Programa Curricular

2027

Escuela Profesional de

Inteligencia Artificial

Universidad Nacional Mayor de San Marcos

Facultad de Ingeniería de Sistemas e Informática

Curriculum update proposal

Lima, Perú · 03/11/2026

Contents

• 1Fundamentos
• 1.1Presentación
• 1.2Misión institucional (UNMSM)
• 1.3Visión institucional (UNMSM)
• 1.4Principios orientadores
• 1.5Valores institucionales
• 1.6Misión de la Escuela Profesional
• 1.7Visión de la Escuela Profesional
• 1.8Fundamentos contextuales: contexto global
• 1.9Fundamentos contextuales: contexto nacional
• 1.10Fundamentos educacionales
• 2Bases normativas
• 2.1Bases normativas
• 3Situación de la carrera
• 3.1La carrera y su campo de acción
• 3.2Contribución a la sociedad
• 3.3Campo ocupacional
• 3.4Especialidades y menciones
• 3.5Demanda social y empleabilidad
• 3.6Resultados de la consulta a grupos de interés, empleadores y egresados
• 3.7Competitividad de la carrera
• 3.8Análisis FODA
• 3.9Innovaciones tecnológicas de la disciplina
• 3.10Análisis prospectivo
• 4Diagnóstico de la Escuela
• 4.1Historia de la Escuela Profesional
• 4.2Infraestructura y recursos
• 4.3Perfil de la plana docente
• 4.4Indicadores de gestión académica
• 4.5Evaluación del plan curricular vigente
• 5Alineamiento con el Modelo Educativo
• 5.1Matriz de alineamiento institucional
• 5.2Matriz de alineamiento con los doce pilares del Modelo Educativo UNMSM 2024
• 5.3Matriz de alineamiento con los siete ejes transversales del Modelo Educativo
• 6Objetivos educacionales
• 6.1Objetivos educacionales de la Escuela
• 6.2Matriz de consistencia: misión institucional y objetivos educacionales
• 7Perfiles
• 7.1Perfil de ingreso
• 7.2Perfil de egreso (declaración)
• 7.3Perfil de egreso por competencias
• 7.4Articulación de competencias y asignaturas
• 7.5Perfil profesional
• 7.6Perfil del docente
• 7.7Grado académico y título profesional
• 8Estructura curricular
• 8.1Estructura curricular
• 8.2Componentes innovadores del plan
• 8.3Actividades formativas complementarias
• 8.4Catálogo de actividades formativas complementarias
• 8.5Modalidad de estudios
• 8.6Plan de estudios
• 8.7Compatibilidad con los estándares internacionales
• 9Curriculum map
• 9.1Malla curricular integrada
• 10Course summaries
• 10.1EG101 Redacción y Técnicas de Comunicación
• 10.2EG102 Métodos de Estudio Universitario
• 10.3EG103 Desarrollo Personal y Liderazgo
• 10.4EG104 Cálculo I
• 10.5EG105 Álgebra y Geometría Analítica
• 10.6EG106 Medio Ambiente y Desarrollo Sostenible
• 10.7EG107 Introducción a la Computación
• 10.8CS112 Programación I
• 10.9CS1D1 Matemática Discreta
• 10.10EG201 Investigación Formativa
• 10.11EG202 Realidad Nacional y Mundial
• 10.12EG203 Cálculo II
• 10.13EG204 Física
• 10.14CS113 Programación II
• 10.15CS221 Arquitectura de Computadores
• 10.16IA301 Cálculo Multivariable y Optimización
• 10.17ID101 Inglés I
• 10.18MA101 Álgebra Lineal
• 10.19MA102 Estadística y Probabilidades
• 10.20CS210 Algoritmos y Estructuras de Datos
• 10.21CS271 Bases de Datos I
• 10.22IA401 Probabilidad y Procesos Estocásticos para IA
• 10.23IA402 Búsqueda, Planificación y Resolución de Problemas
• 10.24IA403 Ciencia Cognitiva y Neurociencia Computacional
• 10.25ID102 Inglés II
• 10.26CS212 Análisis y Diseño de Algoritmos
• 10.27CS261 Inteligencia Artificial
• 10.28CS291 Ingeniería de Software I
• 10.29CS2S1 Sistemas Operativos
• 10.30IA501 Representación del Conocimiento y Razonamiento
• 10.31CS231 Redes y Comunicación
• 10.32IA601 Aprendizaje Automático
• 10.33IA602 Sistemas de Cómputo Acelerado para IA
• 10.34IA6E1 Optimización Convexa y Métodos Numéricos para IA
• 10.35IA6E2 Teoría de Control para Sistemas Autónomos
• 10.36IA6E3 Ingeniería de Datos para IA
• 10.37IA6E4 Teoría de la Computación
• 10.38CS2E1 Ética Profesional
• 10.39CS2H1 Experiencia de Usuario (UX)
• 10.40IA701 Aprendizaje Profundo
• 10.41IA702 Aprendizaje por Refuerzo
• 10.42IA703 MLOps e Ingeniería de Sistemas de IA
• 10.43CS3I1 Seguridad en Computación
• 10.44CS401 Metodología de la Investigación en Computación
• 10.45IA801 Procesamiento de Lenguaje Natural
• 10.46IA802 Visión Computacional
• 10.47IA803 IA Generativa y Modelos Fundacionales
• 10.48AF401 Actividades Formativas Complementarias
• 10.49CS281 Computación y Responsabilidad Social
• 10.50CS2G1 Innovación y Emprendimiento Tecnológico
• 10.51CS402 Proyecto de Fin de Carrera I
• 10.52IA901 Agentes Inteligentes y Sistemas Multiagente con LLM
• 10.53IA9E1 Robótica e IA Encarnada
• 10.54IA9E2 Interacción Humano-IA
• 10.55IA9E3 IA Eficiente, Distribuida y en el Borde
• 10.56IA9E4 Modelos de Lenguaje a Gran Escala desde sus Fundamentos
• 10.57IA9E5 Aplicaciones de IA y Gestión de Proyectos de IA
• 10.58CS400 Prácticas Preprofesionales en Empresa
• 10.59CS403 Proyecto de Fin de Carrera II
• 10.60IAX01 IA Responsable: Gobernanza, Seguridad y Alineamiento
• 11Equivalence table
• 12Gestión curricular
• 12.1Estrategias metodológicas
• 12.2Guía de implementación de metodologías activas
• 12.3Evaluación de los aprendizajes
• 12.4Instrumentos de evaluación por competencias
• 12.5Investigación formativa
• 12.6Proyecto de fin de carrera
• 12.7Prácticas preprofesionales
• 12.8Tutoría y acompañamiento
• 12.9Responsabilidad social universitaria
• 12.10Internacionalización del currículo
• 12.11Marco de internacionalización del currículo
• 13Evaluación curricular
• 13.1Evaluación curricular
• 13.2Sistema de seguimiento y evaluación curricular
• 13.3Seguimiento de egresados
• 13.4Grupos de interés y mejora continua
• 14Implementación y sostenibilidad
• 14.1Plan de implementación
• 14.2Cronograma de implementación
• 14.3Recursos y sostenibilidad
• ASupporting documents
• A.1Sustento documental: informes, diagnósticos y documentos de aprobación
• Bibliography
• About this document

Chapter 1Fundamentos

1.1Presentación

El presente documento contiene la propuesta del plan curricular de la Escuela Profesional de Inteligencia Artificial (EPIA) de la Facultad de Ingeniería de Sistemas e Informática de la Universidad Nacional Mayor de San Marcos, que entrará en vigencia como Plan Curricular 2027.

La Escuela es de creación reciente. Su plan curricular de creación, de octubre de 2025 [S01], fue aprobado junto con la Escuela, y la Universidad ofreció sus primeras 61 vacantes en el proceso de admisión 2026-II [S49]. El Plan 2027 conserva lo valioso de ese plan —la misión, la orientación a la investigación, la secuencia de aprendizaje automático, lenguaje, visión, robótica y agentes, y la referencia a Carnegie Mellon, Tsinghua y Purdue— y lo ajusta a los catorce componentes de la Guía para el Diseño y Actualización Curricular [S03], al Modelo Educativo UNMSM 2024 [S02] y al núcleo común que la Facultad aprobó para sus escuelas [S04].

No existe una guía curricular de ACM, IEEE-CS o AAAI para una carrera de inteligencia artificial [S11]. Por ello, el referente disciplinar es el área de conocimiento «Artificial Intelligence» de Computer Science Curricula 2023 [93] [S24], complementado con programas de referencia: el B.S. in Artificial Intelligence de Carnegie Mellon [S26], la carrera 6-4 del MIT [S27], el BSE in Artificial Intelligence de la Universidad de Pensilvania [S32] y el BS in Artificial Intelligence de Purdue [S33], entre otros. La consulta a grupos de interés [S05] y las encuestas a empleadores [S06] y egresados [S07] de la Facultad sustentan las decisiones sobre la estructura del plan.

El contenido constituye una propuesta de trabajo: cada sección, competencia, asignatura y sílabo debe ser revisado y aprobado por la comisión curricular. Los insumos que faltan se listan en el sustento documental con el estado «por solicitar».

1.2Misión institucional (UNMSM)

Formar profesionales con visión humanista para comprender, generar y difundir conocimiento científico y tecnológico, que contribuyan al desarrollo sostenible para el bienestar común e inclusivo, gestionando su desempeño con ética en el desarrollo de la investigación constante, la innovación, el uso eficiente y responsable de la tecnología, con identidad multicultural, preparando ciudadanos competentes al servicio de la sociedad.

1.3Visión institucional (UNMSM)

Ser reconocida como una universidad líder, con excelencia académica e investigación de vanguardia para la formación de profesionales íntegros, competentes y comprometidos con la sociedad, estableciendo relaciones armoniosas entre las personas y su entorno.

1.4Principios orientadores

1.5Valores institucionales

1.6Misión de la Escuela Profesional

Formar profesionales en inteligencia artificial con ética, sólida base científica y competencias de investigación, capaces de crear soluciones de inteligencia artificial propias para las necesidades del país y de la sociedad, con responsabilidad social y compromiso con el desarrollo sostenible.

1.7Visión de la Escuela Profesional

Ser reconocida como la escuela de excelencia y de referencia en el país en la formación de profesionales de inteligencia artificial, acreditada con estándares internacionales, con capacidad para la investigación y comprometida con la responsabilidad social y el desarrollo sostenible de la sociedad.

1.8Fundamentos contextuales: contexto global

1.9Fundamentos contextuales: contexto nacional

1.10Fundamentos educacionales

Chapter 2Bases normativas

2.1Bases normativas

Chapter 3Situación de la carrera

3.1La carrera y su campo de acción

La inteligencia artificial estudia y construye sistemas que perciben, razonan, aprenden y actúan. Tiene su fundamento en la ciencia de la computación e integra conocimientos de matemáticas, estadística, ingeniería, lingüística y ciencia cognitiva [S01]. CS2023 la trata como una de sus diecisiete áreas de conocimiento, con doce unidades: fundamentos, búsqueda, representación del conocimiento, aprendizaje automático, aplicaciones e impacto social, razonamiento lógico, razonamiento probabilístico, planificación, agentes, lenguaje natural, robótica y percepción [S24]. AAAI participó por primera vez como socio en esa guía [S25].

Las carreras de pregrado en inteligencia artificial son recientes: el MIT abrió la carrera 6-4 de Inteligencia Artificial y Toma de Decisiones en 2022 [S27], Tsinghua creó su clase de inteligencia artificial en 2019 [S37] y la Universidad de Pensilvania inició en 2024 el primer pregrado en IA de la Ivy League [S32]. En el Perú, la Universidad Nacional de Ingeniería ofreció en 2026 sus primeras vacantes de Ingeniería de Inteligencia Artificial [S42].

El profesional de inteligencia artificial diseña, construye, despliega y evalúa estos sistemas, y responde por sus efectos. A diferencia de la Ciencia de la Computación, que abarca toda la disciplina, y de la Ciencia de Datos, centrada en el ciclo del dato, la carrera profundiza en los modelos que aprenden y deciden, en los sistemas que los ejecutan y en su gobierno responsable.

3.2Contribución a la sociedad

3.3Campo ocupacional

3.4Especialidades y menciones

El plan no otorga menciones. Ofrece cuatro rutas formativas mediante las asignaturas electivas de los ciclos VI y IX:

• Sistemas autónomos y robótica: Teoría de Control para Sistemas Autónomos (VI) y Robótica e IA Encarnada (IX).
• Modelos fundacionales e investigación: Optimización Convexa y Métodos Numéricos para IA o Teoría de la Computación (VI), y Modelos de Lenguaje a Gran Escala desde sus Fundamentos (IX).
• IA aplicada y centrada en las personas: Ingeniería de Datos para IA (VI), e Interacción Humano-IA o Aplicaciones de IA y Gestión de Proyectos de IA (IX).
• IA eficiente y en el borde: Ingeniería de Datos para IA u Optimización Convexa y Métodos Numéricos para IA (VI), e IA Eficiente, Distribuida y en el Borde (IX).

Las rutas recogen los seis dominios del plan de creación (aprendizaje automático, lenguaje natural, visión, representación lógica y razonamiento, Internet de las cosas y robótica, y ciencia de datos) [S01]. [Por completar por la comisión curricular]: definir si cada ruta otorgará una certificación modular y sus requisitos.

3.5Demanda social y empleabilidad

La evidencia disponible proviene de tres consultas realizadas por la Facultad, de fuentes nacionales verificadas y del plan de creación; sus resultados se resumen en la tabla que sigue.

En la consulta a grupos de interés de septiembre de 2026 [S05] respondieron cinco referentes: una entidad nacional de ciencia y tecnología, dos académicos vinculados a ACM, IEEE y la Sociedad Peruana de Computación, una entidad bancaria y el gremio de la industria del software. Coinciden en que la demanda se desplaza hacia la inteligencia artificial, los datos, la nube y la ciberseguridad. La entidad bancaria pide formar en modelos de lenguaje y modelos agénticos, sobre una base de ingeniería de software, DevOps y nube; la entidad de ciencia y tecnología prioriza el aprendizaje automático, la robótica y la computación bioinspirada; y los académicos recomiendan una base matemática y computacional más fuerte. Los empleadores [S06] valoran la inteligencia artificial y la nube con 4,7 sobre 5 y piden fortalecer las habilidades blandas, las herramientas actuales y el inglés técnico. Los egresados de la Facultad [S07] piden aprender inteligencia artificial, desarrollo con agentes e integración de la IA en los procesos; 19 de 30 consideran determinante el grupo de asignaturas de datos e inteligencia artificial.

En el mercado laboral, el portal Ponte en Carrera ubicó a Ingeniería de Sistemas y Cómputo como la ingeniería con mayor ingreso promedio de jóvenes egresados (S/ 2 876 mensuales, con un rango de S/ 1 200 a S/ 5 000) [S48]; aún no hay datos para la carrera de inteligencia artificial, que es nueva. El Estado promueve la formación de este talento: la Ley 31814 encarga a la Secretaría de Gobierno y Transformación Digital promover el uso de la IA [S44]; su reglamento dispone promover programas de estudio en IA y laboratorios en las universidades [S45]; y la Estrategia Nacional de Inteligencia Artificial 2026-2030 tiene como primer eje el desarrollo de talento [S47]. La oferta pública es aún reducida: 61 vacantes en la UNMSM [S49] y 30 en la Universidad Nacional de Ingeniería [S42] para 2026.

[Insumo por solicitar]: estudio de demanda social y mercado ocupacional de la carrera [S12], con postulantes por vacante del proceso 2026-II y cifras de mercado de fuente primaria.

3.6Resultados de la consulta a grupos de interés, empleadores y egresados

3.7Competitividad de la carrera

El plan se compara con las carreras de inteligencia artificial de universidades que innovaron en el área. Carnegie Mellon combina un núcleo matemático (cálculo multivariable, probabilidad, regresión), un núcleo de computación, un núcleo de IA y cuatro clústeres (decisión y robótica, aprendizaje automático, percepción y lenguaje, e interacción humano-IA), con requisitos de ética y de ciencia cognitiva [S26]. El MIT organiza su carrera por centros (datos, modelos, decisión, computación y ser humano) [S27]; Penn exige ética de la IA y ciencia cognitiva [S32]; Purdue integra psicología y filosofía [S33]; Edimburgo ofrece robótica y procesamiento del lenguaje en el tercer año [S36]; Tsinghua parte de una base matemática rigurosa [S37]; y la Universidad Nacional de Singapur incluye IA responsable y experiencia en la industria [S38].

El Plan 2027 cubre las doce unidades del área de IA de CS2023 [S24] —once con asignaturas obligatorias y la robótica con un electivo—, incorpora los requisitos de ética y de ciencia cognitiva de esos programas, y añade sistemas de cómputo acelerado, MLOps, agentes con modelos de lenguaje e IA responsable con la normativa peruana, que pocos planes de la región reúnen. Comparte con las demás escuelas de la Facultad los estudios generales y específicos [S04], lo que facilita la movilidad interna y el uso eficiente de la plana docente.

[Insumo por solicitar]: estudio comparativo formal con programas de inteligencia artificial del país y del extranjero [S17].

3.8Análisis FODA

FODA preliminar elaborado a partir de los insumos disponibles; cada enunciado indica su sustento. El acta de la reunión del 1 de octubre de 2026 [S09] registra el análisis y la aprobación de la matriz FODA de la Facultad, pero no la transcribe. [Por completar por la comisión curricular]: reemplazar este FODA preliminar por el texto aprobado y consignar el documento que lo contiene.

3.9Innovaciones tecnológicas de la disciplina

3.10Análisis prospectivo

Chapter 4Diagnóstico de la Escuela

4.1Historia de la Escuela Profesional

La comisión de creación de la Escuela, integrada por los docentes Carlos Edmundo Navarro Depaz, David Santos Mauricio Sánchez, José Alfredo Herrera Quispe, César Luza Montero, Víctor Hugo Bustamante Olivera, Jorge Leoncio Guerra Guerra, Herminio Paucar Curasma y Marco Antonio Sobrevilla Cabezudo, elaboró el plan curricular de creación, firmado en octubre de 2025 [S01]. Durante su elaboración se reunió con representantes del Vicerrectorado Académico de Pregrado (5 de agosto de 2025) y con el presidente de la Asociación Peruana de Software (3 de octubre de 2025), que respaldó la creación de la carrera [S01].

La Asamblea Universitaria ratificó la creación de la Escuela, su plan de estudios y su plana docente, y la Universidad ofreció 61 vacantes en el proceso de admisión 2026-II [S49]. La Facultad anunció laboratorios especializados, aulas interactivas y un microcentro de datos para la Escuela [S49].

[Insumo por solicitar]: resoluciones de creación de la Escuela y de aprobación del plan de creación, y registro del programa ante la SUNEDU [S15].

