E142 - Intuición geométrica del Álgebra Lineal

Resumen

El episodio 142 de enCoders ofrece una introducción a la intuición geométrica del álgebra lineal, apoyada en dibujos en la pizarra y en la serie de videos de 3Blue1Brown. Se parte del plano cartesiano, los vectores y las proyecciones, y se llega a R^n, la independencia lineal y las bases. Después se explican las combinaciones lineales y las transformaciones lineales, que dejan el origen fijo y mantienen las paralelas. Multiplicar por una matriz cuadrada equivale a rotar y escalar, y el determinante se relaciona con la invertibilidad. Las matrices no cuadradas cambian la dimensión del espacio, lo que conecta con la reducción de dimensionalidad (PCA). Se extiende la idea a distancias, a espacios de palabras (embeddings, el ejemplo rey/reina) y a funciones como vectores de dimensión infinita (polinomios, Taylor, Fourier, espacios de Hilbert). La conclusión principal es que entender la intuición geométrica, y no solo las reglas de cálculo, permite retener el álgebra lineal y aplicarla en machine learning y otras áreas.

Capítulos

• 00:00
  Introducción al Álgebra LinealEl objetivo es dibujar en la pizarra para entender las nociones del álgebra lineal y cómo se traducen a machine learning. Se recomienda la serie de 3Blue1Brown por sus animaciones.
• 01:40
  Comentario sobre libroSe menciona el libro "Álgebra" de Baldor, clásico de secundaria y del inicio de la universidad, y el origen histórico del álgebra (al-Juarismi, Medio Oriente). Se aclara que el álgebra lineal es una subrama, útil para resolver muchas ecuaciones a la vez.
• 05:30
  Plano Cartesiano y CoordenadasEl plano es R² (reales por reales) y un punto como (3,4) se escribe con la coordenada en X y luego la de Y.
• 06:13
  Representación dual punto - vectorCada punto de R² también es un vector, una flecha desde el origen. Se explica por qué el álgebra lineal es esencial para el data scientist: PCA, multiplicaciones de matrices y funciones ocultas en librerías están construidos sobre ella.
• 09:04
  Proyecciones y Descomposición VectorialEl largo del vector (3,4) es 5 por Pitágoras, que se generaliza a n dimensiones. El vector se descompone en sus proyecciones sobre los ejes (la "sombra" de una luz), que sumadas dan el original.
• 14:42
  Espacio vectorial R^3El ejemplo se extiende a (3,4,7) con proyecciones en tres ejes. Para graficar más dimensiones se usan color, tamaño o caras de personas.
• 17:45
  Espacio vectorial R^nCon muchas dimensiones los ejes se nombran x1, x2, …, xn. Un vector de n elementos puede escribirse como fila o columna, y se descompone en proyecciones con un solo elemento distinto de cero.
• 20:24
  Independencia Lineal y Base de un espacio vectorialIndependiente significa que aporta información en una dimensión no considerada. Una base permite escribir cualquier vector como combinación de sus elementos, y la base unitaria (i, j) facilita los cálculos porque los coeficientes son directos.
• 28:15
  Combinaciones Lineales y TransformacionesUna combinación lineal es una suma ponderada de vectores (ejemplo gráfico con 2B − U). Una transformación lineal deja el origen fijo y mantiene las paralelas. Se motiva transformar el espacio (círculo a recta, coordenadas polares) y se citan PCA, SVM, redes neuronales y LLM.
• 39:47
  Operaciones con Matrices y Transformaciones de un espacio en si mismo con matrices cuadradasSe presenta la matriz cuadrada 2×2 y la matriz identidad, que deja el vector quieto. Se muestra cómo se multiplica filas por columnas.
• 42:06
  Matrices cuadradas: Rotaciones y Escalado con MatricesCon una matriz identidad modificada con un −1, el vector (3,4) pasa a (−1,4): se rota y se achica (de longitud 5 a √17). Toda multiplicación por una matriz cuadrada rota y escala, y a veces refleja (determinantes negativos).
