Configura tu entorno de Python en Linux

Para comenzar a trabajar en Machine Learning, necesitas herramientas, y esas herramientas deben instalarse en un entorno (environment). Piensa en un entorno como una especie de taller, excepto que en lugar de un martillo o un destornillador, tienes Python y Keras.

Veremos cómo configurar un entorno Python Data Science/ML. En este artículo, nos centraremos en Linux, si deseas realizar esta configuración en Windows, sigue este tutorial. También mostraremos cómo instalar las principales bibliotecas de Data Science/ML como TensorFlow, Keras, Numpy y Pandas dentro de nuestro entorno.

Comprueba Python

Primero, asegúrate de tener instalado Python3, debe estar instalado por defecto en cualquier nueva distribución de Linux, para hacer esto, abre una terminal (Ctrl + Alt + T) y escribe python3:

En este caso, tenemos Python 3.8.10 instalado, si no lo tienes, instala Python3 en tu sistema con los siguientes comandos:

$ sudo apt-get install software-properties-common
$ sudo add-apt-repository ppa:deadsnakes/ppa
$ sudo apt-get update
$ sudo apt-get install python3.8

Crea tu entorno

Ahora crearemos un entorno virtual para nuestras bibliotecas, primero debemos asegurarnos de tener instalado el administrador de paquetes de Python (pip) y venv:

sudo apt-get install -y python3-pip python3-venv

Then we can just create our virtual environment:

# Ve al directorio raiz
cd

# Crea un directorio para tus entornos 
mkdir virtual_envs
cd virtual_envs

# Crea un entorno virtual
python3 -m venv mlpills

# Activa el entorno
source mlpills/bin/activate

Verás que el entorno está correctamente activado cuando el nombre del entorno aparezca entre paréntesis antes de tu nombre de usuario.

A partir de ahora podrás habilitar el entorno virtual yendo a tu directorio raíz y ejecutando:

source virtual_envs/mlpills/bin/activate

Instala tus librerías

Lo último que necesitamos es instalar el resto de librerías, para eso usa el siguiente comando:

pip3 install tensorflow keras numpy pandas scipy notebook matplotlib

Una vez hecho esto, tendrá todas las herramientas del entorno Data Science/ML que se usarán en este blog. En futuros tutoriales, utilizaremos estas herramientas para crear diferentes soluciones de ML para problemas de la vida real.