🚀 DÍA 20/30: Transformando dimensiones complejas en listas simples.

Cuando pasas una imagen a una Red Neuronal, a veces la IA necesita recibir los píxeles en una sola línea plana. flatten() aplasta tus datos.

import numpy as np

matriz = np.array([[1, 2], [3, 4]])

# 🔨 Aplastar a 1D
plana = matriz.flatten()
print(plana) # [1, 2, 3, 4]
 

📌 GUARDA el código. Este es el último paso antes de alimentar un algoritmo predictivo. 

👇 ¿Conocías este truco o seguías usando bucles anidados para extraer los datos? 

🚀 DÍA 19/30: Dale la vuelta a tu mundo (y a tus tablas).

Lo que antes eran filas, ahora son columnas. Transponer una matriz es un paso obligatorio en cálculo de Redes Neuronales.

import numpy as np

tabla = np.array([[1, 2], 
                  [3, 4]])

# 🔄 Girar la matriz
transpuesta = tabla.T
print(transpuesta) 
# [[1, 3],
#  [2, 4]]

📌 GUARDA esta joya matemática. Literalmente es añadir un .T a tu código. 👇 Comenta "IA" y te pasaré por DM contenido brutal sobre programación en mi canal.

🚀 DÍA 18/30: Cortando el pastel de datos en trozos iguales.

Tienes un array gigante y necesitas repartirlo en 3 procesadores diferentes para procesado paralelo. split es tu herramienta.

import numpy as np

datos_masivos = np.array([10, 20, 30, 40, 50, 60])

# ✂️ Dividir en 3 partes iguales
paquetes = np.split(datos_masivos, 3)
print(paquetes[0]) # El primer procesador se lleva: [10, 20]

📌 GUARDA este comando para cuando estudies concurrencia y multiprocessing. 

👇 Si intento dividir un array de 5 elementos en 3 partes... ¿qué crees que pasará? ¡Te leo!