertar videos por medio de código Python:

In [8]:

# Librería para insertar videos de YouTube
from IPython.display import YouTubeVideo

# Insertar Video de YouTube
YouTubeVideo('cQ54GDm1eL0', width=750, height=350)

Out[8]:

Tipos de Archivos exportables para Notebooks¶

Es posible exportar un Notebook en diferentes formatos:

En particular, para Slides, es suficiente con controlar el menú derecho de Jupyter Lab:

Algunas Extensiones de Markdown¶

Pie de Página (Sólo en HTML)

Checkbox
Write the press release
Update the website
Contact the media

Link a otros Notebooks

Link a otra parte Específica de un Notebook

Videos

Observemos el video a continuación:

Los Chimpandolfos - Eclipse

También podemos insertar videos por medio de código Python:

In [1]:

# Librería para insertar videos de YouTube
from IPython.display import YouTubeVideo

# Insertar Video de YouTube
YouTubeVideo('cQ54GDm1eL0', width=750, height=350)

Out[1]:

Algunas Extensiones de Notebooks¶

Widgets Interactivos¶

In [1]:

import ipywidgets as widgets

widgets.IntSlider(
    min=0,
    max=10,
    step=1,
    description='Deslizador:',
    value=5
)

IntSlider(value=5, description='Deslizador:', max=10)

In [3]:

from ipywidgets import interactive

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Simulación de los Datos

def simular_datos(σ=0,w1=0):
    # Se escoge una semilla
    np.random.seed(22)

    # Generación de los datos
    x=np.linspace(-2,2,100)
    y=w1*x+np.random.normal(loc=0,scale=σ,size=len(x))
    data=pd.DataFrame({"Mediciones":x,"Observaciones":y})

    plt.figure(figsize=(10,7))
    plt.plot(x,y,'o',markersize=5)
    plt.xlabel("Mediciones",fontsize=15)
    plt.ylabel("Observaciones",fontsize=15)
    plt.legend(["Datos"],fontsize=15)
    plt.ylim([-30,30])
    plt.title(f'Simulación de ${w1}x+\epsilon$, $\epsilon$ ~ N(0,σ²)')
    plt.show()
    return x,y

interactive_plot = interactive(simular_datos, σ=(0, 10.,0.2),w1 = (-10.,10.))
interactive_plot

interactive(children=(FloatSlider(value=0.0, description='σ', max=10.0, step=0.2), FloatSlider(value=0.0, desc…

Espacio de Trabajo¶

Cuando hablamos del espacio de trabajo, nos referimos a dos cosas (ambigüedad):

Cuántas y cuáles variables están definidas en la sesión actual de trabajo.
En qué lugar se está ejecutando la sesión.

Variables declaradas:¶

Cada lenguaje de programación tiene su manera de proceder, y cada uno de ellos muestra información pedida de maneras diferentes.

Ejemplo:

Python: dir(),locals(), globals().
```
 R: ```ls()```.
```
MATLAB: who, whos.
Julia: names(Main)[4:end].

Probemos algo de esto en Python:

In [ ]:

print(dir())
#print(locals())
#print(globals())

Parece que estamos viendo cosas sin sentido... (programish?)

Lo que sucede, es que al ejecutarse Python, hay funciones internas y variables que se definen en el núcleo del lenguaje para que este pueda funcionar.

Por ejemplo:

Módulos que entiendan las sintáxis escrita.
Scripts que inicializen el prorama y monitoreen su estado.
Historial de comandos escritos con anterioridad.
Funciones para salir.

La lista es extensa y explica un poco esta lista rara.

La ventaja de usar JupyterLab (Más específicamente IPyhton) es que podemos usar un concepto conocido como comandos mágicos (tarea), cuyo objetivo es ejecutar comandos de otros lenguajes que nos permitan hacer una mejor visualización de las cosas e incluso correr códigos de otro lenguajes de programaciónen Kernels ajenos a éste.

Usemos whos de MATLAB.

Para una extensa lista de comandos mágicos, ir Aqui

Ejemplo:

In [ ]:

# Importar librería numpy

from numpy import array 

# If you want to check numpy version:
#!conda list numpy inside the Notebook

# Definir un vector usando numpy
v=array([2,3,4,5,6,7,8,9]);
# Mostrar vector
print("El vector es: v =", v)

Ahora, miremos qué variables han sido definidas:

In [ ]:

%whos

Juguemos un poco más:

In [ ]:

import random as rand

a1 = rand.random()
a2 = rand.randint(3,20)
a3 = rand.randrange(30,10000)

print("a1 =",a1)
print("a2 =",a2)
print("a3 =",a3)

Ahora verifiquemos nuevas variables en el Workspace

In [ ]:

%whos

In [ ]:

%who

Pregunta:¶

¿Por qué hay más cosas en el espacio de trabajo que sólo variables definidas?

Lugares en el PC:¶

Muchas veces necesitamos cargar datos desde algún lugar físico del computador (alguna ruta) en la que guardamos dichos datos.

Por eso, es importante saber dónde nos encontramos desde el Notebook en proceso.

Como la sintáxis de las rutas dependen del OS, esto puede variar bastante.

Ejemplo:

In [ ]:

#!pwd # Directorio actual, Linux, Mac
# Directorio actual, Windows
!chdir

Es excelente práctica de programación dejar los datos en una carpeta muy cercana a la carpeta raíz de la instalación de Anaconda y paths absolutos para acceder a la información:

In [ ]:

# Change path to your path

f = open("abs_path_to_file/data.txt",'r')

if f.mode == 'r':
    contents = f.read() # Read Content
    print(contents)    # Print Content

Ejercicios¶

Lea sobre cómo leer datos y asignarle esos datos a variables.
Lea sobre cómo escribir datos en un archivo de texto .txt o .csv