Laplaciano explicado: do cálculo à ML

O laplaciano aparece em algoritmos baseados em grafos, pipelines de processamento de imagens e clustering espectral. Então, se você está criando modelos que trabalham com grafos, imagens ou dados de alta dimensionalidade, o laplaciano não é uma matemática de pano de fundo opcional. É ele que realmente faz o trabalho por trás dos panos.

Neste artigo, vou cobrir o laplaciano do zero: a matemática por trás, a intuição geométrica, o laplaciano de grafos e sua forma matricial, e como ele é usado em aplicações reais de machine learning.

Precisa de uma introdução prática a equações diferenciais? Leia nosso artigo recente para ir dos fundamentos às aplicações práticas em machine learning.

O que é o laplaciano?

O laplaciano é um operador diferencial de segunda ordem. Ele indica como uma função se curva em um ponto específico.

Às vezes, você vai vê-lo descrito como a divergência do gradiente.

E essa é a chave para entender o que o operador realmente faz:

• O gradiente indica em que direção uma função cresce mais rápido
• A divergência mede se esse fluxo se espalha ou se concentra.

Combinados, o laplaciano diz se um ponto é um pico local, um vale local ou algo mais plano entre os dois.

Em termos simples, o laplaciano mede o quanto o valor de uma função em um ponto difere da média dos valores dos seus vizinhos. Se o laplaciano é zero, a função está localmente "equilibrada". Positivo significa que o ponto está abaixo da vizinhança. Negativo significa que está acima.

A fórmula

Em 2D, para uma função f(x, y):

Fórmula do laplaciano em 2D

Em 3D, para uma função f(x, y, z):

Fórmula do laplaciano em 3D

O padrão se mantém em qualquer número de dimensões — você soma as segundas derivadas parciais ao longo de cada eixo. Isso torna o laplaciano uma ótima escolha para dados de alta dimensionalidade, exatamente por isso ele aparece tanto em machine learning.

Fórmula do laplaciano em cálculo multivariável

A fórmula do laplaciano é mais curta do que você esperaria para algo que aparece em tantas áreas de machine learning.

Em 3D, para uma função f(x, y, z), fica assim:

Fórmula do laplaciano em 3D

É isso. Você está somando as segundas derivadas parciais ao longo de cada dimensão.

Cada termo faz a mesma pergunta ao longo de seu eixo: a função está curvando para cima, para baixo ou está plana? Ao somar essas respostas, você obtém um único número que descreve a curvatura geral naquele ponto.

De 3D para n dimensões

A fórmula se generaliza para n dimensões. Esta é a fórmula genérica para uma função com n dimensões de entrada:

Generalização da fórmula do laplaciano

É por isso que o laplaciano funciona tão bem em machine learning, onde seus dados muitas vezes vivem em centenas ou milhares de dimensões. O operador apenas soma a curvatura ao longo de cada dimensão.

Conexão com otimização

Se você já trabalhou com gradiente descendente, já pensa em primeiras derivadas — em que direção fica a descida? O laplaciano vai um passo além.

As segundas derivadas falam sobre o formato desse morro.

Um laplaciano muito positivo em um ponto significa que a função curva acentuadamente para cima em todas as direções — você está perto de um mínimo. Um valor muito negativo indica que você está perto de um máximo. Próximo de zero indica superfície localmente plana.

Essa informação de curvatura é importante em métodos de otimização de segunda ordem, que a usam para dar passos mais inteligentes do que o gradiente descendente simples. O laplaciano é uma forma de resumir essa curvatura em um único valor escalar.

Intuição geométrica: o que o laplaciano mede

O sinal do laplaciano em um ponto revela o formato da função ao redor dele.

• Se ∇²f > 0 em um ponto, a função curva para cima em todas as direções. O ponto está abaixo da vizinhança. Isso é convexidade.

• Se ∇²f < 0, a função curva para baixo. O ponto está acima da vizinhança. Isso é concavidade.

• Se ∇²f = 0, a função é localmente plana. Sem curvatura líquida em qualquer direção.

Esta é a versão multivariada do teste da segunda derivada que você já conhece. Em 1D, segunda derivada positiva indica mínimo local e negativa indica máximo local. O laplaciano estende essa mesma ideia para qualquer número de dimensões somando a curvatura em todos os eixos.

