Doctorado en Ciencias de la Computación

Data science 1: introducción a la ciencia de datos

EN ESTA ASIGNATURA SE ASUME QUE EL ESTUDIANTE TIENE CONOCIMIENTOS FUNDAMENTALES EN PROBABILIDADES Y ESTADISTICA. ESTA ASIGNATURA PROPORCIONA CONOCIMIENTOS INTRODUCTORIOS A LA CIENCIA DE DATOS. APORTA CONOCIMIENTOS BÁSICOS EN EL MANEJO DE DATOS MASIVOS, APRENDIZAJE COMPUTACIONAL, VISUALIZACIÓN Y COMPUTACIÓN DE ALTO RENDIMIENTO. ESTA ASIGNATURA APORTA A LA SIGUIENTE COMPETENCIA DEL PERFIL DE EGRESO: - MOSTRAR UN MANEJO PROFUNDO Y ACTUALIZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN TEORÍA DE COMPUTACIÓN.

Tópicos en optimización combinatoria

EN ESTA ASIGNATURA SE ASUME QUE EL ESTUDIANTE TIENEN CONOCIMIENTOS FUNDAMENTALES EN ESTRUCTURAS DE DATOS Y ALGORITMOS. POR TANTO, AL ESTUDIANTE LE ES FAMILIAR LA NOTACIÓN ASINTÓTICA Y ES CAPAZ DE ANALIZAR ALGORITMOS Y ESTRUCTURAS DE DATOS BÁSICAS. A PARTIR DE ALLÍ, EN LA ASIGNATURA SE REPASAN DIVERSOS RESULTADOS IMPORTANTES EN OPTIMIZACIÓN COMBINATORIA, RELACIONADOS CON LA INCLUSIÓN DE PROBLEMAS ESPECÍFICOS EN DISTINTAS CLASES DE PROBLEMAS Y SUS ENFOQUES DE SOLUCIÓN. EN LA PRIMERA PARTE DE LA ASIGNATURA SE DEFINE LO QUE SE ENTIENDE POR PROBLEMA DE OPTIMIZACIÓN COMBINATORIA, SE REALIZA UN REPASO GENERAL SOBRE COMPLEJIDAD COMPUTACIONAL Y SE DAN A CONOCER LOS MEJORES ALGORITMOS CONOCIDOS PARA PROBLEMAS RELEVANTES SOBRE GRAFOS Y REDES. LA SEGUNDA PARTE ABORDA LAS DIVERSAS FAMILIAS Y ENFOQUES DE RESOLUCIÓN DE PROBLEMAS NP-HARD. EN ESA INSTANCIA SE REVISAN DIVERSOS LENGUAJES Y FORMAS DE MODELAR PROBLEMAS COMPUTACIONALMENTE DIFÍCILES Y LOS ALGORITMOS MÁS COMUNES DETRÁS DE LOS SOLVERS ESTADO DEL ARTE PARA ESOS LENGUAJES. ESTA ASIGNATURA APORTA A LA SIGUIENTE COMPETENCIA DEL PERFIL DE EGRESO: - MOSTRAR UN MANEJO PROFUNDO Y ACTUALIZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN ALGORITMOS Y OPTIMIZACIÓN.

