Algebra lineal en la inteligencia artificial

[pic 1][pic 2][pic 3]

Liz karoly Acosta Péreza, Jossely Elena Aguirre Acuñaa, Ana Hilda Hoyos Vanegasa, Fran José Salazar Ruiza[pic 4][pic 5][pic 6]

aJosé Danilo Salcedo Pimienta Facultad de Ciencias Básicas y Arquitectura, Corporación Universitaria del Caribe,

Sincelejo, Colombia. jose.salcesop@cecar.edu.co

bAndrés Viloria Sequeda, Facultad de Ciencias Básicas, Ingenieria y Arquitectura, Corporación Universitaria del Caribe, Sincelejo, Colombia. andres.viloria@cecar.edu.co

[pic 7][pic 8]

(Gonzáles, 2020) El algebra lineal, es un tema fundamental para aplicar los algoritmos de Machine Learning. En ocasiones cuando se está aprendiendo a implementar algoritmos, se debe hallar productos de Matrices, determinantes o cruzados. Existen muchas formas en que aplicamos álgebra lineal en varias de las áreas de la Inteligencia Artificial, nos enfocaremos en: vectorización de código, también conocido como la programación de matrices, es un caso especial de paralelización automática, en la cual un programa informático es convertido de una implementación escalar, el cual procesa un simple par de operandos en un momento, a una implementación vectorial. Reconocimiento de imágenes, las imágenes vectoriales que están constituidas por contornos y rellenos definidos matemáticamente, vectorialmente, por medio de ecuaciones que describen perfectamente cada ilustración. Todo con el fin de conocer el aprendizaje que realizan las maquinas con ayuda del algebra lineal en Machine Learning; subcampo de las ciencias de computación, rama de la IA y obtener a su vez avances en la IA, obteniendo como resultado maquinas capaces de reducir el trabajo que nos cuesta horas, en solo cuestiones de segundos.

IA, álgebra lineal, programación, código, matrices, vectorización, datos, máquina.[pic 9][pic 10]

[pic 11][pic 12]

Linear algebra is a fundamental topic to apply Machine Learning algorithms. Sometimes when you are learning to implement algorithms, you must find products of matrices, determinants or crosses. There are many ways in which we apply linear algebra in several areas of Artificial Intelligence, we will focus on: code vectorization, also known as matrix programming, is a special case of automatic parallelization, in which a computer program is converted from a scalar implementation, which processes a simple pair of operands in a moment, to a vector implementation. Image recognition, vector images that are made up of contours and fills defined mathematically, vectorially, by means of equations that perfectly describe each illustration. All in order to know the learning that machines perform with the help of linear algebra in Machine Learning; subfield of computer science, branch of AI and in turn obtain advances in AI, resulting in machines capable of reducing the work that costs us hours, in just a matter of seconds.

AI, linear algebra, programming, code, matrices, vectorization, data, machine.[pic 13][pic 14]

[pic 15]        [pic 16][pic 17][pic 18]

En el campo de la ingeniería, el álgebra lineal proporciona la capacidad de resolver una inmensidad de problemas, dotando a los profesionales de las herramientas lógicas y matemáticas necesarias para desarrollar alternativas soluciones a muchos de los retos del día a día en su actividad profesional, como el desarrollo de circuitos, problemas mayormente relacionados con la seguridad informática y la creación de inteligencia artificial, debido a que permite representar mejor las estructuras de datos y realizar ciertas simplificaciones que mejoran su precisión. Además, el álgebra lineal también se puede utilizar como parte de los modelos de aprendizaje automático, lo que ayuda a estos sistemas a aprender de la experiencia.

El análisis lineal proporciona una base para las redes de aprendizaje profundo, un tipo de sistema de IA que es particularmente hábil para reconocer patrones o relaciones dentro de grandes conjuntos de datos, es decir, que el álgebra lineal es muy importante en el desarrollo de la inteligencia artificial porque permite que las computadoras resuelvan problemas que son demasiado complicados para los humanos, especialmente problemas en los que se involucran las geometrías y los cálculos, es por esto que para poder utilizar el álgebra lineal en el desarrollo de la inteligencia artificial, es necesario comprender los conceptos de vectores, matrices y operaciones con matrices, ya que los códigos se describen en notación vectorial y matricial. Con el presente artículo se pretende dar a conocer la utilización y la importancia del algebra lineal en la ingeniería de sistemas, más específicamente en el campo de la inteligencia artificial.

Para aplicar el álgebra lineal en la inteligencia artificial se necesita ser capaz de leer y escribir notación vectorial y matricial, los algoritmos se describen en libros, documentos y sitios web utilizando notación vectorial y matricial.

[pic 19]

Ilustración 1 Notación Matricial.

(Desconocido, 2021)

[pic 20]

Ilustración 2 Notación Matricial

(Desconocido, 2021)

[pic 21]

Ilustración 3 Definición de Matriz

(Desconocido, Matematicas IES, 2019)

El álgebra lineal es la matemáticas de los datos y la notación te permite describir operaciones sobre los datos como precisión con operadores específicos y para ello tienes que ser capaz de leer y escribir esta notación, esta habilidad te permitirá leer las descripciones de los algoritmos existentes en los libros de textos, interpretar e implementar descripciones de nuevos métodos en los trabajos de investigación, describir con precisión tus propios métodos a otros practicantes además los lenguajes de programación

como Python ofrecen formas eficientes de implementar directamente la notación de álgebra lineal una comprensión de la notación y de cómo se realiza en su propio idioma permitirá implementaciones más cortas y quizás más eficientes de los algoritmos de Machine Learning.

También se necesita saber implementar la factorización de matrices, es una herramienta clave en el álgebra lineal y se utiliza ampliamente como elemento de muchas operaciones más complejas en el álgebra lineal como hallar una matriz inversa y en Machine Learning, por ejemplo, mínimos cuadrados;

...