Lección 16 del curso Álgebra Lineal para Ciencia de Datos y Machine Learning.
En la lección anterior vimos cómo implementar y crear un clasificador haciendo uso del perceptrón, la arquitectura clásica del Machine Learning y precursora de modelos como la Neurona Artificial y las Redes Neuronales. Y allí vimos de forma aplicada varios de los conceptos de Álgebra Lineal vistos hasta ese momento.
En este último módulo del curso, nos enfocaremos en los valores y vectores propios de una matriz, dos conceptos ampliamente utilizados en diversas técnicas de Machine Learning.
Y específicamente en esta lección comenzaremos entendiendo precisamente qué son los valores y vectores propios (también conocidos como «eigenvalores» y «eigenvectores»):
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.
En esencia, v es un eigenvector (o vector propio) de la matriz A si satisface la ecuación A·v = λ·v, donde λ es un eigenvalor (o valor propio).
Así que ya hemos visto la definición matemática de estos dos conceptos que resultan clave en el Álgebra Lineal. Entonces en la próxima lección veremos cómo calcular estos vectores y valores propios.
Todas las lecciones del curso Álgebra Lineal para Ciencia de Datos y Machine Learning