Tópicos de inteligencia artificial

ESTA ASIGNATURA APORTA A LA SIGUIENTE COMPETENCIA DEL PERFIL DE EGRESO DEL DOCTORADO EN CIENCIAS DE LA COMPUTACIÓN: ? MOSTRAR UN MANEJO PROFUNDO Y AVANZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN ALGORITMOS. EL USO DE TÉCNICAS ASOCIADAS AL ÁREA DE INTELIGENCIA ARTIFICIAL PERMITE RESOLVER UNA IMPORTANTE CANTIDAD DE PROBLEMAS PARA LOS CUALES NO EXISTEN SOLUCIONES COMPUTABLES POR MEDIOS TRADICIONALES. LA VARIEDAD DE TÉCNICAS ACTUALMENTE DISPONIBLES Y EL IMPACTO QUE ELLAS TIENEN EN LA SOLUCIÓN DE PROBLEMAS DE INGENIERÍA HACEN IMPRESCINDIBLE QUE ESTUDIANTES DE PREGRADO Y POSTGRADO CONOZCAN, MÁS ALLÁ DE LA PROGRAMACIÓN TRADICIONAL, LOS ELEMENTOS MÁS IMPORTANTES QUE CARACTERIZAN A ESTA DISCIPLINA. ESTA ASIGNATURA CUBRE ALGUNOS TÓPICOS AVANZADOS EN INTELIGENCIA ARTIFICIAL SIMBÓLICA Y QUE NO HAN SIDO CUBIERTOS EN DETALLE EN ASIGNATURAS PREVIAS; RESOLUCIÓN DE PROBLEMAS, Y APLICACIONES FUNDAMENTALES EN EL ESTUDIO Y DESARROLLO DE SISTEMAS INTELIGENTES. LA ASIGNATURA ES UNA MEZCLA DE TEORÍA Y PRÁCTICA; PRESENTA LAS IDEAS BÁSICAS Y PROPORCIONA AL ESTUDIANTE HERRAMIENTAS CONCEPTUALES PARA ABORDAR PROBLEMAS COMPLEJOS QUE REQUIERAN LA UTILIZACIÓN DE ESTAS TÉCNICAS AVANZADAS.

Data science 2: tópicos avanzados en ciencia de datos

ESTA ASIGNATURA PROPORCIONA CONOCIMIENTOS AVANZADOS EN EL ÁREA DE CIENCIA DE DATOS. APORTA CONOCIMIENTOS AVANZADOS EN EL ANALISIS ESTADÍSTICO DE DATOS MASIVOS, APRENDIZAJE COMPUTACIONAL, Y VISUALIZACIÓN. ESTA ASIGNATURA APORTA A LAS SIGUIENTES COMPETENCIAS DEL PERFIL DE EGRESO: - IDENTIFICAR Y RESOLVER PROBLEMAS COMPLEJOS UTILIZANDO EL MÉTODO CIENTÍFICO Y APLICANDO AVANCES EN UNA LÍNEA DE ESPECIALIZACIÓN. - IDENTIFICAR OPORTUNIDADES Y NICHOS DE INVESTIGACIÓN Y/O DE TRANSFERENCIA TECNOLÓGICA EN BASE AL CONOCIMIENTO ADQUIRIDO EN UNA LÍNEA DE ESPECIALIZACIÓN. -MOSTRAR UN MANEJO PROFUNDO Y ACTUALIZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN TEORÍA DE COMPUTACIÓN, ALGORITMOS Y ESTRUCTURAS DE DATOS, Y EN AL MENOS UNA LÍNEA DE INVESTIGACIÓN DEL PROGRAMA. -DIRIGIR Y REALIZAR INVESTIGACIÓN DE FORMA ORIGINAL Y AUTÓNOMA, CONTRIBUYENDO A EXPANDIR LAS FRONTERAS DEL CONOCIMIENTO EN CIENCIAS DE LA COMPUTACIÓN. -EVALUAR EN FORMA CRÍTICA Y AUTÓNOMA RESULTADOS Y PRODUCTOS CIENTÍFICOS EN UN MARCO DE COMPROMISO ÉTICO. COMUNICAR RESULTADOS Y HALLAZGOS DE LA INVESTIGACIÓN A LA COMUNIDAD CIENTÍFICA Y ACADÉMICA.