Relação com a Hessiana

A matriz Hessiana captura o quadro completo da curvatura. É uma matriz de todas as segundas derivadas parciais, e cada entrada descreve como a função se curva ao longo de um par de eixos.

O laplaciano é a traça da Hessiana — a soma de suas entradas diagonais. Enquanto a Hessiana traz a decomposição completa da curvatura, o laplaciano a condensa em um único número.

Essa troca é importante em machine learning. A Hessiana completa é cara de calcular em modelos de alta dimensionalidade — um modelo com n parâmetros tem uma Hessiana n × n. O laplaciano oferece um resumo escalar e barato da curvatura, fácil de usar.

Por que isso importa para machine learning

Ao treinar um modelo, você navega por uma superfície de loss. Regiões planas significam aprendizado lento. Áreas convexas podem fazer o otimizador ultrapassar o ponto ideal. O laplaciano dá uma leitura rápida de qual situação você está.

Métodos baseados em grafos usam o laplaciano para medir quão suavemente os valores mudam entre os nós do grafo. É uma extensão direta da mesma intuição de curvatura de funções contínuas para estruturas discretas.

Laplaciano e otimização em machine learning

O gradiente descendente usa apenas primeiras derivadas.

O gradiente indica para onde dar o passo. Ele não diz qual deve ser o tamanho desse passo. Um gradiente acentuado em um vale largo e plano pede um passo grande. O mesmo gradiente acentuado perto de uma borda íngreme pede um passo pequeno. Só as primeiras derivadas não distinguem esses casos.

É aí que entram as segundas derivadas.

Curvatura e tamanho do passo

Curvatura descreve quão rápido o próprio gradiente está mudando. Alta curvatura significa que a superfície de loss dobra acentuadamente — pequenos passos no espaço de parâmetros produzem grandes mudanças no gradiente. Baixa curvatura significa superfície plana e gradiente mudando lentamente.

Se você ignora a curvatura e usa uma taxa de aprendizado fixa, você está chutando. Muito alta, e você ultrapassa em regiões de alta curvatura. Muito baixa, e você se arrasta nas regiões planas.

Métodos de otimização de segunda ordem como o método de Newton usam a curvatura para definir automaticamente os tamanhos dos passos. Eles dividem o gradiente pela curvatura, dando passos maiores onde a superfície é plana e menores onde é afiada.

Onde o laplaciano entra

O laplaciano é a traça da Hessiana — um único escalar que resume a curvatura total em um ponto. Ele não captura o quadro completo como a Hessiana, mas é barato de calcular e útil como sinal.

Aqui vai uma explicação em bom português do que lembrar:

• Um laplaciano muito positivo da loss em um ponto indica proximidade de um mínimo local — a loss curva para cima em todas as direções
• Um valor negativo indica proximidade de um máximo
• Próximo de zero indica uma região plana ou de sela, justamente onde o gradiente descendente tende a travar

Estabilidade e regularização

Curvatura também se conecta à estabilidade do treinamento. Mínimos agudos — regiões com alta curvatura — tendem a generalizar pior do que os planos. Um modelo que converge para um mínimo agudo é sensível a pequenas mudanças na entrada.

Algumas técnicas de regularização penalizam diretamente a curvatura para empurrar a otimização para regiões mais planas da superfície de loss. O laplaciano aparece aqui também, como forma de medir e limitar o quão abruptamente as previsões do modelo mudam no espaço de entrada.

Entender curvatura ajuda você a entender por que seu otimizador empaca, por que a taxa de aprendizado importa tanto e por que alguns mínimos generalizam melhor que outros.

O laplaciano de grafo e a matriz laplaciana

Até aqui, o laplaciano viveu no mundo de funções contínuas. Mas o que acontece quando seus dados não formam uma superfície suave, e sim um grafo?

É aí que entra o laplaciano de grafo. Ele pega a mesma ideia central — medir como o valor em um ponto difere dos seus vizinhos — e aplica a nós e arestas.

A fórmula

O laplaciano de grafo L é definido como:

Fórmula do laplaciano de grafo (simplificada)

Duas matrizes. Só isso. Vamos entender o que cada uma significa.

A matriz de adjacência

A matriz de adjacência A codifica quais nós estão conectados. Para um grafo com n nós, A é uma matriz n × n em que A_ij = 1 se há uma aresta entre o nó i e o nó j, e 0 caso contrário.

