Plan de estudios: Ingeniería en Ciencia de Datos

Título Final: Ingeniero/a en Ciencia de Datos.
Duración: 5 años.
Modalidad: Modalidad online (a distancia), presencial y combinada.
Título Intermedio: Analista Universitario/a en Ciencia de Datos.

Estructura del Plan de estudios

Ingeniería en Ciencia de Datos tiene una duración de 5 años, y un título intermedio de Analista Universitario en Ciencia de Datos a los 2 años y medio.

TÍTULO: INGENIERO/A EN CIENCIA DE DATOS

El título intermedio requiere la aprobación de los 2 primeros niveles de Inglés y 1 electiva de Cultura General.
El título final requiere la aprobación los 4 niveles de Inglés y 1 electiva de Cultura General.

• Ver más información sobre la Titulación

Descripción de los cursos

Sistemas y Métodos

Teoría general de sistemas. La organización. La Dirección. La planificación y el control. El proceso administrativo. Relaciones Laborales. El enfoque sistémico. La administración de proyectos. Los sistemas de información. Conceptos y metodologías para su construcción. El desarrollo de un sistema de información. Las herramientas. La comunicación humana y el lenguaje. El proceso de Comunicación. Comunicación oral. Oratoria. Presentaciones orales. Técnicas de oratoria. Comunicación escrita. Redacción general, documentos comerciales, técnicos, papers, presentaciones de proyecto, comunicación de marketing. Los medios de comunicación y la tecnología.

Análisis Matemático I

Conjuntos numéricos. Intervalos reales. Funciones reales. Función inversa. Funciones polinómicas, racionales, exponenciales, logarítmicas. Funciones trigonométricas. Dominios. Gráficas. Demostraciones Formales. Argumentos válidos y no válidos. Tipos de argumentos. Método directo. Demostración por contradicción. Predicados y su valor de verdad. Inducción matemática. Concepto de Límite. Límites finitos e infinitos. Continuidad. Asíntotas. Derivada de una función en un punto. Función derivada. Derivadas sucesivas. Cálculo de derivadas. Recta tangente y normal. Regla de L'Hospital.

Sistemas Digitales I

Elementos de lógica proposicional y de primer orden: enfoque sintáctico y semántico. Álgebra de Boole y compuertas lógicas. Circuitos lógicos y sistemas digitales. Circuitos combinatorios y secuenciales. Circuitos multiplexores. Electrónica digital. Hardware digital de comunicaciones. Realimentación de circuitos lógicos. Contadores. Máquinas de estado y algorítmicas. Autómatas de Mealy y Moore.

Introducción a la Programación

Problemas. Algoritmos. Datos. Estructuras de control. Funciones. Estructuras estáticas. Análisis y diseño de algoritmos. Paradigma y lenguaje de programación funcional. La materia se apoya sobre el lenguaje de programación Python.

Computación Aplicada

Hardware - tipos de sistemas: Estación de trabajo y Servidores. Entry-Level, Mid-Range y High-End. Modos de procesamiento. Sistema de Archivos: Concepto de Archivos en Linux. Administración de usuarios y grupos, Permisos especiales y atributos. Comandos de proceso y redirecciones. Editores de texto de consola: vi, pico, nano, etc. Configuraciones de servicios y funciones.

Álgebra

Matrices. Determinante de una matriz cuadrada. Sistemas de ecuaciones lineales. Matriz del sistema. Clasificación. Resolución. Extensión de los reales a los complejos. Lógica proposicional: Proposiciones. Valor de verdad. Equivalencias lógicas. Cuantificadores. Razonamientos válidos. Pruebas formales. Conjuntos. Relaciones de orden y de equivalencia. Clases de equivalencia. Partición de un conjunto no vacío. Estructuras algebraicas. Estructuras discretas.

Análisis Matemático II

Aplicaciones de la derivada: Extremos locales, puntos de inflexión. Integración. La integral indefinida. La integral definida. Aplicaciones: cálculo de áreas. La integral impropia. Funciones de varias variables. Límite, continuidad. Derivadas parciales. Derivadas direccionales. Extremos locales. Extremos condicionados.

