Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante desarrollará la capacidad de caracterizar series de tiempo, identificando tendencia, estacionalidad y ciclicidad, y aplicando análisis descriptivo y visualización para interpretar rezagos y autocorrelación, estableciendo un diagnóstico inicial de la dependencia temporal de los datos.
Asimismo, adquirirá competencias para gestionar la estacionariedad, aplicando pruebas de raíz unitaria (ADF, KPSS) y métodos de diferenciación, y para seleccionar, estimar y validar modelos predictivos como Suavizado Exponencial (SES, Holt-Winters) y ARIMA, siguiendo la metodología Box–Jenkins y analizando ACF y PACF.
Finalmente, el estudiante abordará pronósticos avanzados, utilizando modelos estacionales (SARIMA) y con variables exógenas (ARIMAX/SARIMAX). Validará los resultados mediante diagnóstico de residuos (Ljung–Box), criterios de información (AIC, BIC) y métricas de error (RMSE, MAPE), asegurando precisión y pertinencia de los modelos en contextos académicos y profesionales.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante dominará los fundamentos teóricos y prácticos de la computación numérica, comprendiendo las fuentes y la propagación de errores (truncamiento, redondeo y punto flotante) y evaluando la estabilidad y convergencia de algoritmos, lo que le permitirá seleccionar e implementar métodos de aproximación con rigor científico.
Asimismo, desarrollará competencias para resolver problemas numéricos fundamentales, aplicando métodos para ecuaciones no lineales (Newton–Raphson, secante), la solución de sistemas de ecuaciones lineales de gran escala mediante descomposiciones matriciales y métodos iterativos (Gauss–Seidel), así como técnicas de aproximación funcional, incluyendo interpolación por splines y cuadratura numérica (Simpson y Gauss).
Finalmente, el estudiante aplicará métodos de optimización avanzada, tanto unidimensionales como multidimensionales, dominando algoritmos basados en gradiente (Gradient Descent, SGD y Adam) y técnicas cuasi-Newton (BFGS). Estas competencias le permitirán minimizar funciones de pérdida, ajustar hiperparámetros y optimizar modelos de aprendizaje automático, considerando convexidad y restricciones, en contextos profesionales de ingeniería y ciencia de datos.
Fines de Aprendizaje o Formación
El estudiante dominará los fundamentos conceptuales y neurocientíficos de la Inteligencia Emocional, comprendiendo modelos clave y la función adaptativa de las emociones. Desarrollará un autoconocimiento intrapersonal profundo, identificando y diferenciando sus estados afectivos, y evaluando su autoconcepto y autoeficacia como bases del bienestar psicológico.
Asimismo, adquirirá competencias para la regulación emocional, aplicando estrategias como la revaluación cognitiva, la aceptación y el mindfulness para manejar el estrés, modular impulsos y fortalecer la tolerancia a la frustración. Implementará técnicas de control y reducción del estrés que favorezcan la perseverancia, la automotivación intrínseca y el manejo constructivo del error.
Finalmente, el estudiante fortalecerá sus habilidades interpersonales mediante la empatía multidimensional, la escucha activa y la comunicación asertiva, e integrará la resiliencia y la mentalidad de crecimiento para afrontar el cambio y el trauma, prevenir el agotamiento profesional y promover un bienestar sostenido y el fortalecimiento continuo.
Fines de Aprendizaje o Formación
El estudiante comprenderá las limitaciones de los sistemas RDBMS tradicionales frente a escenarios de Big Data, dominando los principios del Teorema CAP y el Modelo BASE. Con base en ello, aplicará el paradigma de la Persistencia Políglota, analizando y seleccionando modelos de bases de datos NoSQL (Clave-Valor, Documento, Columnares y Grafo) según los requerimientos de flexibilidad, consistencia y escalabilidad horizontal.
Asimismo, desarrollará competencias para modelar, manipular y consultar datos en ecosistemas NoSQL, diseñando estructuras eficientes en Clave-Valor (Redis) y Columnares Anchas (Cassandra), gestionando documentos BSON mediante MongoDB (MQL y Aggregation Framework) y resolviendo problemas complejos de relaciones con bases de datos orientadas a grafos, utilizando modelado por nodos y aristas y el lenguaje Cypher (Neo4j).
Finalmente, el estudiante estará capacitado para el despliegue y administración de entornos NoSQL distribuidos, implementando estrategias de escalabilidad y alta disponibilidad como replicación y particionamiento (sharding). Optimizará el rendimiento mediante índices y análisis de planes de ejecución, garantizando la seguridad (ACL), el mantenimiento (backup y recuperación ante desastres) y la integración de sistemas políglotas en arquitecturas modernas basadas en microservicios.
Fines de Aprendizaje o Formación
El estudiante desarrollará una comprensión sólida de los fundamentos del pensamiento crítico, distinguiendo opinión, creencia, conocimiento y evidencia, y fortaleciendo habilidades clave como la interpretación, el análisis, la inferencia lógica y la evaluación crítica de la información. Asimismo, cultivará una disposición intelectual ética, basada en la autonomía de juicio, la humildad intelectual y el rigor profesional.
Como competencia central, el alumno aplicará la lógica formal e informal para la evaluación de argumentos, identificando la estructura argumentativa, los tipos de razonamiento (deductivo, inductivo y abductivo) y la calidad de la evidencia en términos de relevancia, suficiencia y credibilidad. Además, será capaz de identificar y refutar falacias no formales, así como de reconocer y mitigar sesgos cognitivos y barreras psicológicas que afectan la racionalidad.
Finalmente, el estudiante aplicará metodologías sistémicas para la resolución de problemas complejos, formulando correctamente problemas y utilizando marcos de análisis estructurado (PDCA) y herramientas causales como el Diagrama de Ishikawa y los cinco porqués, con el fin de generar soluciones innovadoras y viables, integrando pensamiento lateral, análisis de riesgos y toma de decisiones informada en contextos de incertidumbre.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante comprenderá los fundamentos y la arquitectura de la Computación en la Nube, distinguiendo los modelos de servicio (IaaS, PaaS, SaaS) y de despliegue (pública, privada e híbrida), así como las bases de virtualización, hipervisores y contenerización. Será capaz de administrar infraestructura a nivel IaaS, gestionando máquinas virtuales, redes privadas virtuales (VPC) y almacenamiento distribuido por objetos y bloques.
Asimismo, desarrollará competencias en desarrollo nativo de la nube, aplicando contenerización con Docker, orquestación con Kubernetes y arquitecturas sin servidor (FaaS). Implementará pipelines de Integración y Despliegue Continuo (CI/CD) para automatizar y optimizar el desarrollo y despliegue de aplicaciones en entornos administrados.
Finalmente, el estudiante adquirirá habilidades para la seguridad, gobernanza y gestión financiera de entornos en la nube, aplicando gestión de identidad y acceso (IAM), el modelo de responsabilidad compartida y la observabilidad mediante métricas y monitoreo. Además, utilizará principios de FinOps para la optimización de costos, y asegurará la continuidad del negocio mediante alta disponibilidad y recuperación ante desastres, en cumplimiento de los marcos normativos vigentes.