Para um grafo simples não direcionado com 3 nós, onde o nó 1 se conecta aos nós 2 e 3, mas 2 e 3 não se conectam entre si:

A matriz de adjacência

A matriz de graus

A matriz de graus D é diagonal. Cada entrada diagonal D_ii é o grau do nó i — o número de arestas conectadas a ele. Todas as entradas fora da diagonal são zero.

Esta é a fórmula para o mesmo grafo:

A matriz de graus

O nó 1 tem grau 2 (conectado a dois nós). Os nós 2 e 3 têm grau 1 cada.

Juntando tudo

Subtraia A de D e você obtém L:

Subtraindo a matriz de adjacência da matriz de graus

Cada entrada diagonal informa quantas conexões um nó tem. Cada entrada fora da diagonal L_ij é -1 se os nós i e j estão conectados, e 0 se não estão.

Se você multiplicar L por um vetor de valores atribuídos a cada nó, o resultado mede o quanto o valor de cada nó difere da média dos valores dos seus vizinhos. Essa é a versão discreta da mesma intuição de curvatura de antes — só que aplicada a um grafo em vez de a uma superfície contínua.

O que autovalores revelam sobre um grafo

O verdadeiro poder de L vem de seus autovalores e autovetores:

• O menor autovalor de L é sempre 0. O autovetor correspondente é constante — todo nó recebe o mesmo valor. Faz sentido: uma função constante tem variação zero no grafo.

• O número de autovalores zero é igual ao número de componentes conectados no grafo. Se seu grafo tem três clusters desconectados, L tem três autovalores zero. É uma forma direta de ler conectividade do grafo a partir de uma matriz.

• Autovalores pequenos não nulos correspondem a autovetores que mudam lentamente pelo grafo — nós próximos recebem valores parecidos. Autovalores grandes correspondem a autovetores que oscilam rapidamente entre nós conectados.

Curiosidade: esse espectro de autovalores é o que dá nome aos métodos espectrais.

Clustering espectral e detecção de comunidades

Clustering espectral usa os autovetores de L para encontrar clusters em dados estruturados em grafo. A ideia é que autovetores associados a autovalores pequenos atribuem valores semelhantes a nós densamente conectados e valores diferentes a nós fracamente conectados.

Para encontrar k clusters, você pega os k autovetores correspondentes aos k menores autovalores não nulos de L, empilha como colunas em uma matriz e roda k-means nas linhas. Cada linha é um nó e sua posição nesse espaço de baixa dimensionalidade reflete sua vizinhança no grafo.

Isso funciona para detecção de comunidades em redes sociais, clustering de documentos, segmentação de imagens e em qualquer lugar em que seus dados tenham uma estrutura natural de grafo. Dois nós fortemente conectados acabam próximos no espaço dos autovetores. Dois nós de comunidades diferentes ficam distantes.

O laplaciano de grafo transforma um problema combinatório difícil — encontrar clusters no grafo — em um problema de álgebra linear fácil de resolver.

Laplaciano em clustering espectral

Clustering espectral é onde o laplaciano de grafo sai da matemática interessante e vira uma ferramenta prática de ML.

A ideia central é que, em vez de agrupar os pontos brutos diretamente, você os agrupa em um espaço definido pelos autovetores de L. Esse espaço captura a estrutura do grafo, permitindo ver quais nós são bem conectados, quais são pouco conectados e quais pertencem a comunidades separadas.

Como autovetores definem clusters

Pegue os k autovetores correspondentes aos k menores autovalores não nulos de L. Empilhe-os como colunas em uma matriz. Cada linha dessa matriz é um nó, agora representado como um ponto em um espaço de dimensão k.

Autovetores associados a autovalores pequenos mudam lentamente pelo grafo. Nós densamente conectados acabam com valores parecidos nesses autovetores — e valores parecidos significam linhas parecidas — e linhas parecidas significam que eles ficam próximos no novo espaço.

Laplaciano não normalizado vs. normalizado

Existem duas versões do laplaciano de grafo que você verá na prática.

O laplaciano não normalizado é o simples L = D - A. Ele funciona bem quando os nós têm graus mais ou menos semelhantes — isto é, quando a maioria tem número parecido de conexões

O laplaciano normalizado ajusta o desequilíbrio de graus. Há algumas variantes, mas a mais comum é:

Fórmula do laplaciano normalizado

Isso reescala a contribuição de cada nó pelo seu grau. Em grafos do mundo real — redes sociais, web, citações — alguns nós têm centenas de conexões e outros só uma ou duas. Sem normalização, nós de alto grau dominam os autovetores e o clustering sofre.