Arquitectura de Computadores

Historia del computador. Sistemas numéricos enteros positivos. Números reales y códigos. Arquitectura, organización y funcionamiento de un computador. Arquitecturas de Von Neumann y no Von Neumann (Harvard). Memoria: concepto, características, jerarquías de memorias. Tipos de memoria. Paralelismo y Procesadores de alta prestación. Arquitecturas multi-procesador o multi-núcleo. Arquitecturas reconfigurables. Arquitecturas basadas en servicios. Interrupciones: por software, error y trampa. Programación y lenguaje ensamblador.

Base de Datos

Sistemas de Bases de Datos. Sistemas de Gestión de Base de Datos. Modelos: conceptos básicos; principios de abstracción. Modelo Entidad-Relación. Calidad de datos. Modelo Relacional. Anomalías y peligros en el diseño de bases de datos relacionales: Normalización. Algebra relacional. Lenguajes DBMS: SQL.

Estructuras de Datos y Algoritmos

El lenguaje C. Estructuras de datos. Arreglos bidimensionales. Recursividad. Caracteres. Estructura de Lista. Estructura Pila. Estructura Cola. Manejo de memoria en ejecución. Estructura de árbol. Operaciones. Tipos abstractos de datos. Archivos. Análisis y diseño de algoritmos. Paradigmas de programación: Imperativo.

Álgebra Lineal

El conjunto de los enteros. Congruencias. Razonamiento matemático. Pruebas Formales. Demostración Directa, demostración por el absurdo. Demostraciones por inducción. Geometría analítica. Vectores. Operaciones. Rectas en el plano y en el espacio. Planos en el espacio. Distancia. Estructuras algebraicas. Espacios Vectoriales. Subespacios. Espacios vectoriales euclídeos. Proyección de un vector. Bases ortogonales y ortonormales. Transformaciones Lineales. Isomorfismos. Polinomio característico de una matriz. Autovalores y autovectores.

Introducción a la Ciencia de Datos

El científico de datos (Data Scientist-DS). Funciones, habilidades, como pensar como un DS. Origen de DS. Técnicas y algoritmos para el análisis y descubrimiento de la información. Problemas que se pueden resolver mediante el análisis estadístico y mediante Machine Learning. Las herramientas, librerías y servicios más utilizados en el DS. Introducción a R / Python para Data Science. Técnicas de recolección y limpieza de datos. Introducción a ML. Aprendizaje Supervisado / No supervisado. Generación de modelos. Herramientas. Conceptos básicos de visualización. Herramientas y librerías gráficas.

Probabilidad y Estadística

Tabulación y representación gráfica de datos. Medidas descriptivas. Teoría de probabilidades, reglas de cálculo. Distribuciones de probabilidad discretas y continuas: binomial, Poisson y Normal. Teorema Central del Límite. Principios del muestreo y la experimentación. Distribución muestral de la media y la proporción. Técnicas de inferencia estadística: Estimación de parámetros y pruebas de hipótesis. Análisis de regresión simple lineal y análisis de correlación.

Laboratorio I

Paradigmas de programación: imperativo, orientado a objetos y lógico: Objetos, Clases, Mensajes, Herencia, Diagramas de clases, Encapsulamiento y abstracción. Entidades y Ligaduras. Definición de método. Lenguajes de programación: el lenguaje JAVA. Organización del lenguaje. JAVA y el entorno. Características principales. Análisis y diseño de algoritmos. Manejo de memoria. Control de flujo. Sistemas de tipos. Estructuras de datos. Polimorfismo. Tratamientos de excepciones. Interfaz gráfica. Eventos. Teoría de Base de Datos.

Introducción a la Ingeniería de Software

Ingeniería de Software. El Rol del Ingeniero de Software. El proceso de software. El Ciclo de Vida del Desarrollo de Software. Fundamentos de la Ingeniería de Requerimientos. Especificación de requerimientos. Casos de Uso. Especificación y Cuantificación. Estrategia de Prueba (Testing). Técnicas para la especificación de requerimientos no funcionales. Portabilidad, eficiencia, facilidad de prueba, facilidad de comprensión y uso, facilidad de cambio. Cualidades del producto y el proceso. Requerimientos de calidad de software: producto y proceso. Principios de la Ingeniería del Software. Reingeniería de software. Ingeniería de Software de sistemas de tiempo real. Diseño centrado en el usuario. Conceptos básicos de métodos formales.

