Algebra: Lineal

2024
Algebra
LINEAL
Proyecto de Clase
Catedrático: Juan Carlos Alcerro Mena
Alumnos:
Keily Osiris Turcios Caballero 322450025
Sharip Ludwika Brizuela Cartagena 123310079
Gleidy Mabel Salazar Rodríguez 320070016
Marleny Yadira García Villanueva 221310068
Marco Antonio Lara Alberty 319310118
William Ariel Madrid 322450042
Introducción
Elegimos este tema que ilustra cómo el álgebra lineal se aplica en un campo
específico de manera práctica y relevante. Y optamos por esta excelente opción que
es ¨El uso del álgebra lineal en el aprendizaje automático (machine learning)¨, ya que
es un área en rápido crecimiento que tiene un gran impacto en diversas industrias,
desde la tecnología hasta la medicina y el marketing.
El álgebra lineal es una rama fundamental de las matemáticas que se ocupa del
estudio de vectores, espacios vectoriales, transformaciones lineales y sistemas de
ecuaciones lineales. Su relevancia en el campo del aprendizaje automático (machine
learning) es indiscutible, ya que muchas técnicas y algoritmos de este campo se basan
en conceptos y operaciones de álgebra lineal. En este informe, exploraremos cómo el
álgebra lineal se aplica en el aprendizaje automático, destacando ejemplos prácticos
y su impacto en la vida real.
Objetivos
Explicar cómo se utiliza el álgebra lineal en el aprendizaje automático (ML),

destacando su importancia en la creación de modelos predictivos y el análisis
de grandes volúmenes de datos.
El aprendizaje automático está transformando múltiples sectores al permitir

la automatización y la toma de decisiones basada en datos. Entender el papel
del álgebra lineal en este campo es fundamental para aprovechar su
potencial.
Aprendizaje Automático
El aprendizaje automático es un subconjunto de

la inteligencia artificial que permite que un
sistema aprenda y mejore de forma autónoma
con redes neuronales y aprendizaje profundo, sin
necesidad de una programación explícita, a
través del análisis de grandes cantidades de
datos.
El aprendizaje automático permite que los
sistemas informáticos se ajusten y mejoren
continuamente a medida que acumulan más
"experiencias". Por lo tanto, el rendimiento de
estos sistemas puede mejorar si se proporcionan
conjuntos de datos más grandes y variados para
su procesamiento.
1.1 ¿Cómo funciona el aprendizaje automático?

El aprendizaje automático trabaja a través del entrenamiento de algoritmos en conjuntos
de datos para lograr un resultado esperado, como la identificación de un patrón o el
reconocimiento de un objeto. El aprendizaje automático es el proceso de optimizar el
modelo para que pueda predecir la respuesta correcta en función de las muestras de datos
de entrenamiento.
Si suponemos que los datos de entrenamiento son de alta calidad, mientras más muestras
de entrenamiento reciba el algoritmo de aprendizaje automático, más preciso será el
modelo. El algoritmo ajusta el modelo a los datos durante el entrenamiento, en lo que se
denomina el “proceso de ajuste”. Si el resultado no se ajusta al resultado esperado, el
algoritmo se vuelve a entrenar una y otra vez hasta que genera la respuesta precisa. En
términos simples, el algoritmo aprende de los datos y alcanza resultados en función de si
la entrada y la respuesta se ajustan a una línea, un clúster o alguna otra correlación
estadística.
1.2 ¿Qué es el 'machine learning' y para qué sirve?
El Machine Learning es una disciplina del campo

de la Inteligencia Artificial que, a través de
algoritmos,
dota a los ordenadores de la capacidad de
identificar patrones en datos masivos y elaborar
predicciones (análisis predictivo). Este aprendizaje
permite a los computadores realizar tareas
específicas de forma autónoma, es decir, sin
necesidad de ser programados.
El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia en los
últimos años debido al aumento de la capacidad de computación y al boom de los datos.
Las técnicas de aprendizaje automático son, de hecho, una parte fundamental del Big
Data.
Los algoritmos de Machine Learning se dividen en tres categorías, siendo las dos
primeras las más comunes:
Aprendizaje supervisado: estos algoritmos

cuentan con un aprendizaje previo basado en
un sistema de etiquetas asociadas a unos datos
que les permiten tomar decisiones o hacer
predicciones. Un ejemplo es un detector de
spam que etiqueta un e-mail como spam o no
dependiendo de los patrones que ha aprendido
del histórico de correos (remitente, relación
texto/imágenes, palabras clave en el asunto,
etc.).
Aprendizaje no supervisado: estos algoritmos no
cuentan con un conocimiento previo. Se enfrentan
al caos de datos con el objetivo de encontrar
patrones que permitan organizarlos de alguna
manera. Por ejemplo, en el campo del marketing se
utilizan para extraer patrones de datos masivos
provenientes de las redes sociales y crear
campañas de publicidad altamente segmentadas.
Aprendizaje por refuerzo: su objetivo es que un

algoritmo aprenda a partir de la propia experiencia.
Esto es, que sea capaz de tomar la mejor decisión ante
diferentes situaciones de acuerdo a un proceso de
prueba y error en el que se recompensan las decisiones
correctas. En la actualidad se está utilizando para
posibilitar el reconocimiento facial, hacer diagnósticos
médicos o clasificar secuencias de ADN.
El álgebra lineal es una herramienta matemática fundamental en el aprendizaje

automático (machine learning) para comprender y desarrollar algoritmos. El álgebra
lineal se utiliza en el aprendizaje automático para:
Describir la estructura, los pesos y los parámetros de los algoritmos

