https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
5
Artículo de investigación
Análisis comparativo de IDEs enfocados a Machine Learning
Comparative analysis of IDEs focused on Machine Learning
José Roberto Sánchez Arteaga*
Empresa Municipal de Agua Potable y
Alcantarillado de Riobamba.
Riobamba-Ecuador
mvvthdp@hotmail.com
https://orcid.org/0009-0009-9992-6252
*Correspondencia:
mvvthdp@hotmail.com
Cómo citar este artículo:
Sánchez, J. (2023). Análisis comparativo de
IDEs enfocados a Machine Learning. Esprint
Investigación, 2(2), 5-13.
https://doi.org/10.61347/ei.v2i2.53
Recibido: 1 de junio de 2023
Aceptado: 1 de julio de 2023
Publicado: 4 de julio de 2023
Resumen: El creciente uso de modelos de Machine Learning (ML) para gestionar
grandes cantidades de datos, impulsado por la crisis de la Pandemia COVID-19, ha
posibilitado el desarrollo productivo de los Entornos de Desarrollo Integrado (IDEs). Sin
embargo, existen varios IDEs de desarrollo disponibles y elegir el más adecuado para
tareas específicas puede ser un desafío. El objetivo de este estudio es proporcionar una
revisión exhaustiva de las diversas herramientas de desarrollo integrado enfocadas para
el campo de ML. Para ello, se diseñó una investigación comparativa donde se utilizaron
fuentes científicas e índices de popularidad para determinar los lenguajes enfocados en
ML, estos fueron Python y R. Posteriormente, a través de la documentación de cada IDE,
se identificaron los siguientes: Spyder, PyCharm Community Edition, PyCharm Pro,
DataSpell, R-Studio, RKWard, JupyterLab y Visual Studio Code que fue añadido por su
popularidad y alta extensibilidad. En los resultados, se conceptualizan estos lenguajes e
IDEs que determinamos para su comparación, y se llevó a cabo la comparación
considerando características como su compatibilidad multiplataforma, capacidad de
depuración con puntos de control, disponibilidad como código abierto, historiales de
código, acceso a terminales, integración nativa de control de versiones, soporte para los
lenguajes investigados, acceso a base de datos y compatibilidad con cuadernos Jupyter.
En conclusión, esta investigación ofrece una comparación exhaustiva de IDEs
considerando varias características útiles a la hora de seleccionar uno.
Palabras clave: Comparativa, desarrollo productivo, entornos de desarrollo integrado,
gestión de datos, machine learning.
Abstract: The increasing use of Machine Learning (ML) models to manage large amounts of
data, spurred by the Pandemic COVID-19 crisis, has enabled the productive development of
Integrated Development Environments (IDEs). However, there are several development IDEs
available and choosing the most suitable one for specific tasks can be challenging. The objective of
this study is to provide a comprehensive review of the various integrated development tools
focused for the ML field. For this purpose, a comparative research was designed where scientific
sources and popularity indexes were used to determine the languages focused on ML, these were
Python and R. Subsequently, through the documentation of each IDE, the following were
identified: Spyder, PyCharm Community Edition, PyCharm Pro, DataSpell, R-Studio, RKWard,
JupyterLab and Visual Studio Code which was added for its popularity and high extensibility. In
the results, we conceptualize these languages and IDEs that we determined for comparison, and
carried out the comparison considering features such as cross-platform compatibility, debugging
capability with checkpoints, availability as open source, code histories, terminal access, native
version control integration, support for the investigated languages, database access, and
compatibility with Jupyter notebooks. In conclusion, this research provides a comprehensive
comparison of IDEs considering several useful features when selecting one.
Keywords: Benchmarking, data management, integrated development environments,
machine learning, productive development.
