<?xml version="1.0"?>
<rss version="2.0">
   <channel>
      <title>Timeline: Aportaciones de las matemáticas al desarrollo de la IA by CARLOS GARCIA</title>
      <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu</link>
      <description>Explora cómo las matemáticas han sido esenciales en la evolución de la inteligencia artificial, desde sus bases teóricas hasta sus aplicaciones actuales.</description>
      <language>en-us</language>
      <pubDate>2025-10-03 17:09:55 UTC</pubDate>
      <lastBuildDate>2025-10-03 17:09:57 UTC</lastBuildDate>
      <webMaster>hello@padlet.com</webMaster>
      <image>
         <url></url>
      </image>
      <item>
         <title>1943: Modelo de la Neurona de McCulloch y Pitts</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178403</link>
         <description><![CDATA[Walter Pitts y Warren McCulloch introducen el primer modelo matemático de una neurona artificial, sentando las bases del campo de las redes neuronales y la IA.]]></description>
         <enclosure url="https://elvis.padletcdn.com/1/fetch/e_in/pixabay.com/get/gc51af4d01132da2408489278686e72edd8b6846dd581d4fc074307d561facd2904f52838bcd35a512b04bb8b9906cee8.jpg" />
         <pubDate>2025-10-03 17:09:55 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178403</guid>
      </item>
      <item>
         <title>1950: La prueba de Turing</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178405</link>
         <description><![CDATA[Alan Turing propone un test basado en lógica y razonamiento matemático para determinar si una máquina puede exhibir inteligencia similar a la humana.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/4/4b/Prueba_de_Turing.svg" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178405</guid>
      </item>
      <item>
         <title>1957: El perceptrón de Rosenblatt</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178407</link>
         <description><![CDATA[Frank Rosenblatt desarrolla el primer algoritmo de red neuronal basado en matemáticas, capaz de aprender tareas simples. Es un paso fundamental hacia el aprendizaje automático moderno.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/3/3b/Frank_Rosenblatt.jpg" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178407</guid>
      </item>
      <item>
         <title>1965: Lógica Difusa de Lotfi Zadeh</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178410</link>
         <description><![CDATA[Lotfi Zadeh introduce la lógica difusa, una extensión matemática de la lógica booleana que permite razonar con incertidumbre, crucial para la toma de decisiones en IA.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/6/61/Fuzzy_logic_temperature_en.svg" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178410</guid>
      </item>
      <item>
         <title>1974: El algoritmo de retropropagación</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178411</link>
         <description><![CDATA[Se introduce la retropropagación, un método matemático esencial para entrenar redes neuronales profundas. Este avance permite que la IA realice tareas complejas.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/8/8d/CapaOculta.png" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178411</guid>
      </item>
      <item>
         <title>1986: Aprendizaje profundo y redes multicapa</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178412</link>
         <description><![CDATA[Investigadores demuestran que las redes neuronales multicapa pueden resolver problemas no lineales gracias a técnicas matemáticas avanzadas, iniciando la era del 'deep learning'.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/6/64/RedNeuronalArtificial.png" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178412</guid>
      </item>
      <item>
         <title>1997: Optimización en el aprendizaje automático</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178416</link>
         <description><![CDATA[Las matemáticas de la optimización, como el descenso de gradiente, se consolidan como herramientas clave para ajustar modelos de IA de manera eficiente.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/7/78/Esquema_aprendizaje.jpg" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178416</guid>
      </item>
      <item>
         <title>2001: El método de Support Vector Machines (SVM)</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178419</link>
         <description><![CDATA[Las SVM, apoyadas en la geometría y el álgebra lineal, permiten clasificar datos de alta dimensión con alta precisión, contribuyendo notablemente al desarrollo de la IA.]]></description>
         <enclosure url="https://freesvg.org/img/svm1.png" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178419</guid>
      </item>
      <item>
         <title>2012: Renacimiento del deep learning con redes convolucionales</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178421</link>
         <description><![CDATA[Las redes convolucionales, basadas en operaciones matemáticas de convolución, revolucionan el procesamiento de imágenes y el reconocimiento visual.]]></description>
         <enclosure url="https://elvis.padletcdn.com/1/fetch/e_in/pixabay.com/get/g4b83ec939eb7281afc44945648d870f2fddb9d0efb04525f8228b548b86de9af7aba822ca956db2c202654395c1634fb.jpg" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178421</guid>
      </item>
      <item>
         <title>2020: Avances en teoría de grafos y redes generativas</title>
         <author>cgarcia1606</author>
         <link>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178422</link>
         <description><![CDATA[Las matemáticas detrás de la teoría de grafos y las redes generativas adversariales (GANs) permiten avances en la simulación y creatividad artificial en IA moderna.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/c/cc/Grafo_-_circunferencia.svg" />
         <pubDate>2025-10-03 17:09:56 UTC</pubDate>
         <guid>https://padlet.com/cgarcia1606/552xq35tbkpe3kgu/wish/3617178422</guid>
      </item>
   </channel>
</rss>