Use o laplaciano normalizado por padrão, a menos que você saiba que seu grafo tem distribuição de grau uniforme.

Aplicações práticas

Clustering espectral com o laplaciano de grafo aparece em uma ampla gama de tarefas de machine learning. Algumas delas:

• Segmentação de imagens — pixels viram nós, pesos de aresta codificam similaridade e clusters mapeiam regiões da imagem
• Clustering de documentos — documentos viram nós, arestas codificam termos compartilhados ou citações
• Análise de redes sociais — usuários viram nós, arestas codificam conexões e clusters revelam comunidades
• Sistemas de recomendação — itens ou usuários formam um grafo, e métodos espectrais encontram grupos com comportamento semelhante

Sempre que seus dados têm uma estrutura natural de grafo, ou você pode construir uma a partir de similaridades par a par, o clustering espectral oferece uma forma consistente de encontrar grupos que métodos puramente baseados em distância deixam passar.

Laplaciano em processamento de imagens e visão computacional

O laplaciano é uma das ferramentas mais antigas da visão computacional e continua em uso ativo hoje.

No processamento de imagens, a intensidade do pixel é a função. O laplaciano mede como a intensidade de um pixel difere da de seus vizinhos. Onde a intensidade muda lentamente, o laplaciano fica perto de zero. Onde muda abruptamente — em uma borda — o laplaciano gera uma resposta forte.

Essa é a base inteira da detecção de bordas com laplaciano.

Por que segundas derivadas encontram bordas

A primeira derivada encontra onde a intensidade está mudando. A segunda derivada encontra onde essa mudança muda — em outras palavras, onde a taxa de variação atinge o pico e depois cai.

Em uma borda, a intensidade sobe e depois estabiliza. A primeira derivada tem um pico na rampa. A segunda derivada — o laplaciano — cruza zero exatamente no topo desse pico. Esses cruzamentos em zero marcam a posição exata da borda, o que torna o laplaciano mais preciso na localização de bordas do que métodos de primeira derivada como o filtro de Sobel.

O kernel discreto do laplaciano

Na prática, imagens são grades de pixels, não funções contínuas. O laplaciano contínuo é aproximado usando um kernel de convolução — uma pequena matriz que você desliza pela imagem.

O kernel discreto padrão 3×3 do laplaciano é assim:

Kernel laplaciano discreto 3x3

O peso central é -4 e os quatro vizinhos diretos recebem +1 cada. Ao aplicar esse kernel a um pixel, você está calculando a diferença entre a intensidade daquele pixel e a média de seus quatro vizinhos — a versão discreta da mesma pergunta "como este ponto se compara ao seu entorno".

Considerações práticas

O filtro laplaciano bruto é sensível a ruído. Um único pixel ruidoso produz um pico de intensidade e o laplaciano vai marcá-lo como borda.

A correção padrão é suavizar a imagem antes com um desfoque Gaussiano e, depois, aplicar o laplaciano. Essa combinação é chamada de Laplaciano do Gaussiano (LoG). O Gaussiano suprime o ruído e o laplaciano encontra as bordas reais.

Em deep learning, redes neurais convolucionais aprendem seus próprios filtros de detecção de bordas a partir dos dados — mas esses filtros aprendidos frequentemente lembram o kernel laplaciano. Ou seja, a matemática que tornou o laplaciano útil na visão computacional clássica é a mesma que as redes neurais redescobrem por conta própria.

Laplaciano discreto vs. contínuo

O laplaciano reúne três ideias aparentadas que aparecem em contextos diferentes.

Entender com qual versão você está trabalhando evita muita confusão quando você alterna entre livros de cálculo, código numérico e artigos de graph ML.

O laplaciano contínuo

O laplaciano contínuo é o do cálculo. Para uma função suave f definida em um espaço contínuo, ele é a soma das segundas derivadas parciais:

O laplaciano contínuo

Essa versão assume que sua função é suave e diferenciável em todo lugar. É a base teórica — mas dados reais nunca são contínuos. Você não consegue calcular derivadas exatas em uma grade de pixels ou em uma tabela de medições.

