Fines de Aprendizaje o Formación
El estudiante desarrollará una comprensión sólida de los fundamentos del Aprendizaje Profundo, diferenciando con claridad Inteligencia Artificial, Aprendizaje Automático y Redes Neuronales. Será competente en el análisis de la neurona artificial y el Perceptrón, así como en la descripción y aplicación de Redes Neuronales Multicapa (MLP), seleccionando adecuadamente funciones de activación (Sigmoide, ReLU y Softmax) para problemas de regresión y clasificación.
Como competencia central, el alumno aplicará de manera práctica los algoritmos de entrenamiento supervisado, implementando Retropropagación (Backpropagation), configurando funciones de costo, y utilizando optimizadores avanzados (SGD, Adam y RMSprop). Asimismo, empleará técnicas de regularización (L1, Dropout y Batch Normalization) para controlar el sobreajuste y mejorar la convergencia, haciendo uso de frameworks de la industria como TensorFlow/Keras y PyTorch.
Finalmente, el estudiante será capaz de diseñar e implementar arquitecturas especializadas para el análisis de datos no estructurados, incluyendo Redes Neuronales Convolucionales (CNN) para Visión Artificial, y comprenderá los principios, alcances y limitaciones de las Redes Neuronales Recurrentes (RNN), así como de las arquitecturas LSTM y GRU, para el modelado de secuencias y dependencias temporales largas.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante dominará los fundamentos teóricos y prácticos de la contenerización, comprendiendo la arquitectura del kernel de Linux (cgroups y namespaces) y su papel en la reproducibilidad y el aislamiento de entornos de desarrollo y ciencia de datos. Será competente en el uso del ecosistema Docker, creando y optimizando imágenes seguras mediante Dockerfile y construcciones multi-etapa.
Asimismo, desarrollará la capacidad de gestionar arquitecturas de microservicios a nivel local, configurando redes definidas por el usuario, administrando volúmenes para la persistencia de datos y orquestando servicios multi-contenedor con Docker Compose, permitiendo el despliegue integrado de entornos complejos similares a producción.
Finalmente, el estudiante implementará soluciones de orquestación distribuida con Kubernetes (K8s), dominando Pods, Deployments y Services, así como la gestión de configuraciones y secretos. Aplicará estrategias de escalabilidad y resiliencia automatizada (HPA y probes de salud), quedando capacitado para desplegar, monitorear y mantener sistemas de contenedores de alto rendimiento, sentando las bases para su integración en pipelines de MLOps
Fines de aprendizaje o formación
El alumno adquirirá las bases conceptuales, técnicas y metodológicas necesarias para comprender la seguridad de la información aplicada a entornos de grandes bases de datos. Será capaz de realizar un análisis integral de riesgos, identificar modelos de amenaza específicos —incluyendo ataques de inyección, exposición de datos y amenazas internas derivadas del abuso de privilegios— y aplicar de manera rigurosa marcos regulatorios nacionales e internacionales, tales como el Reglamento General de Protección de Datos (RGPD) y HIPAA, garantizando el cumplimiento normativo a lo largo del ciclo de vida de los datos sensibles.
El estudiante desarrollará la competencia técnica para diseñar e implementar arquitecturas seguras de protección de repositorios de datos, mediante la configuración de controles de acceso avanzados, la gestión de identidades y privilegios, y el endurecimiento (hardening) de la infraestructura de bases de datos. Esto incluye la implementación de mecanismos de seguridad a nivel de fila y columna, así como la aplicación de métodos criptográficos robustos, tales como el cifrado transparente de datos (TDE), la tokenización, y las técnicas de enmascaramiento y anonimización, orientadas a la preservación efectiva de la privacidad y la confidencialidad de la información.
Finalmente, el alumno estará capacitado para establecer sistemas integrales de auditoría y monitoreo continuo, integrando registros forenses (audit trails) con plataformas de Gestión de Información y Eventos de Seguridad (SIEM) y Prevención de Pérdida de Datos (DLP) para la detección proactiva de anomalías y fugas de información. Demostrará habilidades para adaptar y aplicar las mejores prácticas de seguridad en bases de datos NoSQL y entornos distribuidos, garantizando la recuperación segura de la información, la continuidad operativa y una respuesta eficiente ante incidentes de seguridad de gran escala.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante comprenderá los fundamentos teóricos del modelado y la simulación de sistemas complejos, distinguiendo sistemas dinámicos y estocásticos, así como propiedades clave como la emergencia y la autoorganización. Aplicará de forma rigurosa las etapas del proceso de modelado, asegurando la calibración y validación de modelos en sistemas discretos y continuos.
Asimismo, desarrollará competencias técnicas para el manejo de la estocasticidad, mediante la generación y validación de variables aleatorias y el uso de métodos probabilísticos (transformada inversa y aceptación-rechazo). Implementará Simulación de Monte Carlo, realizando análisis de sensibilidad e incertidumbre y aplicando técnicas de reducción de varianza para mejorar la precisión de los estimadores.
Finalmente, el estudiante aplicará paradigmas avanzados de simulación para predecir y optimizar sistemas reales, diseñando Modelos de Eventos Discretos en teoría de colas y procesos logísticos, así como modelos de Dinámica de Sistemas y Modelado Basado en Agentes (MBA) para analizar realimentación, emergencia y comportamiento complejo, consolidando una metodología integral de simulación aplicada.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante desarrollará una comprensión sólida de los fundamentos cognitivos, emocionales y contextuales de la creatividad, aplicando pensamiento divergente, convergente y lateral para la ruptura de paradigmas y la identificación de áreas de oportunidad, reconociendo barreras personales y grupales que limitan la generación de ideas.
Asimismo, adquirirá competencias para implementar el proceso creativo de manera rigurosa, utilizando técnicas de ideación como SCAMPER y tormenta de ideas, y dominando metodologías de innovación centradas en el usuario (Design Thinking) a través de las fases de empatía, definición, ideación, prototipado y prueba. Estructurará la información creativa mediante mapas mentales y pensamiento asociativo, transformando datos cualitativos en propuestas de valor.
Finalmente, el estudiante será competente en la gestión estratégica de la innovación, identificando tipologías de innovación (incremental, radical y disruptiva) y diseñando modelos de negocio innovadores. Como competencia integradora, medirá el impacto de las soluciones mediante KPIs y elaborará un pitch persuasivo, asegurando una comunicación efectiva, ética y legal de las ideas.
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.