Las matemáticas detrás de machine learning (sin el miedo)

Machine learning suele presentarse rodeado de notación matemática densa que espanta a quien viene de programación pura. La buena noticia: la intuición detrás de esa notación es más accesible de lo que parece.

Álgebra lineal: los datos como vectores

Cada observación en un dataset — una fila con varias columnas numéricas — se puede pensar como un punto en un espacio de muchas dimensiones. Un modelo de machine learning, en el fondo, aprende a trazar fronteras o relaciones dentro de ese espacio.

import numpy as np

observacion = np.array([5.1, 3.5, 1.4, 0.2])  # 4 características

Cálculo: cómo aprende un modelo

Entrenar un modelo significa ajustar sus parámetros para minimizar un error. El descenso de gradiente usa la derivada de la función de error respecto a cada parámetro para saber en qué dirección moverlo — es, literalmente, seguir la pendiente cuesta abajo hasta un mínimo.

Una intuición sin fórmulas

Imagina estar en una montaña con niebla y querer bajar al punto más bajo: en cada paso miras la pendiente bajo tus pies y caminas en esa dirección. Eso es, con otras palabras, lo que hace el descenso de gradiente en cada iteración de entrenamiento.

Probabilidad: cuantificar la incertidumbre

Un modelo de clasificación no dice "esto es spam", dice "87% de probabilidad de que esto sea spam". Esa probabilidad no es un adorno — determina qué tan seguro está el modelo y permite fijar un umbral de decisión según el costo de equivocarse.

No hace falta dominarlo todo de una vez

Estos tres pilares se refuerzan entre sí, y se entienden mejor viéndolos aplicados a un problema concreto que memorizando fórmulas aisladas. Explora la ruta de Matemáticas para Machine Learning y construye la intuición con ejercicios interactivos.