2 - Ejemplos de aplicación del Álgebra Lineal en Ciencia de Datos y Machine Learning
Lección 2 del curso Álgebra Lineal para Ciencia de Datos y Machine Learning.
Tabla de contenido
Introducción
En la lección anterior vimos una definición de qué es el Álgebra Lineal como una herramienta que permite definir diferentes operaciones sobre vectores y matrices, los tipos de datos fundamentales en Ciencia de Datos y Machine Learning.
En esta lección veremos ejemplos específicos de uso del Álgebra Lineal en estas áreas
Suscríbete para tener acceso al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Ejemplo 1: para representar datos estructurados
Como lo mencionamos en el curso de Introducción a la Ciencia de Datos, generalmente podemos tener dos tipos de datos: estructurados y no estructurados.
Los estructurados son aquellos que se representan en formato tabular. Así, podemos usar por ejemplo los vectores para representar una fila o una columna de este tipo de datos, o una matriz para representar un grupo de filas o de columnas.
Ejemplo 2: para representar datos no estructurados
El otro tipo de datos que podemos tener en un proyecto de Ciencia de Datos o Machine Learning son los datos no estructurados, como imágenes, audio, voz, video o texto.
De nuevo, podemos recurrir a los vectores, las matrices o los tensores (arreglos de matrices) para representar este tipo de información.
Ejemplo 3: para operar sobre datos
Como se mencionó en la lección anterior podemos usar Álgebra Lineal para ajustar un modelo: los datos se representan vectorial/matricialmente y los parámetros del modelo de la misma forma.
Los algoritmos que permiten optimizar estos parámetros usan operaciones sobre vectores y matrices (es decir de Álgebra Lineal) para encontrar el modelo que mejor se ajuste a los datos.
De hecho, en el Deep Learning, un área del Machine Learning, tenemos modelos como las Redes Neuronales, las Redes Convolucionales, las Redes Recurrentes y las Redes Transformer que permiten procesar imágenes, videos, audio, texto, voz, entre otras. Estos datos de entrada son representados en formato de vectores, matrices e internamente para lograr interpretar esta info se requieren algoritmos basados en Álgebra Lineal para detectar patrones en dichos datos.
¿Qué pasa si aprendo Machine Learning o Ciencia de Datos sin conocer Álgebra Lineal?
En este punto ya tenemos un panorama un poco más completo acerca del papel que desempeña el Álgebra Lineal en la Ciencia de Datos y el Machine Learning. Pero en todo caso vale la pena preguntarnos si realmente es necesario o no aprenderla como parte de nuestro proceso de formación.
Si no la aprendemos en todo caso podremos seguir usando librerías y herramientas de programación para resolver algunos problemas sin inconveniente alguno. Sin embargo no podremos explotar al máximo el potencial de los diferentes algoritmos y técnicas existentes pues, al no contar con conocimientos de Álgebra Lineal (y de matemáticas en general), no entenderemos los conceptos que explican el funcionamiento de estos métodos.
Adicionalmente, al no tener las bases adecuadas de matemáticas y en particular de Álgebra Lineal, no estaremos en capacidad de entender artículos o libros que describan las técnicas usadas en Ciencia de Datos y Machine Learning.
Lo anterior debido a que las matemáticas son el lenguaje usado para describir estos desarrollos. Sin esta herramienta no estaremos en capacidad de entender ni de hacernos entender en estos ámbitos.
Recuerda suscribirte para acceder al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Conclusión
Con lo visto en esta lección ya tenemos un panorama más claro del papel del Álgebra Lineal en la Ciencia de Datos y el Machine Learning y de la importancia de aprenderlo si queremos dominar estos campos.
Con esto terminamos este primer módulo introductorio del curso. En el próximo módulo nos enfocaremos en todo lo relacionado con el primer tipo de dato en el Álgebra Lineal: los vectores.
Específicamente en la próxima lección vamos a entender el papel de estos vectores en la Ciencia de Datos y el Machine Learning.