Por qué necesitamos matemáticas para Machine Learning

El machine learning es, en esencia, una conversación matemática con datos. Cuando entrenas una red neuronal, ajustas un modelo de regresión o agrupas un conjunto de datos, en realidad estás formulando una pregunta en el lenguaje del álgebra lineal, el cálculo, la probabilidad y la optimización. Sin ese lenguaje, el campo se reduce a un montón de APIs opacas: puedes llamar a model.fit(X, y), pero no puedes razonar sobre *por qué* funciona, *cuándo* se rompe o *cómo* arreglarlo.

Los cuatro pilares matemáticos que encontrarás en este curso se corresponden casi uno a uno con ideas de ML. El álgebra lineal nos da vectores y matrices — la representación natural de características, pesos e imágenes. La geometría analítica equipa a esos vectores con distancia, ángulo y proyección, que son la base de la similitud, la pérdida y la regularización. Las descomposiciones matriciales (autovalores, SVD, PCA) abren la reducción de dimensión y la estabilidad numérica. Finalmente, el cálculo vectorial convierte el aprendizaje en un problema de optimización: cada paso del descenso por gradiente es una derivada direccional de una función de pérdida.

Considera un ejemplo simple: la regresión lineal. El modelo es $\hat{y} = \mathbf{w}^\top \mathbf{x} + b$. Solo para escribir esto necesitamos vectores ($\mathbf{x}$, $\mathbf{w}$), el producto punto ($\mathbf{w}^\top \mathbf{x}$), una función de pérdida (error cuadrático) y una forma de minimizarla (ya sea una solución cerrada mediante la pseudo-inversa o un método iterativo del gradiente). Cada uno de esos ingredientes es un capítulo de este libro.

La probabilidad y la estadística merecen una mención especial. El machine learning es en gran medida el arte de tomar decisiones bajo incertidumbre: no vemos el verdadero proceso generador de datos, solo muestras. Conceptos como *variables aleatorias*, *verosimilitud*, *regla de Bayes* y *pérdida esperada* son los que distinguen a un aprendiz riguroso de una máquina de ajuste de curvas. Capítulos posteriores introducirán estas herramientas para construir regresión lineal, PCA, mezclas gaussianas y SVM desde primeros principios.

Una palabra final sobre la actitud. Las matemáticas aquí no son un ritual de guardabarreras — son una caja de herramientas. No necesitas memorizar demostraciones para usar las herramientas, pero sí necesitas suficiente intuición para escoger la correcta. A lo largo del curso emparejamos cada concepto con una visualización, un ejercicio interactivo y una conexión concreta con ML, para que los símbolos nunca se desliguen de los problemas que resuelven.