en este video vamos a hablar de una forma
geométrica o espacial para entender como

funcionan las redes supervisadas; en la
sección previa hablamos de un problema

típico del aprendizaje de máquina, que 
toma una imagen y una etiqueta como "gato"

o "perro"; para entender como un algoritmo
de aprendizaje de máquina puede aprender a

hacer esto, pensemos en como las imágenes
son en verdad representadas; cada imagen

está compuesta de pixeles y cada pixel
tiene 3 colores y entonces cada imagen es

en verdad una larga lista de números, que
especifican los colores de cada pixel,

entonces podemos darle a nuestro conjunto
de datos de entrenamiento, que puede ser

una lista de imágenes y etiquetas; las
imágenes son largas listas de números que

en la literatura son llamados, a veces,
vectores

ahora bien, estos vectores pueden ser
pensados como puntos en un espacio con

muchas dimensiones; por ejemplo si tenemos
mil pixeles y cada pixel puede tener 3

colores, entonces será un punto en un 
espacio de 3000 dimensiones

ahora bien, el algoritmo del aprendizaje
de máquina, en algún sentido, piensa en

este espacio de muchas dimensiones, pero
para nosotros, para simplificar las cosas

en forma conceptual, vamos a pensar en
estas imágenes en un representación con

muchas menos dimensiones; en forma 
específica, ustedes pueden ver como

podemos pensar en cada una de estas 
imágenes como un punto en una especie de

espacio abstracto de 2 dimensiones, 
simplemente para que lo podamos visualizar

y con un propósito de conceptualización

ahora, en este ejemplo de las imágenes, le
damos el conjunto de datos de

entrenamiento, como ya dije todas las
imágenes en el conjunto de datos de

entrenamiento son simplemente puntos en el
espacio y acá yo también nombro a los

puntos de acuerdo a sus niveles, perro o
gato; entonces los puntos rojos son las

imágenes de los gatos y los puntos azules
son las imágenes de los perros

y así es como se ve el conjunto de datos
de entrenamiento en forma geométrica

un algoritmo de aprendizaje supervisado 
hace lo siguiente: esencialmente trata de

encontrar las superficies que separa a los
puntos de una clase, es decir los puntos

que representan a los perros de los puntos
de la otra clase, los que representan a

los gatos y lo hace ajustando las 
"perillas", que llamamos parámetros, para

poder separar de la mejor forma posible,
en este caso los puntos rojos de los

puntos azules; y una vez que encontró la
superficie, lo que se puede hacer es que

dada una imagen que nunca antes vio, que
va a ser también otro punto en el espacio

y puede decir, cae en el lado de los 
perros o en el lado de los gatos?

y una vez definido en qué lado cae, hace
una predicción acerca de esta imagen que

nunca antes había visto, si es perro o 
gato

esa es básicamente la forma visual o la
forma geométrica de pensar acerca del

aprendizaje supervisado y en la próxima
sección hablamos de forma de cuantificar o

pensar acerca de cuan bueno es separando
esas superficies, que se llama en la

literatura como la generalización