Interfaces de usuario en sistemas software

ASIGNATURA ORIENTADA A REVISAR Y APLICAR CONCEPTOS FUNDAMENTALES DE INTERACCIÓN HUMANO-COMPUTADOR EN EL DESARROLLO DE INTERFACES DE USUARIO PARA SISTEMAS SOFTWARE. LA ASIGNATURA DESTACA EL CARÁCTER INTERDISCIPLINARIO DE ESTE CAMPO, MOSTRANDO LA APLICACIÓN DE SUS CONCEPTOS EN DIVERSOS ASPECTOS DE LA VIDA DIARIA Y ORGANIZACIONAL JUNTO CON LA INTEGRACIÓN DE CONOCIMIENTOS DE DIVERSAS ÁREAS (CIENCIAS HUMANAS, DISEÑO, COMUNICACIÓN). SE ORIENTA PRINCIPALMENTE A LA ESPECIFICACIÓN DISEÑO E IMPLEMENTACIÓN DE INTERFACES SOFTWARE, SITUÁNDOLOS DENTRO DE PROCESOS DE DESARROLLO TRADICIONALES Y ÁGILES. SE CONSIDERAN ADEMÁS LAS DEMANDAS QUE LA CRECIENTE DIVERSIDAD DE DISPOSITIVOS DE OPERACIÓN DE SISTEMAS SOFTWARE PRESENTAN A ESTE CAMPO. ESTA ASIGNATURA CONTRIBUYE CON LAS SIGUIENTES COMPETENCIAS DEL PERFIL DE EGRESO: MOSTRAR UN MANEJO PROFUNDO Y ACTUALIZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN TEORÍA DE COMPUTACIÓN, ALGORITMOS Y ESTRUCTURAS DE DATOS, Y EN AL MENOS UNA LÍNEA DE INVESTIGACIÓN DEL PROGRAMA. EVALUAR EN FORMA CRÍTICA Y AUTÓNOMA RESULTADOS Y PRODUCTOS CIENTÍFICOS EN UN MARCO DE COMPROMISO ÉTICO. COMUNICAR RESULTADOS Y HALLAZGOS DE LA INVESTIGACIÓN A LA COMUNIDAD CIENTÍFICA Y ACADÉMICA.

Modelado de sistemas multi-agentes

ESTA ASIGNATURA ELECTIVA TEÓRICO-PRÁCTICA ESTÁ ORIENTADA A INTRODUCIR A LOS ESTUDIANTES EN LAS TÉCNICAS DE MODELAMIENTO Y PROGRAMACIÓN DE SISTEMAS MULTIAGENTES. EN ESTA, LOS ALUMNOS DEBERÁN CONOCER LOS BENEFICIOS DE ESTE ENFOQUE DE DESARROLLO PARA EL ESTUDIO Y COMPRENSIÓN DE SISTEMAS COMPLEJOS MEDIANTE LA REALIZACIÓN DE SIMULACIONES, COMO TAMBIÉN PARA LA SOLUCIÓN DE PROBLEMAS DE INGENIERÍA. ESTA ASIGNATURA CONTRIBUYE A LAS SIGUIENTES COMPETENCIAS DEL PERFIL DEL GRADUADO: - MOSTRAR UN MANEJO PROFUNDO Y ACTUALIZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN TEORÍA DE COMPUTACIÓN, ALGORITMOS Y ESTRUCTURAS DE DATOS, Y EN AL MENOS UNA LÍNEA DE INVESTIGACIÓN DEL PROGRAMA.

Introducción a la computación paralela

ESTA ASIGNATURA ELECTIVA INTRODUCE A LOS ALUMNOS EN EL AREA DE LA COMPUTACION PARALELA. EL OBJETIVO DEL CURSO ES PROPORCIONAR LOS FUNDAMENTOS NECESARIOS PARA DESARROLLAR Y EVALUAR APLICACIONES PARALELAS EN SISTEMAS MODERNOS. EL CURSO INCLUYE UNA VISION DE LOS DISTINTOS TIPOS DE SISTEMAS, MODELOS, ABSTRACCIONES, E IMPLEMENTACIONES DE PROGRAMACION PARALELA. EL CURSO INCORPORA ELEMENTOS PARA EL ANALISIS DE DESEMPEÑO QUE CONSIDERAN LAS CARACTERSTICAS DEL HARDWARE Y SOPORTE SOFTWARE. ESTA ASIGNATURA CONTRIBUYE CON LAS SIGUIENTES COMPETENCIAS DEL PER L DE EGRESO: MOSTRAR UN MANEJO PROFUNDO Y ACTUALIZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN TEORÍA DE COMPUTACIÓN, ALGORITMOS Y ESTRUCTURAS DE DATOS, Y EN AL MENOS UNA LÍNEA DE INVESTIGACIÓN DEL PROGRAMA.

