Fines de Aprendizaje o Formación
Al finalizar la asignatura, el estudiante consolidará un enfoque de toma de decisiones basado en evidencia, aplicando el ciclo PDCA para transformar problemas estratégicos en preguntas de investigación sustentadas en datos. Será competente en la formulación precisa del problema, el manejo de diferentes tipologías de información y la definición de Indicadores Clave de Rendimiento (KPIs) alineados a los objetivos organizacionales.
Desarrollará habilidades técnicas en preprocesamiento y calidad de datos, así como en análisis estadístico descriptivo, exploratorio, inferencial y predictivo, diferenciando rigurosamente correlación y causalidad. Podrá simular escenarios, cuantificar incertidumbre y evaluar riesgos, fortaleciendo la toma de decisiones estratégicas.
Finalmente, dominará la comunicación analítica estratégica y ética, elaborando narrativas claras y visualizaciones efectivas para audiencias técnicas y no técnicas. Actuará bajo principios de privacidad, equidad algorítmica y rendición de cuentas, garantizando recomendaciones imparciales, responsables y fundamentadas científicamente.
Fines de Aprendizaje o Formación
El estudiante desarrollará una competencia comunicativa avanzada en negocios globales, diferenciando registros formales e informales y aplicando modismos y terminología corporativa especializada. Será capaz de redactar correspondencia ejecutiva profesional (correos formales, actas y resúmenes ejecutivos) conforme a estándares internacionales, incorporando vocabulario de gobernanza, ética empresarial y cumplimiento normativo.
El alumno dominará el léxico técnico en Tecnologías de la Información, Ciencia de Datos y Finanzas Corporativas, incluyendo conceptos de arquitectura de sistemas, computación en la nube, algoritmos, balance general y flujo de caja. Podrá elaborar propuestas de proyecto, reportes técnicos, informes de viabilidad económica y documentación ágil, utilizando un lenguaje profesional preciso y estructurado.
Finalmente, el estudiante demostrará habilidades de presentación y negociación de alto impacto, diseñando y exponiendo presentaciones técnicas y ejecutivas, gestionando sesiones de preguntas complejas y aplicando competencia intercultural para adaptar su comunicación a distintos contextos empresariales. Será capaz de negociar contratos, manejar objeciones y articular términos de servicio en un entorno profesional global.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante desarrollará una comprensión sólida de los fundamentos de la Ingeniería Económica, aplicando el Valor del Dinero en el Tiempo (VDT) para modelar flujos de efectivo mediante series uniformes, gradientes y diagramas, incorporando ingresos, egresos, costos hundidos, inflación e impuestos en la evaluación de proyectos de inversión y mejora operativa.
Asimismo, adquirirá competencias para aplicar y contrastar métodos determinísticos de evaluación financiera, incluyendo el Valor Presente Neto (VPN), la Tasa Interna de Retorno (TIR), el Valor Anual Equivalente (VAE) y la Relación Costo-Beneficio (RCB). Determinará el Costo Promedio Ponderado de Capital (WACC) y la Tasa Mínima Atractiva de Retorno (TMAR) para la selección de proyectos y el análisis de reemplazo de activos.
Finalmente, el estudiante integrará la gestión económica bajo riesgo e incertidumbre, aplicando análisis de sensibilidad, punto de equilibrio y técnicas probabilísticas como árboles de decisión y simulación Monte Carlo, con el fin de evaluar la rentabilidad y sostenibilidad integral de los proyectos y respaldar una toma de decisiones estratégicas y una post-auditoría económica adecuada.
Fines de Aprendizaje o Formación
El estudiante desarrollará la capacidad de comprender y manipular los fundamentos de la imagen digital, incluyendo su adquisición, representación mediante vectores, matrices y tensores, y el uso de modelos de color. Aplicará técnicas de procesamiento clásico de imágenes, como filtros espaciales, transformaciones de intensidad, manipulación de histogramas y morfología matemática, para el preprocesamiento, realce y extracción de características visuales mediante descriptores clásicos como HOG y SIFT.
El alumno dominará el paradigma de la Visión por Computadora basada en Aprendizaje Profundo, implementando y ajustando Redes Neuronales Convolucionales (CNNs) con arquitecturas avanzadas como ResNet y MobileNet. Será competente en el uso de transferencia de aprendizaje (Fine-Tuning) y en la evaluación e interpretación de modelos mediante técnicas de explicabilidad (XAI), como Grad-CAM, para validar la toma de decisiones de los sistemas visuales.
Finalmente, el estudiante estará capacitado para diseñar e implementar soluciones completas de visión artificial, abordando detección de objetos en tiempo real (YOLO), segmentación semántica y de instancias (U-Net, Mask R-CNN) y análisis de video con seguimiento de objetos mediante flujo óptico y filtros de Kalman. Estas competencias permitirán la integración de sistemas de visión artificial en aplicaciones biométricas, industriales y robóticas, orientadas al control de calidad automatizado y al análisis espacio-temporal.
Fines de Aprendizaje o Formación
El estudiante dominará los principios teóricos y prácticos del Aprendizaje Profundo, comprendiendo arquitecturas de redes neuronales, funciones de activación avanzadas, técnicas de regularización y algoritmos de optimización de vanguardia. Será capaz de implementar modelos complejos utilizando frameworks industriales como TensorFlow/Keras y PyTorch, gestionando datos de alta dimensión para el entrenamiento eficiente de redes neuronales multicapa.
Asimismo, desarrollará competencias para diseñar y aplicar soluciones de Deep Learning en dominios especializados, empleando Redes Neuronales Convolucionales (CNN) y aprendizaje por transferencia en visión por computadora, así como modelos de Procesamiento del Lenguaje Natural (PLN) basados en embeddings, LSTM/GRU y arquitecturas Transformer (BERT, GPT) para la comprensión y generación de secuencias.
Finalmente, el estudiante será competente para analizar y aplicar modelos generativos avanzados, como VAEs y GANs, y para evaluar, desplegar y monitorear modelos de aprendizaje automático considerando explicabilidad (XAI), robustez y mitigación de sesgos algorítmicos, integrando prácticas de MLOps que aseguren un uso ético, eficiente y escalable en entornos productivos.
Fines de Aprendizaje o Formación
El estudiante adquirirá una comprensión profunda de los fundamentos arquitectónicos de la Ingeniería de Datos, distinguiendo y seleccionando de manera estratégica Data Warehouse, Data Lake y Lakehouse, con base en principios de sistemas distribuidos y el teorema CAP. Será competente para diseñar arquitecturas de Big Data, definiendo esquemas de procesamiento por lotes (Batch) y en tiempo real (Streaming).
El alumno desarrollará competencias técnicas avanzadas para la transformación y orquestación de datos masivos, implementando pipelines de datos distribuidos con Apache Spark. Dominará metodologías ETL y ELT, aplicando Captura de Cambio de Datos (CDC), la gestión de Dimensiones Cambiantes (SCD) y el uso de formatos optimizados como Parquet y Avro para una carga eficiente y escalable.
Finalmente, el estudiante estará capacitado para desplegar, operar y mantener sistemas de datos en entornos productivos, garantizando la calidad e integridad de los datos (DQA), el monitoreo y la observabilidad de los flujos, y la seguridad mediante anonimización y enmascaramiento. Integrará Infraestructura como Código (IaC) y vinculará las tuberías de datos con ecosistemas de MLOps, asegurando soluciones robustas, confiables y alineadas a estándares profesionales.