4.2Infraestructura y recursos

4.3Perfil de la plana docente

4.4Indicadores de gestión académica

4.5Evaluación del plan curricular vigente

La evaluación del plan de creación se resume en la matriz de análisis de brechas del anexo A. Del documento [S01] se desprende lo siguiente:

• El plan tiene 210 créditos en diez ciclos y 55 asignaturas, con seis asignaturas en siete de los diez ciclos.
• Es anterior al núcleo común aprobado por la Facultad [S04]: sus estudios generales difieren de los de 2027 (Redacción I y II, sin Desarrollo Personal y Liderazgo ni Medio Ambiente y Desarrollo Sostenible).
• Incluye asignaturas sin base en los referentes de computación según la clasificación aprobada [S11]: Series y Ecuaciones Diferenciales, Electricidad y Magnetismo, Sistemas Digitales, Análisis Numérico, Investigación Operativa y Neurociencia y Liderazgo en TI.
• Varias asignaturas de los ciclos VIII a X tienen dos créditos: Agentes Inteligentes, Aplicaciones de IA, Ciberseguridad, Aspectos Legales, Éticos y Sociales de la IA, Proyecto Final de Carrera 2 y Neurociencia y Liderazgo en TI.
• Algunos prerrequisitos no guardan relación temática: Aprendizaje Automático y Redes Neuronales exigen Análisis Numérico; Procesamiento de Lenguaje Natural exige Lenguajes y Compiladores; Ciberseguridad y Práctica Preprofesional 1 exigen Internet de las Cosas.
• No hay asignaturas electivas. Las prácticas preprofesionales suman 24 créditos en dos asignaturas, y el proyecto final de carrera, 9 créditos en tres.
• Como fortaleza, el plan ordena la especialidad en seis dominios, inicia la inteligencia artificial en el ciclo V y declara como referentes a Carnegie Mellon, Tsinghua y Purdue.

Chapter 5Alineamiento con el Modelo Educativo

5.1Matriz de alineamiento institucional

5.2Matriz de alineamiento con los doce pilares del Modelo Educativo UNMSM 2024

5.3Matriz de alineamiento con los siete ejes transversales del Modelo Educativo

Chapter 6Objetivos educacionales

6.1Objetivos educacionales de la Escuela

Los objetivos educacionales describen lo que se espera que el egresado logre entre tres y cinco años después del egreso. Se redactan con la fórmula verbo de logro, campo profesional, condición y finalidad, y cada uno responde a una brecha del análisis y a un componente de la misión institucional.

La tabla siguiente muestra la relación entre cada objetivo educacional, el componente de la misión o de la visión al que responde y las competencias del perfil de egreso que lo hacen posible.

6.2Matriz de consistencia: misión institucional y objetivos educacionales

Chapter 7Perfiles

7.1Perfil de ingreso

7.2Perfil de egreso (declaración)

El egresado de la Escuela Profesional de Inteligencia Artificial de la UNMSM diseña, construye, despliega y evalúa sistemas de inteligencia artificial que perciben, razonan, aprenden y actúan, sobre una base sólida de matemáticas, computación y ciencia cognitiva. Investiga e innova para crear tecnología propia, trabaja en equipos multidisciplinarios, se comunica en español e inglés y gobierna los riesgos de la inteligencia artificial con ética y conforme a la normativa, contribuyendo al desarrollo sostenible del país [2] [33]

7.3Perfil de egreso por competencias

Las competencias del perfil de egreso se presentan con el formato del Anexo 2 de la Guía: la competencia, la evidencia observable, el contexto de aplicación y el nivel de logro esperado al egreso. El nivel se expresa con la escala de cuatro niveles de dominio que se describe a continuación.

7.4Articulación de competencias y asignaturas

Por cada competencia se indican las asignaturas que la desarrollan en cada nivel de dominio y, entre paréntesis, su ciclo. La progresión es ascendente: las asignaturas de los primeros ciclos aportan en el nivel «sabe» y las de los últimos, en el nivel «aplica». Las asignaturas electivas se señalan con asterisco.

7.5Perfil profesional

• Crea sistemas de inteligencia artificial que resuelven problemas reales de las personas, las organizaciones y el Estado.
• Integra conocimientos de matemáticas, computación y ciencia cognitiva para construir sistemas que aprenden, razonan y actúan.
• Se adapta con rapidez a los avances de la inteligencia artificial gracias a su formación basada en fundamentos e investigación.
• Lidera e integra equipos multidisciplinarios que aplican la inteligencia artificial en distintos sectores.
• Gobierna los riesgos de la inteligencia artificial con ética y conforme a la normativa.
• Crea empresas de base tecnológica y sigue estudios de posgrado con exigencia internacional.

7.6Perfil del docente

• Promueve la formación integral del estudiante mediante la enseñanza, la investigación y la extensión.
• Posee formación académica avanzada en el área y se mantiene actualizado.
• Publica en revistas indexadas y eventos internacionales.
• Aplica metodologías activas y evalúa por competencias.
• Usa de forma pedagógica y responsable las tecnologías digitales, incluida la inteligencia artificial.
• Establece redes de cooperación con instituciones nacionales e internacionales.

7.7Grado académico y título profesional

Grado académico: Bachiller en Inteligencia Artificial.

Título profesional: Licenciado en Inteligencia Artificial.

Ambas denominaciones son las del plan de creación [S01]. Para obtener el grado de bachiller se requiere aprobar los estudios de pregrado, un trabajo de investigación y el conocimiento de un idioma extranjero, de preferencia inglés, o de una lengua nativa (Ley 30220, art. 45). El informe final de Proyecto de Fin de Carrera II constituye el trabajo de investigación. Para el título profesional se requiere el grado de bachiller y la aprobación de una tesis o de un trabajo de suficiencia profesional; el proyecto de fin de carrera puede continuarse como tesis. [Por completar por la comisión curricular]: verificar la denominación del grado y del título con la resolución de creación [S15], pues la difusión institucional menciona también el perfil de «ingeniero en inteligencia artificial».

Chapter 8Estructura curricular

8.1Estructura curricular

El plan se organiza en diez ciclos semestrales de dieciséis semanas, con 209 créditos: 43 de Estudios Generales, 98 de Estudios Específicos y 68 de Estudios de Especialidad. Un crédito académico equivale a dieciséis horas lectivas de teoría o al doble de horas de práctica por semestre.

Los Estudios Generales y Específicos (141 créditos) constituyen el núcleo común aprobado por la Facultad para sus escuelas [S04] y se adoptan sin cambios de código, ciclo ni créditos. Incluyen Inteligencia Artificial (ciclo V), que introduce el área; las asignaturas de especialidad la profundizan. Desde el ciclo III, cada ciclo tiene como máximo cinco asignaturas de estudios específicos y de especialidad, de al menos cuatro horas semanales y cuatro créditos como norma. Inglés I y II y las Actividades Formativas Complementarias pertenecen a los Estudios Generales y no se cuentan en ese máximo.

La especialidad empieza en el ciclo III con Cálculo Multivariable y Optimización y sigue la secuencia del área de inteligencia artificial de CS2023: búsqueda, probabilidad y ciencia cognitiva (IV); representación del conocimiento (V); aprendizaje automático y cómputo acelerado (VI); aprendizaje profundo, aprendizaje por refuerzo y MLOps (VII); lenguaje, visión e IA generativa (VIII); agentes (IX); e IA responsable (X). El estudiante elige una asignatura electiva de cuatro créditos en los ciclos VI y IX (ocho créditos, 3,8 % del plan). Las Prácticas Preprofesionales en Empresa se realizan en el ciclo X y el Proyecto de Fin de Carrera, en los ciclos IX y X.

8.2Componentes innovadores del plan

8.3Actividades formativas complementarias

La asignatura Actividades Formativas Complementarias (4 créditos, ciclo IX) reconoce las actividades académicas, de innovación, de responsabilidad social, y de arte, cultura y deporte que el estudiante realiza desde el primer ciclo. Reglas propuestas:

• Equivalencia: 32 horas validadas equivalen a un crédito, que es la equivalencia legal del crédito de práctica; los cuatro créditos exigen 128 horas.
• Solo se reconocen las actividades del catálogo, con la evidencia que allí se indica. Una actividad no se reconoce si ya fue calificada dentro de una asignatura.
• Cada categoría tiene un tope de horas, para que el estudiante combine al menos dos categorías.
• El estudiante registra sus evidencias en un portafolio; la Dirección de la Escuela, con el Comité de Gestión Curricular, las valida y emite el acta de reconocimiento.
• La asignatura se califica con la escala vigesimal al completar las 128 horas y sustentar el portafolio.

Ni la Guía ni el Modelo Educativo establecen un mecanismo de créditos por reconocimiento; por eso las actividades se vinculan a una asignatura del plan, con sílabo y rúbrica. [Por completar por la comisión curricular]: aprobar el catálogo y su reglamento mediante resolución decanal [S21] y confirmar el mecanismo con el Vicerrectorado Académico de Pregrado.

8.4Catálogo de actividades formativas complementarias

8.5Modalidad de estudios

El programa se desarrolla en modalidad presencial. Hasta el veinte por ciento de los créditos puede impartirse mediante entornos virtuales de aprendizaje, conforme a la normativa vigente.

8.6Plan de estudios

T: horas semanales de teoría; P: horas semanales de práctica y laboratorio; Cr: créditos. Las asignaturas electivas se identifican con (E); en los ciclos con electivos, el estudiante elige el número de electivos que indica el plan.

8.7Compatibilidad con los estándares internacionales

Se compara la distribución del creditaje del plan entre los catorce ejes de las disciplinas de computación con los rangos de referencia de ACM/IEEE-CS Computing Curricula. Cuando una asignatura aborda más de un eje, su creditaje se reparte entre ellos. Perfil de referencia: Ciencia de la Computación (CS). Los ejes de Formación General, Humanidades y Ciencias Básicas reflejan además los Estudios Generales que exige la Ley Universitaria 30220, por lo que pueden superar el rango de referencia.

Chapter 9Curriculum map

La malla curricular presenta la secuencia de las asignaturas por ciclo. El color de cada recuadro indica su categoría: Estudios Generales, Estudios Específicos, Estudios de Especialidad, investigación formativa, asignaturas electivas e idiomas. Las líneas unen cada asignatura con sus prerrequisitos; las que parten de una misma asignatura tienen el mismo color. Cada recuadro enlaza con la sumilla de la asignatura, y los prerrequisitos se detallan en el plan de estudios

9.1Malla curricular integrada

Chapter 10Course summaries

Cada sumilla sigue la estructura del Anexo 4 de la Guía: área, naturaleza, propósito, aporte al perfil de egreso, contenidos, ejes transversales y metodologías activas. A continuación de la sumilla se indican las competencias que desarrolla con su nivel de dominio, las unidades de aprendizaje con sus capacidades, el eje transversal con su actividad, evidencia y criterio, y las referencias.

10.1EG101 Redacción y Técnicas de Comunicación

Ubicación: term I · Estudios Generales · obligatorio · teórico-práctica. Créditos: 2 (1 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Redacción y Técnicas de Comunicación es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para redactar textos académicos con corrección y coherencia, argumentar con fuentes citadas y exponer ideas ante una audiencia. Contribuye al perfil de egreso mediante las competencias CE4 (comunicación) y CG5 (manejo de TIC). Comprende: I) El texto académico y la norma; II) Lectura crítica y síntesis; III) La argumentación escrita; IV) La comunicación oral. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CE4 Comunicación (sabe); CG5 Manejo de TIC (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): El texto académico y la norma. Capacidad: Redacta párrafos coherentes y correctos según la norma vigente del español.
2. Unidad II (semanas 5–8): Lectura crítica y síntesis. Capacidad: Sintetiza textos académicos y cita sus fuentes con el estilo APA.
3. Unidad III (semanas 9–12): La argumentación escrita. Capacidad: Elabora un ensayo argumentativo sustentado en fuentes académicas.
4. Unidad IV (semanas 13–16): La comunicación oral. Capacidad: Expone y defiende oralmente sus ideas con apoyo visual pertinente.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Redacción y Técnicas de Comunicación. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [133] [34] [6]

10.2EG102 Métodos de Estudio Universitario

Ubicación: term I · Estudios Generales · obligatorio · teórico-práctica. Créditos: 2 (1 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Métodos de Estudio Universitario es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para organizar su estudio de manera autónoma, aplicar técnicas de aprendizaje efectivas y usar herramientas digitales con integridad académica. Contribuye al perfil de egreso mediante las competencias CE6 (aprendizaje a lo largo de la vida) y CG5 (manejo de TIC). Comprende: I) La vida universitaria y la autorregulación; II) Técnicas de aprendizaje efectivo; III) Gestión de la información; IV) Trabajo en equipo y evaluación. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CE6 Aprendizaje a lo largo de la vida (sabe); CG5 Manejo de TIC (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): La vida universitaria y la autorregulación. Capacidad: Planifica su estudio semanal con metas verificables.
2. Unidad II (semanas 5–8): Técnicas de aprendizaje efectivo. Capacidad: Aplica técnicas de estudio basadas en evidencia a sus asignaturas del ciclo.
3. Unidad III (semanas 9–12): Gestión de la información. Capacidad: Selecciona y registra fuentes académicas confiables con integridad.
4. Unidad IV (semanas 13–16): Trabajo en equipo y evaluación. Capacidad: Evalúa su propio proceso de aprendizaje mediante un portafolio.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Métodos de Estudio Universitario. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [32] [30] [113]

10.3EG103 Desarrollo Personal y Liderazgo

Ubicación: term I · Estudios Generales · obligatorio · teórico-práctica. Créditos: 2 (1 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Desarrollo Personal y Liderazgo es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para reconocer sus fortalezas y áreas de mejora, comunicarse con asertividad y asumir roles de liderazgo en equipos. Contribuye al perfil de egreso mediante las competencias CG2 (liderazgo) y CE3 (trabajo individual y en equipo). Comprende: I) Autoconocimiento; II) Comunicación y relaciones interpersonales; III) Liderazgo; IV) Trabajo en equipo. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CG2 Liderazgo (sabe); CE3 Trabajo individual y en equipo (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Autoconocimiento. Capacidad: Formula su proyecto de vida a partir del análisis de sus fortalezas y valores.
2. Unidad II (semanas 5–8): Comunicación y relaciones interpersonales. Capacidad: Se comunica con asertividad en situaciones de trabajo en grupo.
3. Unidad III (semanas 9–12): Liderazgo. Capacidad: Analiza estilos de liderazgo y su pertinencia en casos reales.
4. Unidad IV (semanas 13–16): Trabajo en equipo. Capacidad: Conduce o integra un equipo que cumple un proyecto breve con resultados verificables.

Eje transversal en la asignatura. Actividad: Trabajo en equipo con roles rotativos y coordinación de un entregable de Desarrollo Personal y Liderazgo. Evidencia: Plan de trabajo con resultados medibles y coevaluación del equipo. Criterio: Cumplimiento de compromisos, coordinación efectiva y valoración de los pares.

Referencias: [59] [46] [112]

10.4EG104 Cálculo I

Ubicación: term I · Estudios Generales · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Cálculo I es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para demostrar continuidad o discontinuidad de una función y aplicar el Teorema del Valor Intermedio, resolver problemas de optimización y trazar curvas usando el Teorema del Valor Medio y las pruebas de derivadas y evaluar límites usando leyes de límites, la regla de L’Hôpital y análisis asintótico. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA). Comprende: I) Límites y Continuidad; II) Límites y Continuidad: regla de L’Hôpital y formas indeterminadas; III) Cálculo Diferencial; IV) Cálculo Diferencial (aplicaciones). Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Límites y Continuidad. Capacidades: Evalúa límites usando leyes de límites, la regla de L’Hôpital y análisis asintótico. Enuncia la definición épsilon-delta de un límite y explica su significado geométrico.
2. Unidad II (semanas 5–8): Límites y Continuidad: regla de L’Hôpital y formas indeterminadas. Capacidad: Demuestra continuidad o discontinuidad de una función y aplica el Teorema del Valor Intermedio.
3. Unidad III (semanas 9–12): Cálculo Diferencial. Capacidades: Aplica las reglas de diferenciación y la diferenciación implícita para calcular derivadas de funciones compuestas e implícitas. Interpreta la derivada como tasa de cambio y como pendiente de la recta tangente.
4. Unidad IV (semanas 13–16): Cálculo Diferencial (aplicaciones). Capacidad: Resuelve problemas de optimización y traza curvas usando el Teorema del Valor Medio y las pruebas de derivadas.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Cálculo I. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [95] [165] [164] [177]

10.5EG105 Álgebra y Geometría Analítica

Ubicación: term I · Estudios Generales · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Álgebra y Geometría Analítica es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para resolver ecuaciones e inecuaciones, operar con vectores, matrices y números complejos y modelar lugares geométricos en el plano. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA). Comprende: I) Fundamentos de álgebra; II) Polinomios, matrices y sistemas; III) Vectores y rectas; IV) Cónicas. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos de álgebra. Capacidad: Resuelve ecuaciones e inecuaciones justificando cada paso con propiedades de los números reales.
2. Unidad II (semanas 5–8): Polinomios, matrices y sistemas. Capacidad: Resuelve sistemas de ecuaciones lineales mediante métodos matriciales.
3. Unidad III (semanas 9–12): Vectores y rectas. Capacidad: Modela rectas y planos con vectores para resolver problemas geométricos.
4. Unidad IV (semanas 13–16): Cónicas. Capacidad: Identifica y grafica cónicas a partir de su ecuación general.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Álgebra y Geometría Analítica. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [98] [171]

10.6EG106 Medio Ambiente y Desarrollo Sostenible

Ubicación: term I · Estudios Generales · obligatorio · teórica. Créditos: 3 (3 h de teoría, 0 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Sustentabilidad Ambiental.

Sumilla. Medio Ambiente y Desarrollo Sostenible es una asignatura del área de Estudios Generales, de naturaleza teórica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para explicar los problemas ambientales con evidencia científica, analizar riesgos de desastres en su entorno y proponer acciones alineadas con los Objetivos de Desarrollo Sostenible. Contribuye al perfil de egreso mediante las competencias CG4 (gestión del riesgo y cambio climático) y CE1 (el profesional y el mundo). Comprende: I) Ambiente y sociedad; II) Cambio climático; III) Gestión del riesgo de desastres; IV) Sostenibilidad y tecnología. Integra el eje transversal de sustentabilidad Ambiental mediante clase magistral activa, estudio de casos, aprendizaje basado en proyectos y debate.

Competencias que desarrolla: CG4 Gestión del riesgo y cambio climático (sabe cómo); CE1 El profesional y el mundo (sabe).

Metodología principal: Clase magistral; Estudio de casos; Aprendizaje basado en proyectos (ABPy); Debate.

1. Unidad I (semanas 1–4): Ambiente y sociedad. Capacidad: Explica los principales problemas ambientales del país con datos de fuentes oficiales.
2. Unidad II (semanas 5–8): Cambio climático. Capacidad: Analiza los impactos del cambio climático en un territorio a partir de datos abiertos.
3. Unidad III (semanas 9–12): Gestión del riesgo de desastres. Capacidad: Elabora un mapa de riesgos con medidas de prevención para un espacio concreto.
4. Unidad IV (semanas 13–16): Sostenibilidad y tecnología. Capacidad: Propone una acción sostenible viable vinculada a un Objetivo de Desarrollo Sostenible.

Eje transversal en la asignatura. Actividad: Análisis de un problema ambiental local con datos abiertos y elaboración del mapa de riesgos de un espacio de la universidad o de la comunidad. Evidencia: Mapa de riesgos con medidas de prevención. Criterio: Sustento en datos oficiales, identificación de peligros y viabilidad de las medidas.