Copyright: Derechos de autor 2023 Jo
Roberto Sánchez Arteaga.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 6
1. Introducción
El empleo de modelos de Machine Learning (ML) para gestionar datos e información ha adquirido una
importancia significativa, lo que ha incrementado la investigación académica en el campo de la IA en
la última década, especialmente desde 2021. Este aumento se debe en parte a la crisis por la Pandemia
COVID-19, que generó un flujo masivo de datos debido a la digitalización forzada durante la
contingencia. En este ámbito, los Entornos de Desarrollo Integrado (IDE) desempeñan un papel crucial
al proporcionar herramientas que simplifican la creación, entrenamiento y despliegue de estos
modelos ML (Garcés-Giraldo et al., 2022).
Vargas (2023) define a los IDEs como un paquete de software que integra las herramientas de
desarrollo en una única interfaz gráfica de usuario (GUI), de esta forma facilita la realización de tareas
de desarrollo de software de manera más eficiente y rápida, aumentando la productividad. Las
características más comunes entre los IDE y que apoyan de manera efectiva la productividad son:
Editor de código: Facilita la escritura de código mediante el resaltado de la sintaxis, indicadores
visuales, relleno automático y detección de errores (Red Hat, 2023).
Compilación: Transforma el código de texto plano a un formato legible por el computador para
su procesamiento (Vargas, 2023).
Depurador: Según este autor opera en la fase de pruebas, facilita la detección de errores y,
según AWS (2023) puede identificarlos en tiempo real.
Entre otras características adicionales se incluyen la refactorización y autocompletado de código,
herramientas de automatización, gestión de versiones, y con frecuencia, proporcionan una amplia
compatibilidad entre diversos lenguajes de programación, incluyendo los diseñados para facilitar la
gestión de datos por ML.
Raschka & Mirjalili (2019) indican que actualmente se dispone de un recurso abundante: una gran
cantidad de datos, tanto estructurados como no estructurados. El ML evolucionó como un subcampo
de la Inteligencia Artificial (IA) y representa una alternativa eficiente para adquirir conocimiento a
partir de estos datos. Esta evolución mejora gradualmente el rendimiento de los modelos predictivos
y la toma de decisiones basadas en dichos datos. Bi et al. (2019) indican que su objetivo es el de permitir
que las computadoras “aprendan” sin ser programadas directamente con el fin de mejorar su
rendimiento en las tareas a través de la “experiencia”.
Esta experiencia se establece por la basta cantidad de datos de la que disponen. Como señala
Manrique (2020), el ML resuelve situaciones de manera autónoma a partir del análisis de estos datos.
En otras palabras, los resultados mejoran en función de la cantidad de datos disponibles. Además, se
utilizan diversas técnicas y algoritmos que permiten reconocer patrones, extraer conocimiento,
descubrir información y con ello realizar predicciones.
Con el tiempo, la mejora de los algoritmos de ML ha evolucionado este campo, y varios IDEs se han
convertido en esa herramienta esencial para científicos de datos e ingenieros. Para comprender la
relevancia de los IDEs es preciso explorar cómo estas herramientas han desempeñado un papel
esencial en una serie de aplicaciones reales y cómo han contribuido a su éxito.
En el estudio de Gujral et al. (2017) se empleó R-Studio junto con el lenguaje R para detectar y
predecir trastornos diabéticos, mediante SVM y Arboles de Decisión, logrando con éxito una precisión
del 82 %, incluso, se propone su mejora mediante enfoques híbridos y lógica difusa. De la misma forma,
Gutiérrez-Espinoza & Cabanillas-Carbonell (2021) destacan que, en su revisión sistemática la
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 7
Convolutional Neural Network (CNN) junto con R-Studio sobresale con mayor precisión en la
detección temprana del cáncer de cuello uterino.
Por su parte, Devi et al. (2021) utilizan el aprendizaje automático y profundo aplicados a la
clasificación de imágenes, destacando el uso de la CNN en la detección de objetos usando Tensorflow
y Spyder, simplificando de esta forma el desarrollo de modelos de clasificación. En tanto, Israni (2019)
también emplea Spyder para implementar los algoritmos: Máquina de Vectores de Soporte (SVM), K
Vecinos más Cercanos (KNN) y Regresión Logística (LR) y obtiene una precisión del 92.78 % en el
análisis del cáncer de mama para SVM.
