Última lección. Cada matriz tiene "direcciones favoritas": vectores que NO se desvían cuando la matriz los transforma, solo se estiran o encogen. Esas direcciones — los autovectores — sostienen muchísima IA moderna.
Cuando aplicas una matriz M a un vector, normalmente lo mueve y lo gira. Pero algunos vectores especiales son distintos: la matriz los estira (o encoge) sin cambiarles la dirección. Como empujar un resorte en la dirección en que está tensado: se hace más largo, pero no dobla. Esos vectores especiales se llaman autovectores, y el número que dice cuánto se estiran se llama autovalor.
Antes de ver la fórmula, mira el ejemplo de la sección 2 — es mucho más claro con números concretos. Luego la fórmula tendrá sentido. La fórmula dice:
Donde λ es la letra griega lambda (se pronuncia "lambda") — simplemente un número que dice cuánto se estira. Léelo así: "aplicar M a v da lo mismo que multiplicar v por el número λ". El vector v sale apuntando en la misma dirección, solo más largo o más corto.
v).Toma esta matriz diagonal:
| 2 | 0 |
| 0 | 3 |
Calculemos qué hace M a los vectores horizontal (1, 0) y vertical (0, 1):
M · (1, 0) = (2·1 + 0·0, 0·1 + 3·0) = (2, 0) = 2 · (1, 0) ↑ ¡autovector con autovalor 2! M · (0, 1) = (2·0 + 0·1, 0·0 + 3·1) = (0, 3) = 3 · (0, 1) ↑ ¡autovector con autovalor 3!
Tanto el vector horizontal como el vertical son autovectores de M. La matriz solo los estira: el primero ×2, el segundo ×3. No los gira nada. Los autovalores son 2 y 3.
Los autovectores son las direcciones "naturales" de una matriz. Si entiendes los autovectores, entiendes lo esencial de la transformación: en sus direcciones favoritas la matriz es simplemente un escalado. Toda la complicación está en girar; en las direcciones autovectores, no hay giro.
Nota: para matrices más complicadas (no diagonales como la de arriba), encontrar los autovalores requiere resolver una ecuación de segundo grado — eso está fuera del alcance de este curso, pero la idea es exactamente la misma: buscar las direcciones que la matriz no gira.
Los nombres técnicos de los ejemplos de abajo (PCA, SVD, Word2Vec, etc.) no los necesitas conocer ahora — son herramientas específicas que encontrarás en cursos más avanzados. Lo importante es reconocer el patrón: los autovalores aparecen siempre que hay que entender "qué dirección importa más" en un conjunto de datos.
PCA es una técnica para simplificar datos con muchas dimensiones. Encuentra las "direcciones de máxima variación" usando autovectores. Comprimes 1000 dimensiones a 50 sin perder mucha información.
La importancia de cada página web es un autovector de la matriz de enlaces de internet. Literalmente así nació Google.
Los embeddings (vectores de palabras de la lección 6) como Word2Vec o GloVe se construyen factorizando matrices de co-ocurrencia de palabras — autovalores por dentro.
Que una red profunda no "explote" depende de los autovalores de sus matrices de pesos. Si son muy grandes, los gradientes explotan; muy chicos, desaparecen.
SVD (Descomposición en Valores Singulares — una generalización de autovalores) permite guardar imágenes con muchísimos menos números, conservando solo la información más importante.
El comportamiento a largo plazo de procesos (epidemias, mercados, ecosistemas) se predice con autovalores de sus matrices de transición.
Mira lo que sabes ahora, comparado con cuando empezaste:
| Concepto | Lección |
|---|---|
| Vector como flecha y como par de números | 1 |
| Suma de vectores (visual y numérica) | 2 |
| Escalar y combinación lineal | 3 |
| Producto punto (la operación reina) | 4 |
| Longitud y ángulo desde el producto punto | 5 |
| Vectores en N dimensiones (puente a IA) | 6 |
| Matriz como tabla / colección / transformación | 7 |
| Matriz por vector = productos punto | 8 |
| Transformaciones del plano (visual) | 9 |
| Multiplicar matrices = encadenar transformaciones | 10 |
| Determinante = cambio de área | 11 |
| Inversa y sistemas de ecuaciones | 12 |
| Autovalores y autovectores | 13 |
x @ W + b en PyTorch, sabes que es un montón de
productos punto. Cuando se hable de Q, K, V en un Transformer, sabes que son matrices proyectando
vectores. Cuando alguien mencione "embeddings de 768 dimensiones", lo visualizas (¡aunque no se
pueda dibujar!). Has cerrado la base matemática del laboratorio.