Roberto Antonio Martínez Thompson
Roberto Antonio Martínez Thompson has a total of 4 co-authors. Here are the top co-authors by number of shared publications:
- Gloria Irene Téllez Rodríguez
Universidad Politécnica de Sinaloa (MÉXICO
2 shared publications - Mónica Avelina Gutierrez Haros
Universidad Politécnica de Sinaloa
2 shared publications - Álvaro Peraza Garzón
Departamento de Ingenierías, Instituto Tecnológico de Mazatlán, TecNM, Mazatlán 82070, Sinaloa, Mexico
2 shared publications - Juan Francisco Peraza Garzón
Universidad Autónoma de Sinaloa, Facultad de Informática Mazatlán (México)
1 shared publication
Latest Publications
- Open Access
- 12 December 2025
- Published by Universidad Autonoma de Sinaloa in Revista Digital de Tecnologías Informáticas y Sistemas
- Vol. 9 (1) , 32-42
ÁLGEBRA LINEAL COMO EJE DEL DESARROLLO DE LA INTELIGENCIA ARTIFICIAL MODERNA
El presente artículo analiza el papel central del álgebra lineal en el desarrollo y funcionamiento de las arquitecturas modernas de inteligencia artificial (IA). A partir de un estudio teórico-documental complementado con validación computacional en frameworks como NumPy, PyTorch y TensorFlow, se identifican las operaciones algebraicas fundamentales que sustentan modelos como redes neuronales profundas, redes convolucionales, Transformers y redes neuronales de grafos. Los resultados muestran que transformaciones lineales, productos internos, multiplicaciones matriz-matriz, descomposiciones matriciales y operaciones tensoriales constituyen la infraestructura matemática que permite representar, transformar y aprender patrones en espacios de alta dimensión. Asimismo, se evidencia una correspondencia exacta entre la formulación matemática y su implementación computacional, lo que confirma la solidez del álgebra lineal como base operativa de la IA. Finalmente, se discuten las implicaciones educativas derivadas de estos hallazgos, destacando la necesidad de integrar el álgebra lineal aplicada en la formación en ingeniería y ciencias computacionales, con enfoques que articulen teoría, programación y experimentación para una comprensión profunda del comportamiento interno de los modelos.
- 12 December 2025
- Published by Universidad Autonoma de Sinaloa in Revista Digital de Tecnologías Informáticas y Sistemas
- Vol. 9 (1) , 32-42
Open AccessÁLGEBRA LINEAL COMO EJE DEL DESARROLLO DE LA INTELIGENCIA ARTIFICIAL MODERNA
El presente artículo analiza el papel central del álgebra lineal en el desarrollo y funcionamiento de las arquitecturas modernas de inteligencia artificial (IA). A partir de un estudio teórico-documental complementado con validación computacional en frameworks como NumPy, PyTorch y TensorFlow, se identifican las operaciones algebraicas fundamentales que sustentan modelos como redes neuronales profundas, redes convolucionales, Transformers y redes neuronales de grafos. Los resultados muestran que transformaciones lineales, productos internos, multiplicaciones matriz-matriz, descomposiciones matriciales y operaciones tensoriales constituyen la infraestructura matemática que permite representar, transformar y aprender patrones en espacios de alta dimensión. Asimismo, se evidencia una correspondencia exacta entre la formulación matemática y su implementación computacional, lo que confirma la solidez del álgebra lineal como base operativa de la IA. Finalmente, se discuten las implicaciones educativas derivadas de estos hallazgos, destacando la necesidad de integrar el álgebra lineal aplicada en la formación en ingeniería y ciencias computacionales, con enfoques que articulen teoría, programación y experimentación para una comprensión profunda del comportamiento interno de los modelos.
- Open Access
- 12 December 2025
- Published by Universidad Autonoma de Sinaloa in Revista Digital de Tecnologías Informáticas y Sistemas
- Vol. 9 (1) , 21-31
APRENDIZAJE SUPERVISADO DE UN PERCEPTRÓN: IMPLEMENTACIÓN EN C# Y VISUALIZACIÓN DEL PROCESO DE CONVERGENCIA
Este trabajo presenta una implementación didáctica y reproducible de un perceptrón de una sola capa en el lenguaje C#, con el propósito de ilustrar el proceso de aprendizaje supervisado mediante el ajuste explícito de pesos y la visualización de la frontera de decisión. Se abordan los problemas clásicos OR y AND (ambos linealmente separables) empleando el mismo conjunto de pesos iniciales. Para cada caso se genera una bitácora de entrenamiento que documenta la evolución del vector de pesos y los cambios correspondientes en la frontera de decisión a lo largo de las iteraciones. Aunque las condiciones iniciales son idénticas, el perceptrón requiere un número distinto de iteraciones para converger en cada problema, lo cual evidencia la sensibilidad del algoritmo al orden de presentación de los patrones y a su carácter incremental. Los resultados confirman la correcta convergencia del modelo y permiten visualizar de manera clara la mecánica interna del aprendizaje supervisado. La implementación propuesta constituye una herramienta formativa que facilita la comprensión del perceptrón simple y sienta las bases para el estudio de arquitecturas neuronales más avanzadas.
- 12 December 2025
- Published by Universidad Autonoma de Sinaloa in Revista Digital de Tecnologías Informáticas y Sistemas
- Vol. 9 (1) , 21-31
Open AccessAPRENDIZAJE SUPERVISADO DE UN PERCEPTRÓN: IMPLEMENTACIÓN EN C# Y VISUALIZACIÓN DEL PROCESO DE CONVERGENCIA
Este trabajo presenta una implementación didáctica y reproducible de un perceptrón de una sola capa en el lenguaje C#, con el propósito de ilustrar el proceso de aprendizaje supervisado mediante el ajuste explícito de pesos y la visualización de la frontera de decisión. Se abordan los problemas clásicos OR y AND (ambos linealmente separables) empleando el mismo conjunto de pesos iniciales. Para cada caso se genera una bitácora de entrenamiento que documenta la evolución del vector de pesos y los cambios correspondientes en la frontera de decisión a lo largo de las iteraciones. Aunque las condiciones iniciales son idénticas, el perceptrón requiere un número distinto de iteraciones para converger en cada problema, lo cual evidencia la sensibilidad del algoritmo al orden de presentación de los patrones y a su carácter incremental. Los resultados confirman la correcta convergencia del modelo y permiten visualizar de manera clara la mecánica interna del aprendizaje supervisado. La implementación propuesta constituye una herramienta formativa que facilita la comprensión del perceptrón simple y sienta las bases para el estudio de arquitecturas neuronales más avanzadas.