Lección 11 del curso Álgebra Lineal para Ciencia de Datos y Machine Learning.
En la lección anterior desarrollamos la primera práctica del curso, en donde vimos cómo usar word2vec para realizar el procesamiento de lenguaje natural en Python.
En este tercer módulo del curso hablaremos del segundo tipo de dato fundamental del Álgebra Lineal: las matrices.
Al igual que hicimos con los vectores, primero entenderemos su importancia en la Ciencia de Datos y el Machine Learning y luego hablaremos de algunas operaciones básicas y avanzadas con matrices, para cerrar con un ejercicio práctico haciendo uso de Python y NumPy.
Así que en esta lección nos enfocaremos en entender, a través de varios ejemplos, los diferentes usos que pueden tener las matrices en la Ciencia de Datos y el Machine Learning:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, las matrices se utilizan para almacenar datos estructurados y no estructurados, como imágenes y texto. Pero además de esto, permiten aplicar transformaciones a los datos, como proyecciones y cambios de base, lo que facilita su procesamiento computacional. En arquitecturas como las Redes Neuronales, las matrices son esenciales para realizar transformaciones internas de los datos y representar los parámetros del modelo y por tanto resultan fundamentales en el campo del Machine Learning.
Y con esto ya tenemos un panorama de los diferentes usos que podemos dar a las matrices en la Ciencia de Datos y el Machine Learning. Así que en la próxima lección comenzaremos a profundizar en estas matrices y veremos varias definiciones, su notación y conceptos básicos que resultarán útiles de aquí en adelante.
Todas las lecciones del curso Álgebra Lineal para Ciencia de Datos y Machine Learning