Lo que aprenderás sobre álgebra lineal aplicada

he pasado por las mejores escuelas de matematicas de mi pais y puedo decir que este profesor es el mejor maestro que he conocido en cuanto a algebra lineal

Qué diferencia la introducción de este curso comparada con la introducción de Algebra Lineal con Python. Se nota que el profe Sebastian cogió confianza. Bien por el profe ^^

Para el que no haya hecho el curso previo:
https://platzi.com/clases/algebra-lineal/

Aquí el repositorio oficial del curso:

https://github.com/platzi/algebra-aplicada

En él podran encontrar el libro que se uso de base para el desarrollo de las clases.

Resumen de lo aprendido en el curso anterior de: Curso de Fundamentos de Álgebra Lineal con Python

• Que es una Matriz.
• Que operaciones puedo realizar con ellas.
• Que es una matriz identidad.
• El calculo de la inversa de una matriz cuadrada.

Ahora con esas bases vamos a poder calcular:

• ¿Qué son los auto valores?
• ¿Qué son los auto vectores?
• ¿Cómo puedo mediante esto descomponer una matriz?
• Si descompongo una matriz, siempre es única esa descomposición.
• ¿Qué es la descomposición en valores singulares?
• ¿Cómo calcular una pseudoinversa?

Por qué todo esto es tan importante:

Debido a que en machine Learning debemos tener cuidado en los tiempos computacionales, si no somos cuidadosos y reducimos la cantidad de dimensiones que estamos entregando vamos a necesitar grades volúmenes de datos que hagan que nuestros procesos demoren muchísimo mas tiempo.

Ahora, antes de empezar: ¿Por qué a la matrices las pensamos como transformaciones lineales?

Bienn!!! uno de mis profesores favoritosssssss que bien!

Hola amigos les dejo mis notas del curso y mis notebooks en un repositorio, nunca paren de aprender.

https://github.com/rb-one/-Curso_Algebra_Lineal_Aplicada_para_ML/blob/master/Notes/note.md

Eso que menciona al final, me parece que se refiere a la teoría de complejidad computacional, por si alguien le da curiosidad.

¡Hola a todos! Comparto con ustedes mis apuntes del curso. Me tomé el tiempo de investigar algunas fuentes adicionales y agregué material extra para mejorar la calidad del curso. Espero que les sea útil y cualquier comentario o sugerencia es bienvenido. ¡Disfruten!
Apuntes

Tremendo profe!

Mis funciones creadas para graficar. Dan mas plus comparadas con las dadas en el curso por defecto.

import plotly.graph_objects as go
import plotly.figure_factory as ff
import numpy as np

def graficarVectoresplotly(vecs, color, opacity=1, xlimit=[-5, 5], ylimit=[-5, 5], show=True):
    global fig1
    fig1 = go.Figure()
    
    for i in range(len(vecs)):
        x = np.concatenate([[0, 0], vecs[i]])
        
        fig1.add_traces(data=ff.create_quiver([x[0]], [x[1]], [x[2]], [x[3]], scale=1, arrow_scale=0.1, name=f'quiver {i}', marker=dict(color=color[i]), opacity=opacity).data)
      
    
    fig1.update_layout(showlegend=True)
    fig1.update_xaxes(zeroline=True, zerolinewidth=2, zerolinecolor="red", range=xlimit)
    fig1.update_yaxes(
        zeroline=True,
        zerolinewidth=2,
        zerolinecolor="red",
        range=ylimit,
        scaleanchor="x",
        scaleratio=1,
    )
    if show == True:
        fig1.show()

import plotly.figure_factory as ff
import plotly.express as px

def graficarMatrizplotly(matriz, xlimit=[-5, 5], ylimit=[-5, 5], show=True):
    
    #circulo unitario
    x = np.linspace(-1,1, 10000)
    y = np.sqrt(1-(x**2))
    
    #circulo unitario transformado
    x1 = matriz[0,0]*x + matriz[0,1]*y
    y1 = matriz[1,0]*x + matriz[1,1]*y
    x1_neg = matriz[0,0]*x - matriz[0,1]*y
    y1_neg = matriz[1,0]*x - matriz[1,1]*y
    
    #vectores
    u1 = [matriz[0,0], matriz[1,0]]
    v1 = [matriz[0,1], matriz[1,1]]
    print(u1)
    print(v1)
    
    graficarVectoresplotly([u1, v1], ['blue', 'yellow'], 0.7, show=False)
    
    fig1.add_traces(
        data=px.line(x=x1, y=y1, color_discrete_sequence=['green']).data + px.line(x=x1_neg, y=y1_neg, color_discrete_sequence=['green']).data
    )
            
    fig1.update_xaxes(range=xlimit)
    fig1.update_yaxes(
        range=ylimit,
        scaleanchor="x",
        scaleratio=1,
    )
    if show == True:
        fig1.show()

Muy buen profesor!

Lo que aprenderás sobre álgebra lineal aplicada

• Calcular autovalores y autovectores.
• Descomposición de matrices.
• SVD.
• Calcular la pseudoinversa.
• PCA

Todo esto es importante porque en Machine Learning y Deep Learning debemos tener cuidado con los tiempos computacionales, teniendo en cuenta el poder de cómputo.

Con muchas expectativas. Todo es absolutamente nuevo en este curso para mi.

Excelente tener otra vez al profe Sebastián!

Si alguien necesita un complemento visual de todo esto, recomiendo este canal c:

https://www.youtube.com/watch?v=wiuEEkP_XuM

Let’s do it! 🐱‍👤👍✨

Me encanta la introducción!
Y me gustó mucho el curso anterior

Este profesor es excelente, explica muy bien y muy claro! 👍🏼😀

Recominedo tomar el curso previo, ya sea para los que no saben nada así como los que tienen base matemática formal.