Ir al contenido principal

[NPL][Ejercicio 1]: Expresiones Regulares

  Escribe expresiones regulares para los siguientes lenguajes:

  1. el conjunto de todas las cadenas alfabéticas;
  2. el conjunto de todas las cadenas alfabéticas en minúscula que terminan en una b;
  3. el conjunto de todas las cadenas del alfabeto a,b tal que cada a está inmediatamente precedida y seguida por una b.

Solución:

  1. [A-Za-z]+
  2. [a-z]*b
  3. *b(ab)*

 Escribir expresiones regulares para los siguientes lenguajes:

  1. el conjunto de todas las cadenas que tienen dos palabras consecutivas repetidas (por ejemplo, “Humbert Humbert” y “the the”, pero no “the bug” o “the big bug”);
  2. todas las cadenas que comienzan al principio de la línea con un número entero y que terminan al final de la línea con una palabra;
  3. todas las cadenas que tienen tanto la palabra “grotto” como la palabra “raven” en ellas (pero no, por ejemplo, palabras como “grottos” que simplemente contienen la palabra “grotto”);
  4. escribir un patrón que coloque la primera palabra de una oración en inglés en un registro. Tratar con la puntuación.

Solución:

  1. (\b\w+\b)\s+\1
    1. Explicación:
      1. (: Inicio del grupo de captura.
      2. \b: Coincide con el límite de una palabra.
      3. \w+: Coincide con uno o más caracteres alfanuméricos.
      4. \b: Coincide con el límite de una palabra.
      5. ): Fin del grupo de captura.
      6. \s+: Coincide con uno o más espacios en blanco.
      7. \1: Coincide con el mismo texto que se encuentra en el primer grupo de captura.
  2. ^\d+\s.*\b(\w+)$
    1. Explicación:
      1. ^: Coincide con el inicio de la línea.
      2. \d+: Coincide con uno o más dígitos.
      3. \s: Coincide con un espacio en blanco.
      4. .*: Coincide con cualquier carácter cero o más veces.
      5. \b: Coincide con el límite de una palabra.
      6. (\w+): Coincide con una o más letras, números o guiones bajos. Este es el grupo de captura que se utilizará para extraer la palabra al final de la cadena de texto.
      7. $: Coincide con el final de la línea.
  3. \b(?=\wgrotto)(?=\wraven)\w+
    1. Explicación:
      1. \b: Coincide con el límite de una palabra.
      2. (?=\wgrotto): Es una búsqueda positiva hacia adelante que coincide con cualquier palabra que comience con “grotto”.
      3. (?=\wraven): Es otra búsqueda positiva hacia adelante que coincide con cualquier palabra que comience con “raven”.
      4. \w+: Coincide con una o más letras, números o guiones bajos. Este es el grupo de captura que se  utilizará para extraer la palabra que contiene tanto “grotto” como “raven”.
  4. ([A-Za-z]+)[A-Za-z]*
    1. Explicación:
      1. (: Inicio del grupo de captura.
      2. [A-Za-z]+: Coincide con una o más letras mayúsculas o minúsculas.
      3. ): Fin del grupo de captura.
      4. [A-Za-z]*: Coincide con cero o más letras mayúsculas o minúsculas. Este es el grupo de captura que se utilizará para capturar los caracteres adicionales después de la primera palabra.
      5. $: Coincide con el final de la línea.

Comentarios

Publicar un comentario

Entradas populares de este blog

[DATA SCIENCE] [R PROGRAMMING] [DATA VISUALIZATION] Explorando Técnicas de Análisis y Visualización de Datos en R

  Introducción En el análisis de datos, la correcta partición y visualización de los datasets es crucial para obtener conclusiones precisas y valiosas. En este artículo, exploraremos diversas técnicas en R para particionar datasets, crear histogramas, scatterplots, boxplots, y ajustar curvas de regresión y suavizado. 1. Partición de Datasets La partición de datasets es una etapa fundamental en el proceso de machine learning. Permite dividir los datos en conjuntos de entrenamiento, validación y prueba para asegurar que nuestros modelos se entrenen y evalúen adecuadamente. Función para Particionar Datasets # Función para automatizar la partición de datasets partition_data <- function(data, target_column, train_ratio = 0.7, validate_ratio = NULL, seed = 123) {   # Establecer la semilla para reproducibilidad   set.seed(seed)      # Crear partición de entrenamiento   training_ids <- createDataPartition(data[[target_column]], p = train_ratio, list = FA...
Publicar un comentario
Leer más

[Machine Learning][Python][Clasificación] Understanding Support Vector Machines with Python

Support Vector Machines con Python Support Vector Machines con Python Support Vector Machines (SVM) son algoritmos de aprendizaje supervisado muy potentes, a menudo utilizados para problemas de clasificación. Este artículo demuestra cómo utilizar SVM en Python con la biblioteca scikit-learn y proporciona una explicación de la teoría subyacente. 1. Implementación en Python Código en Python: import numpy as np # Biblioteca para trabajar con arreglos y operaciones matemáticas import matplotlib.pyplot as plt # Biblioteca para crear gráficos y visualizaciones from sklearn import datasets # Módulo para cargar y manejar conjuntos de datos estándar from sklearn.model_selection import train_test_split # Función para dividir los datos en entrenamiento y prueba from sklearn.svm import SVC # Clase para implementar Support Vector Machines # 1. Cargar datos # Usaremos el dataset de iris, seleccionando solo dos clases para sim...
Publicar un comentario
Leer más

[Validación Cruzada] [Machine Learning] [Evaluación de Modelos] [Ciencia de Datos] [R Programming] [Resampling] Validación Cruzada: Concepto y Técnicas Principales

Validación Cruzada: Concepto y Técnicas Principales Validación Cruzada: Concepto y Técnicas Principales La validación cruzada es un conjunto de técnicas utilizadas para evaluar la capacidad de generalización de un modelo de machine learning. Su objetivo principal es determinar cómo de bien puede el modelo desempeñarse con datos no vistos, proporcionando una evaluación más robusta y fiable en comparación con dividir los datos en un simple conjunto de entrenamiento y prueba. Principales Técnicas de Validación Cruzada 1. K-Fold Cross Validation (Validación Cruzada K-Fold) El conjunto de datos se divide en \(k\) particiones o "pliegues" de igual tamaño. El modelo se entrena \(k\) veces: en cada iteración, un pliegue diferente se utiliza como conjunto de prueba y los \(k-1\) pliegues restantes como conjunto de entrenamiento. La métrica final (por ejemplo, precisión, F1, etc.) se c...
Publicar un comentario
Leer más