Referencias: [75] [10] [38]

10.7EG107 Introducción a la Computación

Ubicación: term I · Estudios Generales · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Introducción a la Computación es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para diseñar funciones con alcance y documentación apropiados, evaluar si un enfoque voraz conduce a una solución óptima e implementar soluciones recursivas a problemas simples. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Introducción a la Programación y su Historia; Fundamentos de Sistemas de Tipos; Fundamentos de Programación Orientada a Objetos; II) Funciones y paso de parámetros; III) Estructuras de datos básicas; Fundamentos de Programación Orientada a Objetos: subclases, herencia; IV) Estrategias Algorítmicas; Métodos Modernos de Desarrollo y Uso de Herramientas. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe); CT5 Ingeniería y herramientas de sistemas de IA (sabe); CG5 Manejo de TIC (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Introducción a la Programación y su Historia; Fundamentos de Sistemas de Tipos; Fundamentos de Programación Orientada a Objetos. Capacidades: Compara la vida diaria antes y después de las computadoras personales e Internet. Implementa programas usando estructuras condicionales e iterativas.
2. Unidad II (semanas 5–8): Funciones y paso de parámetros. Capacidades: Diseña funciones con alcance y documentación apropiados. Implementa soluciones recursivas a problemas simples.
3. Unidad III (semanas 9–12): Estructuras de datos básicas; Fundamentos de Programación Orientada a Objetos: subclases, herencia. Capacidades: Construye una jerarquía de clases simple utilizando subclases que permita reutilizar código para subclases distintas. Implementa operaciones básicas de búsqueda y ordenamiento en listas.
4. Unidad IV (semanas 13–16): Estrategias Algorítmicas; Métodos Modernos de Desarrollo y Uso de Herramientas. Capacidades: Evalúa si un enfoque voraz conduce a una solución óptima. Aplica técnicas sistemáticas de depuración para localizar y corregir errores.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Introducción a la Computación. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [29] [43] [63] [71] [199]

10.8CS112 Programación I

Ubicación: term II · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: EG107 Introducción a la Computación. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Programación I es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para evaluar las compensaciones en el diseño de lenguajes para aplicaciones específicas, implementar RAII para la gestión de recursos y diseñar clases en C++ con encapsulamiento adecuado. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Pragmática del Lenguaje; Traducción y Ejecución de Lenguajes; Fundamentos de Sistemas de Tipos; II) Fundamentos de Programación Orientada a Objetos; III) Modelo de Ejecución y Memoria de Sistemas; Programación Funcional; IV) Programación Orientada a Objetos: Encapsulación, Subtipado y Reflexión; Construcciones de Programación Avanzadas; Scripting de Shell. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (sabe); CT5 Ingeniería y herramientas de sistemas de IA (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Pragmática del Lenguaje; Traducción y Ejecución de Lenguajes; Fundamentos de Sistemas de Tipos. Capacidades: Evalúa las compensaciones en el diseño de lenguajes para aplicaciones específicas. Explica múltiples beneficios y limitaciones del tipado estático al escribir, mantener y depurar software.
2. Unidad II (semanas 5–8): Fundamentos de Programación Orientada a Objetos. Capacidades: Construye una jerarquía de clases simple utilizando subclases que permita reutilizar código para subclases distintas. Implementa jerarquías de herencia para reutilización de código.
3. Unidad III (semanas 9–12): Modelo de Ejecución y Memoria de Sistemas; Programación Funcional. Capacidades: Interpreta correctamente las variables y el ámbito léxico en un programa que usa clausuras de funciones. Implementa funciones genéricas usando plantillas.
4. Unidad IV (semanas 13–16): Programación Orientada a Objetos: Encapsulación, Subtipado y Reflexión; Construcciones de Programación Avanzadas; Scripting de Shell. Capacidades: Implementa semántica de movimiento para optimización de rendimiento. Compara y contrasta los mecanismos para definir y proteger elementos de datos dentro de los enfoques procedural, funcional y orientado a objetos.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Programación I. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [82] [136] [167]

10.9CS1D1 Matemática Discreta

Ubicación: term II · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: EG105 Álgebra y Geometría Analítica. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Matemática Discreta es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar técnicas básicas de conteo y relaciones de recurrencia a problemas, analizar propiedades avanzadas de grafos y desarrollar funciones generadoras para problemas de conteo. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT2 (formulación de problemas de inteligencia artificial). Comprende: I) Lógica y Fundamentos; II) Técnicas de Demostración y Estructuras Avanzadas; III) Relaciones, Funciones y Grafos; IV) Conteo y Recurrencia. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe); CT2 Formulación de problemas de inteligencia artificial (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Lógica y Fundamentos. Capacidades: Construye demostraciones lógicas simples. Explica lógica proposicional y de predicados.
2. Unidad II (semanas 5–8): Técnicas de Demostración y Estructuras Avanzadas. Capacidades: Construye demostraciones lógicas simples. Aplica operaciones de clausura a relaciones.
3. Unidad III (semanas 9–12): Relaciones, Funciones y Grafos. Capacidades: Analiza propiedades avanzadas de grafos. Resuelve problemas básicos de grafos.
4. Unidad IV (semanas 13–16): Conteo y Recurrencia. Capacidades: Desarrolla funciones generadoras para problemas de conteo. Aplica técnicas de conteo para resolver problemas.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Matemática Discreta. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [62] [97] [137] [143] [189]

10.10EG201 Investigación Formativa

Ubicación: term II · Estudios Generales · obligatorio · teórica. Créditos: 3 (3 h de teoría, 0 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Investigación Formativa.

Sumilla. Investigación Formativa es una asignatura del área de Estudios Generales, de naturaleza teórica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para formular preguntas de investigación, buscar y analizar literatura científica y comunicar hallazgos en un informe y un póster. Contribuye al perfil de egreso mediante las competencias CG1 (investigación) y CE4 (comunicación). Comprende: I) Ciencia e investigación; II) El problema de investigación; III) Revisión de literatura; IV) Comunicación de resultados. Integra el eje transversal de investigación Formativa mediante clase magistral activa, estudio de casos, aprendizaje basado en proyectos y debate.

Competencias que desarrolla: CG1 Investigación (sabe); CE4 Comunicación (sabe).

Metodología principal: Clase magistral; Estudio de casos; Aprendizaje basado en proyectos (ABPy); Debate.

1. Unidad I (semanas 1–4): Ciencia e investigación. Capacidad: Distingue los enfoques de investigación y sus exigencias éticas.
2. Unidad II (semanas 5–8): El problema de investigación. Capacidad: Formula un problema de investigación delimitado y justificado.
3. Unidad III (semanas 9–12): Revisión de literatura. Capacidad: Elabora una revisión breve de literatura con fuentes indexadas.
4. Unidad IV (semanas 13–16): Comunicación de resultados. Capacidad: Comunica los resultados de una indagación mediante un póster científico.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Investigación Formativa. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [68] [25]

10.11EG202 Realidad Nacional y Mundial

Ubicación: term II · Estudios Generales · obligatorio · teórica. Créditos: 3 (3 h de teoría, 0 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Responsabilidad Social.

Sumilla. Realidad Nacional y Mundial es una asignatura del área de Estudios Generales, de naturaleza teórica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para analizar los procesos sociales, económicos y políticos del Perú, relacionarlos con las tendencias mundiales y argumentar una posición informada sobre un problema nacional. Contribuye al perfil de egreso mediante las competencias CG3 (responsabilidad social) y CE1 (el profesional y el mundo). Comprende: I) El Perú: territorio y sociedad; II) Estado y economía; III) El mundo contemporáneo; IV) Problemas nacionales. Integra el eje transversal de responsabilidad Social mediante clase magistral activa, estudio de casos, aprendizaje basado en proyectos y debate.

Competencias que desarrolla: CG3 Responsabilidad social (sabe); CE1 El profesional y el mundo (sabe).

Metodología principal: Clase magistral; Estudio de casos; Aprendizaje basado en proyectos (ABPy); Debate.

1. Unidad I (semanas 1–4): El Perú: territorio y sociedad. Capacidad: Describe las brechas sociales y territoriales del país con indicadores oficiales.
2. Unidad II (semanas 5–8): Estado y economía. Capacidad: Analiza la relación entre la estructura productiva y el desarrollo tecnológico del país.
3. Unidad III (semanas 9–12): El mundo contemporáneo. Capacidad: Relaciona las tendencias mundiales con sus efectos en el Perú.
4. Unidad IV (semanas 13–16): Problemas nacionales. Capacidad: Argumenta una posición sustentada sobre un problema nacional.

Eje transversal en la asignatura. Actividad: Caso o proyecto de Realidad Nacional y Mundial sobre un problema social real de una comunidad u organización. Evidencia: Informe de diagnóstico o de intervención validado por el beneficiario. Criterio: Pertinencia del problema, coherencia de la solución e impacto social esperado.

Referencias: [45] [102] [35]

10.12EG203 Cálculo II

Ubicación: term II · Estudios Generales · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Cálculo II es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar diversas técnicas de integración para resolver problemas y utilizar el cálculo integral para modelar y resolver problemas en contextos científicos y de ingeniería. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA). Comprende: I) Cálculo Integral y Series; II) Cálculo Integral y Series: integrales impropias; III) Cálculo Integral y Series: sucesiones y series; IV) Cálculo Integral y Series: sucesiones y series (aplicaciones). Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Cálculo Integral y Series. Capacidad: Enuncia el Teorema Fundamental del Cálculo y explica la relación entre la diferenciación y la integración.
2. Unidad II (semanas 5–8): Cálculo Integral y Series: integrales impropias. Capacidad: Calcula integrales definidas e indefinidas usando técnicas estándar, incluyendo sustitución e integración por partes.
3. Unidad III (semanas 9–12): Cálculo Integral y Series: sucesiones y series. Capacidad: Determina la convergencia de integrales impropias y series de potencias, y construye series de Taylor para funciones estándar.
4. Unidad IV (semanas 13–16): Cálculo Integral y Series: sucesiones y series (aplicaciones). Capacidad: Determina la convergencia de integrales impropias y series de potencias, y construye series de Taylor para funciones estándar.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Cálculo II. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [95] [165]

10.13EG204 Física

Ubicación: term II · Estudios Generales · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Formación Integral.

Sumilla. Física es una asignatura del área de Estudios Generales, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para analizar el movimiento rotacional y la dinámica del momento angular en sistemas de partículas y cuerpos extendidos, aplicar los módulos elásticos y la ley de Hooke para relacionar el esfuerzo y la deformación en sólidos y aplicar las leyes de Fourier y Fick para describir procesos básicos de conducción de calor y difusión de masa. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT4 (experimentación e indagación en IA). Comprende: I) Cinemática y Dinámica de Partículas; II) Trabajo, Energía y Leyes de Conservación; Sistemas de Partículas y Momento Lineal; III) Movimiento Rotacional y Momento Angular; Elasticidad; Fluidos: Hidrostática, Hidrodinámica y Viscosidad; IV) Vibraciones y Ondas; Fenómeno de Transporte. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe); CT4 Experimentación e indagación en IA (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Cinemática y Dinámica de Partículas. Capacidades: Construye e interpreta diagramas del espacio de fases para caracterizar la estabilidad y periodicidad de un sistema mecánico simulado. Implementa un algoritmo de integración numérica como el método de Runge-Kutta para calcular la trayectoria de una partícula bajo fuerzas variables.
2. Unidad II (semanas 5–8): Trabajo, Energía y Leyes de Conservación; Sistemas de Partículas y Momento Lineal. Capacidades: Analiza cómo las fuerzas internas afectan a las partículas individuales pero no al momento total de un sistema. Resuelve la ecuación del cohete para determinar la velocidad en función de la masa expulsada.
3. Unidad III (semanas 9–12): Movimiento Rotacional y Momento Angular; Elasticidad; Fluidos: Hidrostática, Hidrodinámica y Viscosidad. Capacidades: Analiza el movimiento de objetos que ruedan sin deslizar por un plano inclinado. Aplica la conservación del momento angular para analizar cambios en la velocidad de rotación cuando cambia el momento de inercia.
4. Unidad IV (semanas 13–16): Vibraciones y Ondas; Fenómeno de Transporte. Capacidades: Analiza la respuesta en amplitud de un oscilador forzado cerca de la frecuencia de resonancia. Aplica la ley de Fourier para calcular el flujo de calor a través de una pared plana o compuesta.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Física. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [90] [146] [179] [198]

10.14CS113 Programación II

Ubicación: term III · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS112 Programación I. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Programación II es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para evaluar compensaciones arquitectónicas en sistemas C++, analizar la seguridad en hilos de algoritmos concurrentes e implementar CRTP para polimorfismo estático. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Programación Orientada a Objetos: Encapsulación, Subtipado y Reflexión; Sistemas de Tipos: Polimorfismo y Tipado Complementario; II) Gestión de Memoria; Computación Paralela y Distribuida; III) Construcciones de Programación Avanzadas; Modelo de Ejecución y Memoria de Sistemas; IV) Construcciones de Programación Avanzadas: abstracciones orientadas a objetos; Construcciones de Programación Avanzadas: abstracciones de control; Control de Versiones y CI/CD. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CT5 Ingeniería y herramientas de sistemas de IA (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Programación Orientada a Objetos: Encapsulación, Subtipado y Reflexión; Sistemas de Tipos: Polimorfismo y Tipado Complementario. Capacidades: Implementa reenvío perfecto para paso eficiente de argumentos. Distingue cuándo usar Concepts, if constexpr o SFINAE heredado al mantener código C++ existente.
2. Unidad II (semanas 5–8): Gestión de Memoria; Computación Paralela y Distribuida. Capacidades: Analiza la seguridad en hilos de algoritmos concurrentes. Usa un modelo de paso de mensajes para analizar un protocolo de comunicación.
3. Unidad III (semanas 9–12): Construcciones de Programación Avanzadas; Modelo de Ejecución y Memoria de Sistemas. Capacidades: Diseña interfaces de biblioteca extensibles usando diseño basado en políticas. Implementa CRTP para polimorfismo estático.
4. Unidad IV (semanas 13–16): Construcciones de Programación Avanzadas: abstracciones orientadas a objetos; Construcciones de Programación Avanzadas: abstracciones de control; Control de Versiones y CI/CD. Capacidades: Evalúa compensaciones arquitectónicas en sistemas C++. Compara CMake con al menos una alternativa moderna (xmake, Meson o Bazel) en velocidad de compilación y reproducibilidad.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Programación II. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [57] [82] [104] [167] [168] [187] [194]

10.15CS221 Arquitectura de Computadores

Ubicación: term III · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS1D1 Matemática Discreta. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Arquitectura de Computadores es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para analizar la jerarquía de memoria, incluyendo memoria caché y memoria virtual y evaluar mejoras de rendimiento mediante segmentación y paralelismo. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Organización de Máquina a Nivel de Ensamblador; II) Jerarquía de Memoria; III) Interconexión y Comunicación; Organización Funcional; IV) Arquitecturas Heterogéneas; Arquitecturas de Procesador Seguras. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT5 Ingeniería y herramientas de sistemas de IA (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Organización de Máquina a Nivel de Ensamblador. Capacidades: Analiza un diagrama de subrutina para comentar cómo se manejan las llamadas de subrutina a nivel de ensamblador. Evalúa un diagrama de ejemplo con paralelismo a nivel de instrucción y riesgos para describir cómo se manejan en las canalizaciones de procesadores típicos.
2. Unidad II (semanas 5–8): Jerarquía de Memoria. Capacidades: Mide el efecto de la latencia de memoria en el tiempo de ejecución. Calcula el tiempo promedio de acceso a memoria bajo varias configuraciones de caché y memoria y mezclas de referencias de instrucciones y datos.
3. Unidad III (semanas 9–12): Interconexión y Comunicación; Organización Funcional. Capacidades: Diseña un procesador completo, incluyendo ruta de datos y control. Analiza un diagrama de control de interrupciones para comentar cómo se usan las interrupciones para implementar control de E/S y transferencias de datos.
4. Unidad IV (semanas 13–16): Arquitecturas Heterogéneas; Arquitecturas de Procesador Seguras. Capacidades: Analiza un diagrama de sistema con arquitecturas paralelas alternativas, por ejemplo, SIMD y MIMD, e identifica las diferencias clave. Discute cómo determinarías cuándo usar un acelerador específico de dominio en lugar de una CPU de propósito general.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Arquitectura de Computadores. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [8] [65] [118] [159] [173]

10.16IA301 Cálculo Multivariable y Optimización

Ubicación: term III · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: EG203 Cálculo II; EG105 Álgebra y Geometría Analítica. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Cálculo Multivariable y Optimización es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para calcular derivadas parciales, gradientes y jacobianos de funciones de varias variables, formular problemas de optimización con y sin restricciones, y aplicar métodos de descenso de gradiente al ajuste de modelos de aprendizaje automático. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT2 (formulación de problemas de inteligencia artificial). Comprende: I) Funciones de varias variables y derivadas parciales; II) Cálculo matricial para el aprendizaje automático; III) Optimización sin restricciones; IV) Optimización con restricciones e integración múltiple. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT2 Formulación de problemas de inteligencia artificial (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Funciones de varias variables y derivadas parciales. Capacidades: Calcula derivadas parciales, direccionales y gradientes de funciones de varias variables. Interpreta el gradiente como la dirección de máximo crecimiento de una función.
2. Unidad II (semanas 5–8): Cálculo matricial para el aprendizaje automático. Capacidades: Deriva el gradiente de funciones de pérdida vectoriales con reglas de cálculo matricial. Implementa la diferenciación automática en modo inverso sobre un grafo computacional sencillo.
3. Unidad III (semanas 9–12): Optimización sin restricciones. Capacidades: Clasifica puntos críticos con el hessiano y verifica la convexidad de una función. Implementa variantes del descenso de gradiente y compara su convergencia.
4. Unidad IV (semanas 13–16): Optimización con restricciones e integración múltiple. Capacidades: Resuelve problemas de optimización con restricciones mediante multiplicadores de Lagrange y condiciones KKT. Calcula integrales múltiples aplicadas a densidades de probabilidad conjuntas.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Cálculo Multivariable y Optimización. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [49] [163] [27]

10.17ID101 Inglés I

Ubicación: term III · Estudios Generales · obligatorio · práctica. Créditos: 2 (0 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: none. Eje integrador: Internacionalización.

Sumilla. Inglés I es una asignatura del área de Estudios Generales, de naturaleza práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para adquirir estructuras gramaticales básicas del inglés aplicadas a contextos de computación e ingeniería e identificar y utilizar vocabulario técnico relacionado con hardware, software y conceptos científicos. Contribuye al perfil de egreso mediante las competencias CE4 (comunicación). Comprende: I) Bienvenido a la Computación; Partes y Sistemas; II) Cómo Funciona; Lo que Hacen los Ingenieros; III) Dentro de una Computadora; ¿Pueden Pensar las Computadoras?; IV) Historia de la Computación; Mis Metas Profesionales en Computación. Integra el eje transversal de internacionalización mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CE4 Comunicación (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Bienvenido a la Computación; Partes y Sistemas. Capacidad: Se presenta y describe los componentes de un sistema de cómputo en inglés con estructuras básicas.
2. Unidad II (semanas 5–8): Cómo Funciona; Lo que Hacen los Ingenieros. Capacidad: Describe procesos y rutinas profesionales en presente simple, de forma oral y escrita.
3. Unidad III (semanas 9–12): Dentro de una Computadora; ¿Pueden Pensar las Computadoras?. Capacidad: Describe la arquitectura de un computador y sus capacidades con vocabulario técnico.
4. Unidad IV (semanas 13–16): Historia de la Computación; Mis Metas Profesionales en Computación. Capacidad: Narra hitos de la historia de la computación y expone sus metas profesionales en inglés.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Inglés I. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [157]

10.18MA101 Álgebra Lineal

Ubicación: term III · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: EG105 Álgebra y Geometría Analítica. Eje integrador: Formación Integral.

