3 - Motivación: el papel de los vectores en la Ciencia de Datos y el Machine Learning
Lección 3 del curso Álgebra Lineal para Ciencia de Datos y Machine Learning.
Tabla de contenido
Introducción
En la lección anterior vimos varios ejemplos de aplicación del Álgebra Lineal en la Ciencia de Datos y el Machine Learning.
En este segundo módulo del curso nos enfocaremos en los vectores, el tipo de dato más simple con el que podemos operar en Álgebra Lineal. Veremos qué es un vector y las diferentes operaciones que podemos realizar con éstos.
Y para entender su importancia en esta lección veremos, a través de diferentes ejemplos, el papel que desempeñan los vectores en la Ciencia de Datos y el Machine Learning.
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: segmentación de clientes
En una entidad bancaria una aplicación de Ciencia de Datos y Machine Learning muy usada es la segmentación de clientes, que consiste en recolectar diferentes características de los clientes (como edad, nivel de endeudamiento, historial crediticio, nivel de inversión, etc.) para definir diferentes grupos (o segmentos) de cliente a quienes se puedan ofrecer diferentes productos, ajustados a cada perfil de cliente.
Para poder realizar este tipo de segmentación requerimos el Álgebra Lineal y en particular los vectores:
- Para representar cada cliente por un conjunto de características
- Para usar estas representaciones vectoriales y así generar una gráfica de este conjunto de características por cada cliente y buscar patrones que permitan diferenciar unos grupos de otros
- O para usar estas representaciones vectoriales y alimentar un modelo de Machine Learning que encuentre los segmentos de cliente de forma automática.
Ejemplo 2: un sistema de reconocimiento facial
En un sistema de reconocimiento facial lo que esencialmente se busca es tomar una imagen de entrada (que contiene un rostro) para llevarla a un modelo capas de extraer características de dicho rostro y determinar si pertenece o no a un sujeto en particular.
Este modelo de extracción de características permite obtener un vector, conocido como embedding, cuyos valores serán únicos para cada persona.
Así los sistemas de reconocimiento facial permiten representar la imagen del rostro de forma vectorial y luego realizar operaciones sobre estos vectores para diferenciar una persona de otra.
Ejemplo 3: un sistema de recomendación
Un elemento esencial en las redes sociales o plataformas de streaming como Netflix, YouTube o Spotify es el sistema de recomendación de contenidos: con base en el historial de contenido visualizado por el usuario se generarán nuevas recomendaciones de contenido que buscan mantener al usuario “enganchado” en la plataforma la mayor cantidad de tiempo posible.
En el fondo estos sistemas toman el contenido que hemos consumido en la plataforma y obtienen representaciones vectoriales y luego “comparan” este contenido con el contenido existente en la plataforma para sugerirnos nuevo contenido. Esta comparación es esencialmente una operación entre vectores.
Ejemplo 4: análisis de lenguaje natural
En los últimos años hemos visto el surgimiento de los chatbots, sistemas de inteligencia artificial capaces de sostener una conversación con un ser humano. Y hemos visto además cómo cada vez lo hacen logrando mantener una conversación cada vez más natural.
Cuando escribimos una frase este texto es representado vectorialmente e introducido al chatbot, y el chatbot genera una respuesta en formato vectorial que luego es convertida a texto para que la podamos entender.
Así que en el fondo un chatbot es un modelo de Inteligencia Artificial construido para recibir vectores a la entrada, operar sobre estos y generar vectores a la salida. ¡En el fondo el chatbot aprende a manipular cantidades vectoriales!
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
En esta lección hemos visto sólo algunos ejemplos de cómo los vectores se usan para representar información del mundo real y para poder desarrollar modelos que permitan operar sobre estos vectores para resolver problemas en diferentes ámbitos de nuestra vida diaria en un proyecto de Ciencia de Datos y Machine Learning.
Teniendo claro que los vectores son uno de los elementos esenciales en cualquier desarrollo en estas áreas, en la siguiente lección veremos una definición formal y conceptos asociados a los vectores.