A pesar de los avances logrados, todavía existen varios campos que pueden beneficiarse del ML y
tienen a su disposición una gran variedad de IDEs. Tal es el caso de Saabith et al. (2021), que en su
estudio analizan los IDEs empleados en ciencia de datos con Python, entre los que se encuentran:
Jupyter Lab, Pycharm, Spyder, PyDev, Visual Studio, Thonny, Atom, Rodeo y AWS Cloud9.
Asimismo, Gibson et al. (2020) mencionan además a Jupyter Notebook, entre las herramientas y
técnicas usadas en su estudio. Sin embargo, existen otros IDEs disponibles y la elección del más
adecuado para tareas específicas sigue siendo un desafío.
En consecuencia, el objetivo de la presente investigación se relaciona con proporcionar una revisión
exhaustiva de las herramientas de desarrollo integrado enfocadas en el campo de ML. Esto se llevó a
cabo al identificar los IDEs basados en los lenguajes que tuvieran este enfoque y al realizar una
comparativa basada en características como su compatibilidad multiplataforma, capacidad de
depuración con puntos de control, disponibilidad como código abierto, integración nativa de control
de versiones, soporte nativo para los lenguajes investigados, acceso a base de datos, compatibilidad
con cuadernos Jupyter, historiales de código y acceso a terminales.
2. Metodología
La metodología propuesta para la comparativa de IDEs enfocados a ML se basa en un enfoque de
investigación comparativa. Los lenguajes de programación fueron seleccionados con base en fuentes
científicas. Luego, con la ayuda de los índices de popularidad correspondientes al Top 20 de Tiobe
(2023) y fuentes populares informales, se determinó que los lenguajes más populares enfocados a ML
son Python que está en el primer lugar del top y R que tiene una alta probabilidad de entrar en el top.
A continuación, se llevó a cabo una revisión de la literatura en la que se recopiló la información
directamente de la documentación de los IDEs seleccionados.
La información recopilada inclu datos relevantes sobre cada herramienta, de esta forma se
establecieron las características de los IDEs que contienen funcionalidades específicas y detalladas de
cada uno. Los datos recopilados se analizaron de manera comparativa. Con base en los resultados, se
identificaron las características para seleccionar un IDE tanto para Python como para R.
3. Resultados
Lenguajes de programación enfocados en ML
En el ámbito de la Informática los lenguajes de programación tienen propósitos específicos, uno de los
más relevantes según Manrique (2020) es la creación de aplicaciones de IA y ML. Considerando esta
perspectiva teórica, los lenguajes de programación enfocados a ML son: Python, R, Julia y Matlab. Sin
embargo, este estudio se centró únicamente en los lenguajes Python y R, que actualmente están en el
índice de popularidad Tiobe (2023).
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 8
Y que según múltiples sitios populares informales reconocen a Python y R como los principales para
el manejo de ML. A su vez, mencionan otros lenguajes, pero, es importante reconocer que estos no son
adecuados como lenguaje principal para el desarrollo de ML, sin embargo, podrían ser usados como
un complemento. A continuación, se conceptualizan los lenguajes seleccionados:
Python: Según su documentación oficial en Python Software Fundation (2023), es un lenguaje
de programación interpretado, orientado a objetos de alto nivel. Es conocido por su facilidad
de uso, aprendizaje y mejora en la productividad. Se desarrolla bajo una licencia de código
abierto y se puede distribuir gratuitamente, además, permite el uso de módulos y paquetes,
fomentando la modularidad y reutilización del código.
R: Según Manrique (2020) es un software especializado para análisis de datos, modelado
estadístico y creación de gráficos de alta calidad. Posee una implementación similar al lenguaje
S y es altamente extensible. Ofrece una amplia gama de técnicas estadísticas y gráficas, y se
destaca por su facilidad para generar gráficos a nivel de publicación. Está disponible como
software libre y es compatible con varias plataformas.