Sumilla. Álgebra Lineal es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar transformaciones lineales para modelar y resolver problemas de cambio de base y composición de aplicaciones, resolver sistemas de ecuaciones lineales mediante eliminación gaussiana o Gauss-Jordan, determinando el rango y la consistencia del sistema y determinar el núcleo, la imagen y la representación matricial de una aplicación lineal, verificando el teorema de rango-nulidad. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA). Comprende: I) Matrices y Sistemas de Ecuaciones Lineales; II) Matrices y Sistemas de Ecuaciones Lineales: determinantes; III) Espacios Vectoriales y Transformaciones Lineales; IV) Valores Propios, Producto Interno y Formas Cuadráticas. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Matrices y Sistemas de Ecuaciones Lineales. Capacidades: Resuelve sistemas de ecuaciones lineales mediante eliminación gaussiana o Gauss-Jordan, determinando el rango y la consistencia del sistema. Identifica tipos de matrices y realiza operaciones básicas de álgebra matricial, incluyendo el cálculo de la inversa de una matriz.
2. Unidad II (semanas 5–8): Matrices y Sistemas de Ecuaciones Lineales: determinantes. Capacidad: Aplica la regla de Cramer y las descomposiciones LU, QR y SVD para resolver sistemas lineales y factorizar matrices.
3. Unidad III (semanas 9–12): Espacios Vectoriales y Transformaciones Lineales. Capacidades: Aplica transformaciones lineales para modelar y resolver problemas de cambio de base y composición de aplicaciones. Determina el núcleo, la imagen y la representación matricial de una aplicación lineal, verificando el teorema de rango-nulidad.
4. Unidad IV (semanas 13–16): Valores Propios, Producto Interno y Formas Cuadráticas. Capacidades: Aplica los métodos de mínimos cuadrados y la clasificación de formas cuadráticas mediante valores propios para resolver problemas de aproximación y optimización. Calcula la diagonalización de matrices mediante el teorema espectral y aplica el proceso de Gram-Schmidt para obtener bases ortogonales.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Álgebra Lineal. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [96] [166]

10.19MA102 Estadística y Probabilidades

Ubicación: term III · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: EG104 Cálculo I. Eje integrador: Formación Integral.

Sumilla. Estadística y Probabilidades es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar distribuciones de probabilidad y métodos de inferencia estadística para analizar datos y cuantificar la incertidumbre, evaluar la eficiencia de un estimador usando la cota inferior de Cramér-Rao y construir sigma-álgebras apropiadas para espacios medibles que surgen en problemas estadísticos. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT4 (experimentación e indagación en IA). Comprende: I) Resúmenes Numéricos: Posición, Dispersión y Forma; Espacios Muestrales y Eventos; Axiomas y Propiedades de la Probabilidad; II) Probabilidad Condicional e Independencia; Variables Aleatorias Discretas y Distribuciones; Variables Aleatorias Continuas y Distribuciones; III) Distribuciones Conjuntas, Marginales y Condicionales; Teoremas Límite: LGN y TCL; Estimación Puntual y otros temas; IV) Fundamentos de las Pruebas de Hipótesis; Inferencia Bayesiana; Regresión Lineal Simple. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT4 Experimentación e indagación en IA (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Resúmenes Numéricos: Posición, Dispersión y Forma; Espacios Muestrales y Eventos; Axiomas y Propiedades de la Probabilidad. Capacidades: Construye sigma-álgebras apropiadas para espacios medibles que surgen en problemas estadísticos. Compara estadísticas de resumen clásicas y robustas y justifica la elección para un conjunto de datos dado.
2. Unidad II (semanas 5–8): Probabilidad Condicional e Independencia; Variables Aleatorias Discretas y Distribuciones; Variables Aleatorias Continuas y Distribuciones. Capacidades: Analiza si los eventos son independientes o condicionalmente independientes en un modelo de probabilidad dado. Selecciona una distribución discreta apropiada para modelar un fenómeno aleatorio dado y justificar la elección.
3. Unidad III (semanas 9–12): Distribuciones Conjuntas, Marginales y Condicionales; Teoremas Límite: LGN y TCL; Estimación Puntual y otros temas. Capacidades: Evalúa la eficiencia de un estimador usando la cota inferior de Cramér-Rao. Aplica el método delta para derivar distribuciones asintóticas de estimadores no lineales.
4. Unidad IV (semanas 13–16): Fundamentos de las Pruebas de Hipótesis; Inferencia Bayesiana; Regresión Lineal Simple. Capacidades: Aplica factores de Bayes para comparar modelos estadísticos e interpretar la evidencia. Deriva la prueba más poderosa para una hipótesis simple usando el lema de Neyman-Pearson.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Estadística y Probabilidades. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [50] [138]

10.20CS210 Algoritmos y Estructuras de Datos

Ubicación: term IV · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 5 (3 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS113 Programación II. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Algoritmos y Estructuras de Datos es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para implementar estructuras de datos genéricas usando plantillas y rasgos, aplicar plantillas variádicas para operaciones genéricas en contenedores y analizar la complejidad algorítmica de todas las estructuras implementadas. Contribuye al perfil de egreso mediante las competencias CT2 (formulación de problemas de inteligencia artificial) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) Fundamentos avanzados para estructuras de datos; Estructuras de Datos Fundamentales; II) Estructuras de Datos Fundamentales: árboles; Árboles balanceados y multicamino; III) Estructuras de Datos Fundamentales: árboles; Estructuras de Datos Fundamentales: tablas/mapas hash; IV) Estructuras de datos concurrentes; Estructuras especializadas y aplicaciones. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT2 Formulación de problemas de inteligencia artificial (sabe cómo); CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos avanzados para estructuras de datos; Estructuras de Datos Fundamentales. Capacidades: Aplica diseño basado en políticas para crear estructuras de datos configurables. Diseña rasgos de tipos para personalizar el comportamiento de estructuras de datos.
2. Unidad II (semanas 5–8): Estructuras de Datos Fundamentales: árboles; Árboles balanceados y multicamino. Capacidades: Evalúa compensaciones entre diferentes estructuras de árbol balanceado. Analiza complejidades de operaciones de árbol para diferentes estrategias de balanceo.
3. Unidad III (semanas 9–12): Estructuras de Datos Fundamentales: árboles; Estructuras de Datos Fundamentales: tablas/mapas hash. Capacidades: Evalúa rendimiento de diferentes esquemas de hashing. Analiza complejidad de operaciones de montículo para diferentes tipos de montículo.
4. Unidad IV (semanas 13–16): Estructuras de datos concurrentes; Estructuras especializadas y aplicaciones. Capacidades: Evalúa compensaciones espacio-tiempo en estructuras de datos probabilísticas. Aplica estructuras especializadas para resolver problemas específicos de dominio.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Algoritmos y Estructuras de Datos. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [43] [67] [91] [115] [145] [167] [187] [194]

10.21CS271 Bases de Datos I

Ubicación: term IV · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS112 Programación I; CS1D1 Matemática Discreta. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Bases de Datos I es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para diseñar e implementar bases de datos relacionales normalizadas, formular consultas complejas usando SQL para recuperación y manipulación de datos y aplicar técnicas de modelado de datos usando diagramas entidad-relación. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Conceptos Fundamentales de Sistemas de Bases de Datos; Modelado de Datos; II) Bases de Datos Relacionales; Construcción de Consultas; III) Construcción de Consultas: consultas SQL complejas; Bases de Datos Relacionales: introducción a la teoría de dependencias funcionales; IV) Internos de DBMS; Seguridad y Privacidad de Datos. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CT5 Ingeniería y herramientas de sistemas de IA (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Conceptos Fundamentales de Sistemas de Bases de Datos; Modelado de Datos. Capacidades: Aplica características E-R extendidas para modelado complejo. Diseña diagramas E-R para escenarios del mundo real.
2. Unidad II (semanas 5–8): Bases de Datos Relacionales; Construcción de Consultas. Capacidades: Diseña y crea índices apropiados para rendimiento. Implementa restricciones de integridad a nivel de esquema.
3. Unidad III (semanas 9–12): Construcción de Consultas: consultas SQL complejas; Bases de Datos Relacionales: introducción a la teoría de dependencias funcionales. Capacidades: Evalúa descomposiciones para sin pérdida de join y preservación de dependencias. Implementa operaciones de modificación de datos con control de transacciones.
4. Unidad IV (semanas 13–16): Internos de DBMS; Seguridad y Privacidad de Datos. Capacidades: Analiza programaciones de transacciones para serializabilidad. Implementa medidas básicas de seguridad de bases de datos.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Bases de Datos I. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [15] [17] [54] [131] [152]

10.22IA401 Probabilidad y Procesos Estocásticos para IA

Ubicación: term IV · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: MA102 Estadística y Probabilidades; EG203 Cálculo II. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Probabilidad y Procesos Estocásticos para IA es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para modelar la incertidumbre con variables aleatorias multivariadas, estimar parámetros por máxima verosimilitud y por métodos bayesianos, y simular procesos estocásticos aplicados a sistemas inteligentes. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT4 (experimentación e indagación en IA). Comprende: I) Variables aleatorias y distribuciones multivariadas; II) Teoremas límite y teoría de la información; III) Estimación de parámetros; IV) Procesos estocásticos y simulación. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT4 Experimentación e indagación en IA (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Variables aleatorias y distribuciones multivariadas. Capacidades: Calcula probabilidades condicionales y aplica el teorema de Bayes a problemas de diagnóstico. Opera con distribuciones conjuntas y con la distribución normal multivariada.
2. Unidad II (semanas 5–8): Teoremas límite y teoría de la información. Capacidades: Aplica los teoremas límite para justificar estimaciones por muestreo. Calcula entropía, entropía cruzada y divergencia entre distribuciones.
3. Unidad III (semanas 9–12): Estimación de parámetros. Capacidades: Deriva estimadores de máxima verosimilitud y máxima a posteriori para modelos comunes. Evalúa estimadores según su sesgo y su varianza.
4. Unidad IV (semanas 13–16): Procesos estocásticos y simulación. Capacidades: Modela un sistema como cadena de Markov y calcula su distribución estacionaria. Simula procesos estocásticos y estima cantidades mediante Monte Carlo.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Probabilidad y Procesos Estocásticos para IA. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [19] [22] [139]

10.23IA402 Búsqueda, Planificación y Resolución de Problemas

Ubicación: term IV · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS113 Programación II; CS1D1 Matemática Discreta. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Búsqueda, Planificación y Resolución de Problemas es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para formular problemas como búsqueda en espacios de estados, implementar algoritmos de búsqueda informada, local, adversaria y con restricciones, y construir planificadores automáticos. Contribuye al perfil de egreso mediante las competencias CT2 (formulación de problemas de inteligencia artificial) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) Formulación de problemas y búsqueda no informada; II) Búsqueda informada y local; III) Búsqueda adversaria y satisfacción de restricciones; IV) Planificación automática. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT2 Formulación de problemas de inteligencia artificial (sabe cómo); CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Formulación de problemas y búsqueda no informada. Capacidades: Formula problemas reales como búsqueda en espacios de estados. Implementa y compara algoritmos de búsqueda no informada.
2. Unidad II (semanas 5–8): Búsqueda informada y local. Capacidades: Diseña heurísticas admisibles y justifica la optimalidad de A*. Aplica búsqueda local y metaheurísticas a problemas de optimización combinatoria.
3. Unidad III (semanas 9–12): Búsqueda adversaria y satisfacción de restricciones. Capacidades: Implementa agentes de juego con minimax, poda alfa-beta y búsqueda de árbol Monte Carlo. Resuelve problemas de satisfacción de restricciones con propagación y retroceso.
4. Unidad IV (semanas 13–16): Planificación automática. Capacidades: Modela dominios de planificación en PDDL y los resuelve con un planificador. Evalúa la calidad y el costo de los planes obtenidos con distintos enfoques.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Búsqueda, Planificación y Resolución de Problemas. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [141] [58] [51]

10.24IA403 Ciencia Cognitiva y Neurociencia Computacional

Ubicación: term IV · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: CS112 Programación I. Eje integrador: Formación Integral.

Sumilla. Ciencia Cognitiva y Neurociencia Computacional es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para explicar los procesos humanos de percepción, memoria, lenguaje y decisión, construir modelos computacionales de la cognición y de las neuronas, y contrastar la inteligencia humana con la de los sistemas artificiales. Contribuye al perfil de egreso mediante las competencias CT4 (experimentación e indagación en IA) y CT1 (fundamentos matemáticos y computacionales de la IA). Comprende: I) La mente como sistema de procesamiento de información; II) Percepción, atención y memoria; III) Lenguaje, razonamiento y decisión; IV) Neurociencia computacional. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe); CT4 Experimentación e indagación en IA (sabe cómo); CE6 Aprendizaje a lo largo de la vida (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): La mente como sistema de procesamiento de información. Capacidades: Explica los niveles de análisis y los métodos de la ciencia cognitiva. Compara arquitecturas cognitivas y sus supuestos.
2. Unidad II (semanas 5–8): Percepción, atención y memoria. Capacidades: Describe los mecanismos de percepción, atención y memoria con evidencia experimental. Replica un experimento cognitivo clásico y analiza sus datos.
3. Unidad III (semanas 9–12): Lenguaje, razonamiento y decisión. Capacidades: Analiza sesgos cognitivos y modelos bayesianos de la decisión. Contrasta el procesamiento humano del lenguaje con el de los modelos de lenguaje.
4. Unidad IV (semanas 13–16): Neurociencia computacional. Capacidades: Simula modelos de neuronas y de plasticidad sináptica. Relaciona principios de la neurociencia con arquitecturas de redes neuronales artificiales.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Ciencia Cognitiva y Neurociencia Computacional. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [16] [48] [99]

10.25ID102 Inglés II

Ubicación: term IV · Estudios Generales · obligatorio · práctica. Créditos: 2 (0 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: ID101 Inglés I. Eje integrador: Internacionalización.

Sumilla. Inglés II es una asignatura del área de Estudios Generales, de naturaleza práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para desarrollar fluidez en inglés aplicado a la comunicación técnica y científica. Contribuye al perfil de egreso mediante las competencias CE4 (comunicación). Comprende: I) Avances y Descubrimientos; Datos y Variables; II) El Futuro de la Tecnología; Comparando Tecnologías; III) Procesos en Ejecución; Hitos del Software; IV) Desafíos Técnicos; Inglés para Tecnología II. Integra el eje transversal de internacionalización mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CE4 Comunicación (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Avances y Descubrimientos; Datos y Variables. Capacidad: Narra avances científicos y explica relaciones entre datos y variables con conectores.
2. Unidad II (semanas 5–8): El Futuro de la Tecnología; Comparando Tecnologías. Capacidad: Compara tecnologías y formula predicciones sobre su evolución, de forma oral y escrita.
3. Unidad III (semanas 9–12): Procesos en Ejecución; Hitos del Software. Capacidad: Redacta informes breves de avance de un proyecto técnico en inglés.
4. Unidad IV (semanas 13–16): Desafíos Técnicos; Inglés para Tecnología II. Capacidad: Plantea por escrito un problema técnico, sus requisitos y restricciones en inglés.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de Inglés II. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [156]

10.26CS212 Análisis y Diseño de Algoritmos

Ubicación: term V · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 5 (3 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS210 Algoritmos y Estructuras de Datos; CS1D1 Matemática Discreta. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Análisis y Diseño de Algoritmos es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar estructuras de datos fundamentales para resolver problemas computacionales, usar estrategias algorítmicas como Voraz, Divide y Vencerás y Programación Dinámica y analizar la complejidad de algoritmos en el mejor, promedio y peor de los casos. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT2 (formulación de problemas de inteligencia artificial). Comprende: I) Estructuras de Datos Fundamentales; Algoritmos Fundamentales; Algoritmos Avanzados; II) Estrategias Algorítmicas; III) Marco de Análisis de Complejidad; Notación Asintótica y Clases de Complejidad; IV) Análisis de Complejidad: Recursión, Amortización y Cotas Ajustadas; Teoría de la Complejidad Computacional. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT2 Formulación de problemas de inteligencia artificial (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Estructuras de Datos Fundamentales; Algoritmos Fundamentales; Algoritmos Avanzados. Capacidad: Explica cómo se maneja la evitación de colisiones y la resolución de colisiones en tablas hash.
2. Unidad II (semanas 5–8): Estrategias Algorítmicas. Capacidades: Evalúa si un enfoque voraz conduce a una solución óptima. Explica varios enfoques para abordar problemas computacionales cuyas soluciones algorítmicas son exponenciales.
3. Unidad III (semanas 9–12): Marco de Análisis de Complejidad; Notación Asintótica y Clases de Complejidad. Capacidades: Aplica la notación Big-O para dar cotas superiores en la complejidad tiempo/espacio de algoritmos. Explica cómo el balance del árbol afecta la eficiencia de las operaciones de árbol de búsqueda binaria.
4. Unidad IV (semanas 13–16): Análisis de Complejidad: Recursión, Amortización y Cotas Ajustadas; Teoría de la Complejidad Computacional. Capacidades: Aplica relaciones de recurrencia elementales usando una forma del Teorema Maestro. Usa relaciones de recurrencia para evaluar la complejidad de tiempo de algoritmos definidos recursivamente.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Análisis y Diseño de Algoritmos. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [44] [47] [88] [154]

10.27CS261 Inteligencia Artificial

Ubicación: term V · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: MA102 Estadística y Probabilidades. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Inteligencia Artificial es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para implementar y evaluar algoritmos de búsqueda para la resolución de problemas, aplicar razonamiento probabilístico para manejar la incertidumbre en sistemas inteligentes y analizar los desafíos éticos y el impacto social de la IA. Contribuye al perfil de egreso mediante las competencias CT2 (formulación de problemas de inteligencia artificial) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) Introducción a la IA: Conceptos y Comportamiento Inteligente; Características del Problema y Naturaleza de los Agentes; Estado y Búsqueda No Informada y otros temas; II) Búsqueda Adversarial y Optimización Estocástica; Fundamentos de Aprendizaje Automático; Aprendizaje Automático: Datos, Representaciones y Evaluación; III) Redes Neuronales y Ética; Formulación del Aprendizaje Automático y Evaluación; Aprendizaje Profundo, RL y Ética y otros temas; IV) Independencia, Modelos de Markov y Toma de Decisiones; Aplicaciones e Impacto Social de la IA; Aplicaciones Adicionales e Impacto Social de la IA. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT2 Formulación de problemas de inteligencia artificial (sabe cómo); CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CT6 Inteligencia artificial responsable (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Introducción a la IA: Conceptos y Comportamiento Inteligente; Características del Problema y Naturaleza de los Agentes; Estado y Búsqueda No Informada y otros temas. Capacidades: Evalúa si una heurística para un problema dado es admisible/puede garantizar una solución óptima. Compara y contrasta varias búsquedas heurísticas con respecto a la aplicabilidad a un problema dado.
2. Unidad II (semanas 5–8): Búsqueda Adversarial y Optimización Estocástica; Fundamentos de Aprendizaje Automático; Aprendizaje Automático: Datos, Representaciones y Evaluación. Capacidades: Diseña e implementa un programa de recocido simulado para evitar mínimos locales en un problema. Implementa un algoritmo de aprendizaje estadístico y el proceso de optimización correspondiente para entrenar el clasificador y obtener una predicción en nuevos datos.
3. Unidad III (semanas 9–12): Redes Neuronales y Ética; Formulación del Aprendizaje Automático y Evaluación; Aprendizaje Profundo, RL y Ética y otros temas. Capacidades: Evalúa el rendimiento de un sistema de aprendizaje simple en un conjunto de datos del mundo real. Aplica la regla de Bayes para determinar la probabilidad de una hipótesis dada la evidencia.
4. Unidad IV (semanas 13–16): Independencia, Modelos de Markov y Toma de Decisiones; Aplicaciones e Impacto Social de la IA; Aplicaciones Adicionales e Impacto Social de la IA. Capacidades: Analiza el impacto social de una o más aplicaciones específicas de IA del mundo real, identificando problemas respecto a ética, equidad, sesgo, confianza y explicabilidad. Describe algunos de los modos de falla de los modelos generativos profundos actuales para lenguaje o imágenes, y cómo esto podría afectar su uso en una aplicación.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Inteligencia Artificial. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [5] [60] [100] [140]

