Convertir palabras en números
Para hacer matemáticas con el significado, convierte cada palabra en una posición: un vector.
gato está fijo. Toca perro o coche para ponerlo como vecino de gato.
Pero un mapa plano no puede separar cada matiz… necesitamos más dimensiones.
1.2 Embeddings: el significado como coordenadasPreguntas frecuentes
¿De qué trata "Convertir palabras en números"?
¿Qué es lo complicado de esto?
¿Qué sabré hacer después de esta lección?
¿Qué viene después?
Qué muestra esta lección
Para hacer matemáticas con el significado, convierte cada palabra en una posición: un vector.
La pregunta con la que abre
¿'gato' se parece más a 'perro' o a 'carro'? Solo con letras, no lo puedes calcular.
El recorrido, en palabras de la propia lección
- En el mapa revuelto, toca la palabra que pondrías junto a gato: ¿perro o coche? Apuesta intuitiva.
- Mira cómo el modelo ordena cada palabra: los significados parecidos se agrupan.
- Toca perro o coche, lo que pondrías junto a gato. Todavía no hay respuesta incorrecta.
- Mira cómo el modelo coloca cada palabra. Las que significan cosas parecidas se agrupan juntas.
- Pero el modelo no ve el significado, solo letras. ¿Comparten alguna?
- Un mapa dibujado a mano al estilo del modelo; los mapas reales se aprenden, míralo en 2.5.
- Buscas en un centro de ayuda “no puedo iniciar sesión” y aparece un artículo titulado “solución de problemas de login”, aunque no escribiste ninguna de esas palabras. ¿Cómo?
- Cada frase se convierte en un vector, una posición según su significado, y la búsqueda empareja por posiciones cercanas, no por letras compartidas. Por eso “no puedo iniciar sesión” cae junto a “login” aunque no tengan ni una palabra en común.
- Casi no se solapan. Solo por las letras, gato y perro parecen no tener relación.
- Revueltas al principio: ahora mira cómo se ordenan por significado.
- Los significados parecidos se agrupan. Posiciones cercanas = significado parecido.
- Convertir las palabras en posiciones es lo que le permite al modelo compararlas por significado: la pieza que faltaba detrás de las predicciones ordenadas que viste en 0.1. Cada posición es un par de números, lo que llamamos un
- Ahora prueba tú: arrastra la palabra misteriosa a donde quieras y mira cómo cambia su vecino más cercano.
La idea clave
Coloqué 'gato' cerca de 'perro' y lejos de 'carro', y la máquina estuvo de acuerdo.
Qué puedes hacer después de esta lección
Puedes explicar por qué las palabras deben convertirse en vectores para que una máquina compare significados.
Ponte a prueba: ¿Por qué un modelo convierte las palabras en vectores (números)?
- Para poder medir qué tan parecidos son los significados(correcta)
- Para comprimir el texto
- Para cifrar la entrada
- Para ordenar las palabras alfabéticamente
Como coordenadas, los significados parecidos quedan cerca, así el modelo mide la similitud como distancia. Las letras no se pueden comparar así.
Adónde lleva: Pero un mapa plano no puede separar cada matiz… necesitamos más dimensiones.
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.