Lección 14 del curso Álgebra Lineal para Ciencia de Datos y Machine Learning.
En la lección anterior exploramos varias operaciones básicas con matrices, incluyendo una especialmente importante en el ámbito del Machine Learning: la multiplicación de matrices y la multiplicación de una matriz por un vector.
En esta lección, partiremos de estas operaciones para definir un tipo de transformación común en numerosos algoritmos de Machine Learning: la transformación afín:
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.
El concepto de la transformación afín es uno de los más utilizados en numerosos algoritmos de Machine Learning, incluyendo arquitecturas como las Redes Neuronales.
En el ejemplo del clasificador que acabamos de analizar, vimos que esencialmente este tipo de modelo proyecta un vector a un espacio de menor dimensión para luego aplicar un criterio (>0, <0) y clasificar el dato, que es el principio de funcionamiento de una Neurona Artificial.
Así que con esto ya es momento de poner en práctica varios de los conceptos aprendidos en esta tercera parte del curso. Entonces, en la próxima lección, cerraremos este módulo implementando, de forma práctica y con ayuda de Python y NumPy, el primer prototipo de una Neurona Artificial desarrollado en el Machine Learning: el perceptrón.
Todas las lecciones del curso Álgebra Lineal para Ciencia de Datos y Machine Learning