10.28CS291 Ingeniería de Software I

Ubicación: term V · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS113 Programación II; CS271 Bases de Datos I. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Ingeniería de Software I es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para diseñar interfaces de usuario intuitivas basadas en principios de evaluación y diseño de HCI e implementar estrategias sistemáticas de prueba y comprender la calidad del software. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CE5 (gestión de proyectos). Comprende: I) Control de Versiones y CI/CD; Ingeniería de Requisitos; II) Colaboración y Dinámica de Equipo; III) Principios y Arquitectura de Software; Conceptos de verificación y validación; IV) Herramientas y Análisis de Pruebas; Pruebas de Rendimiento y Evaluación Comparativa. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CE5 Gestión de proyectos (sabe cómo); CE3 Trabajo individual y en equipo (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Control de Versiones y CI/CD; Ingeniería de Requisitos. Capacidades: Identifica los requisitos funcionales y no funcionales en un conjunto de requisitos. Recopila un conjunto de requisitos para un sistema de software simple.
2. Unidad II (semanas 5–8): Colaboración y Dinámica de Equipo. Capacidades: Propone y delega los roles y responsabilidades necesarios en un equipo de desarrollo de software. Facilita una estrategia de resolución de conflictos y resolución de problemas en un entorno de equipo.
3. Unidad III (semanas 9–12): Principios y Arquitectura de Software; Conceptos de verificación y validación. Capacidades: Selecciona y usa un paradigma de diseño apropiado para diseñar un sistema de software simple y explicar cómo se han aplicado los principios de diseño de sistemas en este diseño. Identifica las dependencias entre un conjunto de componentes de software en un diseño arquitectónico.
4. Unidad IV (semanas 13–16): Herramientas y Análisis de Pruebas; Pruebas de Rendimiento y Evaluación Comparativa. Capacidades: Analiza el puntaje de mutación de una suite de pruebas y refactoriza las pruebas para eliminar los mutantes sobrevivientes. Crea un plan de pruebas para un segmento de código de tamaño mediano que contenga código asíncrono, concurrente y/o paralelo, incluyendo una matriz de pruebas y generación de datos y entradas de prueba.

Eje transversal en la asignatura. Actividad: Trabajo en equipo con roles rotativos y coordinación de un entregable de Ingeniería de Software I. Evidencia: Plan de trabajo con resultados medibles y coevaluación del equipo. Criterio: Cumplimiento de compromisos, coordinación efectiva y valoración de los pares.

Referencias: [24] [57] [61] [79] [126] [158] [192] [193]

10.29CS2S1 Sistemas Operativos

Ubicación: term V · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS221 Arquitectura de Computadores. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Sistemas Operativos es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para analizar la gestión de memoria, incluyendo la virtualización de memoria física y virtual y evaluar sistemas de almacenamiento y técnicas de gestión de archivos. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Rol y Propósito de los Sistemas Operativos; Scripting de Shell; II) Planificación; III) Gestión de Memoria; API de Sistemas de Archivos e Implementación; IV) Protección y Seguridad. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CT5 Ingeniería y herramientas de sistemas de IA (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Rol y Propósito de los Sistemas Operativos; Scripting de Shell. Capacidades: Evalúa los problemas de diseño en diferentes escenarios de uso (por ejemplo, sistema operativo en tiempo real, móvil, servidor). Crea y ejecuta scripts automatizados para gestionar varias tareas del sistema.
2. Unidad II (semanas 5–8): Planificación. Capacidades: Evalúa un problema o solución para determinar la idoneidad para multiprocesamiento asimétrico y/o simétrico. Compara y contrasta los algoritmos comunes utilizados para planificación con y sin expropiación de tareas en sistemas operativos, como prioridad, comparación de rendimiento y esquemas de participación justa.
3. Unidad III (semanas 9–12): Gestión de Memoria; API de Sistemas de Archivos e Implementación. Capacidades: Evalúa diferentes enfoques para organización de archivos, reconociendo las fortalezas y debilidades de cada uno. Aplica constructores de software apropiadamente dado el conocimiento de la implementación del sistema de archivos.
4. Unidad IV (semanas 13–16): Protección y Seguridad. Capacidades: Resume las características y limitaciones de un sistema operativo que impactan la protección y seguridad. Lista y describe los vectores de ataque que aprovechan vulnerabilidades del SO.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Sistemas Operativos. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [9] [136] [151] [160] [174]

10.30IA501 Representación del Conocimiento y Razonamiento

Ubicación: term V · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA402 Búsqueda, Planificación y Resolución de Problemas; IA401 Probabilidad y Procesos Estocásticos para IA. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Representación del Conocimiento y Razonamiento es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para representar conocimiento en lógica, ontologías y redes bayesianas, aplicar mecanismos de inferencia lógica y probabilística, y construir sistemas basados en conocimiento que expliquen sus conclusiones. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT2 (formulación de problemas de inteligencia artificial). Comprende: I) Lógica proposicional y de primer orden; II) Ontologías y razonamiento no monótono; III) Razonamiento probabilístico; IV) Razonamiento temporal y sistemas basados en conocimiento. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT2 Formulación de problemas de inteligencia artificial (sabe cómo); CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Lógica proposicional y de primer orden. Capacidades: Representa conocimiento en lógica proposicional y de primer orden. Aplica resolución y encadenamiento para derivar conclusiones.
2. Unidad II (semanas 5–8): Ontologías y razonamiento no monótono. Capacidades: Construye una ontología y la consulta con un razonador. Modela conocimiento incompleto con razonamiento no monótono.
3. Unidad III (semanas 9–12): Razonamiento probabilístico. Capacidades: Diseña redes bayesianas y calcula probabilidades a posteriori. Aplica inferencia aproximada a redes de tamaño realista.
4. Unidad IV (semanas 13–16): Razonamiento temporal y sistemas basados en conocimiento. Capacidades: Implementa filtrado y predicción en modelos temporales. Desarrolla un sistema basado en conocimiento que justifica sus respuestas.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Representación del Conocimiento y Razonamiento. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [28] [92] [141]

10.31CS231 Redes y Comunicación

Ubicación: term VI · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS2S1 Sistemas Operativos. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Redes y Comunicación es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para analizar paradigmas de enrutamiento, mecanismos de reenvío y escalabilidad de IP en redes locales y de área extensa, diseñar e implementar un protocolo fiable simple e implementar una aplicación simple cliente-servidor basada en sockets. Contribuye al perfil de egreso mediante las competencias CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Fundamentos de Redes y Comunicaciones; Comunicación de un solo salto; II) Aplicaciones en Red; Soporte de Fiabilidad; III) Enrutamiento y Reenvío; Seguridad de Red; IV) Soporte de Movilidad; Temas Emergentes. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT5 Ingeniería y herramientas de sistemas de IA (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos de Redes y Comunicaciones; Comunicación de un solo salto. Capacidades: Demuestra comprensión de las compensaciones (trade-offs) de soluciones de codificación y entramado. Identifica los diferentes tipos de complejidad en una red (bordes, núcleo, etc.).
2. Unidad II (semanas 5–8): Aplicaciones en Red; Soporte de Fiabilidad. Capacidades: Diseña e implementa un protocolo fiable simple. Analiza las necesidades de demandas específicas de aplicaciones en red.
3. Unidad III (semanas 9–12): Enrutamiento y Reenvío; Seguridad de Red. Capacidades: Analiza varios aspectos de seguridad de red a partir de un estudio de caso. Describe algunos de los modelos de amenaza de seguridad de red.
4. Unidad IV (semanas 13–16): Soporte de Movilidad; Temas Emergentes. Capacidad: Describe usos prácticos de comunicación dispositivo a dispositivo, así como multiescalón.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Redes y Comunicación. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [94] [119] [161] [175]

10.32IA601 Aprendizaje Automático

Ubicación: term VI · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS261 Inteligencia Artificial; IA301 Cálculo Multivariable y Optimización; IA401 Probabilidad y Procesos Estocásticos para IA. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Aprendizaje Automático es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para formular problemas de aprendizaje supervisado y no supervisado, entrenar y regularizar modelos lineales, probabilísticos, de núcleos y de conjuntos, y evaluar su desempeño y su equidad con protocolos experimentales rigurosos. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) Fundamentos del aprendizaje; II) Modelos supervisados; III) Aprendizaje no supervisado; IV) Evaluación y práctica responsable. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CT4 Experimentación e indagación en IA (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos del aprendizaje. Capacidades: Formula problemas de regresión y clasificación como minimización del riesgo empírico. Controla el sobreajuste mediante regularización.
2. Unidad II (semanas 5–8): Modelos supervisados. Capacidades: Entrena y compara modelos supervisados sobre datos reales. Selecciona el modelo adecuado según los datos y las restricciones del problema.
3. Unidad III (semanas 9–12): Aprendizaje no supervisado. Capacidades: Aplica técnicas de agrupamiento y reducción de dimensionalidad. Interpreta la estructura descubierta en datos no etiquetados.
4. Unidad IV (semanas 13–16): Evaluación y práctica responsable. Capacidades: Diseña protocolos de evaluación que evitan la fuga de datos. Evalúa la equidad y la explicabilidad de un modelo entrenado.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Aprendizaje Automático. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [20] [107] [78]

10.33IA602 Sistemas de Cómputo Acelerado para IA

Ubicación: term VI · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS2S1 Sistemas Operativos; CS210 Algoritmos y Estructuras de Datos. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Sistemas de Cómputo Acelerado para IA es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para programar arquitecturas paralelas y aceleradores, medir y optimizar el rendimiento de cargas de trabajo de inteligencia artificial, y ejecutar entrenamiento distribuido en clústeres y en la nube. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Arquitecturas paralelas y modelo de rendimiento; II) Programación de GPU; III) Bibliotecas de aprendizaje profundo por dentro; IV) Entrenamiento distribuido y nube. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CT5 Ingeniería y herramientas de sistemas de IA (sabe cómo); CG4 Gestión del riesgo y cambio climático (sabe).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Arquitecturas paralelas y modelo de rendimiento. Capacidades: Estima el rendimiento esperado de una carga de trabajo con el modelo roofline. Perfila un programa e identifica sus cuellos de botella.
2. Unidad II (semanas 5–8): Programación de GPU. Capacidades: Programa kernels para GPU que aprovechan la jerarquía de memoria. Optimiza una operación tensorial y mide su aceleración.
3. Unidad III (semanas 9–12): Bibliotecas de aprendizaje profundo por dentro. Capacidades: Implementa una biblioteca mínima de tensores con diferenciación automática. Explica cómo las bibliotecas de aprendizaje profundo ejecutan un grafo en el acelerador.
4. Unidad IV (semanas 13–16): Entrenamiento distribuido y nube. Capacidades: Ejecuta el entrenamiento distribuido de un modelo en varios aceleradores. Estima el costo y la huella energética de un entrenamiento.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Sistemas de Cómputo Acelerado para IA. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [87] [117]

10.34IA6E1 Optimización Convexa y Métodos Numéricos para IA

Ubicación: term VI · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: IA301 Cálculo Multivariable y Optimización; MA101 Álgebra Lineal. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Optimización Convexa y Métodos Numéricos para IA es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para reconocer y formular problemas de optimización convexa, resolverlos con algoritmos de primer y segundo orden, y analizar la estabilidad numérica de los cálculos que sustentan el aprendizaje automático. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT2 (formulación de problemas de inteligencia artificial). Comprende: I) Conjuntos y funciones convexas; II) Problemas convexos y dualidad; III) Algoritmos de optimización; IV) Métodos numéricos para el aprendizaje. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT2 Formulación de problemas de inteligencia artificial (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Conjuntos y funciones convexas. Capacidades: Demuestra la convexidad de conjuntos y funciones. Calcula subgradientes de funciones no diferenciables.
2. Unidad II (semanas 5–8): Problemas convexos y dualidad. Capacidades: Formula problemas de aprendizaje como programas convexos. Interpreta el problema dual de un problema de optimización.
3. Unidad III (semanas 9–12): Algoritmos de optimización. Capacidades: Implementa algoritmos de optimización de primer y segundo orden. Compara la convergencia de algoritmos en problemas reales.
4. Unidad IV (semanas 13–16): Métodos numéricos para el aprendizaje. Capacidades: Analiza la estabilidad numérica de un algoritmo. Aplica factorizaciones matriciales a problemas de aprendizaje.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Optimización Convexa y Métodos Numéricos para IA. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [27] [110]

10.35IA6E2 Teoría de Control para Sistemas Autónomos

Ubicación: term VI · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: IA301 Cálculo Multivariable y Optimización; MA101 Álgebra Lineal. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Teoría de Control para Sistemas Autónomos es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para modelar sistemas dinámicos, analizar su estabilidad y diseñar controladores clásicos, óptimos y basados en datos para robots, vehículos y otros sistemas autónomos. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) Modelado de sistemas dinámicos; II) Análisis de sistemas; III) Diseño de controladores; IV) Control óptimo y basado en datos. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Modelado de sistemas dinámicos. Capacidades: Modela sistemas físicos en el espacio de estados. Simula la respuesta de un sistema dinámico.
2. Unidad II (semanas 5–8): Análisis de sistemas. Capacidades: Analiza la estabilidad de un sistema lineal y no lineal. Determina la controlabilidad y la observabilidad de un sistema.
3. Unidad III (semanas 9–12): Diseño de controladores. Capacidades: Diseña controladores PID y por realimentación de estados. Estima estados no medidos con observadores.
4. Unidad IV (semanas 13–16): Control óptimo y basado en datos. Capacidades: Implementa control predictivo para un sistema autónomo. Compara control basado en modelos con políticas aprendidas.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Teoría de Control para Sistemas Autónomos. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [12] [114]

10.36IA6E3 Ingeniería de Datos para IA

Ubicación: term VI · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS271 Bases de Datos I. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Ingeniería de Datos para IA es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para construir flujos de datos confiables y escalables para el entrenamiento de modelos, almacenar datos estructurados, no estructurados y vectoriales, y gobernar los datos con criterios de calidad y privacidad. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Datos para la inteligencia artificial; II) Modelado y almacenamiento; III) Procesamiento a gran escala; IV) Gobierno de datos. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (sabe cómo); CT5 Ingeniería y herramientas de sistemas de IA (sabe cómo); CE2 Ética (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Datos para la inteligencia artificial. Capacidades: Evalúa la calidad de un conjunto de datos para entrenar un modelo. Diseña la adquisición de datos para un problema real.
2. Unidad II (semanas 5–8): Modelado y almacenamiento. Capacidades: Selecciona el almacenamiento adecuado según el tipo de dato. Implementa búsqueda por similitud sobre representaciones vectoriales.
3. Unidad III (semanas 9–12): Procesamiento a gran escala. Capacidades: Implementa flujos de datos distribuidos. Orquesta y prueba un flujo de datos de extremo a extremo.
4. Unidad IV (semanas 13–16): Gobierno de datos. Capacidades: Documenta un conjunto de datos con su linaje y sus restricciones de uso. Aplica técnicas de anonimización conforme a la normativa.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Ingeniería de Datos para IA. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [134] [89]

10.37IA6E4 Teoría de la Computación

Ubicación: term VI · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: CS212 Análisis y Diseño de Algoritmos. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Teoría de la Computación es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para caracterizar lenguajes formales con autómatas y gramáticas, demostrar los límites de lo computable y clasificar problemas según su complejidad computacional. Contribuye al perfil de egreso mediante las competencias CT1 (fundamentos matemáticos y computacionales de la IA) y CT2 (formulación de problemas de inteligencia artificial). Comprende: I) Autómatas finitos y lenguajes regulares; II) Gramáticas libres de contexto; III) Computabilidad; IV) Complejidad computacional. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT1 Fundamentos matemáticos y computacionales de la IA (sabe cómo); CT2 Formulación de problemas de inteligencia artificial (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Autómatas finitos y lenguajes regulares. Capacidades: Diseña autómatas finitos para lenguajes regulares. Demuestra que un lenguaje no es regular.
2. Unidad II (semanas 5–8): Gramáticas libres de contexto. Capacidades: Construye gramáticas y autómatas de pila equivalentes. Aplica el análisis sintáctico a lenguajes sencillos.
3. Unidad III (semanas 9–12): Computabilidad. Capacidades: Diseña máquinas de Turing para problemas sencillos. Demuestra la indecidibilidad mediante reducciones.
4. Unidad IV (semanas 13–16): Complejidad computacional. Capacidades: Demuestra la NP-completitud de un problema. Relaciona la complejidad con las estrategias de búsqueda de la IA.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Teoría de la Computación. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [153] [70]

10.38CS2E1 Ética Profesional

Ubicación: term VII · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: 100 créditos aprobados. Eje integrador: Responsabilidad Social.

Sumilla. Ética Profesional es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar marcos de análisis ético a dilemas profesionales de la computación, evaluar sesgos, riesgos de privacidad y responsabilidades en sistemas inteligentes y sustentar decisiones con los códigos de ética de la profesión. Contribuye al perfil de egreso mediante las competencias CE2 (ética) y CE1 (el profesional y el mundo). Comprende: I) Fundamentos y Marcos del Análisis Ético; Valores, Naturaleza y Actualización Profesional; Fundamentos Éticos en IA y otros temas; II) Sesgos y Equidad; III) Responsabilidad en Sistemas Autónomos; IV) Fundamentos de la Propiedad Intelectual; Derechos de PI Digital y Derechos de Autor. Integra el eje transversal de responsabilidad Social mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CE2 Ética (demuestra); CE1 El profesional y el mundo (sabe cómo); CT6 Inteligencia artificial responsable (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos y Marcos del Análisis Ético; Valores, Naturaleza y Actualización Profesional; Fundamentos Éticos en IA y otros temas. Capacidades: Evalúa cómo y por qué la ética es tan importante en la informática y cómo se relaciona con las normas culturales, valores y leyes. Analiza dilemas éticos relacionados con la creación y uso de tecnología desde múltiples perspectivas utilizando marcos éticos.
2. Unidad II (semanas 5–8): Sesgos y Equidad. Capacidades: Propone estrategias de mitigación. Mide sesgos en modelos con Python.
3. Unidad III (semanas 9–12): Responsabilidad en Sistemas Autónomos. Capacidades: Redacta cláusulas de responsabilidad. Analiza conflictos legales.
4. Unidad IV (semanas 13–16): Fundamentos de la Propiedad Intelectual; Derechos de PI Digital y Derechos de Autor. Capacidades: Analiza el uso de obras con derechos de autor bajo los conceptos de uso justo (fair use) y la doctrina de la primera venta (first sale doctrine). Identifica ejemplos contemporáneos de propiedad intelectual digital intangible.

