Uso de herramientas, entornos y plataformas avanzadas que potencian el desarrollo, implementación y despliegue de soluciones en ciencia de datos e inteligencia artificial, integrando flujos de trabajo modernos y tecnologías de alto rendimiento.

 Contenidos mínimos

• Entornos avanzados de programación y análisis (Python científico, R, notebooks interactivos).
• Herramientas para procesamiento masivo de datos y cómputo distribuido.
• Plataformas y frameworks para IA y aprendizaje automático.
• Sistemas de control de versiones y flujos colaborativos.
• Automatización de procesos, pipelines y MLOps.
• Integración de APIs, servicios en la nube y despliegue de modelos.
• Buenas prácticas, documentación y reproducibilidad en proyectos avanzados.

Profundiza en técnicas avanzadas de inteligencia artificial, abordando modelos, arquitecturas y metodologías de última generación para desarrollar soluciones inteligentes aplicadas a problemas complejos en diversos sectores.

Contenidos mínimos

• Paradigmas avanzados de IA: simbólica, conexionista, evolutiva e híbrida.
• Sistemas inteligentes aplicados: visión computacional, procesamiento de lenguaje natural y agentes autónomos.
• Arquitecturas modernas y técnicas de optimización.
• Integración de IA en sistemas reales y aplicaciones industriales.
• Evaluación, interpretabilidad y consideraciones éticas en sistemas avanzados.
• Desarrollo de proyectos aplicados con herramientas y frameworks especializados.

Profundiza en técnicas modernas de aprendizaje automático, abordando modelos complejos, métodos de optimización y enfoques especializados para resolver problemas de alta dimensionalidad y escenarios reales de predicción.

Contenidos mínimos

• Modelos avanzados de aprendizaje supervisado y no supervisado.
• Métodos de optimización y ajuste fino de hiperparámetros.
• Técnicas de regularización y manejo de sobreajuste en modelos complejos.
• Métodos de ensamble avanzados y boosting.
• Introducción a redes neuronales y aprendizaje profundo.
• Evaluación robusta de modelos y validación avanzada.
• Implementación de proyectos aplicados con datasets reales.

Desarrollo de técnicas avanzadas de análisis y modelamiento de datos, profundizando en métodos estadísticos, algoritmos computacionales y herramientas que permiten construir soluciones predictivas y analíticas de mayor complejidad.

Contenidos mínimos

• Modelos estadísticos avanzados para análisis y predicción.
• Técnicas de reducción de dimensionalidad y selección de variables.
• Métodos de análisis multivariado.
• Introducción a modelos predictivos y validación avanzada.
• Integración de datos, manejo de grandes volúmenes y procesamiento eficiente.
• Visualización avanzada y comunicación de resultados.
• Desarrollo de proyectos aplicados de análisis de datos.

Analiza los principios éticos, marcos legales y normativas que regulan el uso, gestión y protección de datos, promoviendo prácticas responsables en proyectos de ciencia de datos e inteligencia artificial.

Contenidos mínimos

• Principios éticos en el manejo y análisis de datos.
• Privacidad, consentimiento informado y protección de datos personales.
• Legislación nacional e internacional sobre datos (habeas data, GDPR, otras).
• Sesgos algorítmicos, transparencia y explicabilidad.
• Responsabilidad profesional y uso ético de la IA.
• Gobernanza de datos y políticas institucionales.
• Casos de estudio y análisis de dilemas éticos en proyectos reales

Asignatura introductoria al aprendizaje automático que aborda los principios, técnicas y algoritmos fundamentales para construir modelos predictivos basados en datos, con énfasis en comprensión conceptual y aplicación práctica.

Contenidos mínimos

• Conceptos básicos de aprendizaje supervisado y no supervisado.
• Preparación de datos y selección de características.
• Modelos clásicos: regresión, clasificación y agrupamiento.
• Evaluación de modelos y métricas de desempeño.
• Validación cruzada y prevención del sobreajuste.
• Introducción a algoritmos basados en árboles y métodos de ensamble.
• Uso de librerías y entornos computacionales para modelado.

Asignatura introductoria que aborda los principios fundamentales de la ciencia de datos, enfocada en la recolección, preparación, exploración y análisis inicial de datos para apoyar la toma de decisiones basada en evidencia.

Contenidos mínimos

• Conceptos básicos de ciencia de datos y su ciclo de vida.
• Tipos de datos, fuentes y procesos de recolección.
• Limpieza, transformación y preparación de datos.
• Análisis exploratorio: estadísticas descriptivas y visualización inicial.
• Introducción a herramientas y entornos de trabajo para ciencia de datos.
• Buenas prácticas en manejo y documentación de datasets

Asignatura orientada al desarrollo de habilidades en programación y técnicas fundamentales de análisis de datos, utilizando herramientas computacionales para procesar, visualizar e interpretar información de manera eficiente.

Contenidos mínimos

• Fundamentos de programación: variables, estructuras de control y funciones.
• Manipulación y limpieza de datos.
• Estructuras de datos y manejo de archivos.
• Introducción a librerías para análisis y visualización.
• Estadística descriptiva aplicada al análisis de datos.
• Procesamiento, transformación y preparación de datasets.
• Introducción a análisis exploratorio y generación de reportes.

Asignatura que introduce los conceptos matemáticos esenciales para comprender, modelar y resolver problemas en inteligencia artificial y ciencia de datos, integrando álgebra lineal, cálculo, probabilidad y optimización.

Contenidos mínimos

• Álgebra lineal: vectores, matrices, transformaciones lineales, autovalores.
• Probabilidad y estadística básica para análisis de datos.
• Introducción a métodos numéricos relevantes para IA.
• Aplicaciones matemáticas en modelos de aprendizaje automático.

 Estadística Matemática (MEIACD04P01)

Metodología de la Investigación Científica (MEIACD01P01)