Aprendizaje automático en Kotlin: revisión de bibliotecas para Data Science y ML

Aprendizaje automático en Kotlin: bibliotecas y herramientas modernas

Kotlin es un lenguaje de programación de tipado estático que funciona sobre la JVM y es totalmente compatible con Java. Gracias a su sintaxis concisa, seguridad contra nulos y su potente ecosistema, Kotlin se utiliza cada vez más en Data Science y aprendizaje automático. En este artículo, revisaremos las bibliotecas clave que permiten resolver problemas de ML directamente en Kotlin, sin necesidad de cambiar a Python.

1. KotlinDL — biblioteca de aprendizaje profundo de JetBrains

KotlinDL es la biblioteca oficial de los creadores de Kotlin (JetBrains), diseñada para construir y entrenar redes neuronales. Soporta tanto una API de alto nivel (similar a Keras) como operaciones de bajo nivel con tensores.

Características principales:

• Construcción de modelos: Sequential, Functional API
• Capas: Dense, Conv2D, MaxPooling, Dropout, LSTM, etc.
• Optimizadores: Adam, SGD, RMSprop
• Funciones de pérdida: CrossEntropy, MSE, MAE
• Carga de modelos preentrenados (ONNX, TensorFlow SavedModel)
• Trabajo con imágenes, texto y datos tabulares

Ejemplo: red neuronal simple para clasificación

import org.jetbrains.kotlinx.dl.api.core.Sequentialimport org.jetbrains.kotlinx.dl.api.core.layer.core.Denseimport org.jetbrains.kotlinx.dl.api.core.layer.reshaping.Flattenimport org.jetbrains.kotlinx.dl.api.core.optimizer.Adamimport org.jetbrains.kotlinx.dl.dataset.mnist

fun main() {    val model = Sequential.of(        Flatten(inputShape = longArrayOf(28, 28)),        Dense(128, activation = "relu"),        Dense(10, activation = "softmax")    )

    model.use {        it.compile(optimizer = Adam(), loss = "categoricalCrossEntropy")        val (train, test) = mnist()        it.fit(train, epochs = 5, batchSize = 32)        val accuracy = it.evaluate(test)        println("Precisión: $accuracy")    }}

2. Smile — biblioteca universal para estadística y ML

Smile (Statistical Machine Intelligence & Learning Engine) es una potente biblioteca de Java/Kotlin que cubre prácticamente todos los algoritmos clásicos de aprendizaje automático. Incluye la implementación de más de 200 algoritmos.

Módulos clave:

• Clasificación: SVM, Random Forest, Decision Trees, Naive Bayes
• Regresión: Linear, Ridge, LASSO, Gaussian Process
• Agrupamiento: K-Means, DBSCAN, Hierarchical, GMM
• Reducción de dimensionalidad: PCA, t-SNE, MDS
• Procesamiento de lenguaje natural (NLP): tokenización, stemming, N-gramas
• Visualización: gráficos, scatter plots, mapas de calor

Ejemplo: regresión lineal con Smile

import smile.regression.OLSimport smile.data.DataFrameimport smile.data.type.DataTypesimport smile.data.vector.DoubleVector

fun main() {    // Creamos un DataFrame con datos    val x = doubleArrayOf(1.0, 2.0, 3.0, 4.0, 5.0)    val y = doubleArrayOf(2.1, 4.2, 6.0, 7.9, 10.1)    val df = DataFrame.of(DoubleVector.of("x", x), DoubleVector.of("y", y))

    // Entrenamos el modelo OLS (mínimos cuadrados ordinarios)    val model = OLS.fit(df, "y", "x")    println("Coeficientes: ${model.coefficients()}")    println("Predicción para x=6: ${model.predict(doubleArrayOf(6.0))}")}

3. Koma — cálculos matriciales y científicos

Koma es una biblioteca para trabajar con arreglos multidimensionales y matrices, inspirada en NumPy de Python. Es ideal para cálculos numéricos, estadística y preprocesamiento de datos antes de ML.

Características:

• Creación de matrices: zeros, ones, eye, rand
• Operaciones: suma, multiplicación, transposición, matriz inversa
• Álgebra lineal: SVD