Tópicos de inteligencia computacional y ciberseguridad

ESTA ASIGNATURA ELECTIVA ESTÁ ORIENTADA A QUE LOS ESTUDIANTES CONOZCAN DISTINTAS TÉCNICAS DE INTELIGENCIA COMPUTACIONAL Y SU APLICACIÓN A PROBLEMAS DE CLASIFICACIÓN DEL DOMINIO DE LA SEGURIDAD INFORMÁTICA. LA ASIGNATURA APORTA LAS SIGUIENTES COMPETENCIAS DEL PERFIL DE EGRESO: MOSTRAR UN MANEJO PROFUNDO Y ACTUALIZADO EN CIENCIAS DE LA COMPUTACIÓN, CENTRÁNDOSE EN CONOCIMIENTOS FUNDAMENTALES EN TEORÍA DE COMPUTACIÓN, ALGORITMOS Y ESTRUCTURAS DE DATOS, Y EN AL MENOS UNA LÍNEA DE INVESTIGACIÓN DEL PROGRAMA.

Introducción a la arquitectura de microservicios

Esta asignatura revisa los conceptos básicos del modelo de arquitectura software basado en microservicios. El estudiante podrá diferenciar los conceptos de servicio y microservicio, familiarizarse con los aspectos fundamentales de microservicio y arquitectura de microservicios, y comprender la relación entre esta propuesta arquitectónica con otras arquitecturas de software. Además, podrá desarrollar sistemas de software basados en microservicios. Para desempeñarse exitosamente en esta asignatura, los estudiantes deben contar con conocimientos básicos de programación web y, preferentemente, manejo de Java o Python. Esta asignatura aporta a las siguientes competencias del perfil de egreso: Mostrar un manejo profundo y actualizado en Ciencias de la Computación, centrándose en conocimientos fundamentales en teoría de computación, algoritmos y estructuras de datos, y en al menos una línea de investigación del programa.

Sistemas adaptativos

El estudio de sistemas con comportamiento emergente es una de las características centrales de este curso. basado en la metáfora de fenómenos emergentes naturales, la inteligencia artificial presenta alternativas a la clásica resolución algorítmica de problemas. en este curso se analizan algunas de esas técnicas, y se establecen las conexiones existentes entre los sistemas emergentes artificiales, la evolución biológica y la evolución social.

Desarrollo de sotware dirigido por modelos

Para lidiar con la complejidad de desarrollar software de mediana y gran escala, la ingeniería de software, al igual que el resto de las ingenierías, propone el uso de modelos. así, modelamos los datos que vamos a manipular, las funciones que los utilizarán y modificarán, y la interfaz a través del cual el software se comunica con el usuario o con otros sistemas. Sin embargo, estos modelos pueden cumplir un rol que trasciende a la herramienta que guía el desarrollo de software y facilita la gestión del proyecto: pueden convertirse en la base de la implementación del sistema. Modelos cercanos al cliente pueden transformarse automáticamente en diseño de la solución, o bien, en el mismo código ejecutable. En esta asignatura, se revisan los conceptos del desarrollo dirigido por modelos, capacitando al alumno a desarrollar herramientas que apoyen la implementación de sus sistemas. se revisan y aplican los conceptos básicos del desarrollo de software dirigido por modelos, los requisitos para la implementación de este enfoque, su estado del arte y herramientas disponibles.

Introducción a cloud computing

Al finalizar esta asignatura los estudiantes manejarán con los conceptos básicos de Cloud Computing, conocerán las diferencias entre Cloud Computing y los otros paradigmas de computación, estarán familiarizados con modelos de programación populares (por ejemplo, Mapreduce) en Cloud Computing, y serán capaces de desarrollar, de manera conceptual, sistemas software basados en el Cloud. para asistir a esta asignatura, el estudiante debe tener conocimiento algorítmico básico y habilidades de programación. no se requiere un lenguaje de programación en específico, pero se recomienda Java, Python o Go.