IDEs enfocados a ML
Una vez identificados los lenguajes que cubren las necesidades para el ML, es esencial encontrar los
IDEs adecuados que soporten estos lenguajes. En ese sentido, se identificaron varios entornos
compatibles con los lenguajes seleccionados, estos cumplirán el objetivo de aprovechar al máximo el
potencial de Python y R, los IDEs investigados son:
Spyder: Es un entorno de código abierto multiplataforma, desarrollado en Python para
científicos, ingenieros y analistas de datos. Ofrece una combinación de funciones avanzadas de
edición, análisis, depuración y creación de perfiles, haciéndola una herramienta de desarrollo
integral. Además, cuenta con capacidades de exploración de datos, ejecución interactiva,
inspección profunda y visualización detallada, todo en un solo paquete científico (Spyder Doc
Contributor, 2023).
PyCharm: Es un entorno multiplataforma que ofrece una variedad de herramientas esenciales
gratuitas y de pago para los desarrolladores de Python. Está diseñado para crear un entorno de
desarrollo eficiente para proyectos relacionados con la ciencia de datos, desarrollo web y
programación en Python (JetBrains, 2023 A).
DataSpell: Es una herramienta especializada en la realización de análisis de datos exploratorios
y el prototipado de modelos de aprendizaje automático. Se encuentra diseñado para trabajar
con Python y R (JetBrains, 2023 B).
RStudio: Es un conjunto de herramientas diseñadas para mejorar la productividad en R y
Python. Incluye una consola y un editor con resaltado de sintaxis que permite ejecutar código
directamente. Además, proporciona herramientas para trazar, revisar el historial, depurar y
gestionar su espacio de trabajo (Posit Software, 2023).
RKWard: Es una herramienta basada en las bibliotecas de software KDE, utilizada para análisis
estadísticos y gráficos con el lenguaje R. Está enfocado en ser accesible tanto para principiantes
como para expertos en R, eliminando la necesidad de aprender R para principiantes y
proporcionando funciones avanzadas para usuarios experimentados que necesiten escribir
scripts en R. Su objetivo es fusionar flexibilidad y facilidad de uso en un mismo entorno.
(Rödiger et al., 2012)
JupyterLab: Es una interfaz web avanzada que ofrece flexibilidad y extensibilidad al permitir
trabajos con cuadernos Jupyter, editores de texto, terminales y componentes personalizados de
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 9
manera integrada. Desde 2018, se encuentra en una fase experimental que busca reemplazar a
Jupyter Notebook (Project Jupyter, 2018).
Visual Code: Es un editor de código fuente potente, versátil, ligero y multiplataforma. Ofrece
soporte integrado para los lenguajes principales: JavaScript, TypeScript y Node.js, además
posee una amplia tienda de extensiones que lo hacen fácilmente configurable para otros
lenguajes como C++, C#, Java, Python, PHP, Go, .NET. entre otros (Microsoft, 2023).
Comparativa de IDEs
En la tabla 1 se analizan algunos de los IDEs más populares en el contexto de ML con Python,
considerando características como su compatibilidad multiplataforma, capacidad de depuración con
puntos de control, disponibilidad como código abierto, historiales de código, acceso a terminales,
integración nativa de control de versiones, soporte para los lenguajes investigados, acceso a base de
datos y compatibilidad con cuadernos Jupyter.
Tabla 1.
Comparativa de IDEs que soportan Python
Características Spyder
PyCharm
Community Edition
PyCharm Pro DataSpell
Compatibilidad
Multiplataforma
Capacidad de
depuración con
puntos de control
Disponibilidad como
código abierto
NO NO
Historiales
De código y
comandos
De código
De código y de consultas
ejecutadas
De código y de
consultas ejecutadas
Acceso a terminales
Gestión de
múltiples
consolas IPython,
Consola
integrada del SO
Gestión de múltiples
consolas Python y
consola integrada
del SO
Gestión de múltiples
consolas Python y
consola integrada del SO
Gestión de múltiples
consolas Python y
consola integrada del
SO
Control de versiones
(nativo)
NO
Lenguajes
soportados
(nativamente)
Python,
Python, HTML,
XML, JSON, YAML,
XSLT, XPath,
Markdown.