Análisis de Sistemas

Proceso de desarrollo de Software. Análisis Orientado a Objetos: Definición del análisis Orientado a Objetos. Concepto de objetos. Clasificación. Encapsulamiento. Ocultamiento de información. Retención de estado. Clases. Herencia. Polimorfismo. Generalización. Metodologías. Casos de uso. Construcción de un modelo conceptual. Modelos conceptuales. Conceptos. Diagramas de clases. Diagramas de secuencia. Diagramas de actividades. Introducción a los patrones. Patrones de software. Definiciones. Características de los patrones de software. Clases de patrones. Patrones de análisis. Estudio de patrones de análisis.

Probabilidad y Estadística II

Variables aleatorias (VA) uni y bidimensionales. Distribuciones condicionales y marginales, independencia. Funciones de VA; densidades. Distribuciones de probabilidades discretas y continuas. Funciones generadoras. Ley de los grandes números y teorema del límite central. Desigualdades de Tchebychev y Markov. Muestreo y distribuciones muestrales. Estadísticos. ANOVA: modelo I. Introducción a la estadística no paramétrica. Utilización de un paquete estadístico para la resolución de problemas vinculados a los contenidos.

Fundamentos de Inteligencia Artificial

Lógicas simbólica y no simbólica. La lógica y sus representaciones. Problemas. El pensamiento. Razonamiento. Los sistemas de razonamiento lógicos. Programación Lógica (por ejemplo, Prolog/Lisp). Algoritmos de Búsqueda y Planificación. Lógica difusa. Agentes. Conocimiento. Aprendizaje. Percepción. Redes neuronales. Algoritmos evolutivos. Sistemas inteligentes artificiales. Principios de Robótica.

Laboratorio II

Uso del lenguaje SQL. Introducción al lenguaje procedural PL/SQL. Estructuras de datos escalares y compuestas. Estructuras de control: ciclos y condicionales Interacción con la base de datos usando cursores. Control de excepciones. Procedimientos y funciones almacenados en la base de datos. Paquetes. Mapeo de una base de datos relacional y el modelo de objetos de una aplicación. Uso de Hibernate ORM (Object-relational mapping). Características de bases de datos Nosql. Diferentes estructuras.

Matemática Discreta

Estructuras algebraicas: Monoide, semigrupo, grupo, anillo y cuerpo. Conjunto de los ente-ros, divisores, números primos. Teorema fundamental de la aritmética. Congruencias. Criptografía, Criptografía de clave pública, sistema RSA. Teoría de grafos. Caminos, circuitos, isomorfismo de grafos. Número cromático. Lenguajes. Alfabetos, cadenas, gramáticas. Lenguajes generados por una gramática. Máquinas de estados finitos. Autómatas.

Introducción a las Comunicaciones

Principios de teoría de la comunicación. Comunicaciones básicas. Introducción a los sistemas de comunicaciones. Redes y comunicaciones de datos. Arquitecturas. Componentes básicos de sistemas de comunicación de datos. Estándares. Modelos de referencia. Redes LAN, WAN, backbone y acceso. Enlaces. Topologías y tipos. Protocolos. Técnicas de transmisión de datos. Dispositivos. Capa de red: direccionamiento IP, subnetting, tablas, modelos, algoritmos y protocolos de ruteo. Capa de transporte: UDP, TCP, control de congestión y de flujo. Aplicaciones, protocolos y servicios.

Estadística Aplicada a la Ciencia de Datos

Relevancia de la estadística en el contexto de Data Science. Aplicaciones y ejemplos de estadística concretos. Población y muestra. Variables aleatorias (discretas, continuas). Función y modelos de probabilidad, función de densidad. Introducción a la interferencia estadística y contrastes de hipótesis. P-valores e intervalos de confianza. Test para inferencia estadística. Ejemplo A/B Testing. El Teorema de Bayes. Iniciación a la estadística bayesiana. Regresión estadística. Regresión lineal. Regresión logística. Series temporales. Árbol de decisión. Red Neuronal. K-means. k-NN (k-vecinos). PCA. Cadenas de Markov. Simplex.