Deep learning

En este curso se verán fundamentos teóricos del aprendizaje profundo, en particular, de las redes neuronales artificiales, así como también las últimas arquitecturas en el estado del arte. El curso comienza con la definición del perceptrón y del perceptrón multicapa, para luego profundizar en su entrenamiento y técnicas de regularización. La segunda parte del curso repasa arquitecturas neuronales modernas para predicción sobre imágenes, datos secuenciales, modelos generativos y variacionales. En la tercera parte del curso se revisarán los últimos avances del área.

Machine learning probabilístico

Esta asignatura proporciona conocimientos avanzados en el área de ciencia de datos y teoría de la probabilidad. Aporta conocimientos avanzados en el análisis estadístico de datos masivos y aprendizaje computacional. En particular, la asignatura se enfoca en la enseñanza de técnicas avanzadas de modelamiento de datos y muestreo basadas en la teoría de probabilidades tocando, en la parte final, el tema de la causalidad.

Visualización de datos

Esta asignatura proporciona los conceptos y potencia las competencias para evaluar, crear y mejorar representaciones visuales de datos, que respondan a diversos requerimientos de exploración, análisis y comunicación. La asignatura entrega fundamentos y técnicas de visualización adecuadas a las distintas etapas del ciclo de los datos, permitiendo la generación de visualizaciones claras, interactivas y efectivas. Refuerza, además, las capacidades de investigación del graduando, mediante actividades de investigación y reporte del estado del arte en Visualización de Datos.

Análisis de datos

En esta asignatura, las y los estudiantes aprenden herramientas básicas de análisis de datos incluyendo adquisición y manejo de datos, inferencia, aprendizaje computacional, visualización e interpretación de resultados.

Introduction to matrix differentiation for machine learning and physics

Multivariable calculus is widely used in Machine Learning and Physics. This course provides an introduction to the topic, focusing on the fundamental rules of matrix and vector differentiation and its applications in Machine Learning.The course will consist of theory lectures and practice sessions.

Estructuras de datos compactas

Hoy en día, la cantidad de datos generados por la humanidad no tiene precedente. Una explicación a ese fenómeno es que las fuentes de datos están en todos lados, abarcando desde industrias, instituciones gubernamentales hasta cualquier usuario de medios digitales con acceso a internet. Ciertamente, tal cantidad de datos impone desafíos a la hora de almacenarlos, pero especialmente impone desafíos a la hora de procesarlos. Aplicar técnica clásicas de compresión no es suficiente para resolver los desafíos, ya que generalmente necesitamos acceso aleatorio de manera rápida, sin necesidad de decompresión. En los últimos 25 años el área de investigación llamada estructuras de datos compactas a propuesto representaciones que reducen de manera importante el espacio necesario para almacenar datos, acercándose a mínimos teóricos, a la vez que permiten operaciones eficientes sobre los datos. En este curso estudiaremos estructuras de datos compactas aplicadas a distintos dominios (secuencias, árboles, grafos, entre otros), además de revisar implementaciones prácticas. Conjuntamente se incentivará la investigación en las y los estudiantes, tomando el área de estructuras de datos compactas como medio.

Foundations of hpc, parallel programming, and modern software methodologies assisted by ai

Este curso intensivo de dos semanas (de lunes a jueves) está diseñado para proveer a los estudiantes de posgrado la base conceptual y práctica necesaria para aplicar la Computación de Alto Rendimiento (HPC) y la programación paralela en diferentes ámbitos científicos. El programa sintetiza los pilares del cómputo científico moderno: optimización mediante prácticas efectivas en C++, el uso del estándar MPI para computación distribuida a través de protocolos de comunicación, y programación nativa de GPUs a través de CUDA. Adicionalmente, ante el surgimiento de tecnologías emergentes, el curso integra transversalmente el uso correcto de Modelos de Lenguaje de Gran Escala (LLMs/IA) mediante técnicas de ingeniería de prompts. Esto enseña a los estudiantes a acelerar la generación de código (vibe-coding), desarrollando al mismo tiempo la capacidad crítica para detectar las limitaciones, fallas y alucinaciones de estas herramientas en problemas paralelos complejos. Al finalizar, los estudiantes poseerán los fundamentos teóricos en HPC que les permitirán acelerar los tiempos de ejecución en cualquier investigación científica que potencialmente desarrollen.