Python, Cython,
JavaScript, TypeScript,
SQL, HTML/CSS, XML,
JSON, YAML, XSLT,
XPath, Markdown,
compatibilidad con
frameworks (Angular,
Next.js, entre otros)
Python, R (Soporte
básico), SQL, HTML,
XML, JSON, YAML,
XSLT, XPath,
Markdown,
Latex (en progreso)
Acceso a base de
datos (nativo)
NO NO
Compatibilidad con
cuadernos Jupyter
(nativo)
(funciones
básicas de
creación y
edición)
NO
Las herramientas analizadas incluyeron tanto opciones de acceso abierto (Spyder y PyCharm
Community Edition), como opciones de pago (Pycharm Pro y DataSpell). En ambos casos, se
encontraron características comunes como la capacidad de ser multiplataforma, permitir la depuración
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 10
con el uso de puntos de interrupción, soporte integrado para Python y la mayoría integra un
controlador de versiones.
Es importante destacar que las herramientas de pago incorporan de forma nativa el acceso a bases
de datos y soporte para una amplia variedad de lenguajes, debido a que también están orientados al
desarrollo web u otras áreas. Todas estas herramientas almacenan el código y algunas los comandos o
consultas utilizadas, lo que facilita su recuperación, además, cuentan con consolas múltiples tanto para
Python como para las terminales del Sistema Operativo (SO).
En la tabla 2 se analizan los IDEs destinados al uso del lenguaje R. Se ha incluido JupyterLab, que
es compatible con Python y R. También se añadió Visual Studio Code (VS Code) debido a su
popularidad entre los desarrolladores. Esta popularidad está respaldada por las encuestas de Stack
Exchange (2023), que indican que sigue siendo la opción preferida de los desarrolladores. Cabe
destacar que, aunque VS Code ofrece soporte para Python y R, esta funcionalidad requiere una
configuración considerable.
Tabla 2.
Comparativa de IDEs que soportan R, Python y otros.
Características R-STUDIO RKWard JupyterLab Visual Studio Code
Compatibilidad
Multiplataforma
Capacidad de
depuración con
puntos de control
NO
Disponibilidad
como código abierto
Historiales De comandos
De comandos
(command log)
Del código
ejecutado en
la consola del
kernel
De consola ejecutados en
la terminal
Acceso a
Terminales
Consola R integrada y
proporciona acceso al
Shell del sistema a través
de múltiples terminales
Consola R integrada
Consola
disponible de
acuerdo con
el Kernel
activo
Consola integrada y
proporciona acceso al
Shell del sistema a través
de múltiples terminales
Control de
versiones (nativo)
NO NO
Lenguajes
soportados
(nativamente)
R R
Python
(predetermin
ado), además
admite
Kernel de: R,
C++, Julia,
Sage, Scala,
entre otros.
JavaScript/TypeScript y
Node.js
Acceso a base de
datos (nativo)
NO NO NO NO
Compatibilidad con
cuadernos Jupyter
(nativo)
NO NO NO
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 11
En este caso, se analizaron IDEs de código abierto tanto de escritorio como basados en web. En su
totalidad, son multiplataforma y admiten la depuración de código con puntos de interrupción. Sin
embargo, no todos tienen una integración nativa de control de versiones, como el caso de RKWard y
JupyterLab. El lenguaje nativo para R-Studio y RKWard es el lenguaje R mientras que para JupyterLab
se enfoca en Python, aunque ofrece la posibilidad de instalar otros kernels para la gestión de R, entre
otros. Por otro lado, Visual Code proporciona compatibilidad con varios lenguajes, incluyendo Python
y R a través de plugins.