Eje transversal en la asignatura. Actividad: Análisis de dilemas profesionales reales de la computación (privacidad, sesgo algorítmico, propiedad intelectual) con un código de ética. Evidencia: Análisis de caso con decisión sustentada. Criterio: Identificación de los afectados, uso del código de ética y solidez del argumento.

Referencias: [13] [130] [176] [11] [26] [74] [103] [106] [190]

10.39CS2H1 Experiencia de Usuario (UX)

Ubicación: term VII · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS291 Ingeniería de Software I. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Experiencia de Usuario (UX) es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar principios de responsabilidad ética y diseño centrado en valores, incluyendo equidad algorítmica y sesgo, aplicar estándares de accesibilidad y diseño inclusivo para poblaciones y capacidades diversas y ejecutar métodos de evaluación de usabilidad para iterar y mejorar interfaces de usuario. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT6 (inteligencia artificial responsable). Comprende: I) Comprender al Usuario: Objetivos individuales e interacciones con otros; Responsabilidad y Rendición de Cuentas en el Diseño; II) Accesibilidad y Diseño Inclusivo; Evaluación del Diseño; III) Diseño de Sistemas; Sociedad, ética y Profesión; IV) Interacción Humano-IA y Evaluación de la Experiencia. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (demuestra); CT6 Inteligencia artificial responsable (sabe cómo); CG3 Responsabilidad social (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Comprender al Usuario: Objetivos individuales e interacciones con otros; Responsabilidad y Rendición de Cuentas en el Diseño. Capacidades: Analiza cómo las características del usuario influyen en la interacción con sistemas informáticos. Realiza investigación de usuarios usando métodos apropiados como entrevistas u observaciones.
2. Unidad II (semanas 5–8): Accesibilidad y Diseño Inclusivo; Evaluación del Diseño. Capacidades: Diseña y conduce experimentos controlados para investigación en HCI. Crea diseños que acomoden diversas capacidades y contextos de uso.
3. Unidad III (semanas 9–12): Diseño de Sistemas; Sociedad, ética y Profesión. Capacidades: Diseña sistemas que tomen en cuenta diferencias y contextos culturales. Analiza el impacto social de las tecnologías interactivas en individuos y sociedad.
4. Unidad IV (semanas 13–16): Interacción Humano-IA y Evaluación de la Experiencia. Capacidades: Diseña la interacción de un sistema con componentes de IA aplicando principios de transparencia y control del usuario. Evalúa la experiencia de usuario de un prototipo con métodos empíricos y propone mejoras sustentadas.

Eje transversal en la asignatura. Actividad: Evaluación de la accesibilidad e inclusión de un producto digital de uso público y rediseño centrado en sus usuarios. Evidencia: Informe de evaluación con usuarios y prototipo rediseñado. Criterio: Aplicación de pautas de accesibilidad, participación de usuarios reales y mejora demostrada.

Referencias: [80] [83] [111] [142] [147]

10.40IA701 Aprendizaje Profundo

Ubicación: term VII · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA601 Aprendizaje Automático; IA602 Sistemas de Cómputo Acelerado para IA. Eje integrador: Innovación y Emprendimiento.

Sumilla. Aprendizaje Profundo es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para diseñar, entrenar y depurar redes neuronales profundas convolucionales, recurrentes y basadas en atención, y evaluar su robustez e interpretabilidad en problemas reales. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT4 (experimentación e indagación en IA). Comprende: I) Redes neuronales y su entrenamiento; II) Regularización y redes convolucionales; III) Modelos secuenciales y atención; IV) Arquitecturas avanzadas y práctica experimental. Integra el eje transversal de innovación y Emprendimiento mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (demuestra); CT4 Experimentación e indagación en IA (demuestra); CT5 Ingeniería y herramientas de sistemas de IA (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Redes neuronales y su entrenamiento. Capacidades: Entrena redes multicapa y diagnostica problemas de convergencia. Selecciona optimizadores e hiperparámetros con evidencia experimental.
2. Unidad II (semanas 5–8): Regularización y redes convolucionales. Capacidades: Diseña redes convolucionales para tareas de clasificación. Aplica transferencia de aprendizaje con datos limitados.
3. Unidad III (semanas 9–12): Modelos secuenciales y atención. Capacidades: Implementa un Transformer a partir de sus componentes. Compara modelos recurrentes y basados en atención en tareas secuenciales.
4. Unidad IV (semanas 13–16): Arquitecturas avanzadas y práctica experimental. Capacidades: Evalúa la robustez de un modelo frente a perturbaciones adversarias. Documenta experimentos reproducibles con control de versiones y semillas.

Eje transversal en la asignatura. Actividad: Reto de innovación: diseño y prototipado de una solución original con lo aprendido en Aprendizaje Profundo. Evidencia: Prototipo funcional con informe de validación. Criterio: Originalidad, factibilidad técnica y validación con usuarios o datos.

Referencias: [60] [128] [200]

10.41IA702 Aprendizaje por Refuerzo

Ubicación: term VII · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA601 Aprendizaje Automático; IA402 Búsqueda, Planificación y Resolución de Problemas. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Aprendizaje por Refuerzo es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para modelar problemas de decisión secuencial como procesos de decisión de Markov, implementar métodos tabulares y profundos de aprendizaje por refuerzo, y evaluar políticas con atención a la seguridad de la recompensa. Contribuye al perfil de egreso mediante las competencias CT2 (formulación de problemas de inteligencia artificial) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) Procesos de decisión de Markov; II) Métodos tabulares; III) Aprendizaje por refuerzo profundo; IV) Temas avanzados. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT2 Formulación de problemas de inteligencia artificial (demuestra); CT3 Diseño y desarrollo de sistemas inteligentes (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Procesos de decisión de Markov. Capacidades: Modela un problema de decisión secuencial como proceso de decisión de Markov. Resuelve procesos de decisión pequeños con programación dinámica.
2. Unidad II (semanas 5–8): Métodos tabulares. Capacidades: Implementa SARSA y Q-learning y compara su convergencia. Analiza el equilibrio entre exploración y explotación.
3. Unidad III (semanas 9–12): Aprendizaje por refuerzo profundo. Capacidades: Entrena agentes con métodos de valor y de gradiente de política. Evalúa políticas con varias semillas y métricas adecuadas.
4. Unidad IV (semanas 13–16): Temas avanzados. Capacidades: Aplica aprendizaje por imitación o por refuerzo con retroalimentación humana a un problema acotado. Identifica casos de recompensa mal especificada y propone mitigaciones.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Aprendizaje por Refuerzo. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [170] [18]

10.42IA703 MLOps e Ingeniería de Sistemas de IA

Ubicación: term VII · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA601 Aprendizaje Automático; CS291 Ingeniería de Software I. Eje integrador: Tecnología para la Innovación Social.

Sumilla. MLOps e Ingeniería de Sistemas de IA es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para llevar modelos de aprendizaje automático a producción con prácticas de ingeniería de software, versionar datos y modelos, desplegarlos de forma reproducible y monitorear su desempeño y sus riesgos en operación. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Del modelo al producto; II) Datos y experimentos; III) Despliegue; IV) Operación y monitoreo. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (demuestra); CT5 Ingeniería y herramientas de sistemas de IA (demuestra); CE3 Trabajo individual y en equipo (demuestra); CE5 Gestión de proyectos (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Del modelo al producto. Capacidades: Especifica requisitos y métricas de un sistema con componentes de aprendizaje. Diseña la arquitectura de un sistema de IA y analiza su deuda técnica.
2. Unidad II (semanas 5–8): Datos y experimentos. Capacidades: Versiona datos, código y modelos en un flujo reproducible. Automatiza la validación de datos de entrada.
3. Unidad III (semanas 9–12): Despliegue. Capacidades: Despliega un modelo como servicio con integración y entrega continuas. Diseña pruebas para un sistema que incorpora un modelo.
4. Unidad IV (semanas 13–16): Operación y monitoreo. Capacidades: Monitorea la deriva de un modelo en operación y define reglas de reentrenamiento. Evalúa el costo y los riesgos de operación de un sistema de IA.

Eje transversal en la asignatura. Actividad: Revisión de un proceso o producto de MLOps e Ingeniería de Sistemas de IA con criterios de calidad y propuesta de mejora. Evidencia: Informe de evaluación con plan de mejora. Criterio: Uso de criterios de calidad explícitos y viabilidad de la mejora.

Referencias: [72] [86] [31]

10.43CS3I1 Seguridad en Computación

Ubicación: term VIII · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS231 Redes y Comunicación. Eje integrador: Tecnología para la Innovación Social.

Sumilla. Seguridad en Computación es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para aplicar técnicas de codificación segura y métodos criptográficos al software, analizar vulnerabilidades del sistema y realizar investigaciones forenses y evaluar la gobernanza de seguridad y la ética profesional en ciberseguridad. Contribuye al perfil de egreso mediante las competencias CT5 (ingeniería y herramientas de sistemas de IA) y CT6 (inteligencia artificial responsable). Comprende: I) Principios y Mentalidad de Seguridad; Fundamentos de Criptografía; II) Inyección y Validación de Entrada; Análisis de Malware y Seguridad Avanzada; III) Análisis de Amenazas e Ingeniería de Seguridad; Técnicas de Informática Forense; IV) Gobierno, Gestión y Política de Seguridad; Ética, Ley y Sociedad en Seguridad. Integra el eje transversal de tecnología para la Innovación Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT5 Ingeniería y herramientas de sistemas de IA (demuestra); CT6 Inteligencia artificial responsable (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Principios y Mentalidad de Seguridad; Fundamentos de Criptografía. Capacidades: Diseña y desarrolla enfoques para proteger un sistema de un conjunto de amenazas identificadas. Evalúa un sistema para posibles ataques que pueda lanzar un adversario.
2. Unidad II (semanas 5–8): Inyección y Validación de Entrada; Análisis de Malware y Seguridad Avanzada. Capacidades: Evalúa y previene ataques de inyección SQL en una aplicación de base de datos. Construye un programa que pruebe todos los errores de manejo de entrada.
3. Unidad III (semanas 9–12): Análisis de Amenazas e Ingeniería de Seguridad; Técnicas de Informática Forense. Capacidades: Diseña e implementa software para apoyar la informática forense. Desarrolla enfoques para abordar los desafíos asociados con la informática forense de dispositivos móviles.
4. Unidad IV (semanas 13–16): Gobierno, Gestión y Política de Seguridad; Ética, Ley y Sociedad en Seguridad. Capacidades: Evalúa las ramificaciones legales de un sistema que no se ajusta a las leyes y regulaciones aplicables. Construye un sistema que se ajuste a las leyes de seguridad.

Eje transversal en la asignatura. Actividad: Uso de herramientas y plataformas digitales actuales para analizar, construir o comunicar una solución en Seguridad en Computación. Evidencia: Producto digital o análisis de datos publicado en un repositorio. Criterio: Uso pertinente y responsable de la tecnología; reproducibilidad del resultado.

Referencias: [8] [52] [81] [120] [150] [162]

10.44CS401 Metodología de la Investigación en Computación

Ubicación: term VIII · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: EG201 Investigación Formativa; 120 créditos aprobados. Eje integrador: Investigación Formativa.

Sumilla. Metodología de la Investigación en Computación es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para analizar críticamente propuestas existentes sobre un tópico y relacionarlas en una revisión bibliográfica, redactar documentos técnicos en computación usando LaTeX con plantillas de conferencias IEEE y ACM y construir un artículo de tipo survey con taxonomía, síntesis y comparación de enfoques existentes. Contribuye al perfil de egreso mediante las competencias CT4 (experimentación e indagación en IA) y CE4 (comunicación). Comprende: I) Fundamentos de Investigación Científica en Computación; Lectura Crítica y Análisis de Literatura Científica; II) Ética en Investigación e Integridad Académica; III) Redacción Técnica y Herramientas de Escritura Científica; IV) Revisión Sistemática de Literatura y Artículos de Survey; Presentación y Difusión de Resultados de Investigación. Integra el eje transversal de investigación Formativa mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CT4 Experimentación e indagación en IA (demuestra); CG1 Investigación (sabe cómo); CE4 Comunicación (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos de Investigación Científica en Computación; Lectura Crítica y Análisis de Literatura Científica. Capacidades: Diseña una taxonomía preliminar de enfoques para un área de investigación asignada. Construye una matriz de lectura organizada que sintetice múltiples trabajos sobre un tópico dado.
2. Unidad II (semanas 5–8): Ética en Investigación e Integridad Académica. Capacidades: Analiza dilemas éticos en investigación computacional aplicando principios de integridad. Distingue las formas de mala conducta académica y aplica prácticas de citación correctas.
3. Unidad III (semanas 9–12): Redacción Técnica y Herramientas de Escritura Científica. Capacidades: Evalúa la calidad de redacción de un artículo propio o ajeno según criterios de claridad y estructura. Aplica las convenciones de escritura académica propias de la comunidad de computación.
4. Unidad IV (semanas 13–16): Revisión Sistemática de Literatura y Artículos de Survey; Presentación y Difusión de Resultados de Investigación. Capacidades: Redacta un artículo de tipo survey con taxonomía, síntesis crítica y comparación de enfoques. Diseña y ejecuta un protocolo de revisión sistemática de literatura para un tópico de computación.

Eje transversal en la asignatura. Actividad: Revisión de un proceso o producto de Metodología de la Investigación en Computación con criterios de calidad y propuesta de mejora. Evidencia: Informe de evaluación con plan de mejora. Criterio: Uso de criterios de calidad explícitos y viabilidad de la mejora.

Referencias: [25] [201] [68]

10.45IA801 Procesamiento de Lenguaje Natural

Ubicación: term VIII · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA701 Aprendizaje Profundo. Eje integrador: Responsabilidad Social.

Sumilla. Procesamiento de Lenguaje Natural es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para representar y procesar texto con modelos estadísticos y neuronales, adaptar modelos de lenguaje preentrenados a tareas concretas y evaluar sistemas de lenguaje, incluidos los que atienden a lenguas del Perú. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT4 (experimentación e indagación en IA). Comprende: I) Fundamentos del lenguaje y representaciones; II) Modelos neuronales de secuencias; III) Modelos de lenguaje preentrenados; IV) Aplicaciones y lenguas del Perú. Integra el eje transversal de responsabilidad Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (demuestra); CT4 Experimentación e indagación en IA (demuestra); CG3 Responsabilidad social (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos del lenguaje y representaciones. Capacidades: Construye representaciones de texto y clasificadores básicos. Explica las fuentes de ambigüedad del lenguaje y su efecto en los modelos.
2. Unidad II (semanas 5–8): Modelos neuronales de secuencias. Capacidades: Implementa modelos neuronales para etiquetado y análisis sintáctico. Entrena un modelo secuencia a secuencia y evalúa su calidad.
3. Unidad III (semanas 9–12): Modelos de lenguaje preentrenados. Capacidades: Adapta un modelo preentrenado a una tarea con ajuste fino eficiente. Construye un sistema de generación aumentada por recuperación y lo evalúa.
4. Unidad IV (semanas 13–16): Aplicaciones y lenguas del Perú. Capacidades: Desarrolla una aplicación de lenguaje con datos de una organización o comunidad local. Evalúa el sesgo de un sistema de lenguaje y propone mitigaciones.

Eje transversal en la asignatura. Actividad: Caso o proyecto de Procesamiento de Lenguaje Natural sobre un problema social real de una comunidad u organización. Evidencia: Informe de diagnóstico o de intervención validado por el beneficiario. Criterio: Pertinencia del problema, coherencia de la solución e impacto social esperado.

Referencias: [84] [53] [181]

10.46IA802 Visión Computacional

Ubicación: term VIII · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA701 Aprendizaje Profundo. Eje integrador: Sustentabilidad Ambiental.

Sumilla. Visión Computacional es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para procesar imágenes y video, entrenar modelos profundos de clasificación, detección y segmentación, y aplicar la visión tridimensional y multimodal a problemas de salud, agricultura y monitoreo ambiental. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Formación y procesamiento de imágenes; II) Reconocimiento con aprendizaje profundo; III) Detección, segmentación y seguimiento; IV) Visión tridimensional y multimodal. Integra el eje transversal de sustentabilidad Ambiental mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (demuestra); CT5 Ingeniería y herramientas de sistemas de IA (demuestra); CG4 Gestión del riesgo y cambio climático (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Formación y procesamiento de imágenes. Capacidades: Aplica filtros y detectores de características a imágenes reales. Estima transformaciones geométricas entre imágenes.
2. Unidad II (semanas 5–8): Reconocimiento con aprendizaje profundo. Capacidades: Entrena clasificadores de imágenes con redes convolucionales y Transformers. Aplica aprendizaje autosupervisado con pocos datos etiquetados.
3. Unidad III (semanas 9–12): Detección, segmentación y seguimiento. Capacidades: Implementa detectores y segmentadores de objetos. Evalúa modelos de detección con métricas estándar.
4. Unidad IV (semanas 13–16): Visión tridimensional y multimodal. Capacidades: Reconstruye escenas tridimensionales a partir de varias vistas. Aplica modelos de visión a un problema ambiental, agrícola o de salud del país.

Eje transversal en la asignatura. Actividad: Análisis del impacto ambiental o del riesgo de desastres vinculado con Visión Computacional, con datos oficiales y propuesta de medidas. Evidencia: Mapa de riesgos o informe de impacto con medidas de prevención. Criterio: Sustento en datos oficiales, identificación de peligros y viabilidad de las medidas.

Referencias: [172] [180] [127]

10.47IA803 IA Generativa y Modelos Fundacionales

Ubicación: term VIII · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA701 Aprendizaje Profundo. Eje integrador: Innovación y Emprendimiento.

Sumilla. IA Generativa y Modelos Fundacionales es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para entrenar y adaptar modelos generativos de texto, imagen y otras modalidades, aplicar técnicas de posentrenamiento y recuperación de información, y evaluar sus riesgos de alucinación, sesgo y uso indebido. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Modelos generativos profundos; II) Modelos de lenguaje a gran escala; III) Modelos de difusión y multimodalidad; IV) Adaptación, posentrenamiento y riesgos. Integra el eje transversal de innovación y Emprendimiento mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (demuestra); CT5 Ingeniería y herramientas de sistemas de IA (demuestra); CE2 Ética (sabe cómo).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Modelos generativos profundos. Capacidades: Entrena modelos generativos latentes y adversarios. Evalúa la calidad y la diversidad de las muestras generadas.
2. Unidad II (semanas 5–8): Modelos de lenguaje a gran escala. Capacidades: Explica el preentrenamiento y el escalamiento de los modelos de lenguaje. Compara estrategias de decodificación según la tarea.
3. Unidad III (semanas 9–12): Modelos de difusión y multimodalidad. Capacidades: Implementa un modelo de difusión sencillo. Aplica modelos multimodales a una tarea de generación controlada.
4. Unidad IV (semanas 13–16): Adaptación, posentrenamiento y riesgos. Capacidades: Adapta un modelo fundacional con ajuste fino y alineamiento de preferencias. Evalúa alucinaciones y sesgos de un modelo generativo.