Análisis de la Información y la Decisión

Inteligencia Comercial. La información y la toma de decisiones. Introducción al Data Warehouse. Definición. Conceptos avanzados de Data Warehouse. La arquitectura física del Data Warehouse. Gestión de datos masivos (Data Warehousing). Minería de Datos (Data mining). Antes de la construcción del modelo. Construcción y evaluación del modelo.

Programación para la Ciencia de Datos

Lenguajes de programación utilizados en el contexto de data science (Python, R ,Scala). Principales funciones y librerías Python, R y Scala para data science. Manipulación de Datos. Importación y exportación de datos, Limpieza. Manejo de vectores, matrices y operaciones matemáticas a gran velocidad. Preprocesado de datos. Ponderación y transformación de datos categóricos a continuos para utilizar en ML. Lectura y escritura de datos estructurados y no estructurados en el contexto de base de datos relacionales, NoSQL y otras fuentes de datos (REST, JSON, YML, XML, entre otros).

Aprendizaje de Máquinas

Aprendizaje automático y semiautomático, aprendizaje supervisado y no supervisado. Nuevas generaciones de Inteligencia Artificial: Deep Learning y Redes Neuronales Artificiales Avanzadas. Aplicación a reconocimiento de imágenes, procesamiento de lenguaje natural, robots de preguntas y respuestas, reproducción del cerebro humano en sistema computacional. Prácticas de desarrollo con software estadístico comercial u open source.

Big Data

Big Data. Base de datos tradicionales. Base de datos NoSql, HDFS (Hadoop Distributed File System), Kafka, Apache Spark, Lenguajes para la ingeniería de datos. IoT (Internet of Things). Ciencia de datos. Procesamiento distribuido. Hadoop. Tendencia de las nuevas tecnologías. Data management. Big data. Impacto en las organizaciones. Big data landscape.

Sistemas Operativos

Introducción a los sistemas operativos. Administración de procesos. Planificación de procesos. Administración de recursos compartidos, sincronización, comunicación entre procesos. Abrazo mortal (deadlock, inter-bloqueo o bloqueo mutuo). Administración de memoria. Memoria virtual. Administración de dispositivos de entrada-salida. Administración de archivos. Protección. Introducción a los sistemas distribuidos.

Física I

Mediciones. Errores. Vectores. Operaciones básicas con vectores. Magnitudes escalares y vectoriales. Estática. Cinemática. Movimiento rectilíneo. Aceleración. Caída libre. Tiro vertical. Dinámica. Leyes de Newton. Fuerzas. Fuerzas centrífuga y centrípeta. Trabajo. Potencia. Energía cinética y energía potencial. Ley de conservación de la energía mecánica. Impulso y cantidad de movimiento. Gravitación.

Análisis Matemático III a

Ecuaciones diferenciales de primer orden y primer grado. Ecuaciones diferenciales de variables separables, homogéneas y exactas. Ecuaciones diferenciales lineales de primer orden. Integración múltiple. Integrales iteradas. Cálculo de áreas de regiones planas. Cálculo de volúmenes. Cambio de variables: coordenadas polares. Cálculo avanzado. Análisis vectorial. Integrales sobre trayectorias y superficies. Campos vectoriales. Campos conservativos. Rotor y divergencia. Integrales de línea. Integrales de superficie.

Business Intelligence & Analytics

Sistemas de soporte de decisión. Herramientas de análisis comerciales / open source. Configuración de orígenes de datos. Data lake. Soluciones en la Nube. Relación con Big Data, Data Science y Machine Learning para el descubrimiento de conocimiento. Casos de negocio. Data Warehouse. ETL (Extraer, Transformar, Cargar). OLAP (On-Line Analytical Processing). OLTP (OnLine Transaction Processing). Práctica integradora.

Sistemas Operativas Distribuidos

Conceptos de Sistemas Distribuidos. Arquitecturas GRID y CLUSTERS. Sistemas operativos de: tiempo real, embebido y distribuido. Procesos y Comunicación entre Procesos. Sincronización en Sistemas Distribuidos. Control de concurrencia, transacciones. Memoria Compartida Distribuida. Sistemas de archivos distribuidos. Message Passing Interface (MPI).

