<?xml version="1.0"?>
<rss version="2.0">
   <channel>
      <title>Timeline: Aportaciones Matemáticas en la Inteligencia Artificial by Lupita Plascencia</title>
      <link>https://padlet.com/aygualupis/rnhetg579ezocusp</link>
      <description>Un recorrido histórico por los avances matemáticos que han permitido el desarrollo de la Inteligencia Artificial</description>
      <language>en-us</language>
      <pubDate>2025-07-10 16:43:53 UTC</pubDate>
      <lastBuildDate>2025-07-10 16:43:56 UTC</lastBuildDate>
      <webMaster>hello@padlet.com</webMaster>
      <image>
         <url></url>
      </image>
      <item>
         <title>1943: Modelo de McCulloch-Pitts</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175309</link>
         <description><![CDATA[Warren McCulloch y Walter Pitts desarrollan el primer modelo matemático de una red neuronal, estableciendo las bases matemáticas para la inteligencia artificial y las redes neuronales artificiales. Este modelo demostró cómo las neuronas podían realizar operaciones lógicas.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/1/17/Mcculloch_pitts.svg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175309</guid>
      </item>
      <item>
         <title>1950: Prueba de Turing</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175310</link>
         <description><![CDATA[Alan Turing publica 'Computing Machinery and Intelligence', introduciendo la famosa Prueba de Turing y estableciendo fundamentos matemáticos para determinar si una máquina puede exhibir comportamiento inteligente. Este trabajo sentó las bases para la evaluación de la IA.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/7/71/Turing_Test.jpg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175310</guid>
      </item>
      <item>
         <title>1957: Perceptrón de Rosenblatt</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175311</link>
         <description><![CDATA[Frank Rosenblatt desarrolla el Perceptrón, el primer algoritmo de aprendizaje automático basado en una red neuronal artificial. Sus fórmulas matemáticas para el aprendizaje supervisado siguen siendo relevantes en la actualidad.]]></description>
         <enclosure url="https://live.staticflickr.com/3108/3228758462_0f58cd625b_b.jpg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175311</guid>
      </item>
      <item>
         <title>1960: ADALINE</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175312</link>
         <description><![CDATA[Bernard Widrow y Ted Hoff desarrollan ADALINE (ADAptive LInear NEuron), introduciendo el algoritmo de mínimos cuadrados (LMS) para el entrenamiento de redes neuronales, una importante contribución matemática al aprendizaje automático.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/3/39/Example_of_a_neural_network%27s_neural_unit.png" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175312</guid>
      </item>
      <item>
         <title>1965: Lógica Difusa</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175313</link>
         <description><![CDATA[Lotfi Zadeh introduce la teoría de conjuntos difusos y la lógica difusa, proporcionando un marco matemático para manejar la incertidumbre en la IA. Esta teoría revolucionó el control automático y la toma de decisiones.]]></description>
         <enclosure url="https://img.exaly.com/journal-chart/58620/if-computation/graph.svg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175313</guid>
      </item>
      <item>
         <title>1986: Algoritmo de Retropropagación</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175315</link>
         <description><![CDATA[David Rumelhart, Geoffrey Hinton y Ronald Williams popularizan el algoritmo de retropropagación, una técnica matemática fundamental para entrenar redes neuronales profundas mediante el cálculo del gradiente.]]></description>
         <enclosure url="https://elvis.padletcdn.com/1/fetch/e_in/pixabay.com/get/g2a3f243e139ff7e5a8f8f8b0fce6dd9ba7ba7effb89ffd2ed81591e389ae12187f3da43bdfbee414d02920954d7ee88f.jpg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175315</guid>
      </item>
      <item>
         <title>1995: Máquinas de Vectores de Soporte (SVM)</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175316</link>
         <description><![CDATA[Vladimir Vapnik y Corinna Cortes desarrollan las Máquinas de Vectores de Soporte, un método matemático poderoso para clasificación y regresión que optimiza los márgenes de separación entre clases.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/7/72/SVM_margin.png" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175316</guid>
      </item>
      <item>
         <title>2012: AlexNet y Deep Learning</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175318</link>
         <description><![CDATA[Alex Krizhevsky desarrolla AlexNet, una red neuronal convolucional profunda que marca un hito en el reconocimiento de imágenes. Su arquitectura matemática revoluciona el campo del aprendizaje profundo.]]></description>
         <enclosure url="https://elvis.padletcdn.com/1/fetch/e_in/pixabay.com/get/g919ec98283416c8d2100bd40bb340f4ef1ea1f17d6e0c6d8595a2fd2a1e1e271453c93929d820556cf9fa31da285d34f.jpg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175318</guid>
      </item>
      <item>
         <title>2014: GANs (Redes Generativas Adversarias)</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175319</link>
         <description><![CDATA[Ian Goodfellow y otros investigadores introducen las GANs, un marco matemático innovador donde dos redes neuronales compiten entre sí para generar datos sintéticos realistas.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/8/8b/Generative_Adversarial_Network_illustration.svg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175319</guid>
      </item>
      <item>
         <title>2017: Transformers</title>
         <author>aygualupis</author>
         <link>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175320</link>
         <description><![CDATA[Vaswani et al. presentan la arquitectura Transformer, introduciendo el mecanismo de atención matemática que revoluciona el procesamiento del lenguaje natural. Esta arquitectura es la base de modelos como GPT y BERT.]]></description>
         <enclosure url="https://miro.medium.com/v2/resize:fit:320/1*spFu6MTWSuk-yKwoIJP3XQ.jpeg" />
         <pubDate>2025-07-10 16:43:54 UTC</pubDate>
         <guid>https://padlet.com/aygualupis/rnhetg579ezocusp/wish/3516175320</guid>
      </item>
   </channel>
</rss>
