-
Period: 300 BCE to
Geometría y topología
La geometría computacional y topología de datos ayudan a entender la estructura de los datos de alta dimensión, como los espacios latentes en redes neuronales profundas. -
Period: to
Teoría de grafos
Utilizada en redes neuronales (como las redes neuronales convolucionales y grafos neuronales), representación del conocimiento y análisis de relaciones en datos (e.g., redes sociales, mapas conceptuales). -
Period: to
Lógica y fundamentos matemáticos
Lógica matemática y lógica proposicional: Sentaron las bases para la representación del conocimiento y el razonamiento automatizado. Ejemplo: los trabajos de George Boole, Gottlob Frege y Bertrand Russell. Teoría de autómatas y computabilidad: Contribuciones de Alan Turing (máquina de Turing) y Alonzo Church demostraron qué tipo de problemas pueden ser resueltos por máquinas. -
Period: to
Probabilidad y estadística
Inferencia estadística y modelos probabilísticos: Permiten manejar la incertidumbre y tomar decisiones basadas en datos incompletos (e.g., redes bayesianas). Algoritmos de aprendizaje estadístico: Métodos como la regresión, el análisis discriminante, árboles de decisión y métodos de clasificación. -
Period: to
Teoría de la información (Claude Shannon, 1948)
Proporcionó el marco para medir la cantidad de información (entropía) y la eficiencia en la transmisión de datos. Es fundamental en tareas como el aprendizaje, la compresión de datos y el reconocimiento de patrones. -
Period: to
Álgebra lineal y cálculo
Álgebra lineal: Esencial para representar datos (vectores, matrices), calcular similitudes y realizar operaciones básicas en redes neuronales. Cálculo diferencial: Imprescindible para el entrenamiento de modelos, especialmente en redes neuronales mediante algoritmos como backpropagation (propagación hacia atrás). -
Period: to
Optimización matemática
La programación matemática (lineal, no lineal, convexa) es clave para entrenar modelos de IA, minimizando funciones de error o maximización de precisión. Métodos como gradiente descendente y sus variantes se usan constantemente en el aprendizaje automático y el deep learning. -
Period: to
Aportes recientes en IA moderna
Aprendizaje profundo (Deep Learning): Requiere una combinación sofisticada de álgebra lineal, cálculo, probabilidad y optimización. Procesamiento del lenguaje natural: Utiliza modelos estadísticos, teoría de la información y redes neuronales. Aprendizaje por refuerzo: Se basa en métodos probabilísticos y de optimización para mejorar el comportamiento basado en recompensas.