Física IIb

Electrostática. Propiedades eléctricas de la materia. Ley de Coulomb. Campo eléctrico. Potencial eléctrico. Diferencia de potencial. Energía potencial. Capacitores. Corriente eléctrica. Intensidad. Resistencia. Ley de Ohm. Ley de Joule. Campo magnético. Imanes. Inducción Electromagnética. Ley de Faraday. Inductancia. Fuerza electromotriz. Ecuaciones de Maxwell. Ondas electromagnéticas.

Fundamentos de Economía y Finanzas

Introducción a Microeconomía. Reglas de mercado. Tipos de Mercados. Conceptos de Macroeconomía. Funciones del dinero. Finanzas. Tasas. Interés. Marcadores financieros. Evaluación de proyectos.

Plataformas de TI 3

Evaluación y selección de Software. Sistemas Operativos. Lenguajes de Programación estáticos y dinámicos. Plataformas de desarrollo empresarial. Lenguajes más utilizados. Bases de Datos. NoSql. Internet de las cosas (IoT). Computación en la nube (SaaS, PaaS, IaaS, BaaS). Blockchain. Hadoop.

Arquitectura Web

Arquitectura de una aplicación Web. El Modelo computacional de la Web. Protocolo HTTP. TCP / IP. DNS. Modelo request / response. HTML 4/5. Session y Local Storage. WebSockets. Canvas. Geolocation. CSS3. JavaScript. Tipos abstractos de datos. Estructuras de datos. JQuery. Web Mobile. MVC (Modelo Vista Controlador). Frameworks de desarrollo web. Optimización / Resolución de problemas y algoritmos. Sistemas clientes/servidor y sus variantes en entornos Web. Buenas prácticas. Estrategias de diseño de arquitectura web.

Seguridad en Redes

Ataques y amenazas a las redes, y sus componentes. La seguridad en las redes. Estándares y modelos de seguridad en redes. Seguridad en Redes, elementos de criptografía. Algoritmos de cifrado. Identificación: Autenticación, Autorización y Auditoría. Redes Privadas Virtuales - VPNs. Protocolos inseguros de Internet. Seguridad perimetral. Protección integral de la infraestructura de la red.

Organización, Gestión y Entrepreneurship

Introducción a la organización, la empresa y la administración. El proceso de administrar. Planificación y Estrategia. El marketing y las ventas. Gestión de operaciones. El proceso emprendedor. Identificación, creación y aprovechamiento de oportunidades. Modelos de negocio. El plan de negocios. Análisis económico financiero. Fuentes de financiamiento. Gestión de crecimiento.

Visualización de Datos

La visualización de datos y su importancia. Experiencia del usuario. El proceso de creación de una visualización de datos. Presentación y organización. Tablas. Tipos de gráficos. Tableros de control. Filtrado. Reportes. Herramientas de análisis y visualización de datos comerciales y open source. Librerías para la generación de gráficos y reportes. Gráficos interactivos.

Administración de Proyectos

Introducción a la Administración y Dirección de Proyectos. Identificación de necesidades. La Dirección de Proyectos. Gestión de Integración. Gestión integrada de cambios. Gestión del Alcance. Gestión de Tiempos. Gestión de Costos. Técnicas de estimación. Análisis y gestión de riesgos. Métricas. Formulación y evaluación de proyectos de inversión. Rentabilidad. Financiamiento. Amortización de proyectos.

Cálculo Numérico

Números aproximados, tipos de errores, propagación de los mismos, problemas directos e inversos de cálculo de errores. Aproximación de funciones. Acotación del error. Solución aproximada de ecuaciones, utilización de Newton Raphson y otros métodos. Solución aproximada de sistemas de ecuaciones lineales, aplicación de método iterativo de Gauss-Siedel y método de Jacobi. Polinomio interpolador de Lagrange. Regresión lineal y no lineal. Integración aproximada de funciones. Regla de los Trapecios. Fórmula de Simpson. Comparación y acotación de errores.

Práctica Profesional Supervisada

Esta materia tiene por objetivo incorporar al estudiante al entorno laboral, en una organización, llevando a cabo tareas que le permitan aplicar los conocimientos adquiridos a lo largo de la carrera en situaciones reales. El estudiante podrá también incorporarse a un proyecto de investigación de la Facultad de Ingeniería, con objetivos concretos de avance y aporte al proyecto, en el que se manifiesten las habilidades y conocimientos específicos de la Ciencia de Datos como elemento clave para su aporte.