• 47:50
  MemesPausa de memes, con un comentario sobre un paper que unifica métodos de ML como casos particulares de una misma fórmula.
• 48:25
  Importancia del Álgebra LinealEl álgebra lineal está bajo el machine learning, la teoría cuántica y la ingeniería. Quien la aprende solo como "matraca" (reducciones gaussianas, cálculo mecánico) la olvida rápido.
• 49:06
  Intuición Geométrica en Álgebra LinealSe insiste en entender qué es un vector, una matriz y qué significa multiplicar. Aplicado a un cuadrado, cada punto se rota y escala.
• 51:06
  Aplicaciones en Ingeniería EstructuralUn participante cuenta que en ingeniería estructural el esfuerzo máximo se halla rotando el espacio hasta alinear los esfuerzos cortantes, es decir, con vectores principales.
• 52:12
  Ejemplos Concretos y Aplicaciones RealesSe discute que los ejemplos reales motivan más el aprendizaje. Aprender fórmulas se olvida pronto, mientras que la intuición se retiene.
• 54:50
  Recomendaciones de Recursos EducativosLos mínimos cuadrados y la regresión lineal tienen una interpretación como proyección. Se recomienda la serie de 3Blue1Brown antes de cursar el ramo universitario, y los videos sobre espacios de Hilbert para algo más avanzado.
• 56:34
  Distancia y Noción de EspaciosUn participante cuenta que resolvió un problema de curvas buscando las más cercanas con una noción de distancia entre funciones, una idea parecida a K-means/KNN. Se afirma que casi cualquier objeto se puede medir con una distancia.
• 01:02:01
  Transformaciones y Matrices No Cuadradas y cambios de espacioEl determinante es el área (o volumen) que forman los vectores de la matriz, y si es cero se pierde información y no hay inversa. Una matriz 2×3 por un vector de R³ da un vector de R² (ejemplo: (4,11)), así que cambia la dimensión.
• 01:05:01
  Reducción y ampliación de DimensionalUna matriz 3×2 lleva de R² a R³. En ciencia de datos se suele reducir dimensionalidad proyectando a un hiperplano que conserva la mayor información (ejemplo R⁷ a R³).
• 01:08:26
  Espacios Vectoriales y DistanciasSe habla de la distancia entre dos puntos como la resta de vectores, y de otras distancias (euclidiana, de ángulo, de proyecciones). Las palabras (gato, perro) se llevan a Rⁿ con características, y el ejemplo canónico rey = reina + masculino ilustra los embeddings.
• 01:14:45
  Modelos Lineales y aproximaciones a funcionesLos datos de una función son vectores x e y, y un modelo lineal busca la matriz que, aplicada a X, se parezca a Y. En un modelo no lineal se busca una función f(x) cercana a y.
• 01:18:52
  Funciones y Espacios de Dimensión InfinitaUna función completa corresponde a un vector en R^∞, y las funciones se pueden sumar y restar como vectores. La diferencia g − f mide la distancia entre la aproximación y la realidad.
• 01:20:02
  Base vectorial infinita del espacio de los polinomios y relación con serie de TaylorLos polinomios tienen la base 1, x, x², …, linealmente independiente, y un polinomio se escribe como producto de la base por un vector de coeficientes. La expansión de Taylor aproxima funciones continuas con esta base.
• 01:23:31
  Aplicaciones en Ciencia de DatosEl cambio de base aparece en mecánica cuántica (espacios de Hilbert) y en la serie y la transformada de Fourier. Se menciona el espacio L² de funciones cuadrado integrables y la noción de espacio completo.
• 01:27:18
  Conclusiones y CierreSe subraya que el objetivo era la intuición y no las demostraciones ni el cálculo. Los participantes comentan cómo recuerdan estos temas desde la universidad, hablan de ecuaciones diferenciales ordinarias y del uso del álgebra lineal en el trabajo, y recomiendan 3Blue1Brown antes del estudio teórico.

Palabras clave