Este documento explica cómo los kernels permiten que los SVM aprendan separaciones no lineales mediante la transformación de los datos a un espacio de dimensión superior implícito. Se introduce el kernel gaussiano RBF, el cual calcula la similitud entre puntos de datos basado en su distancia, permitiendo que los SVM aprendan patrones no lineales de manera eficiente sin necesidad de transformar explícitamente los datos.