Herramientas Avanzadas para Ciencia de Datos

Cloud computing en el contexto de data science. Herramientas online para el procesamiento de grandes volúmenes de datos. Modelos cloud (IAAS, PAAS, SAAS). DevOps. Machine learning operations (MLOps). Despliegue y monitoreo de soluciones. Integración con APIs. Procesamiento distribuido en la nube. Arquitectura de una solución de DS y ML.

Derecho Aplicado a la Informática

Historia de la Computación - Sistemas jurídicos. Relaciones éticas, sociales y jurídicas. Responsabilidad y ética profesional. Aspectos legales. Conflictos. Poderes del Estado. Elementos del delito. Computación y sociedad. Responsabilidad civil. Propiedad intelectual, Patentes, licenciamiento de SW y contratos informáticos. Protección de datos personales. Seguridad de la información. Pericias. Software libre. Diseño jurídico de empresas, sociedades, actividad profesional y comercial. Legislación laboral y comercial específica. Ejercicio y ética profesional.

Trabajo Final de Grado

Desarrollo de un proyecto en un tema seleccionado por el alumno y en el cual se integran los conocimientos, habilidades y competencias adquiridos durante la carrera.

Asignaturas electivas

El plan de estudios incluye 6 asignaturas electivas y una asignatura electiva de Cultura General que el estudiante debe seleccionar de la oferta académica de grado que anualmente realiza la Facultad de Ingeniería para la carrera de Ingeniería en Inteligencia Artificial. A continuación, se enumera solo un subconjunto de las materias electivas a ofrecer:

Redes Neuronales (Electiva)

Métodos de aprendizaje basados en gradientes: Gradient Descent y Stocastic Gradient Descent. Redes neuronales densas (perceptrón multi-capa). Redes convolucionales. Redes recurrentes. Regularización, ruido y otros métodos para evitar el sobre-aprendizaje. Funciones de activación. Funciones de Optimización. Dropout. Data augmentation. Redes no supervisadas: Autoencoders, Word Embeddings, Restricted Boltzmann Machine (RBM), Long-Short Term Memory (LSTM).

Procesamiento de Lenguaje Natural (Electiva)

Técnicas de pre-procesamiento. Representación del texto. Análisis léxico y morfológico. Análisis Sintáctico. Análisis Semántico. Integración del discurso. Análisis Pragmático. Selección de características. Servicios para procesamiento intensivo en la nube. Bibliotecas para Procesamiento de Lenguaje Natural.

Aprendizaje por Refuerzo (Electiva)

Introducción al aprendizaje por refuerzo: Conceptos y terminología. Clasificación de algoritmos, Estado del arte, Contexto y líneas futuras. Algoritmos basados en modelos: Alphago, Chess, Backgammon. Algoritmos libres de modelo: Deep Q-Networks y Policy Gradients. Algoritmos avanzados: Métodos Actor Critic (A2C y A3C), Algoritmos de funciones de recompensa dispersas (Hindsight Experience Replay), Algoritmo de múltiples actualizaciones del gradiente por muestra (Proximal Policy Optimization). Aprendizaje por refuerzo aplicado a entornos de robótica y conducción autónoma.

Visión Computacional (Electiva)

Introducción a la visión computacional. Problemas clásicos de visión. Enfoques tradicionales vs. Deep Learning. Organización del curso. Imágenes: interpretación computacional, color, archivos de imagen, compresión con pérdida, lectura/escritura. Introducción a Pytorch: Tensores, normalización de imágenes. Localización y clasificación de objetos: un objeto, múltiples objetos. Bounding boxes. R-CNNs. Fast R-CNN. Faster R-CNN. Mask R-CNN.

Procesamiento Vectorial, neuronal y aplicaciones (Electiva)

Técnicas de visualización de datos. Modelos y marcos conceptuales. Tipos de datos. Percepción y visualización. Introducción a la percepción. El aparato visual humano. Diferentes atributos visuales. Uso del color. Definiciones. Teoría del color. Percepción del color. Disposición visual de la información. Vistas para datos espaciales, geometría original geoespacial, geometrías derivadas. Datos jerárquicos y relacionales, representación de árboles, relación nodo-arco, matrices de adyacencia. Vistas coordinadas. Librerías gráficas y de estilo. Ejemplos de visualizaciones. Carga de datos mediante D3.js. Componentes SVG básicos. Consideraciones para el diseño de vistas. Eventos y vistas accionables. Manejo asincrónico de eventos. Vistas múltiples y coordinadas. Reducción de ítems y de atributos. Filtrado y búsqueda. Selección, foco y contexto.