Eje transversal en la asignatura. Actividad: Reto de innovación: diseño y prototipado de una solución original con lo aprendido en IA Generativa y Modelos Fundacionales. Evidencia: Prototipo funcional con informe de validación. Criterio: Originalidad, factibilidad técnica y validación con usuarios o datos.

Referencias: [56] [23] [128]

10.48AF401 Actividades Formativas Complementarias

Ubicación: term IX · Estudios Generales · obligatorio · práctica. Créditos: 4 (0 h de teoría, 8 h de práctica o laboratorio por semana). Prerrequisitos: 128 horas validadas del catálogo de actividades. Eje integrador: Formación Integral.

Sumilla. Actividades Formativas Complementarias es una asignatura del área de Estudios Generales, de naturaleza práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para participar en actividades que amplían su formación, documentar sus logros en un portafolio y reflexionar sobre el aporte de esas experiencias a su perfil. Contribuye al perfil de egreso mediante las competencias CG2 (liderazgo) y CG6 (emprendimiento). Comprende: I) Plan personal de actividades; II) Innovación y competencias técnicas; III) Responsabilidad social y voluntariado; IV) Arte, cultura, deporte y cierre. Integra el eje transversal de formación Integral mediante seminarios y aprendizaje basado en proyectos.

Competencias que desarrolla: CG2 Liderazgo (demuestra); CG6 Emprendimiento (demuestra); CE6 Aprendizaje a lo largo de la vida (demuestra).

Metodología principal: Seminarios; Aprendizaje basado en proyectos (ABPy).

1. Unidad I (semanas 1–4): Plan personal de actividades. Capacidad: Planifica las actividades complementarias que realizará según el catálogo aprobado.
2. Unidad II (semanas 5–8): Innovación y competencias técnicas. Capacidad: Participa en competencias o eventos técnicos y documenta el resultado obtenido.
3. Unidad III (semanas 9–12): Responsabilidad social y voluntariado. Capacidad: Ejecuta una actividad de servicio y registra su impacto en la comunidad beneficiaria.
4. Unidad IV (semanas 13–16): Arte, cultura, deporte y cierre. Capacidad: Sustenta su portafolio de actividades con evidencias validadas.

Eje transversal en la asignatura. Actividad: Participación en actividades del catálogo (congresos, hackathons, voluntariado, arte, cultura y deporte) y coordinación de al menos una de ellas. Evidencia: Portafolio con constancias validadas. Criterio: Evidencias válidas, horas acreditadas y reflexión sobre el aporte a su perfil.

Referencias: [183]

10.49CS281 Computación y Responsabilidad Social

Ubicación: term IX · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS2E1 Ética Profesional. Eje integrador: Responsabilidad Social.

Sumilla. Computación y Responsabilidad Social es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para evaluar el impacto social y ambiental de las soluciones computacionales, analizar problemas de privacidad, delitos informáticos y diversidad y ejecutar un proyecto de aprendizaje-servicio con una comunidad u organización. Contribuye al perfil de egreso mediante las competencias CG3 (responsabilidad social) y CE1 (el profesional y el mundo). Comprende: I) Impacto Social e IA; Datos, Vigilancia y Tecnología de Privacidad; II) Delitos y Ataques Informáticos; III) Identidad y Diversidad en la Informática; Huella Ambiental de los Sistemas Informáticos; Modelos y Estrategias Económicas; IV) Proyecto de aprendizaje-servicio. Integra el eje transversal de responsabilidad Social mediante aprendizaje basado en proyectos, prácticas de laboratorio y talleres.

Competencias que desarrolla: CG3 Responsabilidad social (demuestra); CE1 El profesional y el mundo (demuestra); CG4 Gestión del riesgo y cambio climático (demuestra).

Metodología principal: Aprendizaje basado en proyectos (ABPy); Talleres.

1. Unidad I (semanas 1–4): Impacto Social e IA; Datos, Vigilancia y Tecnología de Privacidad. Capacidades: Evalúa soluciones a las amenazas a la privacidad en bases de datos transaccionales y almacenes de datos. Analiza la eficacia de un diseño e implementación dados utilizando datos empíricos.
2. Unidad II (semanas 5–8): Delitos y Ataques Informáticos. Capacidades: Identifica problemas con las leyes que se aplican a los delitos informáticos. Examina los problemas éticos y legales que rodean el mal uso del acceso y varias violaciones de seguridad.
3. Unidad III (semanas 9–12): Identidad y Diversidad en la Informática; Huella Ambiental de los Sistemas Informáticos; Modelos y Estrategias Económicas. Capacidades: Evalúa el impacto del poder y el privilegio en la profesión de la informática en lo que respecta a la cultura, industria, productos y sociedad. Identifica ejemplos de los beneficios que los equipos diversos pueden aportar a los productos de software y cómo la falta de diversidad tiene costos.
4. Unidad IV (semanas 13–16): Proyecto de aprendizaje-servicio. Capacidad: Ejecuta un proyecto de aprendizaje-servicio que atiende una necesidad real y evalúa su impacto.

Eje transversal en la asignatura. Actividad: Proyecto de aprendizaje-servicio con una comunidad u organización y evaluación de la huella ambiental de la solución. Evidencia: Solución entregada, informe de impacto social y ambiental, y devolución de resultados al beneficiario. Criterio: Pertinencia del problema, impacto medido con indicadores y sostenibilidad de la solución.

Referencias: [13] [130] [176]

10.50CS2G1 Innovación y Emprendimiento Tecnológico

Ubicación: term IX · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS291 Ingeniería de Software I. Eje integrador: Innovación y Emprendimiento.

Sumilla. Innovación y Emprendimiento Tecnológico es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para identificar oportunidades de innovación, diseñar y validar un modelo de negocio de base tecnológica y presentar un producto mínimo viable ante un jurado. Contribuye al perfil de egreso mediante las competencias CG6 (emprendimiento) y CE5 (gestión de proyectos). Comprende: I) Innovación y oportunidad; II) Modelo de negocio; III) Producto mínimo viable; IV) Financiamiento y presentación. Integra el eje transversal de innovación y Emprendimiento mediante aprendizaje basado en proyectos y talleres.

Competencias que desarrolla: CG6 Emprendimiento (demuestra); CE5 Gestión de proyectos (demuestra).

Metodología principal: Aprendizaje basado en proyectos (ABPy); Talleres.

1. Unidad I (semanas 1–4): Innovación y oportunidad. Capacidad: Identifica una oportunidad de innovación sustentada en evidencia de usuarios.
2. Unidad II (semanas 5–8): Modelo de negocio. Capacidad: Diseña un modelo de negocio de base tecnológica con hipótesis verificables.
3. Unidad III (semanas 9–12): Producto mínimo viable. Capacidad: Valida un producto mínimo viable con usuarios reales y métricas.
4. Unidad IV (semanas 13–16): Financiamiento y presentación. Capacidad: Sustenta su emprendimiento ante un jurado externo.

Eje transversal en la asignatura. Actividad: Desarrollo de un emprendimiento de base tecnológica validado con usuarios y presentado en el Día de Logros (Demo Day). Evidencia: Modelo de negocio y producto mínimo viable validado. Criterio: Evidencia de validación con usuarios, viabilidad del modelo y calidad de la presentación.

Referencias: [135] [116] [21] [77]

10.51CS402 Proyecto de Fin de Carrera I

Ubicación: term IX · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS401 Metodología de la Investigación en Computación. Eje integrador: Investigación Formativa.

Sumilla. Proyecto de Fin de Carrera I es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para formular un problema de computación con impacto social, analizar críticamente el estado del arte y diseñar la metodología y el plan del proyecto. Contribuye al perfil de egreso mediante las competencias CT2 (formulación de problemas de inteligencia artificial) y CT4 (experimentación e indagación en IA). Comprende: I) Definición del proyecto y criterio de impacto; Profundización en el Estado del Arte Específico; II) Análisis Crítico y Comparativo de Enfoques; Propuesta de Investigación y Selección de Asesor; III) Formalización del plan del proyecto; Diseño de la Metodología Original; IV) Diseño y Ejecución de Experimentos Preliminares; Presentación y Defensa del Estado del Arte. Integra el eje transversal de investigación Formativa mediante aprendizaje basado en proyectos, talleres y aprendizaje basado en investigación.

Competencias que desarrolla: CT2 Formulación de problemas de inteligencia artificial (demuestra); CT4 Experimentación e indagación en IA (demuestra); CG1 Investigación (demuestra); CE4 Comunicación (demuestra).

Metodología principal: Aprendizaje basado en proyectos (ABPy); Talleres; Aprendizaje basado en investigación (ABI).

1. Unidad I (semanas 1–4): Definición del proyecto y criterio de impacto; Profundización en el Estado del Arte Específico. Capacidades: Construye un mapa completo de la literatura de un tópico específico identificando los trabajos fundamentales. Analiza la evolución temporal de un área de investigación identificando tendencias y brechas.
2. Unidad II (semanas 5–8): Análisis Crítico y Comparativo de Enfoques; Propuesta de Investigación y Selección de Asesor. Capacidades: Elabora una propuesta de investigación que defina el problema, objetivos y posible solución. Formula una pregunta de investigación propia sustentada en el análisis del estado del arte.
3. Unidad III (semanas 9–12): Formalización del plan del proyecto; Diseño de la Metodología Original. Capacidades: Diseña la metodología de investigación alineada con los objetivos. Elabora un cronograma detallado con hitos y análisis de riesgos hasta la defensa del proyecto.
4. Unidad IV (semanas 13–16): Diseño y Ejecución de Experimentos Preliminares; Presentación y Defensa del Estado del Arte. Capacidades: Presenta y defiende oralmente el reporte técnico ante un comité académico con rigor. Interpreta y reporta resultados experimentales con rigor estadístico apropiado.

Eje transversal en la asignatura. Actividad: Formulación del proyecto de fin de carrera a partir de un problema de una organización o grupo de interés, con criterio de impacto social. Evidencia: Plan del proyecto con justificación del impacto. Criterio: Relevancia del problema, originalidad de la propuesta e impacto social previsto.

Referencias: [25] [201] [195]

10.52IA901 Agentes Inteligentes y Sistemas Multiagente con LLM

Ubicación: term IX · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA801 Procesamiento de Lenguaje Natural; IA702 Aprendizaje por Refuerzo. Eje integrador: Innovación y Emprendimiento.

Sumilla. Agentes Inteligentes y Sistemas Multiagente con LLM es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para diseñar agentes que perciben, razonan, planifican y actúan con herramientas, coordinar sistemas multiagente basados en modelos de lenguaje, y evaluar su confiabilidad, su seguridad y su supervisión humana. Contribuye al perfil de egreso mediante las competencias CT2 (formulación de problemas de inteligencia artificial) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) Agentes y arquitecturas; II) Agentes basados en modelos de lenguaje; III) Sistemas multiagente; IV) Evaluación, seguridad y despliegue. Integra el eje transversal de innovación y Emprendimiento mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT2 Formulación de problemas de inteligencia artificial (aplica); CT3 Diseño y desarrollo de sistemas inteligentes (aplica); CE3 Trabajo individual y en equipo (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Agentes y arquitecturas. Capacidades: Diseña la arquitectura de un agente según su entorno. Compara arquitecturas de agentes por su desempeño.
2. Unidad II (semanas 5–8): Agentes basados en modelos de lenguaje. Capacidades: Implementa un agente que planifica y usa herramientas externas. Integra memoria y recuperación de información en un agente.
3. Unidad III (semanas 9–12): Sistemas multiagente. Capacidades: Modela interacciones estratégicas entre agentes. Coordina varios agentes para resolver una tarea compleja.
4. Unidad IV (semanas 13–16): Evaluación, seguridad y despliegue. Capacidades: Evalúa un agente con bancos de prueba y escenarios adversos. Define controles de supervisión humana para un agente desplegado.

Eje transversal en la asignatura. Actividad: Reto de innovación: diseño y prototipado de una solución original con lo aprendido en Agentes Inteligentes y Sistemas Multiagente con LLM. Evidencia: Prototipo funcional con informe de validación. Criterio: Originalidad, factibilidad técnica y validación con usuarios o datos.

Referencias: [196] [148] [197]

10.53IA9E1 Robótica e IA Encarnada

Ubicación: term IX · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA702 Aprendizaje por Refuerzo; IA802 Visión Computacional. Eje integrador: Innovación y Emprendimiento.

Sumilla. Robótica e IA Encarnada es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para modelar la cinemática de robots, integrar percepción, localización y planificación de movimiento, y entrenar políticas de control en simulación y en robots reales. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Fundamentos de robótica; II) Percepción y localización; III) Planificación y control de movimiento; IV) Aprendizaje robótico e IA encarnada. Integra el eje transversal de innovación y Emprendimiento mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (aplica); CT5 Ingeniería y herramientas de sistemas de IA (aplica).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Fundamentos de robótica. Capacidades: Modela la cinemática de un robot manipulador o móvil. Programa un robot en simulación con ROS 2.
2. Unidad II (semanas 5–8): Percepción y localización. Capacidades: Implementa la localización de un robot con filtros probabilísticos. Construye mapas del entorno con SLAM.
3. Unidad III (semanas 9–12): Planificación y control de movimiento. Capacidades: Planifica trayectorias libres de colisiones. Integra planificación y control en la navegación de un robot.
4. Unidad IV (semanas 13–16): Aprendizaje robótico e IA encarnada. Capacidades: Entrena una política robótica en simulación y la transfiere a un robot. Evalúa la seguridad de un robot que interactúa con personas.

Eje transversal en la asignatura. Actividad: Reto de innovación: diseño y prototipado de una solución original con lo aprendido en Robótica e IA Encarnada. Evidencia: Prototipo funcional con informe de validación. Criterio: Originalidad, factibilidad técnica y validación con usuarios o datos.

Referencias: [101] [178] [149]

10.54IA9E2 Interacción Humano-IA

Ubicación: term IX · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS2H1 Experiencia de Usuario (UX); IA701 Aprendizaje Profundo. Eje integrador: Responsabilidad Social.

Sumilla. Interacción Humano-IA es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para diseñar productos con inteligencia artificial centrados en las personas, calibrar la confianza y el control del usuario sobre el sistema, y evaluar la colaboración humano-IA con estudios de usuarios. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT6 (inteligencia artificial responsable). Comprende: I) IA centrada en el ser humano; II) Diseño de productos con IA; III) Explicabilidad y control; IV) Evaluación de la colaboración humano-IA. Integra el eje transversal de responsabilidad Social mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (aplica); CT6 Inteligencia artificial responsable (demuestra); CE4 Comunicación (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): IA centrada en el ser humano. Capacidades: Aplica pautas de interacción humano-IA al análisis de productos existentes. Identifica riesgos de sobreconfianza y de pérdida de agencia.
2. Unidad II (semanas 5–8): Diseño de productos con IA. Capacidades: Prototipa un producto con IA a partir de necesidades de usuarios. Diseña la respuesta del sistema ante errores e incertidumbre.
3. Unidad III (semanas 9–12): Explicabilidad y control. Capacidades: Diseña explicaciones adecuadas al usuario y a la decisión. Implementa mecanismos de control y corrección por el usuario.
4. Unidad IV (semanas 13–16): Evaluación de la colaboración humano-IA. Capacidades: Diseña y conduce un estudio con usuarios. Evalúa el desempeño conjunto de personas y sistemas de IA.

Eje transversal en la asignatura. Actividad: Caso o proyecto de Interacción Humano-IA sobre un problema social real de una comunidad u organización. Evidencia: Informe de diagnóstico o de intervención validado por el beneficiario. Criterio: Pertinencia del problema, coherencia de la solución e impacto social esperado.

Referencias: [7] [147]

10.55IA9E3 IA Eficiente, Distribuida y en el Borde

Ubicación: term IX · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA701 Aprendizaje Profundo; IA602 Sistemas de Cómputo Acelerado para IA. Eje integrador: Sustentabilidad Ambiental.

Sumilla. IA Eficiente, Distribuida y en el Borde es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para comprimir y acelerar modelos, entrenarlos de forma distribuida y federada preservando la privacidad, y desplegarlos en dispositivos con recursos limitados y redes de Internet de las cosas. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Eficiencia de modelos; II) Arquitecturas eficientes; III) Aprendizaje distribuido y federado; IV) IA en el borde e Internet de las cosas. Integra el eje transversal de sustentabilidad Ambiental mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (aplica); CT5 Ingeniería y herramientas de sistemas de IA (aplica); CG4 Gestión del riesgo y cambio climático (demuestra).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Eficiencia de modelos. Capacidades: Reduce el tamaño de un modelo con poda y cuantización. Mide el efecto de la compresión en exactitud, latencia y energía.
2. Unidad II (semanas 5–8): Arquitecturas eficientes. Capacidades: Selecciona arquitecturas eficientes para un dispositivo objetivo. Despliega un modelo de lenguaje compacto en una computadora personal.
3. Unidad III (semanas 9–12): Aprendizaje distribuido y federado. Capacidades: Implementa un esquema de aprendizaje federado. Evalúa el compromiso entre privacidad y utilidad.
4. Unidad IV (semanas 13–16): IA en el borde e Internet de las cosas. Capacidades: Despliega un modelo en un microcontrolador conectado a sensores. Estima la huella de carbono de una solución de IA.

Eje transversal en la asignatura. Actividad: Análisis del impacto ambiental o del riesgo de desastres vinculado con IA Eficiente, Distribuida y en el Borde, con datos oficiales y propuesta de medidas. Evidencia: Mapa de riesgos o informe de impacto con medidas de prevención. Criterio: Sustento en datos oficiales, identificación de peligros y viabilidad de las medidas.

Referencias: [191] [64] [69]

10.56IA9E4 Modelos de Lenguaje a Gran Escala desde sus Fundamentos

Ubicación: term IX · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: IA801 Procesamiento de Lenguaje Natural; IA803 IA Generativa y Modelos Fundacionales. Eje integrador: Innovación y Emprendimiento.

Sumilla. Modelos de Lenguaje a Gran Escala desde sus Fundamentos es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para implementar un modelo de lenguaje de principio a fin, desde la tokenización y la arquitectura hasta los datos, el escalamiento, la evaluación y el posentrenamiento. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT4 (experimentación e indagación en IA). Comprende: I) Tokenización y arquitectura; II) Sistemas y escalamiento; III) Datos y evaluación; IV) Posentrenamiento. Integra el eje transversal de innovación y Emprendimiento mediante clase magistral activa, prácticas de laboratorio, aprendizaje basado en problemas y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (aplica); CT4 Experimentación e indagación en IA (aplica).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Tokenización y arquitectura. Capacidades: Implementa un tokenizador y un Transformer decodificador. Estima los recursos que requiere entrenar un modelo.
2. Unidad II (semanas 5–8): Sistemas y escalamiento. Capacidades: Ajusta leyes de escalamiento con experimentos pequeños. Optimiza la inferencia de un modelo.
3. Unidad III (semanas 9–12): Datos y evaluación. Capacidades: Construye un conjunto de entrenamiento filtrado y deduplicado. Evalúa un modelo controlando la contaminación.
4. Unidad IV (semanas 13–16): Posentrenamiento. Capacidades: Aplica ajuste fino supervisado y optimización de preferencias. Entrena un modelo en tareas con recompensas verificables.

Eje transversal en la asignatura. Actividad: Reto de innovación: diseño y prototipado de una solución original con lo aprendido en Modelos de Lenguaje a Gran Escala desde sus Fundamentos. Evidencia: Prototipo funcional con informe de validación. Criterio: Originalidad, factibilidad técnica y validación con usuarios o datos.

