Cómo los vectores hacen que Netflix adivine tus gustos

¿Te intriga cómo Netflix y Spotify aciertan con tus gustos? La clave es el álgebra lineal: el lenguaje que permite a las máquinas representar conceptos como vectores, medir similitud y transformar datos con multiplicación de matrices. Con ejemplos claros y un proyecto práctico, verás cómo estos fundamentos sostienen traductores, reconocimiento facial y deep learning, y cómo construirás un modelo para predecir precios de viviendas usando solo NumPy.

¿Por qué el álgebra lineal impulsa la inteligencia artificial?

El punto de partida es entender los vectores como flechas que codifican conceptos. Si dos vectores apuntan en direcciones similares, comparten significado; si están lejos, no tienen relación. Esta intuición permite medir relación y similitud en espacios de muchas dimensiones y es la base de los sistemas modernos de IA.

¿Qué es un vector y por qué importa?

• Un vector representa un concepto como una flecha en el espacio.
• Similitud: flechas cercanas implican ideas relacionadas.
• Distancia y dirección: capturan analogías y diferencias.
• Espacios de altas dimensiones para describir matices complejos.

¿Dónde se usa: recomendaciones, traducción y visión?

• Recomendaciones en Netflix y Spotify: el vector del contenido que te gusta es cercano a lo sugerido.
• Traducción y analogías: “hombre es a mujer como rey es a reina” por direcciones y distancias casi idénticas.
• Reconocimiento facial en tu celular: operaciones con vectores en espacios multidimensionales.
• Modelos de lenguaje avanzados: todo se reduce a cálculos vectoriales.

¿Qué aprenderás: vectores, matrices y multiplicación?

Dominarás la multiplicación de matrices, que transforma conjuntos de datos completos y actúa como el motor de cada capa en una red neuronal de deep learning. Además, entenderás cómo se rompe un modelo y cómo corregirlo profesionalmente con la pseudo-inversa.

¿Qué rol tiene la multiplicación de matrices?

• Transforma datos de forma estructurada.
• Es el motor que impulsa cada capa en redes neuronales.
• Permite encadenar operaciones para aprender patrones.

¿Qué requisitos previos conviene tener?

• Haber cursado Fundamentos de Álgebra Lineal en Platzi.
• Reforzar conceptos que se usarán directamente aquí.
• Llegar con la base para aprovechar al máximo los ejercicios.

¿Cómo lo aplicarás en un proyecto real con NumPy?

Construirás un modelo desde cero, con puro álgebra lineal y NumPy, para predecir precios de viviendas. Verás qué hacer cuando la matriz no se puede invertir, aplicarás pseudo-inversa y obtendrás la mejor solución posible, como lo haría un profesional. Con esta mirada, un sistema de recomendación se vuelve una “sinfonía de operaciones con vectores y matrices”.

¿Qué construirás desde cero?

• Un modelo predictivo para precios de vivienda.
• Implementado solo con NumPy y álgebra lineal.
• Diagnóstico cuando el modelo se rompe por datos o matrices singulares.
• Corrección con pseudo-inversa para una solución estable.
• Comprensión práctica del “lenguaje” del machine learning.

¿Tienes dudas o un caso de uso que quieras explorar con vectores y matrices? Cuéntalo en los comentarios y construyamos juntos ese lenguaje con Daniel Erazo, ingeniero de software especializado en IA.