Aprendizaje automático en Go: bibliotecas para Golang (ML, redes neuronales, NLP)

Aprendizaje automático en Go: revisión de bibliotecas para Golang

Aunque Python sigue siendo el rey del aprendizaje automático, Go (Golang) se utiliza cada vez más para sistemas de producción, microservicios y aplicaciones de alta carga, donde la velocidad, el paralelismo y la simplicidad de implementación son importantes. En este artículo, analizaremos las bibliotecas clave para el aprendizaje automático en Go, sus capacidades, ejemplos de código y casos de uso.

¿Por qué Go para ML?

Go no intenta reemplazar a Python en el trabajo de investigación. Sus puntos fuertes son la integración con la infraestructura, el bajo consumo de memoria, el soporte integrado para la concurrencia (goroutines) y la compilación en un solo binario. Es la opción ideal para:

• Servicios de predicción (inferencia) basados en modelos entrenados
• Procesamiento de datos en streaming en tiempo real
• Construcción de pipelines de datos con alto rendimiento

1. Gorgonia — framework para redes neuronales

Gorgonia es el equivalente de TensorFlow y PyTorch en Go. Permite crear y entrenar redes neuronales con diferenciación automática.

Instalación:

go get gorgonia.org/gorgonia

Ejemplo: regresión logística simple

package main

import (    "fmt"    "gorgonia.org/gorgonia"    "gorgonia.org/tensor")

func main() {    g := gorgonia.NewGraph()

    // Datos de entrada (matriz 4x2)    x := gorgonia.NewMatrix(g, tensor.Float64, gorgonia.WithShape(4, 2), gorgonia.WithName("x"))    // Pesos    w := gorgonia.NewMatrix(g, tensor.Float64, gorgonia.WithShape(2, 1), gorgonia.WithName("w"))    // Sesgo    b := gorgonia.NewScalar(g, tensor.Float64, gorgonia.WithName("b"))

    // Capa lineal: y = x*w + b    xw, _ := gorgonia.Mul(x, w)    y, _ := gorgonia.Add(xw, b)

    // Función de activación (sigmoide)    activated, _ := gorgonia.Sigmoid(y)

    machine := gorgonia.NewTapeMachine(g)    // Relleno de datos    gorgonia.Let(x, tensor.New(tensor.WithBacking([]float64{1,2,3,4,5,6,7,8}), tensor.WithShape(4,2)))    gorgonia.Let(w, tensor.New(tensor.WithBacking([]float64{0.5, -0.2}), tensor.WithShape(2,1)))    gorgonia.Let(b, 0.1)

    if err := machine.RunAll(); err != nil {        fmt.Println(err)    }

    fmt.Printf("Resultado: %v", activated.Value())}

2. GoLearn — algoritmos clásicos de ML

GoLearn (golearn) es una biblioteca con implementaciones de KNN, árboles de decisión, bosque aleatorio, regresión lineal y clustering. Su API recuerda a sklearn.

Instalación:

go get -u github.com/sjwhitworth/golearn

Ejemplo: K-vecinos más cercanos (KNN)

package main

import (    "fmt"    "github.com/sjwhitworth/golearn/base"    "github.com/sjwhitworth/golearn/evaluation"    "github.com/sjwhitworth/golearn/knn")

func main() {    // Carga de datos (CSV)    rawData, err := base.ParseCSVToInstances("iris.csv", true)    if err != nil {        panic(err)    }

    // Creación de KNN con k=3 y métrica euclidiana    cls := knn.NewKnnClassifier("euclidean", 3)

    // División en train/test    trainData, testData := base.InstancesTrainTestSplit(rawData, 0.67)

    // Entrenamiento    cls.Fit(trainData)

    // Predicción    predictions, err := cls.Predict(testData)    if err != nil {        panic(err)    }

    // Evaluación de precisión    accuracy, err := evaluation.GetAccuracy(testData, predictions)    fmt.Printf("Precisión: %.2f%%", accuracy*100)}

3. Goml — modelos ligeros para integración rápida

Goml proporciona implementaciones simples de regresión lineal y logística, Naive Bayes y redes neuronales con un código mínimo.

package main

import (    "fmt"    "github.com/cdipaolo/goml/base"    "github.com/cdipaolo/goml/text")

func main() {    // Datos para clasificación de texto