Referencias: [188] [132] [85]

10.57IA9E5 Aplicaciones de IA y Gestión de Proyectos de IA

Ubicación: term IX · Estudios de Especialidad · electivo · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: IA703 MLOps e Ingeniería de Sistemas de IA. Eje integrador: Innovación y Emprendimiento.

Sumilla. Aplicaciones de IA y Gestión de Proyectos de IA es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter electivo. Tiene como propósito desarrollar capacidades para identificar oportunidades de aplicación de la inteligencia artificial en sectores estratégicos del país, gestionar proyectos de IA de principio a fin y evaluar su valor, su riesgo y su cumplimiento normativo. Contribuye al perfil de egreso mediante las competencias CE5 (gestión de proyectos) y CT3 (diseño y desarrollo de sistemas inteligentes). Comprende: I) IA en sectores estratégicos; II) Gestión de proyectos de IA; III) Producto y emprendimiento; IV) Riesgo y cumplimiento. Integra el eje transversal de innovación y Emprendimiento mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CE5 Gestión de proyectos (aplica); CG6 Emprendimiento (demuestra); CT3 Diseño y desarrollo de sistemas inteligentes (aplica).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): IA en sectores estratégicos. Capacidades: Analiza casos de aplicación de la IA en sectores del país. Identifica oportunidades de aplicación en una organización.
2. Unidad II (semanas 5–8): Gestión de proyectos de IA. Capacidades: Planifica un proyecto de IA con su alcance, cronograma y riesgos. Estima el costo y el retorno de una solución de IA.
3. Unidad III (semanas 9–12): Producto y emprendimiento. Capacidades: Formula el modelo de negocio de un producto con IA. Valida un producto mínimo viable con usuarios.
4. Unidad IV (semanas 13–16): Riesgo y cumplimiento. Capacidades: Evalúa el cumplimiento normativo de un proyecto de IA. Ejecuta un proyecto de IA con una organización real.

Eje transversal en la asignatura. Actividad: Reto de innovación: diseño y prototipado de una solución original con lo aprendido en Aplicaciones de IA y Gestión de Proyectos de IA. Evidencia: Prototipo funcional con informe de validación. Criterio: Originalidad, factibilidad técnica y validación con usuarios o datos.

Referencias: [129] [4] [72]

10.58CS400 Prácticas Preprofesionales en Empresa

Ubicación: term X · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 12 (1 h de teoría, 22 h de práctica o laboratorio por semana). Prerrequisitos: 160 créditos aprobados. Eje integrador: Responsabilidad Social.

Sumilla. Prácticas Preprofesionales en Empresa es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para desempeñarse en un equipo profesional de computación, aplicar buenas prácticas de ingeniería en proyectos reales y documentar y sustentar su experiencia. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT5 (ingeniería y herramientas de sistemas de IA). Comprende: I) Inducción y plan de prácticas; II) Desempeño en la organización I; III) Desempeño en la organización II; IV) Informe y sustentación. Integra el eje transversal de responsabilidad Social mediante seminarios y aprendizaje basado en proyectos.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (aplica); CT5 Ingeniería y herramientas de sistemas de IA (aplica); CE2 Ética (aplica); CE3 Trabajo individual y en equipo (aplica); CG5 Manejo de TIC (aplica).

Metodología principal: Seminarios; Aprendizaje basado en proyectos (ABPy).

1. Unidad I (semanas 1–4): Inducción y plan de prácticas. Capacidad: Formula su plan de prácticas alineado con las competencias del perfil de egreso.
2. Unidad II (semanas 5–8): Desempeño en la organización I. Capacidad: Ejecuta tareas profesionales de computación con las prácticas y estándares de la organización.
3. Unidad III (semanas 9–12): Desempeño en la organización II. Capacidad: Aporta una mejora documentada al proceso o producto en el que participa.
4. Unidad IV (semanas 13–16): Informe y sustentación. Capacidad: Sustenta su experiencia preprofesional con evidencias y reflexión crítica.

Eje transversal en la asignatura. Actividad: Práctica en una organización con registro del aporte realizado y reflexión sobre la responsabilidad profesional. Evidencia: Informe de prácticas y evaluación del supervisor. Criterio: Desempeño ético, cumplimiento de compromisos y aporte verificable a la organización.

Referencias: [37] [11]

10.59CS403 Proyecto de Fin de Carrera II

Ubicación: term X · Estudios Específicos · obligatorio · teórico-práctica. Créditos: 4 (2 h de teoría, 4 h de práctica o laboratorio por semana). Prerrequisitos: CS402 Proyecto de Fin de Carrera I. Eje integrador: Investigación Formativa.

Sumilla. Proyecto de Fin de Carrera II es una asignatura del área de Estudios Específicos, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para implementar y validar la solución propuesta, redactar el informe final del proyecto y sustentar públicamente sus resultados. Contribuye al perfil de egreso mediante las competencias CT3 (diseño y desarrollo de sistemas inteligentes) y CT4 (experimentación e indagación en IA). Comprende: I) Implementación y Experimentos Preliminares; Redacción de Capítulos Centrales del proyecto; II) Conclusión de Experimentos y Análisis de Resultados; III) Redacción de Capítulos Finales del proyecto; Preparación y Ensayo de la Sustentación; IV) Entrega Formal y Pre-Sustentación. Integra el eje transversal de investigación Formativa mediante aprendizaje basado en proyectos, talleres y aprendizaje basado en investigación.

Competencias que desarrolla: CT3 Diseño y desarrollo de sistemas inteligentes (aplica); CT4 Experimentación e indagación en IA (aplica); CT6 Inteligencia artificial responsable (aplica); CG1 Investigación (aplica); CE4 Comunicación (aplica).

Metodología principal: Aprendizaje basado en proyectos (ABPy); Talleres; Aprendizaje basado en investigación (ABI).

1. Unidad I (semanas 1–4): Implementación y Experimentos Preliminares; Redacción de Capítulos Centrales del proyecto. Capacidades: Redacta los capítulos de metodología y trabajos relacionados con rigor académico. Aplica ciclos de revisión con el asesor para mejorar la calidad del documento.
2. Unidad II (semanas 5–8): Conclusión de Experimentos y Análisis de Resultados. Capacidades: Analiza resultados con rigor estadístico e interpreta hallazgos con respecto a la hipótesis. Completa la ejecución del protocolo experimental con todos los casos definidos.
3. Unidad III (semanas 9–12): Redacción de Capítulos Finales del proyecto; Preparación y Ensayo de la Sustentación. Capacidades: Diseña y expone una presentación oral clara y estructurada del trabajo del proyecto. Redacta el capítulo de resultados con visualizaciones claras y análisis comparativo.
4. Unidad IV (semanas 13–16): Entrega Formal y Pre-Sustentación. Capacidades: Presenta el borrador final ante el comité pre-sustentador e incorpora sus correcciones. Entrega el informe final completo cumpliendo todos los requisitos institucionales.

Eje transversal en la asignatura. Actividad: Validación del proyecto de fin de carrera con sus usuarios o beneficiarios y presentación en el Día de Logros (Demo Day). Evidencia: Informe final, producto validado y sustentación pública. Criterio: Solución validada en contexto, impacto social demostrado y calidad de la sustentación.

Referencias: [201] [195]

10.60IAX01 IA Responsable: Gobernanza, Seguridad y Alineamiento

Ubicación: term X · Estudios de Especialidad · obligatorio · teórico-práctica. Créditos: 4 (3 h de teoría, 2 h de práctica o laboratorio por semana). Prerrequisitos: IA803 IA Generativa y Modelos Fundacionales; CS2E1 Ética Profesional. Eje integrador: Formación Integral.

Sumilla. IA Responsable: Gobernanza, Seguridad y Alineamiento es una asignatura del área de Estudios de Especialidad, de naturaleza teórico-práctica y de carácter obligatorio. Tiene como propósito desarrollar capacidades para evaluar los riesgos éticos, legales y de seguridad de un sistema de inteligencia artificial, aplicar marcos de gobernanza y técnicas de alineamiento, y auditar un sistema conforme a la normativa peruana. Contribuye al perfil de egreso mediante las competencias CE1 (el profesional y el mundo) y CE2 (ética). Comprende: I) Ética de la IA y derechos; II) Gobernanza y regulación; III) Seguridad y alineamiento; IV) Auditoría y aseguramiento. Integra el eje transversal de formación Integral mediante clase magistral activa, aprendizaje basado en problemas, aprendizaje basado en proyectos y estudio de casos.

Competencias que desarrolla: CE1 El profesional y el mundo (aplica); CE2 Ética (aplica); CT6 Inteligencia artificial responsable (aplica).

Metodología principal: Clase magistral; Aprendizaje basado en problemas (ABP); Aprendizaje basado en proyectos (ABPy); Estudio de casos.

1. Unidad I (semanas 1–4): Ética de la IA y derechos. Capacidades: Analiza dilemas éticos de sistemas de IA con marcos normativos y casos reales. Mide la equidad de un modelo con métricas apropiadas.
2. Unidad II (semanas 5–8): Gobernanza y regulación. Capacidades: Clasifica un sistema de IA según el riesgo que define el reglamento de la Ley 31814. Propone controles de gobernanza para una organización que usa IA.
3. Unidad III (semanas 9–12): Seguridad y alineamiento. Capacidades: Evalúa la robustez de un modelo de lenguaje con técnicas de equipo rojo. Explica técnicas de alineamiento y sus limitaciones.
4. Unidad IV (semanas 13–16): Auditoría y aseguramiento. Capacidades: Audita un sistema de IA y redacta un informe con hallazgos y recomendaciones. Diseña mecanismos de supervisión humana para un sistema de riesgo alto.

Eje transversal en la asignatura. Actividad: Actividad de reflexión, decisión ética y trabajo colaborativo sobre los temas de IA Responsable: Gobernanza, Seguridad y Alineamiento. Evidencia: Autoevaluación, coevaluación o bitácora de aprendizaje. Criterio: Profundidad de la reflexión, respeto de la integridad académica y participación.

Referencias: [14] [108] [66]

Chapter 11Equivalence table

La tabla relaciona las asignaturas del plan anterior con las del plan nuevo, según el formato de la Tabla 12 de la Guía. Una equivalencia requiere similitud temática de al menos 75 %, competencias alineadas y que los créditos de la asignatura anterior sean iguales o mayores que los de la nueva. Plan anterior: Plan Curricular de creación de la Escuela (octubre de 2025). Plan nuevo: Plan Curricular 2027.

Nota: filas que son propuestas iniciales pendientes de revisión por la comisión curricular: 55 / 55.

Chapter 12Gestión curricular

12.1Estrategias metodológicas

El proceso de enseñanza-aprendizaje se centra en el estudiante y privilegia las metodologías activas: aprendizaje basado en problemas, aprendizaje basado en proyectos, estudio de casos y retos; trabajo colaborativo e instrucción entre pares; aula invertida y simulación; y experiencias de aprendizaje-servicio, prácticas preprofesionales y pasantías. En las asignaturas de especialidad predominan los laboratorios y los proyectos con datos reales, evaluados con defensa oral del código y de los experimentos. Cada sílabo declara las estrategias que emplea por semana.

12.2Guía de implementación de metodologías activas

12.3Evaluación de los aprendizajes

La evaluación es integral, continua y por competencias. Combina la evaluación diagnóstica, la formativa y la sumativa, con participación del docente (heteroevaluación), de los pares (coevaluación) y del propio estudiante (autoevaluación). La calificación es vigesimal y se interpreta con los niveles de logro de la Guía: estratégico (18–20), autónomo (15–17), resolutivo (13–14), receptivo (11–12) y preformal (0–10). Cada sílabo establece las evidencias, los instrumentos y el peso de cada unidad en el promedio final.

12.4Instrumentos de evaluación por competencias

12.5Investigación formativa

La investigación formativa progresa por ciclos: iniciación con Investigación Formativa (ciclo II), donde el estudiante presenta un póster; fundamentación y aplicación en las asignaturas de especialidad de los ciclos III a VIII, cuyos proyectos exigen experimentos reproducibles con datos, código y semillas publicados; profundización con Metodología de la Investigación en Computación (ciclo VIII); y consolidación con Proyecto de Fin de Carrera I y II (ciclos IX y X). La entidad de ciencia y tecnología consultada recomienda iniciar la investigación en los primeros semestres y publicar antes de egresar [S05]. Las líneas de investigación parten de los seis dominios del plan de creación [S01] y de las líneas que prioriza la consulta: aprendizaje automático, robótica y computación bioinspirada [S05]. [Por completar por la comisión curricular]: vincular los proyectos con los grupos de investigación de la Facultad.

12.6Proyecto de fin de carrera

El Proyecto de Fin de Carrera se desarrolla en dos asignaturas de cuatro créditos, en los ciclos IX y X, precedidas por Metodología de la Investigación en Computación en el ciclo VIII. Admite tres modalidades: investigación, desarrollo tecnológico y emprendimiento de base tecnológica.

En la primera asignatura el estudiante formula el problema con una organización o grupo de interés, revisa el estado del arte y presenta el plan del proyecto. En la segunda implementa y valida la solución, redacta el informe final y lo sustenta públicamente en el Día de Logros (Demo Day) ante un jurado con miembros externos. La rúbrica incluye un criterio de impacto social. El proyecto integra lo aprendido en las asignaturas previas, como recomiendan los referentes de acreditación [1]El informe final es el trabajo de investigación que exige el grado de bachiller y debe quedar en condiciones de continuarse como tesis.

El plan de creación distribuía el proyecto en tres asignaturas de 4, 2 y 3 créditos [S01]; la primera, de preparación del proyecto de investigación, equivale a Metodología de la Investigación en Computación.

12.7Prácticas preprofesionales

Las Prácticas Preprofesionales en Empresa tienen 12 créditos y se cursan en el ciclo X, con 160 créditos aprobados como requisito. Diez créditos corresponden a 320 horas de práctica en una organización (veinte horas semanales durante dieciséis semanas) y dos créditos, a un seminario de acompañamiento de una hora de teoría y dos de práctica por semana.

La práctica se formaliza mediante un convenio conforme a la Ley sobre Modalidades Formativas Laborales. El estudiante trabaja con un plan de prácticas alineado con el perfil de egreso, un supervisor de la organización y un docente del seminario; la calificación combina la evaluación del supervisor, la bitácora, el informe final y la sustentación.

El plan de creación preveía dos prácticas de 12 créditos (ciclos IX y X) [S01]; el núcleo común las reúne en una sola. [Insumo por solicitar]: convenios de prácticas vigentes y reglamento de prácticas de la Facultad [S20].

12.8Tutoría y acompañamiento

El plan de creación prevé la tutoría para estudiantes con repitencia, a cargo de la unidad de atención al estudiante y de los departamentos académicos, y la consejería para casos especiales [S01]. Por ser una escuela nueva, el Plan 2027 propone tutoría para toda la primera cohorte desde el ciclo I, con seguimiento del rendimiento en matemáticas y programación. [Insumo por solicitar]: plan de tutoría y acompañamiento de la Facultad [S18]: responsables, momentos, detección de riesgo académico y derivación.

12.9Responsabilidad social universitaria

La responsabilidad social se desarrolla en progresión: Medio Ambiente y Desarrollo Sostenible (ciclo I) aporta las bases; Ética Profesional (ciclo VII) analiza dilemas con los códigos de la profesión; Procesamiento de Lenguaje Natural y Visión Computacional (ciclo VIII) desarrollan proyectos para comunidades de lenguas originarias y para el monitoreo ambiental y agrícola; Computación y Responsabilidad Social (ciclo IX) ejecuta un proyecto de aprendizaje-servicio; IA Responsable (ciclo X) audita un sistema de IA de uso público; y el Proyecto de Fin de Carrera incluye un criterio de impacto social en su rúbrica. Las prácticas preprofesionales y el voluntariado reconocido en las Actividades Formativas Complementarias completan la línea. [Por completar por la comisión curricular]: precisar las organizaciones aliadas.

12.10Internacionalización del currículo

El plan se construye sobre el área de inteligencia artificial de CS2023 [93] y sobre programas de referencia de Estados Unidos, Europa y Asia [S26] [S27] [S36] [S37] [S38], y sobre los resultados del estudiante que exige la acreditación internacional [1]lo que facilita la movilidad y el reconocimiento de estudios. Incluye Inglés I y II, bibliografía mayoritariamente en inglés y sumillas disponibles en inglés y chino. Varias asignaturas toman como modelo cursos con materiales abiertos (Stanford CS224N, CS231N y CS336; Berkeley Large Language Model Agents) [S28] [S29] [S30] [S34], que pueden usarse en proyectos colaborativos en línea. Los consultados ofrecen articular los capítulos estudiantiles de ACM con charlas y mentoría [S05].

12.11Marco de internacionalización del currículo

Chapter 13Evaluación curricular

13.1Evaluación curricular

El plan se evalúa de manera permanente y se actualiza como máximo cada tres años, o cuando lo exijan los avances de la disciplina, mediante un sistema de seguimiento que comprende la recopilación de información, la evaluación interna de los resultados de aprendizaje, la retroalimentación con los grupos de interés y la implementación de mejoras [1]

13.2Sistema de seguimiento y evaluación curricular

13.3Seguimiento de egresados

La Escuela aún no tiene egresados: la primera cohorte ingresó en el proceso 2026-II [S49] y egresará hacia 2031. La encuesta a egresados de la Facultad [S07] sirve solo como referencia. Los consultados recomiendan definir, antes de implementar el plan, las evidencias con que se medirá su éxito: empleabilidad y tipo de puesto a los dos años, desempeño en proyectos integradores, percepción de empleadores y deserción en los primeros semestres [S05]. [Insumo por solicitar]: sistema de seguimiento del egresado de la Escuela, con línea base desde la primera cohorte [S13].

13.4Grupos de interés y mejora continua

Chapter 14Implementación y sostenibilidad

14.1Plan de implementación

El Plan Curricular 2027 se aplicará a los ingresantes a partir del semestre académico 2027-I. La cohorte que ingresó en 2026-II cursa el ciclo I con el plan de creación [S01]; se propone que se adecúe al Plan 2027 desde 2027-I mediante la tabla de equivalencias, ya que los ciclos I y II de ambos planes son casi equivalentes. La implementación exige capacitación docente en evaluación por competencias y en las áreas nuevas de la especialidad (sistemas de cómputo acelerado, MLOps, agentes e IA responsable), y laboratorios con aceleradores gráficos, que los consultados señalan como condición de éxito [S05] [S06]. [Por completar por la comisión curricular]: precisar el régimen de transición de la cohorte 2026-II y los responsables.

14.2Cronograma de implementación

14.3Recursos y sostenibilidad

El plan de creación prevé aulas y laboratorios especializados para 45 estudiantes, centros de investigación y el centro de producción de la Facultad [S01]; la Facultad anunció un microcentro de datos para la Escuela [S49]. [Insumo por solicitar]: informe de recursos e infraestructura y de la plana docente [S16], con la capacidad de cómputo con aceleradores gráficos, el presupuesto y la fuente de financiamiento de los laboratorios de inteligencia artificial.

Annex ASupporting documents

A.1Sustento documental: informes, diagnósticos y documentos de aprobación

Cada insumo se cita en el texto con su código entre corchetes. La columna «Documento de aprobación» consigna la resolución, el acta o el informe que lo respalda; lo que figura «por consignar» o «por elaborar» debe completarse antes de la aprobación del plan.