1.11 - Lo esencial de Álgebra Lineal para Deep Learning

Lección 11 de la sección “Introducción al Deep Learning” del curso Fundamentos de Deep Learning con Python.

Introducción

En la lección anterior vimos una introducción a Pandas para Deep Learning, y vimos cómo usar esta librería para la lectura y manipulación de sets de datos en formato tabular.

En esta lección veremos los conceptos fundamentales de Álgebra Lineal requeridos para comprender el funcionamiento de las diferentes arquitecturas de Deep Learning que veremos a lo largo de este curso.

Suscríbete para tener acceso al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online

Escalares y vectores

Matrices y tensores

Operaciones más comunes

  1. Producto punto entre dos vectores: se obtiene multiplicando de manera individual (uno a uno) los elementos de cada vector, y luego sumando los resultados. También es posible obtener este resultado calculando la transpuesta del primer vector y realizando una multiplicación vectorial con el segundo. Este producto punto siempre da como resultado una cantidad escalar
  2. Norma de un vector: corresponde simplemente a la magnitud del vector, y se calcula sumando el cuadrado de cada uno de sus elementos y luego aplicando la raíz cuadrada al resultado de esta suma.

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

Bien, acabamos de ver los elementos esenciales de Álgebra Lineal para el Deep Learning. Estos conceptos los retomaremos más adelante cuando analicemos las Redes Neuronales en la próxima sección del curso.

En la próxima lección continuaremos revisando estos conceptos básicos, y especificamente nos enfocaremos en los elementos básicos de Cálculo Diferencial para Deep Learning.

Ver todas las lecciones de este curso