Aplicación del álgebra lineal en el desarrollo de modelos de inteligencia artificial y aprendizaje automático

Autores/as

DOI:

https://doi.org/10.70577/kez28y64

Palabras clave:

Álgebra lineal, aprendizaje automático, inteligencia artificial, modelos, procesamiento de algoritmos.

Resumen

El álgebra lineal es uno de los fundamentos matemáticos dentro del desarrollo de los modelos de inteligencia artificial y aprendizaje automático, dado que su aplicación en la representación de los datos, el procesamiento de la información y la optimización de los algoritmos. Sus operaciones permiten la comprensión del funcionamiento de las arquitecturas computacionales como las redes neuronales y los modelos de regresión.

Analizar la aplicación del álgebra lineal en el desarrollo de los modelos de inteligencia artificial y aprendizaje automático, por medio de la identificación de los principales fundamentos matemáticos y el uso de los procesos de representación, optimización y procesamiento de algoritmos.

 Se desarrolló la investigación sistemática de la literatura científica en relación con la aplicación del álgebra lineal en los modelos de la inteligencia artificial y el aprendizaje automático. El procedimiento de la selección se organizó de acuerdo con las directrices PRISMA 2020, basándose en los criterios de inclusión y exclusión para la identificación y selección de los documentos.

La investigación identificó que los vectores, los tensores y las matrices intervienen en la representación y el procesamiento de los datos, a la vez, que las transformaciones lineales y las descomposiciones matriciales permiten el desarrollo de los procedimientos de la reducción de la dimensionalidad y la extracción de las características. A la vez, se reconoció la aplicación de los modelos de regresión, las máquinas de soporte vectorial, las redes convolucionales, las redes neuronales artificiales, las redes neuronales de grafos y las arquitecturas transformer. A la vez, se identificaron los procedimientos de optimización computacional, como la utilización de las matrices dispersas y el procesamiento paralelo, que contribuyen a la mejora de la eficiencia de los algoritmos.

 Los hallazgos evidenciaron que el álgebra lineal no se limita a la operación específica, sino que interviene de forma transversal en las arquitecturas de la inteligencia artificial y el aprendizaje automático.

El álgebra lineal constituye una base matemática esencial en el desarrollo de los modelos de IA y el aprendizaje automático, dado que permite la organización de los datos, la ejecución de las operaciones computacionales y la optimización de los algoritmos.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Ayaz, A. (2025). Comprehensive review of dimensionality reduction algorithms: challenges,

limitations, and innovative solutions. PeerJ Comput, 10(11), 21. Obtenido de https://pmc.ncbi.nlm.nih.gov/articles/PMC12453773/

Baggag, A., & Saad, Y. (2025). Aprendizaje profundo, transformadores y redes neuronales

gráficas: una perspectiva desde el álgebra lineal. Numerical Algorithms, 21(34), 40. Obtenido de https://link.springer.com/content/pdf/10.1007/s11075-025-02218-2.pdf

Brito, C., Cargua, S., & Vera, M. (2025). Álgebra lineal avanzada y su rol en el aprendizaje de

algoritmos de machine learning. Reincisol, 4(7), 3440-3466.

doi:https://doi.org/10.59282/reincisol.V4(7)3440-3466

Calero, E., & Mabel, C. (2026). Inteligencia artificial generativa y pensamiento algebraico en

educación matemática: tendencias, aportes y desafíos desde una revisión sistemática. Ciencia Latina revista multidisciplinar, 10(4), 23. Obtenido de

https://ciencialatina.org/index.php/cienciala/article/view/25108

Camilli, F., & Mézard, M. (2023). Factorización de matrices con redes neuronales. Revisión física

E, 2(107), 17. Obtenido de

https://journals.aps.org/pre/abstract/10.1103/PhysRevE.107.064308

Carrasco, C., Castillo, G., & Palacios, G. (2025). Producción Científica sobre Inteligencia Artificial

en América Latina. Revista Epistemus, 19(38), 24. Obtenido de

https://dialnet.unirioja.es/servlet/articulo?codigo=10467185

Castro, M., & Sánchez, C. (2023). Aplicación del Álgebra Lineal en la Ingeniería. Dominio De Las

