Skip to content

README.md

Latest commit

 

History

History
271 lines (197 loc) · 13.6 KB

README.md

File metadata and controls

271 lines (197 loc) · 13.6 KB
Raw

005 — Vectores, matrices y geometría para IA

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 00 — Fundamentos, historia y método científico
Nivel: fundamentos · Horas estimadas: 4
Laboratorio: optimization · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender vectores, matrices y geometría para ia dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

  1. Explicar vectores, matrices y geometría para ia usando los conceptos vectores, matrices, producto punto, distancia.
  2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
  3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
  4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
  5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

vectores, matrices, producto punto, distancia

🗺️ Ubicación en el mapa de la IA

El álgebra lineal es el idioma nativo de la IA moderna: datos, parámetros, activaciones y gradientes son vectores y matrices, y casi todo modelo — de la regresión lineal al transformer — es una composición de productos matriciales y no linealidades. Esta clase da la base geométrica que reaparecerá en embeddings y similitud (búsqueda semántica), en descenso de gradiente (parte de optimización) y en la mecánica de atención de los LLM.

📖 Fundamentos

📐 Vectores: tres lecturas del mismo objeto

Un vector x ∈ ℝⁿ admite tres interpretaciones intercambiables:

  1. Lista de números: x = [x₁, ..., xₙ] — la vista del programador (array).
  2. Punto/flecha en el espacio: la vista geométrica — dirección y magnitud.
  3. Objeto representado: en IA, una fila de datos, una imagen aplanada, un embedding de palabra. La apuesta central del deep learning es que la semántica puede codificarse como geometría: cosas parecidas → vectores cercanos.

Operaciones básicas (componente a componente): suma x + y, escalado αx. Con ellas se definen combinaciones lineales α₁x₁ + ... + αₖxₖ, y de ahí los conceptos de independencia lineal, base y dimensión.

🎯 Producto punto, norma y ángulo

producto punto:   x · y = Σᵢ xᵢ yᵢ
norma euclídea:   ‖x‖ = √(x · x)
coseno:           cos θ = (x · y) / (‖x‖ ‖y‖)
distancia:        d(x, y) = ‖x − y‖

El producto punto mide alineación: positivo si apuntan en direcciones similares, cero si son ortogonales, negativo si se oponen. De él derivan las dos medidas de similitud dominantes en IA: similitud coseno (ignora magnitud, estándar en embeddings de texto) y distancia euclídea (sensible a magnitud, estándar en clustering). Una neurona artificial computa exactamente w · x + b: su "detección" es un producto punto entre la entrada y un patrón aprendido.

🔲 Matrices como transformaciones lineales

Una matriz A ∈ ℝᵐˣⁿ es una función lineal ℝⁿ → ℝᵐ: y = Ax. Leerla como transformación (no como tabla) es el salto conceptual clave:

  • Las columnas de A son las imágenes de los vectores de la base canónica: dicen a dónde va cada eje.
  • La composición de transformaciones es el producto de matrices: B(Ax) = (BA)x. No conmuta: rotar y luego estirar ≠ estirar y luego rotar.
  • Una capa densa de red neuronal es h = g(Wx + b): transformación lineal W, traslación b, no linealidad g. Sin g, apilar capas colapsa a una sola matriz (composición de lineales es lineal) — por eso las activaciones no lineales son imprescindibles.

Dimensiones: (m×n)·(n×k) → (m×k); el índice interior debe coincidir. La mayoría de bugs de shape en NumPy/PyTorch son violaciones de esta regla.

🧭 Nociones geométricas que reaparecen en IA

  • Proyección de x sobre u (unitario): proj_u(x) = (x·u)u — base de PCA y de "cuánto de este concepto hay en este embedding".
  • Hiperplano w·x + b = 0: frontera de decisión de un clasificador lineal; w es su normal. Separabilidad lineal = existe un hiperplano que separa las clases (la limitación XOR del perceptrón es exactamente esto).
  • Maldición de la dimensionalidad: en dimensión alta, las distancias euclídeas se concentran y los volúmenes se vacían; la similitud coseno y las estructuras de índice aproximado (ANN) existen en parte por esto.

🧮 Ejemplo trabajado

Similitud entre tres "documentos" representados como vectores de conteo sobre el vocabulario [ia, datos, fútbol]:

d₁ = [2, 3, 0]   (habla de IA y datos)
d₂ = [1, 2, 0]   (habla de IA y datos, más corto)
d₃ = [0, 1, 4]   (habla sobre todo de fútbol)

Paso a paso para (d₁, d₂):

d₁ · d₂ = 2·1 + 3·2 + 0·0 = 8
‖d₁‖ = √(4+9+0) = √13 ≈ 3.606
‖d₂‖ = √(1+4+0) = √5  ≈ 2.236
cos(d₁,d₂) = 8 / (3.606·2.236) ≈ 8/8.062 ≈ 0.992   → casi idénticos en tema

Para (d₁, d₃): d₁·d₃ = 0+3+0 = 3, ‖d₃‖ = √17 ≈ 4.123, cos ≈ 3/(3.606·4.123) ≈ 0.202 → temas distintos.

