Una red neuronal es un modelo que nos recuerda a un recién nacido: los humanos vienen al mundo ignorantes de todo lo que los rodea. Sólo a través de la exposición al mundo exterior es cuando su "ignorancia" lentamente disminuye. Claro que esto es un conocimiento a posteriori. Primero el humano debe experimentar y equivocarse para aprender. De manera análoga, los algoritmos aprenden a través de datos. Al entrenar una red neuronal sobre un conjunto de observaciones esperamos disminuir su "ignorancia". La forma en que medimos este progreso es observando la función error producida por la red. En este trabajo se intentará explicar a qué nos referimos con "aprendizaje", echando luz sobre la matemática detrás de redes neuronales, y por supuesto, mencionando interesantes ejemplos de su uso.

Entramos a Netflix, buscamos algo para ver y de repente no solo nos encontramos con películas, series, documentales, sino que además con porcentajes: "98% para ti", "57% para ti", "80% para ti" y así... Cada serie, película o documental tiene una predicción de cuánto nos podría gustar sin que las hayamos visto...La plataforma predice y nos recomienda qué ver... Pero, ¿cómo decide qué recomendarnos? ¿cómo predice nuestras preferencias? En este trabajo mostramos qué papel juega la factorización de matrices en sus sistemas de recomendación...