¡Bienvenido a Colab!

Explora la API de Gemini

La API de Gemini te da acceso a los modelos de Gemini creados por Google DeepMind. Los modelos de Gemini están diseñados desde cero para ser multimodales, lo que te permite razonar de manera fluida a través de texto, imágenes, código y audio.

Cómo empezar

Ve a Google AI Studio e inicia sesión con tu cuenta de Google.
Crea una clave de API.
Utiliza un inicio rápido para Python, o llama a la API REST usando curl.

Explora casos de uso

Para aprender más, consulta el Gemini cookbook o visita la documentación de la API de Gemini.

🔑 Nota: Para profundizar en Google Colab, se recomienda visitar la página oficial de Google Colab.

Colab ahora tiene funciones de IA impulsadas por Gemini. El video a continuación proporciona información sobre cómo usar estas funciones, ya seas nuevo en Python o un veterano experimentado.

Thumbnail for a video showing 3 AI-powered Google Colab features

¿Qué es Colab?

Colab, o “Colaboratory”, te permite escribir y ejecutar Python en tu navegador, con: - Configuración cero requerida - Acceso gratuito a GPUs - Compartición sencilla

Ya seas estudiante, científico de datos o investigador en IA, Colab puede facilitar tu trabajo. Mira Introducción a Colab o Características de Colab que Quizás No Conocías para aprender más, o simplemente comienza a trabajar a continuación.

Cómo empezar

El documento que estás leyendo no es una página web estática, sino un entorno interactivo llamado cuaderno de Colab que te permite escribir y ejecutar código.

Por ejemplo, aquí hay una celda de código con un breve script en Python que calcula un valor, lo almacena en una variable y muestra el resultado:

seconds_in_a_day = 24 * 60 * 60
seconds_in_a_day

Para ejecutar el código en la celda anterior, selecciónala con un clic y luego presiona el botón de reproducción a la izquierda del código, o usa el atajo de teclado “Command/Ctrl+Enter”. Para editar el código, solo haz clic en la celda y comienza a editar.

Las variables que defines en una celda pueden ser utilizadas más adelante en otras celdas:

seconds_in_a_week = 7 * seconds_in_a_day
seconds_in_a_week

Los cuadernos de Colab te permiten combinar código ejecutable y texto enriquecido en un solo documento, junto con imágenes, HTML, LaTeX y más. Cuando creas tus propios cuadernos de Colab, se almacenan en tu cuenta de Google Drive. Puedes compartir fácilmente tus cuadernos de Colab con compañeros de trabajo o amigos, permitiéndoles comentar en tus cuadernos o incluso editarlos. Para aprender más, consulta Resumen de Colab. Para crear un nuevo cuaderno de Colab, puedes usar el menú de Archivo arriba o usar el siguiente enlace: crear un nuevo cuaderno de Colab.

Los cuadernos de Colab son cuadernos Jupyter que están alojados por Colab. Para obtener más información sobre el proyecto Jupyter, visita jupyter.org.

Ciencia de datos

Con Colab, puedes aprovechar todo el poder de las bibliotecas de Python populares para analizar y visualizar datos. La celda de código a continuación utiliza numpy para generar algunos datos aleatorios y matplotlib para visualizarlos. Para editar el código, solo haz clic en la celda y comienza a editar.

Puedes importar tus propios datos a los cuadernos de Colab desde tu cuenta de Google Drive, incluyendo hojas de cálculo, así como desde GitHub y muchas otras fuentes. Para aprender más sobre cómo importar datos y cómo Colab puede ser utilizado para la ciencia de datos, consulta los enlaces a continuación en Trabajando con datos.

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)

Los cuadernos de Colab ejecutan código en los servidores en la nube de Google, lo que significa que puedes aprovechar la potencia del hardware de Google, incluyendo GPUs y TPUs, independientemente de la potencia de tu máquina. Solo necesitas un navegador.

Por ejemplo, si te encuentras esperando a que termine de ejecutarse un código en pandas y quieres acelerar el proceso, puedes cambiar a un Entorno de GPU y usar bibliotecas como RAPIDS cuDF que proporcionan aceleración sin necesidad de cambiar el código.

Para aprender más sobre cómo acelerar pandas en Colab, consulta la guía de 10 minutos o la demostración de análisis de datos del mercado de valores de EE.UU..

Aprendizaje automático

Con Colab, puedes importar un conjunto de datos de imágenes, entrenar un clasificador de imágenes con él y evaluar el modelo, todo en solo unas pocas líneas de código.

Colab se utiliza extensamente en la comunidad de aprendizaje automático con aplicaciones que incluyen: - Empezar con TensorFlow - Desarrollar y entrenar redes neuronales - Experimentar con TPUs - Divulgar investigaciones en IA - Crear tutoriales

Para ver ejemplos de cuadernos de Colab que demuestran aplicaciones de aprendizaje automático, consulta los ejemplos de aprendizaje automático a continuación.

Más Recursos

Trabajando con Cuadernos en Colab

Trabajando con Datos

Curso Intensivo de Aprendizaje Automático

Estos son algunos de los cuadernos del curso en línea de Aprendizaje Automático de Google. Consulta el sitio web completo del curso para más información. - Introducción a Pandas DataFrame - Introducción a RAPIDS cuDF para acelerar pandas - Regresión lineal con tf.keras usando datos sintéticos

Uso de Hardware Acelerado

Ejemplos Destacados

Reentrenamiento de un Clasificador de Imágenes: Construye un modelo Keras sobre un clasificador de imágenes preentrenado para distinguir flores.
Clasificación de Texto: Clasifica reseñas de películas de IMDB como positivas o negativas.
Transferencia de Estilo: Utiliza aprendizaje profundo para transferir estilo entre imágenes.
Encoder Universal Multilingüe para Preguntas y Respuestas: Usa un modelo de aprendizaje automático para responder preguntas del conjunto de datos SQuAD.
Interpolación de Video: Predice lo que sucedió en un video entre el primer y el último fotograma.