Obsérvese que la distancia euclídea ‖d₁−d₂‖ = ‖[1,1,0]‖ = √2 ≈ 1.41 es mayor que cero aunque los documentos traten exactamente lo mismo: el coseno corrige la diferencia de longitud. Este es el motivo por el que los motores de embeddings usan coseno por defecto.

📊 Propiedades y comparación

Medida Fórmula Sensible a magnitud Rango Uso típico en IA
Producto punto Σ xᵢyᵢ Sí (−∞, ∞) Capas densas, atención (QKᵀ)
Similitud coseno x·y/(‖x‖‖y‖) No [−1, 1] Embeddings, búsqueda semántica
Distancia euclídea ‖x−y‖ Sí [0, ∞) k-means, k-NN en dimensión baja
Distancia Manhattan Σ|xᵢ−yᵢ| Sí [0, ∞) Datos dispersos, robustez a outliers 
flowchart LR
    X["Entrada x ∈ ℝⁿ<br/>(imagen, texto tokenizado,<br/>fila de tabla)"] --> W1["Transformación lineal<br/>W₁x + b₁"]
    W1 --> G1["No linealidad g<br/>(ReLU, GELU...)"]
    G1 --> W2["Transformación lineal<br/>W₂h + b₂"]
    W2 --> OUT["Salida: logits / embedding"]
    OUT --> SIM["Comparación geométrica<br/>producto punto o coseno"]
    P["Patrones aprendidos<br/>(filas de W = detectores)"] -.-> W1
    note["Sin g, W₂W₁ colapsa<br/>a UNA sola matriz"] -.-> G1
Loading

⚠️ Errores conceptuales frecuentes

  1. "El producto de matrices es componente a componente." Ese es el producto de Hadamard; el producto matricial estándar es composición de transformaciones (filas por columnas) y no conmuta.
  2. "Coseno y euclídea dan el mismo ranking." Solo si todos los vectores tienen la misma norma; con normas distintas los rankings divergen (ver ejemplo trabajado).
  3. "Más capas lineales = más capacidad." Sin no linealidad entre ellas, cualquier pila de capas lineales equivale a una sola transformación lineal.
  4. "La intuición de 2D/3D escala a dimensión 768." En dimensión alta casi todos los vectores aleatorios son casi ortogonales y las distancias se concentran; hay que razonar con álgebra, no con dibujos.
  5. "Un embedding cercano implica significado idéntico." Cercanía geométrica refleja coocurrencia estadística en los datos de entrenamiento; puede codificar sesgos o asociaciones espurias, no sinonimia garantizada.

🚀 Del aprendizaje a la operación

En sistemas reales, esta base se convierte en: elegir métrica de similitud y normalización coherentes en todo el pipeline (indexar con coseno y consultar con euclídea es un bug clásico de RAG); vigilar shapes y convenciones fila/columna entre bibliotecas; usar operaciones vectorizadas (BLAS/GPU) en lugar de bucles Python — una diferencia de órdenes de magnitud; y validar que la geometría del embedding realmente separa las clases del dominio propio antes de construir encima.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("optimization"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

  • tipo de laboratorio y semilla;
  • entradas o decisiones observables;
  • resultado estructurado;
  • lista evidence con hechos que pueden inspeccionarse;
  • lista limitations que impide presentar la demo como producción.

📓 Notebooks

📝 Evaluación

Criterio Peso
Comprensión conceptual 25 %
Ejecución reproducible 25 %
Interpretación basada en evidencia 25 %
Riesgos, límites y mejora propuesta 25 %

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

Síntoma Causa probable Corrección
El código corre, pero no hay conclusión Se confundió ejecución con aprendizaje Explica qué demuestra y qué no demuestra
El resultado cambia sin explicación No se registró semilla o configuración Conserva semilla, versión y parámetros
Se promete uso real Se extrapoló desde una demo educativa Declara entorno, datos, límites y revisión humana
Se copia una métrica aislada No existe baseline ni costo de error Añade comparación y criterio de decisión

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Paper Año Qué desbloqueó Miniatura
P53 · Sobre las líneas y planos de ajuste más próximo a sistemas de puntos en el espacio 1901 La primera respuesta al problema de resumir una nube de puntos con menos dimensiones sin privilegiar ninguna variable. notebook

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

Obra Edición Localizador Papel en esta clase
Goodfellow, Ian, Bengio, Yoshua y Courville, Aaron — Deep Learning 2016 ISBN 9780262035613 · web de la obra citada en las referencias de esta clase · cap. 2
Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach 4.ª · 2020 ISBN 9780134610993 · web de la obra obra de referencia de la parte 00 · capítulos de introducción y de agentes racionales

⬅️ Clase anterior

004 — Agentes racionales, entornos y medidas de desempeño

➡️ Siguiente clase

006 — Probabilidad, incertidumbre y estadística básica