<?xml version="1.0"?>
<rss version="2.0">
   <channel>
      <title>Línea del tiempo: Matemáticas y la Inteligencia Artificial by Alejandra Fragoso</title>
      <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3</link>
      <description>Evolución histórica de los avances clave en inteligencia artificial y su relación con las matemáticas.</description>
      <language>en-us</language>
      <pubDate>2025-10-03 04:35:54 UTC</pubDate>
      <lastBuildDate>2025-10-03 04:35:56 UTC</lastBuildDate>
      <webMaster>hello@padlet.com</webMaster>
      <image>
         <url></url>
      </image>
      <item>
         <title>1936: Alan Turing y la Máquina Universal</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322930</link>
         <description><![CDATA[Alan Turing propone el concepto de máquina universal, sentando las bases teóricas de la computación moderna. Su trabajo es fundamental para entender cómo las matemáticas, específicamente la lógica y la teoría de la computación, pueden ser aplicadas para construir máquinas inteligentes.]]></description>
         <enclosure url="https://elvis.padletcdn.com/1/fetch/e_in/cdn2.picryl.com/photo/1929/12/31/alan-turing-at-age-16-c15fb1-1024.jpg" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322930</guid>
      </item>
      <item>
         <title>1943: McCulloch &amp; Pitts y la primera neurona artificial</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322931</link>
         <description><![CDATA[Warren McCulloch y Walter Pitts desarrollan el primer modelo matemático de neurona artificial, usando lógica booleana y grafos. Este modelo se convierte en el pilar para las redes neuronales, demostrando cómo las matemáticas pueden modelar procesos del cerebro.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/1/17/Mcculloch_pitts.svg" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322931</guid>
      </item>
      <item>
         <title>1958: Rosenblatt y el Perceptrón</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322933</link>
         <description><![CDATA[Frank Rosenblatt introduce el Perceptrón, el primer modelo práctico de un algoritmo de aprendizaje automático. Se basa en matemáticas como la geometría analítica y vectores, permitiendo que una máquina aprenda a distinguir patrones.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/3/3b/Frank_Rosenblatt.jpg" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322933</guid>
      </item>
      <item>
         <title>1986: Backpropagation y redes neuronales multicapa</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322934</link>
         <description><![CDATA[El algoritmo de retropropagación (backpropagation) revoluciona el entrenamiento de redes neuronales multicapa utilizando cálculo diferencial y optimización. Hace posible que las redes aprendan tareas más complejas.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/b/b0/Backprogation_neural_networks.png" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322934</guid>
      </item>
      <item>
         <title>2006: Nacimiento del Aprendizaje Profundo (Deep Learning)</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322935</link>
         <description><![CDATA[El avance de redes neuronales profundas (deep learning) marca un antes y un después, con el uso de álgebra lineal y estadística para abordar problemas complejos en IA. Las redes profundas comienzan a resolver tareas como reconocimiento de imagen y lenguaje.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/3/34/Unraveling_AI_Complexity_-_A_Comparative_View_of_AI%2C_Machine_Learning%2C_Deep_Learning%2C_and_Generative_AI.png" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322935</guid>
      </item>
      <item>
         <title>2012: AlexNet y la revolución del reconocimiento de imágenes</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322936</link>
         <description><![CDATA[AlexNet, una red neuronal profunda, gana la competencia ImageNet, revolucionando el reconocimiento de imágenes mediante operaciones con matrices y convoluciones. Este hito demuestra el poder del aprendizaje profundo.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/a/ad/AlexNet_block_diagram.svg" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322936</guid>
      </item>
      <item>
         <title>2017: Transformers - Attention is All You Need</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322937</link>
         <description><![CDATA[Se introduce la arquitectura Transformer, basada en el mecanismo de atención. Utiliza probabilidad y álgebra lineal para procesar secuencias y se convierte en la base de los modelos de lenguaje modernos.]]></description>
         <enclosure url="https://upload.wikimedia.org/wikipedia/commons/8/8f/The-Transformer-model-architecture.png" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322937</guid>
      </item>
      <item>
         <title>2020 en adelante: Modelos de Lenguaje a Gran Escala (LLMs)</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322938</link>
         <description><![CDATA[Surgen modelos como GPT y ChatGPT, que emplean estadística y teoría de la información para generar y comprender lenguaje natural a gran escala, revolucionando la interacción humano-máquina.]]></description>
         <enclosure url="https://www.timospecht.de/wp-content/uploads/2024/07/ChatGPT-4o-Beitragsbild.png" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322938</guid>
      </item>
      <item>
         <title>El futuro: IA explicable y ética en matemáticas</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322939</link>
         <description><![CDATA[El desarrollo de IA continúa, ahora con un enfoque en la transparencia matemática (IA explicable), ética y responsabilidad, para asegurar aplicaciones seguras y justas.]]></description>
         <enclosure url="https://elvis.padletcdn.com/1/fetch/e_in/pixabay.com/get/gd2df5e72b468f267b504966aa20840a74f2fd53bb757b53196fc93e9dee3e98ef98545f939c02b7d28de6d65c66527b8.jpg" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322939</guid>
      </item>
      <item>
         <title>El papel de las matemáticas: el lenguaje de la inteligencia artificial</title>
         <author>fragosokaren0607</author>
         <link>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322940</link>
         <description><![CDATA[A lo largo de toda la historia, las matemáticas han sido el lenguaje fundamental que permite construir, entrenar y entender la inteligencia artificial. Desde la lógica hasta el álgebra lineal y la estadística, la IA es impensable sin matemáticas.]]></description>
         <enclosure url="https://foro3d.com/articulo/ia-revoluciona-problemas-matematicos-optimiza-procesos.webp" />
         <pubDate>2025-10-03 04:35:55 UTC</pubDate>
         <guid>https://padlet.com/fragosokaren0607/xgspldlshklw1vs3/wish/3616322940</guid>
      </item>
   </channel>
</rss>
