super excelente video! Increíblemente explicado. Desde hace bastante tiempo uso similitud del coseno par distintas aplicaciones, pero nuca había visto realmente como es el algoritmo que lo construye. Muchas gracias. Soy nuevo suscriptor. Saludos
Justo estoy realizando un proyecto de sistemas de recomendación, y quería saber mas acerca la teoría atrás de la similitud del coseno, y tengo la suerte de encontrarme esta joya de video super bien explicado. Gracias por regalarnos contenido de tan buena calidad.
🎯 Key points for quick navigation: 00:00 *🔢 Introducción a vectores en Machine Learning y AI* - Introducción a los vectores como herramienta fundamental en Machine Learning y AI. - Los vectores permiten representar datos numéricamente, esenciales para aplicaciones como reconocimiento facial, sistemas de recomendación y modelos de lenguaje. 01:09:00 *🎯 Ejemplos de vectores en diferentes aplicaciones* - Ejemplos prácticos de vectores en Machine Learning, incluyendo representación de datos personales y características complejas como imágenes y textos. - Los vectores son usados para representar información esencial en sistemas de reconocimiento facial, modelos de lenguaje y más. 04:28:00 *📐 Intuición sobre similitud del coseno entre vectores* - Explicación intuitiva sobre cómo se evalúa la similitud entre vectores usando el coseno del ángulo entre ellos. - Cuanto menor sea el ángulo entre dos vectores, más similares son y más cercano a 1 será su similitud del coseno. 08:02:00 *🧮 Cálculo numérico de la similitud del coseno* - Demostración práctica del cálculo de la similitud del coseno entre vectores usando la fórmula matemática. - El resultado de la similitud del coseno varía de 0 a 1, indicando cuán similares son los vectores analizados. 14:35 *📊 La similitud del coseno como medida de semejanza entre vectores* - La similitud del coseno permite cuantificar el grado de semejanza entre vectores mediante una operación matemática. - Se aplica en Machine Learning para sistemas de recomendación, reconocimiento facial y sistemas de generación aumentada por recuperación (RACK). 15:57 *🔍 Aplicaciones de la similitud del coseno en reconocimiento facial* - En el reconocimiento facial, se utiliza para comparar representaciones vectoriales de rostros y verificar la identidad de las personas. - Este método es efectivo al convertir imágenes faciales en vectores únicos para su comparación en una base de datos. 16:50 *📚 Sistemas de generación aumentada por recuperación (RACK)* - Los sistemas RACK utilizan grandes modelos de lenguaje para recuperar información relevante basada en comparaciones vectoriales. - Son útiles para buscar respuestas en documentos mediante la comparación de preguntas vectorizadas con porciones de texto. Made with HARPA AI
¡Hola, Miguel! Quería agradecerte de todo corazón por el increíble contenido que compartes. Hace meses que sigo tu canal, y gracias a tus explicaciones claras y detalladas en español, pude darle un giro a mi carrera y convertirme en AI Engineer. 😊 En una entrevista reciente, me preguntaron sobre la similitud del coseno, y aunque en ese momento no supe responderla, pude resolver todo lo demás gracias a lo que aprendí contigo. ¡Y me contrataron! 🎉 Tu aporte a la comunidad es invaluable, y estoy seguro de que hay muchas más personas como yo que han logrado sus metas gracias a tu dedicación. ¡Muchas gracias por todo! 🙌
Wow! No sabes cómo me alegra saber el impacto que este contenido que vengo publicando tiene en personas como tú! Me alegra que esto te haya apoyado en esta transición en tu carrera... y muchas felicitaciones por ese nuevo trabajo, éxitos en esta carrera que estás comenzando 🎉🎉🎉 Un saludo!
Hola Gabriel! Claro que sí, si eres suscriptor simplemente ingresa a la Academia, sección "Intranet" y allí das click en "Soporte". Quedo atento y gracias por tus comentarios sobre el contenido de la Academia. Un saludo!
Veo una dificultad en tu ejemplo de vector con la edad y el peso, para calcular la magnitud del vector sumas años²+kg² lo cual no tiene sentido, estaríamos sumando peras con naranjas. Así primero habrá que homogenizar las entradas de los vectores para poder definir su longitud.
Hay técnicas de cálculo de similitud que no necesitan normalización. En el cálculo de similitud por coseno no hace falta normalizar, al dividir por las magnitudes, ya se normaliza internamente. Otra técnica que tampoco necesita normalización es la del “Coeficiente de Pearson”, esta se auto normaliza restando la media y dividiendo por la desviación estándar. Pero sí que es verdad que hay otras técnicas como la “Distancia Euclidiana” que sí deberían normalizar los datos de los vectores utilizando el método de escala Min-Max.
Roberto realmente no es necesario realizar esta homogenización, al menos no para el caso de muchos sistemas de recomendación. Sin embargo, si el vector lo usas para alimentar por ejemplo una Red Neuronal o un algoritmo de k-means, en estos casos sí debes escalar de alguna manera los vectores (bien sea por ejemplo, haciendo un escalamiento min-max o normalizando su magnitud a 1) para poderlos usar en ese caso. En todo caso es perfectamente posible representar en un mismo vector variables muy diversas como por ejemplo el peso, la edad, etc.
🔥🔥Academia Online: codificandobits.com/ 🔥🔥
🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios/ 🔥🔥
super excelente video! Increíblemente explicado. Desde hace bastante tiempo uso similitud del coseno par distintas aplicaciones, pero nuca había visto realmente como es el algoritmo que lo construye. Muchas gracias. Soy nuevo suscriptor. Saludos
Wow, que claridad y sencillez en la explicación, felicidades!