Ciencias, 9(2), 1639–1656. Obtenido de

https://dominiodelasciencias.com/ojs/index.php/es/article/view/3364

Erazo, V., & Vacas, S. (2026). Inteligencia artificial generativa para la enseñanza de matemáticas

y programación en educación superior: Revisión sistemática. Revista de Ciencias

Sociales, 32(2), 320-340. Obtenido de

https://www.redalyc.org/journal/280/28085624021/html/

Fei, Y., & Kiu, Y. (2025). Un estudio sobre la optimización geométrica para el aprendizaje

profundo: del espacio euclidiano a la variedad riemanniana. Revista ACM, 57(5), 1-37.

Obtenido de https://dl.acm.org/doi/10.1145/3708498

Greenacre, M., Groenen, P., & Lodice, A. (2022). Análisis de componentes principales. Revista

Nature, 2(22), 18. Obtenido de https://www.nature.com/articles/s43586-022-00184-w

Gutiérrez, M., & Peraza, A. (2025). Álgebra lineal como eje del desarrollo de la inteligencia

artificial moderna. Revista Digital de Tecnologías Informáticas y Sistemas, 9(1), 11.

doi:https://doi.org/10.61530/redtis.vol9.n1.2025.276

Guzmán, C., Estrada, M., & Burga, R. (2025). Impacto de la Inteligencia Artificial en el Álgebra

Lineal. Una revisión bibliométrica. Refleziones de la sociedad y economía, 2(2), 1-24.

doi:https://doi.org/10.62776/rse.v2i2.48

Haro, J. (2025). La IA en el aula de matemáticas. Revista Aosma, 2(34), 13. doi:ISNN-e: 1887-

3952

Khemani, B., & Patil, S. (2024). Una revisión de las redes neuronales gráficas: conceptos,

arquitecturas, técnicas, desafíos, conjuntos de datos, aplicaciones y direcciones futuras. Revista de Big Data, 11(18), 21. Obtenido de https://link.springer.com/article/10.1186/s40537-

023-00876-4

Lin, K., & Quan, Z. (2023). Técnicas de factorización matricial en aprendizaje automático,

procesamiento de señales y estadística. Matemáticas, 11(12), 21. Obtenido de

https://www.mdpi.com/2227-7390/11/12/2674

Mendoza, J., & Macías, L. (2024). Modelos de aprendizaje automático: Aplicación y eficiencia. Revista Científica de Informática ENCRIPTAR, 7(14), 27.

doi:https://doi.org/10.56124/encriptar.v7i14.005

Moore, N., & Siefert, C. (2025). Vigilancia vecinal en mecánica: modelos no locales y convolución. Revista Siam, 67(1), 141–175. Obtenido de 137/22M1541721

Page, M., McKenzie, J., & Bossuy, P. (2025). Declaración PRISMA 2020: una guía actualizada

para la publicación de revisiones sistemáticas. Revista española de cardiología, 74(9),

21. Obtenido de https://www.revespcardiol.org/es-declaracion-prisma-2020-una-guia-

articulo-S0300893221002748

Pankaj, M. (2021). Una introducción al aprendizaje automático para físicos, con un alto sesgo y

baja varianza. National Library of Medicine, 8(14), 23. Obtenido de

https://pmc.ncbi.nlm.nih.gov/articles/PMC6688775/

Whittington, J., & Bogacz, R. (2021). Teorías de la retropropagación de errores en el cerebro.

Tendencias en Ciencias Cognitivas, 23(5), 235-250. Obtenido de

https://pmc.ncbi.nlm.nih.gov/articles/PMC6382460/

Descargas

Publicado

2026-11-17

Cómo citar

Fonseca Bautista, E. P. ., Bermudez Zambrano, . I. P., & Herrera Navas, O. D. (2026). Aplicación del álgebra lineal en el desarrollo de modelos de inteligencia artificial y aprendizaje automático. Visión Académica, 4(4), 526-549. https://doi.org/10.70577/kez28y64

Artículos similares

41-50 de 222

También puede Iniciar una búsqueda de similitud avanzada para este artículo.