Manipular grupos de números de forma simultánea
Representar y manejar datos de grandes dimensiones
Implementar operaciones computacionales eficientes y escalables
Algunos ejemplos de cómo se utiliza el álgebra lineal en el aprendizaje automático son:
Normalización de datos
Se utiliza la suma de matrices para restar la media de cada punto de datos
Reducción de dimensionalidad
Se utiliza la factorización de matrices para reducir la dimensionalidad de los datos y
simplificar su análisis
Representación de puntos de datos

Se utilizan los vectores para representar puntos de datos en espacios de alta dimensión
Aplicaciones del Álgebra Lineal en el Aprendizaje Automático
1. Fundamentos del Álgebra Lineal

-Vectores y Matrices:
Un vector es una entidad que tiene magnitud y dirección y se puede representar como
una lista ordenada de números.
Una matriz es una disposición rectangular de números en filas y columnas que se utiliza
para representar transformaciones lineales y sistemas de ecuaciones lineales.
Definición básica: Explicar qué es el álgebra lineal y sus principales conceptos (vectores,
matrices, operaciones matriciales).
Relevancia en la computación: Cómo el álgebra lineal proporciona una base

matemática para el procesamiento de datos, optimización y modelado.
-Operaciones Básicas:
Suma y Resta de Vectores y Matrices:
Las operaciones se realizan elemento a
elemento.
Multiplicación de Matrices: Una
operación que combina dos matrices
para producir una tercera.
Inversión de Matrices: Proceso de
encontrar una matriz que, al
multiplicarse por la matriz original,
produzca la matriz identidad.
-Conceptos Clave:
Espacio Vectorial: Un conjunto de vectores que puede ser escalado y
sumado para formar nuevos vectores dentro del mismo conjunto.
Transformaciones Lineales: Funciones que toman vectores como entrada y

producen vectores como salida, preservando la estructura del espacio
vectorial.
Valores Propios y Vectores Propios: Conceptos que describen cómo una

transformación lineal afecta a los vectores en su dominio.
Aprendizaje Automático
Modelos Lineales:
Regresión Lineal: Utiliza una línea recta para modelar la relación entre una
variable dependiente y una o más variables independientes.
Máquinas de Vectores de Soporte (SVM): Utilizan hiperplanos para separar

clases en un espacio vectorial.
Reducción de Dimensionalidad:
Análisis de Componentes Principales (PCA): Técnica que reduce la

dimensionalidad de los datos proyectándolos en un nuevo espacio de
menor dimensión, preservando la mayor variabilidad posible.
Optimización:
Descenso de Gradiente: Algoritmo utilizado para minimizar funciones de costo
en modelos de aprendizaje automático.
Algoritmos de Optimización: Técnicas para encontrar los mejores parámetros que
minimicen o maximicen una función objetivo.
Procesamiento de Datos:
Transformación de Datos: Uso de matrices para transformar datos de un formato
a otro.
Normalización y Escalado: Ajuste de los datos para que tengan una media de
cero y una desviación estándar de uno, o para que se encuentren en un rango
específico.
3.2. Algoritmos de ML basados en Álgebra Lineal
-Regresión Lineal:
Ecuaciones y su resolución mediante álgebra matricial.
Ejemplo práctico: Predecir precios de viviendas utilizando características (tamaño,

ubicación, etc.).
Análisis de Componentes Principales (PCA):

Uso de la descomposición en valores singulares (SVD) para reducir la
dimensionalidad de los datos.
Aplicación en compresión de datos y eliminación de ruido.

Redes Neuronales:
Cómo las operaciones matriciales son fundamentales para el funcionamiento de
redes neuronales (multiplicación de matrices para calcular los pesos y activaciones)
Ejemplo: Clasificación de imágenes utilizando redes neuronales convolucionales
(CNN).
3.3. Optimización y Entrenamiento de Modelos

