CLUB IA: física cuántica, Bayes y métodos Kernel en datos

Explora una mirada innovadora sobre cómo la física cuántica puede conectar datos, predicción e inteligencia artificial. En esta sesión de Club IA y D-mentes IA, el profesor Santiago Toledo Cortés, de la Facultad de Ingeniería, presenta un enfoque de aprendizaje supervisado inspirado en el formalismo matemático de la mecánica cuántica. La charla explica cómo la relación entre entradas y salidas puede representarse como el estado de un sistema bipartito, y cómo la predicción se realiza mediante una medición proyectiva. Además, se muestra la conexión de este marco con la inferencia bayesiana y los métodos Kernel, destacando una idea clave: el entrenamiento no requiere optimización de parámetros, sino la construcción de una matriz de densidad a partir de los datos. Un contenido recomendado para estudiantes, docentes e investigadores interesados en inteligencia artificial, ciencia de datos, aprendizaje automático, física cuántica e investigación aplicada. Suscríbete a Bibliosana, comenta qué aplicaciones de la IA te gustaría explorar y comparte este video con tu comunidad académica. #ClubIA #DMentesIA #InteligenciaArtificial #CienciaDeDatos #AprendizajeAutomático #FísicaCuántica #MétodosKernel #InferenciaBayesiana #Ingeniería #InvestigaciónAcadémica #Bibliosana