Nel linguaggio della scienza, esistono concetti che fungono da “grammatica” universale: l’algebra vettoriale è uno di questi. Se i numeri reali (gli scalari) sono sufficienti a descrivere “quanto” pesi un oggetto o “quale” sia la temperatura in una stanza, essi falliscono non appena entra in gioco il movimento o la forza. Per navigare la realtà, abbiamo bisogno di qualcosa di più complesso: i vettori.
1. Oltre il Numero: Intensità e Direzione
Un vettore non è semplicemente un valore, ma un’istruzione geometrica. In uno spazio a n dimensioni, lo definiamo come una sequenza ordinata di numeri reali, dove ogni componente rappresenta una coordinata specifica.
Immaginiamo lo spazio tridimensionale. Un vettore u = (2, 3, -1) non è solo un punto, ma una freccia che parte dall’origine e si proietta nel vuoto, sintetizzando tre informazioni spaziali. Questa capacità di manipolare entità multicomprensive rende i vettori indispensabili in informatica, economia e fisica.
2. Le Operazioni Fondamentali: L’Algebra dello Spazio
Operare con i vettori significa trasformare lo spazio attraverso modifiche strutturali:
-
Somma (u + v): Geometricamente, è la composizione di due spostamenti. Il risultato segue la “regola del parallelogramma”.
-
Moltiplicazione per scalare (λu): È un’operazione di scaling. Se il moltiplicatore è maggiore di 1, il vettore si allunga; se è negativo, inverte il verso.
Il Prodotto Scalare: La Misura dell’Allineamento
Il prodotto scalare (o dot product) trasforma due vettori in un numero reale. La sua formula geometrica è:
u · v = ||u|| ||v|| cos(θ)
Questo valore indica quanto due vettori siano “simili”. Se il risultato è zero, i vettori sono ortogonali (perpendicolari). Nei motori di ricerca, due documenti sono considerati “vicini” se il loro prodotto scalare è elevato.
3. Il Prodotto Vettoriale e la Terza Dimensione
Esclusivo dello spazio 3D, il prodotto vettoriale (u × v) genera un nuovo vettore perpendicolare al piano formato dai primi due.
La Regola della Mano Destra: Se le dita seguono u e v, il pollice indica la direzione del prodotto vettoriale.
È vitale per calcolare aree o descrivere fenomeni rotazionali, come il momento torcente in meccanica.
4. Analisi e Proiezione: Decomporre la Complessità
La proiezione di un vettore u su v permette di estrarre la “componente” di una forza che agisce in una direzione specifica.
Matematicamente: proj_v(u) = [ (u · v) / (v · v) ] · v
È l’equivalente dell’ombra proiettata da un oggetto sotto una luce zenitale. Questa operazione è alla base dell’ortogonalizzazione di Gram-Schmidt, tecnica usata per semplificare calcoli fisici e informatici complessi.
I Vettori nel Machine Learning
Nel Machine Learning, i dati vengono “digeriti” come feature vectors (es. i dati di una casa: metri quadri, stanze, anno).
1. Il Prodotto Scalare come “Neurone”
Un neurone moltiplica gli ingressi (x) per dei pesi (w):
y = w · x + b
2. La Norma e la Regolarizzazione
Per evitare modelli troppo complessi (overfitting), si usa la Norma Euclidea ||w|| per penalizzare i pesi eccessivi (L2 Regularization).
3. Similarità del Coseno
Algoritmi come quelli di Netflix usano il coseno dell’angolo tra vettori per capire se due utenti hanno gusti simili. Se cos(θ) è vicino a 1, i gusti sono identici.
Creare una Rete Neurale “da zero”
Una rete neurale è una catena di trasformazioni geometriche.
-
Forward Propagation: I dati passano attraverso prodotti scalari: z = W · x + b.
-
Funzione di Costo: Calcoliamo l’errore usando la norma della differenza tra previsione e realtà: ||y_pred – y_reale||.
-
Backpropagation: Usiamo il gradiente (un vettore) per capire in quale direzione muoverci per ridurre l’errore.
La Regola della Catena sui Vettori
Per aggiustare i pesi, la rete usa la derivata vettoriale. Se l’errore è E, l’output è a e l’input lineare è z, la catena è:
(∂E / ∂w) = (∂E / ∂a) · (∂a / ∂z) · (∂z / ∂w)
Il segnale di errore scorre all’indietro: il prodotto scalare del “passaggio avanti” diventa una moltiplicazione per la matrice trasposta nel “passaggio indietro”.
La formula di aggiornamento:
w_nuovo = w_vecchio – η · ∇E(w)
(dove η è il tasso di apprendimento e ∇E è il gradiente dell’errore)
Conclusione
Senza l’algebra vettoriale, dovremmo regolare ogni singolo peso di una IA (miliardi di parametri) uno alla volta. Grazie a queste formule, possiamo orientare l’intera struttura verso la soluzione corretta in un colpo solo. Dominare i vettori significa possedere le chiavi della realtà moderna.
