Lección 11 del módulo “Introducción al Deep Learning” del curso Fundamentos de Deep Learning con Python.
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.
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.
Bien, acabamos de ver que los escalares son cantidades numéricas simples, mientras que los vectores son conjuntos unidimensionales de estos escalares. Por ejemplo, un vector podría representar las características físicas de una persona, como la edad, altura y peso.
Por otro lado, las matrices son arreglos bidimensionales de datos organizados en filas y columnas, mientras que los tensores son arreglos de más de dos dimensiones.
Las operaciones comunes incluyen el producto punto entre vectores para obtener un escalar y el cálculo de la norma de un vector para obtener su magnitud. Estos conceptos y operaciones son fundamentales que resultarán claves para entender el funcionamiento interno de los diferentes tipos de Redes Neuronales que veremos más adelante en este curso.
En la próxima lección continuaremos revisando estos conceptos básicos, y especificamente nos enfocaremos en los elementos básicos de Cálculo Diferencial para Deep Learning.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.