Justo estoy realizando un proyecto de sistemas de recomendación, y quería saber mas acerca la teoría atrás de la similitud del coseno, y tengo la suerte de encontrarme esta joya de video super bien explicado. Gracias por regalarnos contenido de tan buena calidad.
Muy buena explicación con lenguaje sencillo y fácil de entender!
😄 Muchas gracias.
🎯 Key points for quick navigation:
00:00 *🔢 Introducción a vectores en Machine Learning y AI*
- Introducción a los vectores como herramienta fundamental en Machine Learning y AI.
- Los vectores permiten representar datos numéricamente, esenciales para aplicaciones como reconocimiento facial, sistemas de recomendación y modelos de lenguaje.
01:09:00 *🎯 Ejemplos de vectores en diferentes aplicaciones*
- Ejemplos prácticos de vectores en Machine Learning, incluyendo representación de datos personales y características complejas como imágenes y textos.
- Los vectores son usados para representar información esencial en sistemas de reconocimiento facial, modelos de lenguaje y más.
04:28:00 *📐 Intuición sobre similitud del coseno entre vectores*
- Explicación intuitiva sobre cómo se evalúa la similitud entre vectores usando el coseno del ángulo entre ellos.
- Cuanto menor sea el ángulo entre dos vectores, más similares son y más cercano a 1 será su similitud del coseno.
08:02:00 *🧮 Cálculo numérico de la similitud del coseno*
- Demostración práctica del cálculo de la similitud del coseno entre vectores usando la fórmula matemática.
- El resultado de la similitud del coseno varía de 0 a 1, indicando cuán similares son los vectores analizados.
14:35 *📊 La similitud del coseno como medida de semejanza entre vectores*
- La similitud del coseno permite cuantificar el grado de semejanza entre vectores mediante una operación matemática.
- Se aplica en Machine Learning para sistemas de recomendación, reconocimiento facial y sistemas de generación aumentada por recuperación (RACK).
15:57 *🔍 Aplicaciones de la similitud del coseno en reconocimiento facial*
- En el reconocimiento facial, se utiliza para comparar representaciones vectoriales de rostros y verificar la identidad de las personas.
- Este método es efectivo al convertir imágenes faciales en vectores únicos para su comparación en una base de datos.
16:50 *📚 Sistemas de generación aumentada por recuperación (RACK)*
- Los sistemas RACK utilizan grandes modelos de lenguaje para recuperar información relevante basada en comparaciones vectoriales.
- Son útiles para buscar respuestas en documentos mediante la comparación de preguntas vectorizadas con porciones de texto.
Made with HARPA AI
Muy buena explicación, sencilla y clara
Muchas Gracias
Hermosa explicación 😍
¡Hola, Miguel! Quería agradecerte de todo corazón por el increíble contenido que compartes. Hace meses que sigo tu canal, y gracias a tus explicaciones claras y detalladas en español, pude darle un giro a mi carrera y convertirme en AI Engineer. 😊
En una entrevista reciente, me preguntaron sobre la similitud del coseno, y aunque en ese momento no supe responderla, pude resolver todo lo demás gracias a lo que aprendí contigo. ¡Y me contrataron! 🎉
Tu aporte a la comunidad es invaluable, y estoy seguro de que hay muchas más personas como yo que han logrado sus metas gracias a tu dedicación. ¡Muchas gracias por todo! 🙌
Wow! No sabes cómo me alegra saber el impacto que este contenido que vengo publicando tiene en personas como tú!
Me alegra que esto te haya apoyado en esta transición en tu carrera... y muchas felicitaciones por ese nuevo trabajo, éxitos en esta carrera que estás comenzando 🎉🎉🎉
Un saludo!
Ya yo estoy inscrito, y me parece excelente de verdad he aprendido bastante voy apenas por Python, profesor quisiera ponerme en contacto con usted.
Hola Gabriel! Claro que sí, si eres suscriptor simplemente ingresa a la Academia, sección "Intranet" y allí das click en "Soporte". Quedo atento y gracias por tus comentarios sobre el contenido de la Academia. Un saludo!
Deepseek tiene tambien tangentes
Veo una dificultad en tu ejemplo de vector con la edad y el peso, para calcular la magnitud del vector sumas años²+kg² lo cual no tiene sentido, estaríamos sumando peras con naranjas. Así primero habrá que homogenizar las entradas de los vectores para poder definir su longitud.
Es matemática, no física
Hay técnicas de cálculo de similitud que no necesitan normalización. En el cálculo de similitud por coseno no hace falta normalizar, al dividir por las magnitudes, ya se normaliza internamente. Otra técnica que tampoco necesita normalización es la del “Coeficiente de Pearson”, esta se auto normaliza restando la media y dividiendo por la desviación estándar. Pero sí que es verdad que hay otras técnicas como la “Distancia Euclidiana” que sí deberían normalizar los datos de los vectores utilizando el método de escala Min-Max.
Roberto realmente no es necesario realizar esta homogenización, al menos no para el caso de muchos sistemas de recomendación.
Sin embargo, si el vector lo usas para alimentar por ejemplo una Red Neuronal o un algoritmo de k-means, en estos casos sí debes escalar de alguna manera los vectores (bien sea por ejemplo, haciendo un escalamiento min-max o normalizando su magnitud a 1) para poderlos usar en ese caso.
En todo caso es perfectamente posible representar en un mismo vector variables muy diversas como por ejemplo el peso, la edad, etc.
Deepseek tiene tambien tangentes