O laplaciano discreto

Ao sair de funções contínuas para dados amostrados, derivadas são substituídas por diferenças finitas — aproximações calculadas a partir de valores vizinhos.

Para uma função 1D amostrada em pontos igualmente espaçados, a segunda derivada discreta no ponto i é:

O laplaciano discreto

Você está comparando o valor em i com seus dois vizinhos. A mesma ideia se estende a grades 2D (imagens), volumes 3D e além. Os kernels de convolução da seção de processamento de imagens são exatamente isso — aproximações por diferenças finitas do laplaciano contínuo, aplicadas a uma grade de pixels.

Essa discretização torna o laplaciano computável em métodos numéricos e pipelines de ML. Sempre que você aplica um filtro laplaciano em código, está executando uma aproximação por diferenças finitas, não o operador exato do cálculo.

O laplaciano de grafo

O laplaciano de grafo leva a discretização um passo além. Em vez de uma grade regular com espaçamento uniforme, você tem um conjunto arbitrário de nós conectados por arestas com pesos variados.

Não há noção de "pixel vizinho" aqui — apenas nós e as conexões entre eles. O laplaciano de grafo L = D - A substitui a estrutura de diferenças finitas pela estrutura de adjacência. A mesma pergunta central permanece: como o valor de um nó se compara aos de seus vizinhos? Mas agora "vizinhos" é definido pelo grafo, não pela proximidade espacial.

Por que isso importa em ML

A maior parte dos dados de ML não vive em uma grade regular. Moléculas, redes sociais, grafos de conhecimento e nuvens de pontos 3D têm estrutura irregular. Você não pode aplicar um laplaciano padrão de diferenças finitas a eles.

O laplaciano de grafo resolve isso ao tornar a estrutura de vizinhança explícita via matriz de adjacência. É por isso que redes neurais de grafos e métodos espectrais conseguem aplicar operações baseadas em laplaciano a dados sem sistema de coordenadas natural.

Exemplo prático: calculando um laplaciano

Vamos deixar isso concreto com dois exemplos — um contínuo e um baseado em grafo.

Exemplo 1: laplaciano contínuo de f(x, y) = x² + y²

Considere a função f(x, y) = x² + y². É um paraboloide simples — um formato de tigela que curva para cima em todas as direções.

Para calcular o laplaciano, você precisa da segunda derivada parcial em relação a cada variável.

Primeiro, em relação a x:

Cálculo do laplaciano contínuo (1)

Depois, em relação a y:

Cálculo do laplaciano contínuo (2)

E agora é só somar:

Cálculo do laplaciano contínuo (3)

O laplaciano é constante 4 em todo lugar. Isso faz sentido, já que um paraboloide tem a mesma curvatura em todos os pontos. O valor positivo indica que a função curva para cima em todas as direções, consistente com o formato de tigela.

Exemplo 2: laplaciano de grafo para um grafo pequeno

Considere um grafo com 4 nós e as seguintes arestas:

• O nó 1 se conecta aos nós 2 e 3
• O nó 2 se conecta aos nós 1 e 4
• O nó 3 se conecta ao nó 1
• O nó 4 se conecta ao nó 2

A matriz de adjacência A codifica as conexões:

Cálculo do laplaciano de grafo (1)

A matriz de graus D coloca a contagem de conexões de cada nó na diagonal:

Cálculo do laplaciano de grafo (2)

Os nós 1 e 2 têm 2 conexões cada. Os nós 3 e 4 têm 1 conexão cada.

Por fim, subtraia para obter L = D - A:

Cálculo do laplaciano de grafo (3)

Como ler essa matriz: a linha 1 diz: o nó 1 tem grau 2 e está conectado aos nós 2 e 3 (as entradas -1). A linha 3 diz: o nó 3 tem grau 1, conectado apenas ao nó 1. Os zeros informam quais pares de nós não compartilham aresta.

Você também pode calcular em Python para verificar:

import numpy as np

A = np.array([
    [0, 1, 1, 0],
    [1, 0, 0, 1],
    [1, 0, 0, 0],
    [0, 1, 0, 0]
])

D = np.diag(A.sum(axis=1))
L = D - A

print(L)Tecnologia

Cálculo do laplaciano de grafo em Python

Confusões comuns

O laplaciano é parecido com alguns outros conceitos, e as diferenças nem sempre são óbvias só pelos nomes. Nesta seção, vou eliminar os pontos de confusão.