Es evidente que ninguno de estos IDEs integra el acceso a bases de datos y compatibilidad con
cuadernos de Jupyter. Todas estas herramientas al igual que las anteriores en la tabla 1 llevan un
registro de los comandos o código usado, además de admitir el uso de la consola R o proporcionar
acceso a múltiples terminales.
En general, algunos de estos IDEs no tienen ciertas herramientas específicas integradas de forma
nativa. No obstante, es posible ampliar sus funcionalidades agregando complementos o plugins
desarrollados por terceros, con el objetivo de personalizar y enriquecer su entorno de desarrollo según
las necesidades del proyecto en el que ese esté trabajando.
4. Conclusiones
Se identificaron varios IDEs basados en lenguajes de programación con un enfoque en ML (Python y
R), y se observó una amplia variedad de opciones disponibles en diversas plataformas. Estos IDEs
abordan las características básicas de un entorno de desarrollo integrado, asegurando el acceso a
tecnologías tanto para desarrolladores como para científicos de datos, independientemente de su nivel
de conocimiento.
Al realizar una comparativa basada en características entre los IDEs enfocados en ML, existen varias
opciones en cuanto al nivel de conocimiento requerido para utilizarlos. En primer lugar, están aquellos
que admiten Python, caracterizados por su facilidad de uso y aprendizaje. En este caso, la elección se
reduce principalmente a decidir si optar por una herramienta gratuita o de pago. Por sus características
destacan versiones de pago como DataSpell, mientras que Pycharm Community Edition pudiera
constituirse como la herramienta libre por excelencia, si se desea utilizar incluso para desarrollo web
o Spyder si solo se necesita para herramientas de ML.
Por otro lado, para utilizar IDEs basados en el lenguaje R, es útil tener conocimientos estadísticos
básicos o avanzados. Sin embargo, a pesar de que R no está especialmente diseñado para facilitar su
aprendizaje, las opciones más recomendadas para personas sin experiencia es RKWard y JupyterLab.
Estas herramientas están enfocadas en la facilidad de uso tanto para principiantes como para expertos.
Si bien algunos IDEs carecen de características integradas, se pueden enriquecer mediante plugins
o componentes de terceros. Muchas de estas funcionalidades como control de versiones, soporte para
otros lenguajes, acceso a base de datos y compatibilidad con cuadernos de Jupyter pueden ser
complementadas de esta manera.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 12
Referencias
Amazon Web Services AWS. (2023). ¿Qué es un IDE (entorno de desarrollo integrado)? Amazon.
https://aws.amazon.com/es/what-is/ide/
Bi, Q., Goodman, K. E., Kaminsky, J., & Lessler, J. (2019). What is machine learning? A primer for the
epidemiologist. American Journal of Epidemiology, 188(12), 2222-2239.
https://doi.org/10.1093/aje/kwz189
Devi, M. R. S., Kumar, V. V., & Sivakumar, P. (2021). A review of image classification and object
detection on machine learning and deep learning techniques. In 2021 5th International Conference
on Electronics, Communication and Aerospace Technology (ICECA) (pp. 1-8). IEEE.
https://ieeexplore.ieee.org/abstract/document/9676141
Garcés-Giraldo, L. F., Benjumea-Arias, M., Cardona-Acevedo, S., Bermeo-Giraldo, C., Valencia-Arias,
A., Patiño-Vanegas, C., ... & García, R. B. (2022). Uso de inteligencia artificial en gestión de la
información: una revisión bibliométrica. Revista Ibérica de Sistemas e Tecnologias de Informação,
(E54), 506-517.
https://www.proquest.com/openview/cd91b567d2231af1ab3b1838a62b3948/1?pq-
origsite=gscholar&cbl=1006393
Gibson, S., Issac, B., Zhang, L., & Jacob, S. M. (2020). Detecting spam email with machine learning
optimized with bio-inspired metaheuristic algorithms. IEEE Access, 8, 187914-187932.
