2. Cálculo

Aportaciones: Permite la optimización de funciones. En IA, se usa para calcular derivadas y encontrar mínimos y máximos en funciones de costo durante el entrenamiento de modelos.

3. Probabilidad y Estadística

Aportaciones: Ayuda a modelar la incertidumbre y hacer inferencias a partir de datos. Se aplica en la clasificación, predicción y análisis de datos.

4. Teoría de Grafos

Aportaciones: Utilizada para representar redes y relaciones. Es fundamental en algoritmos de búsqueda y en el diseño de redes neuronales.

5. Teoría de Juegos

Aportaciones: Ofrece herramientas para modelar interacciones entre agentes. Es útil en sistemas de IA que requieren estrategias de toma de decisiones en entornos competitivos.

6. Optimización

Aportaciones: Crucial para encontrar soluciones óptimas en problemas complejos. Se utiliza en algoritmos de entrenamiento de modelos y en la optimización de recursos.

7. Lógica Matemática

Aportaciones: Proporciona un marco para el razonamiento formal y la inferencia. Es esencial en sistemas expertos y en el desarrollo de algoritmos de aprendizaje lógico.

8. Teoría de la Información

Aportaciones: Ayuda a entender y cuantificar la información, lo que es esencial para la compresión de datos y la transmisión de información en redes.

9. Análisis Numérico

Aportaciones: Proporciona métodos para aproximar soluciones a problemas matemáticos complejos que no se pueden resolver analíticamente. Se utiliza en simulaciones y optimización.

10. Geometría

Aportaciones: Fundamental en el procesamiento de imágenes y visión por computadora, donde se requieren transformaciones y análisis espaciales.

1950: Alan Turing presenta el "Test de Turing", un criterio para determinar si una máquina puede exhibir comportamiento inteligente indistinguible del humano.

1956: El Nacimiento de la IA

1956: En la Conferencia de Dartmouth, el término "inteligencia artificial" es acuñado. Se considera el nacimiento formal del campo de la IA.

1960-1970: Primeras Aplicaciones y Programas

1966: ELIZA, un programa de procesamiento de lenguaje natural, es creado por Joseph Weizenbaum, simula una conversación con un terapeuta.

1970: Se desarrollan sistemas de expertos, como DENDRAL, utilizado para el análisis químico.

1980-1990: Revolución en la IA

1980: La IA comienza a recibir más atención y financiación, especialmente en sistemas de expertos.

1987: La "IA invernal" comienza a caer, donde el interés y la financiación disminuyen debido a las limitaciones tecnológicas y expectativas no cumplidas.

1990-2000: Resurgimiento

1997: Deep Blue, de IBM, derrota al campeón mundial de ajedrez Garry Kasparov, marcando un hito en la capacidad de la IA para superar a los humanos en tareas complejas.

2000-2010: Avances en Aprendizaje Automático

2006: El término "aprendizaje profundo" (deep learning) se populariza, y se comienzan a utilizar redes neuronales profundas en diversas aplicaciones.

2010-2020: IA en el Mundo Real

2011: IBM Watson gana el concurso de preguntas y respuestas Jeopardy!, demostrando capacidades avanzadas de procesamiento de lenguaje natural.

2012: Un modelo de aprendizaje profundo gana el concurso de reconocimiento de imágenes ImageNet, estableciendo un nuevo estándar en visión por computadora.

2016: AlphaGo, desarrollado por DeepMind, derrota al campeón mundial de Go, Lee Sedol, un logro significativo en la IA.

2020-Presente: IA Generalizada y Ética

2020: Los modelos de lenguaje, como GPT-3, muestran capacidades avanzadas en generación de texto, atrayendo la atención global.

2023: Aumenta la discusión sobre la ética y la regulación de la IA, con un enfoque en la transparencia, sesgos y el impacto social.

Fracciones: Sumar, restar, multiplicar y dividir fracciones, así como convertir entre fracciones y decimales.

2. Álgebra

Expresiones algebraicas: Introducción a variables y términos algebraicos. Evaluación de expresiones.

Ecuaciones: Resolución de ecuaciones simples de primer grado.

3. Geometría

Figuras geométricas: Propiedades de triángulos, cuadriláteros y círculos. Perímetros y áreas de diversas figuras.

Sólidos: Volumen y superficie de figuras tridimensionales como cubos, prismas y cilindros.

4. Medición

Unidades de medida: Conversión entre diferentes unidades de longitud, área, volumen y tiempo.

Instrumentos de medición: Uso de reglas, balanzas y otros instrumentos para medir.

5. Datos y Probabilidad

Estadística: Recolección, organización y representación de datos (gráficas de barras, pictogramas, histogramas).

Media, mediana y moda: Cálculo de medidas de tendencia central.

Probabilidad: Introducción a conceptos básicos de probabilidad y experimentos aleatorios.

6. Resolución de Problemas

Estrategias: Desarrollo de habilidades para resolver problemas matemáticos a través de diversas estrategias y enfoques.

7. Razonamiento Matemático

Lógica: Introducción a la lógica matemática y razonamientos deductivos.

Proporcionan el marco teórico para entender y formalizar los algoritmos que permiten a las máquinas aprender y tomar decisiones.

2. Modelado de Datos

Ayudan a representar datos en estructuras matemáticas (matrices, vectores) que facilitan su manipulación y análisis.

3. Optimización

Permiten la mejora continua de los modelos a través de técnicas de optimización que buscan minimizar errores y maximizar el rendimiento.

4. Análisis de Incertidumbre

A través de la probabilidad y la estadística, las matemáticas permiten modelar la incertidumbre y hacer inferencias sobre datos, lo que es crucial para la toma de decisiones en condiciones inciertas.

5. Eficiencia Computacional

Las técnicas matemáticas ayudan a desarrollar algoritmos más eficientes que pueden procesar grandes volúmenes de datos rápidamente.

6. Interacción entre Disciplinas

Facilitan la integración de la IA con otras áreas, como la biología, la economía y la ingeniería, permitiendo aplicaciones interdisciplinarias.

7. Validación y Prueba de Modelos

Proporcionan herramientas para evaluar y validar modelos, asegurando que funcionen correctamente y cumplan con las expectativas.