El arte de las transformadas

 En matemáticas e ingeniería ya existía una idea poderosa:

a veces, para entender mejor un problema, hay que cambiar su representación.

-La transformada de Fourier permite observar una señal en términos de sus componentes de frecuencia.

-Las wavelets permiten estudiar cómo ciertas componentes cambian a lo largo del tiempo y de distintas escalas.

-Laplace y Z ofrecen otras representaciones especialmente útiles para analizar sistemas continuos y discretos.

¿Y qué tiene que ver todo esto con Data Science? Mucho más de lo que parece.

A veces creemos que un problema necesita un modelo más sofisticado. Pero quizá el problema no sea el modelo. Quizá estamos mirando los datos desde el lugar equivocado.

Pensemos en las ventas diarias de cientos de productos. En su forma original, cada serie puede parecer una secuencia ruidosa e irregular. Pero al cambiar la representación pueden empezar a aparecer estructuras: ciclos semanales, componentes estacionales, periodicidades, cambios de comportamiento,o patrones que en el dominio original eran difíciles de distinguir. 

Y esos patrones no son solo interesantes desde el punto de vista estadístico. Pueden afectar decisiones reales: cuánto producir, cuándo comprar materia prima, cuánto inventario mantener,o cuándo anticipar un cambio en la demanda.

Los modelos modernos también dependen profundamente de las representaciones.

Un embedding, por ejemplo, representa palabras, productos, clientes u otras entidades como vectores.

Cuando esa representación ha sido aprendida de forma adecuada, ciertas similitudes y relaciones relevantes pueden reflejarse en la geometría de ese espacio.

Y ahí aparece una idea que atraviesa buena parte de Data Science:

una buena representación puede hacer visible una estructura que antes parecía inexistente.

Por eso, antes de preguntarnos: ¿Qué modelo más complejo puedo utilizar? quizá convenga preguntarnos: ¿Estoy representando el problema de la forma adecuada?

Porque a veces el salto no está en cambiar de algoritmo. Está en cambiar de perspectiva.

¿Qué patrón podría estar escondido en tus datos simplemente porque todavía lo están observando en su representación original?

Fuente:

Artículo: "El arte de las tranformadas" Publicado en https://www.youtube.com/ por Daniel Zaldaña el  4 sep 2026. Consultado el 06 sep 2026.

URl: https://lnkd.in/p/eWaxGYqw