Ética e IA (Electiva)

Ética del robot. Derechos del robot. Ética de la máquina. Consecuencias no deseadas. Amenaza a la dignidad humana. Transparencia y código abierto. Estatus moral de las inteligencias artificiales. La inteligencia artificial aplicada a las armas. Organizaciones.

Taller de Python Aplicado (Electiva)

Introducción al lenguaje Python y técnicas algorítmicas y de reducción de problemas útiles. Utilización del lenguaje Python en el contexto de la inteligencia artificial. Utilización del lenguaje Python en el contexto de sistemas embebidos y dispositivos de Internet de las Cosas (IOT).

Inteligencia de Negocios y Ciudades Inteligentes (Electiva)

Inteligencia de Negocios. Fuentes de datos. Herramientas de análisis: Weka, Knime, R. Ciudades Inteligentes, métricas para ciudades, gestión de ciudades. Movilidad urbana, viajes basados en actividades. Manera de calcular el tiempo de viaje por actividades. Métricas económicas, ecológicas y psicológicas. Ciudades inteligentes y receptivas.

Metodologías Ágiles (Electiva)

Introducción a los Métodos Ágiles (MA). eXtreme Programming (XP). Introducción a la Administración de Proyectos utilizando SCRUM. El equipo en SCRUM. Retrospectiva. Crystal. Proceso Unificado. Requerimientos cambiantes, comunicación con el cliente, ceremonia de las metodologías.

Seguridad Ofensiva (Electiva)

Breve introducción a la seguridad ofensiva. Aspectos de ética profesional y conductas adecuadas en el entorno empresarial. Análisis de los procesos de reconocimiento y escaneo de la información y servicios de una organización. Conceptos de ataques y penetración de sistemas. Metodología y herramientas que se utilizan para mantener el acceso en los sistemas vulnerados sin ser detectados. Análisis de contramedidas requeridas para mitigar el impacto de los ataques.

Sociología (Electiva de cultura)

La asignatura propone comprender la naturaleza histórica de los fenómenos sociales, su especificidad y las particulares condiciones que se imponen en la producción de su conocimiento. Plantea alcanzar el manejo crítico de los diferentes discursos teóricos que abordan la producción del conocimiento de lo social, analizando el uso de los conceptos sociológicos básicos con referencia a la organización de las sociedades contemporáneas y a la problemática argentina actual.

Idioma

Inglés I

Gramática: uso del verbo "to be". Sustantivos contables y no contables. Tiempo verbal: Presente simple. Tiempo verbal: Pasado simple, uso de verbos regulares e irregulares.

Inglés II

Gramática: uso del verbo "going to". Adjetivos comparativos, adjetivos superlativos. Tiempo verbal: Presente perfecto. Uso de verbos modales.

Inglés III

Contenidos mínimos: Gramática: Tiempo verbal: Presente continuo. Uso de los verbos terminados en "ing". Modificadores comparativos: as.... as .. Tiempo verbal: Pasado continuo. Cuantificadores y artículos. Uso de "to + infinitivo". Formas de expresar el tiempo verbal: future. Vocabulario: diferencias entre do, play, go. Uso del "like". Medios de transporte. Riesgos y retos. Uso del "take". Uso del "get".

Inglés IV

Contenidos mínimos: Gramática: Preposiciones. Uso del "for" y "since". Relative clauses. Uso del condicional. Tiempo verbal: pasado perfecto simple. Uso del "used to". Uso del discurso indirecto: Reported speech. Vocabulario: trabajo. Diferencias entre "make" y "do". Internet, vacaciones. Uso del "place". Uso del "start". Conversaciones típicas de la vida cotidiana: entrevista de trabajo, sugerencias, expresar opiniones, buscar soluciones.

EDUCATIONAL PARTNER
WhatsApp Chateá con Informes