Cómo Netflix sabe qué quieres ver

Las recomendaciones de Netflix y Spotify no son magia: se basan en álgebra lineal. Con vectores y matrices, las máquinas representan conceptos, comparan similitudes y toman decisiones. Aquí entenderás cómo esos bloques construyen desde sistemas de recomendación hasta deep learning, y qué construirás paso a paso con NumPy.

¿Qué es el lenguaje de la IA y por qué importan los vectores?

Los vectores son flechas que representan conceptos como madre, padre o hijo y permiten medir relación y similitud. Si dos vectores apuntan en direcciones cercanas, los conceptos son similares; si están lejos, no se relacionan. Esta idea explica por qué una canción que te gusta tiene un vector parecido a otra que te recomiendan y cómo un traductor entiende analogías del tipo “hombre es a mujer como rey es a reina”. Todo vive en un espacio de muchísimas dimensiones donde operan los modelos modernos.

• Un vector captura dirección y magnitud de un concepto.
• La similitud se interpreta con distancia y dirección entre vectores.
• Un sistema de recomendación compara vectores para sugerirte contenido.
• El reconocimiento facial y los modelos de lenguaje operan en espacios de alta dimensión.
• Las analogías se preservan por relaciones geométricas entre vectores.

¿Cómo impulsa la multiplicación de matrices el deep learning?

La multiplicación de matrices transforma conjuntos de datos completos a la vez y es el motor de cada capa de una red neuronal en deep learning. Cada capa aplica una transformación lineal que reubica vectores en el espacio, resaltando patrones útiles para la tarea: clasificar, traducir o recomendar.

• Multiplicar matrices aplica transformaciones a miles de ejemplos simultáneamente.
• Cada capa de una red neuronal es una combinación de operaciones lineales.
• Las salidas son nuevos vectores con rasgos más informativos para la tarea.

¿Qué construirás con NumPy y qué problemas resolverás?

Crearás desde cero un modelo con NumPy capaz de predecir precios de viviendas usando solo álgebra lineal. Además, aprenderás a diagnosticar qué pasa cuando una matriz no se puede invertir, y a solucionarlo con la pseudo-inversa para obtener la mejor solución posible, como lo haría un profesional.

• Construir un modelo paso a paso con transformaciones lineales.
• Implementar predicción de precios mediante operaciones matriciales.
• Detectar fallas cuando la matriz “se rompe” y no es invertible.
• Aplicar pseudo-inversa para encontrar soluciones estables.

Para aprovechar al máximo, es recomendable haber cursado Fundamentos de Álgebra Lineal en Platzi: muchos conceptos se usan directamente aquí. Tu guía será Daniel Erazo, ingeniero de software especializado en IA, quien te acompañará a construir el lenguaje del machine learning desde la base.

¿Tienes dudas, un caso de uso o un dataset en mente para aplicar estos conceptos? Compártelo en los comentarios y enriquezcamos el aprendizaje en conjunto.