Línea del tiempo: Aportes clave de las matemáticas a la construcción y diseño de la IA by Diana Lizbeth González Tolentino

Siglo XVIII–XIX — Teoría de la probabilidad (Bayes)

dianagleztno24 — 2025-10-03 04:07:27 UTC

Aporte: Fundamentos para inferencia y actualización de creencias.
Relación con IA: Modelos probabilísticos (clasificadores, estimaciones de incertidumbre).
En el aula (Fase 6):

Realizar una encuesta escolar (ej. comidas favoritas) y calcular probabilidades simples.
Ejercicio: “si ya sé que la persona respondió X, ¿cuál es la probabilidad de Y?” (introduce probabilidad condicional con ejemplos concretos).
Reflexión sobre certeza y límite de predicciones.

Siglo XIX–XX — Álgebra lineal y matrices

dianagleztno24 — 2025-10-03 04:07:27 UTC

Aporte: Representación de datos y transformaciones geométricas.
Relación con IA: Operaciones con vectores/matrices en imágenes y redes.
En el aula (Fase 6):

Actividad con papel cuadriculado: aplicar traslación, escala y rotación a una figura usando matrices simples (coordenadas).
Mostrar cómo una imagen se puede “descomponer” en números (pixeles) y manipularla.
Mini-proyecto: transformar dibujos de los alumnos y comparar resultados.

1957: Algoritmo Perceptrón de Rosenblatt

dianagleztno24 — 2025-10-03 04:07:27 UTC

Frank Rosenblatt desarrolla el perceptrón, el primer algoritmo de red neuronal capaz de aprender mediante entrenamiento. Utiliza conceptos matemáticos de álgebra lineal y estadística.

1965: Lógica difusa por Lotfi Zadeh

dianagleztno24 — 2025-10-03 04:07:27 UTC

Lotfi Zadeh introduce la lógica difusa, extendiendo la lógica clásica y permitiendo que los sistemas de IA gestionen incertidumbre y ambigüedad, fundamentales en la toma de decisiones humanas.

1970s: Programación matemática y optimización

dianagleztno24 — 2025-10-03 04:07:27 UTC

La teoría de optimización (incluyendo métodos como gradiente descendente y programación lineal/no lineal), basada en el cálculo, se convierte en pilar para el ajuste de modelos de IA y entrenamiento de redes neuronales.

1986: Retropropagación y el renacimiento de las redes neuronales

dianagleztno24 — 2025-10-03 04:07:27 UTC

David Rumelhart, Geoffrey Hinton y Ronald Williams desarrollan el algoritmo de retropropagación basado en cálculo diferencial, revolucionando el entrenamiento eficiente de redes neuronales multicapa.

1990s: Teoría de la probabilidad y modelos bayesianos

dianagleztno24 — 2025-10-03 04:07:27 UTC

La teoría de la probabilidad y la estadística adquieren protagonismo con los modelos bayesianos, fundamentales en la predicción, clasificación y aprendizaje automático moderno.

2006: Emergen las Redes Neuronales Profundas (Deep Learning)

dianagleztno24 — 2025-10-03 04:07:28 UTC

Con avances en matemáticas y poder computacional, las redes neuronales profundas logran grandes éxitos en tareas como reconocimiento de voz, visión e interpretación de datos complejos.

2012: Auge de la IA aplicada y el 'Big Data'

dianagleztno24 — 2025-10-03 04:07:28 UTC

La combinación de álgebra matricial, estadística avanzada y teoría de grafos permite el análisis de grandes datos, impulsando aplicaciones de IA en la vida diaria: recomendaciones en redes sociales, asistentes virtuales, diagnósticos médicos y más.

Actualidad: Matemáticas en IA explicable y ética

dianagleztno24 — 2025-10-03 04:07:28 UTC

Las matemáticas siguen evolucionando en áreas como geometría algebraica, teoría de la información y lógica matemática, contribuyendo a la creación de IA más transparente, justa y ética para resolver los retos sociales actuales.