https://doi.org/10.1109/ACCESS.2020.3030751
Gujral, S., Rathore, A. & Chauhan, S. (2017). Detecting and Predicting Diabetes Using Supervised
Learning: An Approach towards Better Healthcare for Women. International Journal of Advanced
Research in Computer Science, 8(5). http://www.ijarcs.info./index.php/Ijarcs/article/view/3674
Gutierrez-Espinoza, S., & Cabanillas-Carbonell, M. (2021). Machine Learning Analysis for Cervical
Cancer Prediction, a Systematic Review of the Literature. In 2021 International Conference on e-
Health and Bioengineering (EHB) (pp. 1-6). IEEE. https://doi.org/10.1109/EHB52898.2021.9657567
Israni, P. (2019). Breast cancer diagnosis (BCD) model using machine learning. International Journal of
Innovative Technology and Exploring Engineering, 8(10), 4456-4463.
http://doi.org/10.35940/ijitee.J9973.0881019
JetBrains. (2023 A). Getting started. JetBrains. https://www.jetbrains.com/help/pycharm/getting-
started.html
JetBrains. (2023 B). Get started. JetBrains. https://www.jetbrains.com/help/dataspell/quick-start-
guide.html
Manrique, E. M. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para
desarrollo. Revista Ibérica de Sistemas e Tecnologias de Informação, (E28), 586-599.
https://www.risti.xyz/issues/ristie28.pdf
Microsoft. (2023). Getting Started. Visualstudio. https://code.visualstudio.com/docs
Posit Software. (2023). Download RStudio. Posit. https://posit.co/downloads/
Project Jupyter. (2018). Overview. Readthedocs.
https://jupyterlab.readthedocs.io/en/1.2.x/getting_started/overview.html
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 2 N° 2, julio-diciembre 2023 (5-13)
Esprint Investigación
José Roberto Sánchez Arteaga 13
Python Software Foundation. (2023). What is Python? Executive Summary. Python.
https://www.python.org/doc/essays/blurb/
Raschka, S. & Mirjalili, V., (2019). Python machine learning. (2ª ed) Marcombo. https://n9.cl/bf3om
Red Hat. (2023). ¿Qué es y para qué sirve un IDE? RedHat.
https://www.redhat.com/es/topics/middleware/what-is-ide
Rödiger, S., Friedrichsmeier, T., Kapat, P., & Michalke, M. (2012). RKWard: a comprehensive graphical
user interface and integrated development environment for statistical analysis with R. Journal
of Statistical Software, 49(9), 1-34. https://doi.org/10.18637/jss.v049.i09
Spyder Doc Contributor. (2023). Welcome to Spyder’s Documentation. Spyder-ide. https://docs.spyder-
ide.org/current/index.html
Stack Exchange. (2023). 2023 Developer Survey. Stackoverflow.
https://survey.stackoverflow.co/2023/#:~:text=boxes%20in%20that%20row.)-
,Integrated%20development%20environment,-Visual%20Studio%20Code%20remains
Saabith, S., Vinothraj, T., & Fareez, M. (2021). A review on Python libraries and Ides for Data Science.
Int. J. Res. Eng. Sci, 9(11), 36-53. https://n9.cl/fgh2f
Tiobe. (2023). TIOBE Index for June 2023. Tiobe. https://www.tiobe.com/tiobe-index/
Vargas, D. (2023). ¿Qué es un entorno de desarrollo y en qué se diferencia de un entorno de desarrollo integrado
(IDE)? Hostinger. https://www.hostinger.es/tutoriales/que-es-un-entorno-de-desarrollo
Transparencia
Conflicto de interés
El autor declara que no existen conflictos de interés que influyan en la objetividad de este estudio.
Fuente de financiamiento
No se recibieron fondos financieros de ninguna organización que pudiera tener interés en los
resultados presentados.
Contribución de autoría
José Roberto Sánchez Arteaga: Conceptualización, metodología, software, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, administración del proyecto, recursos, supervisión.
El autor contribuyó activamente en el análisis de los resultados, revisión y aprobación del manuscrito
final.