Gradiente descendente:
Explicación del algoritmo de optimización para ajustar los parámetros de los modelos.
Cómo el álgebra lineal se utiliza para calcular gradientes y ajustar los pesos de los
modelos.
Descomposición en valores propios y SVD:
Aplicación en el análisis de grandes bases de datos y en la compresión de modelos.
4. Caso Práctico: Reconocimiento de Imágenes con Machine Learning
Descripción del problema: Clasificación de imágenes en diferentes categorías (por

ejemplo, identificar gatos y perros en imágenes).
Uso del álgebra lineal: Cómo se utilizan técnicas como convoluciones,

transformaciones y operaciones matriciales para procesar las imágenes y entrenar un
modelo.
Resultados esperados: Beneficios de utilizar técnicas de álgebra lineal para mejorar la

precisión y eficiencia de los modelos.
5. Impacto del Álgebra Lineal en el Aprendizaje Automático y la Industria
Avances tecnológicos: Cómo las técnicas basadas en álgebra lineal han permitido el
desarrollo de sistemas avanzados de inteligencia artificial (IA).
Aplicaciones en la industria: Ejemplos en sectores como la medicina (diagnóstico

automatizado), finanzas (predicción de riesgos), y entretenimiento (recomendaciones
personalizadas).
Ejemplos Prácticos
Regresión Lineal: Ejemplo de cómo se utiliza el álgebra lineal para predecir
precios de viviendas.
PCA: Ejemplo de cómo se utiliza PCA para reducir la dimensionalidad de un
conjunto de datos.
SVM: Ejemplo de cómo se utiliza una máquina de vectores de soporte para
clasificación.
Conclusiones
El álgebra lineal es un pilar esencial en el aprendizaje automático, proporcionando

herramientas y técnicas fundamentales para el desarrollo y la optimización de modelos.
Desde la modelación de relaciones lineales hasta la reducción de dimensionalidad y la
optimización de funciones, el álgebra lineal permite abordar problemas complejos de
manera efectiva y eficiente. Su aplicación en el aprendizaje automático no solo mejora
la precisión de los modelos, sino que también facilita la interpretación y el manejo de
grandes volúmenes de datos.
Resumen de la importancia del álgebra lineal en ML**: La capacidad de modelar,

optimizar y analizar datos es clave para el éxito de los algoritmos de aprendizaje
automático.
Perspectivas futuras**: Cómo las mejoras en álgebra lineal y ML podrían impulsar

nuevos avances en la inteligencia artificial.
Referencias
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT
Press.
Strang, G. (2016). Introduction to Linear Algebra. Wellesley-Cambridge

Press.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning.

Springer.
Libros de álgebra lineal y machine learning.
Artículos académicos y recursos en línea relevantes.
Documentación de librerías populares de ML como TensorFlow y

PyTorch.

Algebra: Lineal

Cargado por

Copyright:

Formatos disponibles

Algebra: Lineal

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra: Lineal

Cargado por

Copyright:

Formatos disponibles

2024

Catedrático: Juan Carlos Alcerro Mena

Explicar cómo se utiliza el álgebra lineal en el aprendizaje automático (ML),

El aprendizaje automático está transformando múltiples sectores al permitir

El aprendizaje automático es un subconjunto de

1.1 ¿Cómo funciona el aprendizaje automático?

El Machine Learning es una disciplina del campo

Aprendizaje supervisado: estos algoritmos

Aprendizaje por refuerzo: su objetivo es que un

El álgebra lineal es una herramienta matemática fundamental en el aprendizaje

Describir la estructura, los pesos y los parámetros de los algoritmos

Representación de puntos de datos

1. Fundamentos del Álgebra Lineal

Relevancia en la computación: Cómo el álgebra lineal proporciona una base

Transformaciones Lineales: Funciones que toman vectores como entrada y

Valores Propios y Vectores Propios: Conceptos que describen cómo una

Máquinas de Vectores de Soporte (SVM): Utilizan hiperplanos para separar

Análisis de Componentes Principales (PCA): Técnica que reduce la

3.2. Algoritmos de ML basados en Álgebra Lineal

Ejemplo práctico: Predecir precios de viviendas utilizando características (tamaño,

Análisis de Componentes Principales (PCA):

Aplicación en compresión de datos y eliminación de ruido.

3.3. Optimización y Entrenamiento de Modelos

Descomposición en valores propios y SVD:

Aplicación en el análisis de grandes bases de datos y en la compresión de modelos.

4. Caso Práctico: Reconocimiento de Imágenes con Machine Learning

Descripción del problema: Clasificación de imágenes en diferentes categorías (por

Uso del álgebra lineal: Cómo se utilizan técnicas como convoluciones,

Resultados esperados: Beneficios de utilizar técnicas de álgebra lineal para mejorar la

5. Impacto del Álgebra Lineal en el Aprendizaje Automático y la Industria

Aplicaciones en la industria: Ejemplos en sectores como la medicina (diagnóstico

El álgebra lineal es un pilar esencial en el aprendizaje automático, proporcionando

Resumen de la importancia del álgebra lineal en ML**: La capacidad de modelar,

Perspectivas futuras**: Cómo las mejoras en álgebra lineal y ML podrían impulsar

Strang, G. (2016). Introduction to Linear Algebra. Wellesley-Cambridge

Bishop, C. M. (2006). Pattern Recognition and Machine Learning.

Libros de álgebra lineal y machine learning.

Artículos académicos y recursos en línea relevantes.

Documentación de librerías populares de ML como TensorFlow y

También podría gustarte