Laplaciano vs. gradiente

O gradiente ∇f é um vetor. Ele aponta na direção de maior aumento e sua magnitude indica quão rápido a função cresce. Baseia-se em primeiras derivadas.

O laplaciano ∇²f é um escalar. Ele não diz para onde se mover — diz qual é o formato da função em um ponto. É construído a partir de segundas derivadas.

Laplaciano vs. Hessiana

Essa é a que mais confunde.

A Hessiana H é uma matriz de todas as segundas derivadas parciais. Para uma função com n entradas, é uma matriz n × n que captura como o gradiente muda em cada par de eixos. Ela traz o quadro completo da curvatura.

O laplaciano é a traça da Hessiana — a soma de suas entradas diagonais. Você perde a informação de curvatura fora da diagonal, mas ganha um único número rápido de calcular.

Use a Hessiana quando precisar do detalhamento completo da curvatura. Use o laplaciano quando um resumo escalar for suficiente.

Laplaciano de grafo vs. operador diferencial

Eles compartilham o nome e a mesma intuição central, mas operam sobre objetos completamente diferentes.

O laplaciano diferencial atua sobre funções suaves e contínuas. Ele requer derivadas, o que pressupõe função diferenciável em todo lugar.

O laplaciano de grafo L = D - A atua sobre grafos — estruturas discretas com nós e arestas. Não há derivadas envolvidas. Ele mede como o valor em cada nó difere dos seus vizinhos por operações matriciais.

A conexão é conceitual, não computacional. Ambos medem o desvio local em relação à média da vizinhança, mas são inteiramente distintos.

Convenções de sinal

Algumas áreas definem o laplaciano com sinal negativo: -∇²f. Você verá isso em física e em alguns artigos de ML sobre redes neurais de grafos. O laplaciano negativo −L é semidefinido positivo, o que tem propriedades mais interessantes para certos problemas de otimização e deixa a análise de autovalores mais limpa.

Ao ler um artigo em que os autovalores do laplaciano são todos não negativos, verifique se estão usando L ou -L. A matemática é equivalente, mas misturar convenções pode levar a resultados errados.

Por que o laplaciano importa em data science

Até aqui, você viu o laplaciano aparecer em cálculo, teoria de grafos, processamento de imagens e otimização. O mesmo operador resolve o mesmo problema fundamental em contextos diferentes: medir como o valor em um ponto se relaciona com o seu entorno.

Veja onde isso aparece em data science:

• ML baseado em grafos: O laplaciano de grafo L = D - A é a base dos métodos espectrais. Sempre que seus dados têm estrutura natural de grafo, o laplaciano fornece uma matriz que codifica todo o padrão de conectividade em uma forma sobre a qual você pode fazer álgebra linear

• Clustering: O clustering espectral usa os autovetores de L para encontrar grupos que métodos puramente baseados em distância não capturam. Funciona bem quando os clusters não são convexos ou linearmente separáveis

• Aprendizado semissupervisionado: Muitos métodos semissupervisionados usam o laplaciano de grafo para propagar rótulos de nós rotulados para não rotulados. A suposição é que nós conectados tendem a compartilhar o mesmo rótulo, e o laplaciano quantifica quão suavemente os rótulos devem variar no grafo

• Aprendizado de variedades (manifold learning): Algoritmos como Laplacian Eigenmaps usam o laplaciano de grafo para encontrar representações de baixa dimensionalidade de dados de alta dimensionalidade. Os autovetores de L mapeiam pontos próximos no espaço original para pontos próximos no espaço reduzido

• Extração de features em imagens: O laplaciano discreto detecta bordas e regiões de mudança rápida de intensidade. Esses sinais alimentam diretamente pipelines clássicos de visão computacional e também servem como priors em arquiteturas de deep learning

Resumindo, o laplaciano é uma das poucas ferramentas matemáticas que escalam de uma única equação de cálculo até grandes redes neurais de grafos.

Conclusão

O laplaciano começa como um operador de cálculo, uma forma de medir curvatura em funções contínuas. Quando você chega ao ML baseado em grafos, ele vira uma matriz que codifica a estrutura de toda uma rede. A ideia central é exatamente a mesma — só muda a forma.

Matricule-se no nosso curso Linear Algebra for Data Science in R para colocar em prática muitos conceitos e tópicos abordados neste artigo.