Magíster en Ciencias de la Computación

Esta asignatura electiva teórico-práctica está orientada a introducir a los estudiantes en las técnicas de modelamiento y programación de sistemas multiagentes. En esta, los alumnos deberán conocer los beneficios de este enfoque de desarrollo para el estudio y comprensión de sistemas complejos mediante la realización de simulaciones, como también para la solución de problemas de ingeniería. Esta asignatura contribuye a las siguientes competencias del perfil del graduado: - mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos. - identificar y resolver problemas complejos utilizando el método científico y aplicando avances en una línea de especialización.

Esta asignatura asume que el alumno ha cursado la asignatura de fundamentos de teoría de computación, sobre lo cual se profundiza en modelos de cómputo, complejidad de problemas y conceptos de teoría de información. El objetivo de esta asignatura es entregar a los estudiantes la base teórica de análisis de problemas que le permitan sustentar el desarrollo de su línea de investigación. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Esta asignatura asume que el alumno ha cursado la asignatura de fundamentos de estructuras de datos y algoritmos. Por tanto, al alumno le es familiar la notación asintótica y es capaz de analizar algoritmos y estructuras de datos básicas. Partiendo de esta base, se profundizará en técnicas de análisis y diseño más avanzadas tanto para memoria principal como secundaria. En el contenido de la asignatura se propone una selección de temas que determinan el contexto en el que se estudiarán dichas técnicas. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Esta asignatura cubre tópicos avanzados en bases de datos espaciales, las cuales manejan datos que contienen una referencia espacial o geométrica. La asignatura aborda desde modelos conceptuales hasta aspectos físicos para el manejo de información espacial. En particular, introduce los conceptos básicos para modelar información espacial, las extensiones de los modelos clásicos de bases de datos para incorporar tipos de datos espaciales, así como los métodos de indexación y procesamiento de consulta. La asignatura se complementa con una componente práctica en la que se estudia la aplicación práctica de las bases de datos espaciales en el dominio de los sistemas de información geográfica. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Asignatura teórica que entrega al alumno las nociones fundamentales de la teoría de grafos, describiendo los principales problemas, resultados y metodologías usadas en algunas demostraciones; además de su relación con otras ramas de las matemáticas y otras disciplinas. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Asignatura teórica que entrega al alumno las nociones fundamentales sobre técnicas probabilistas, aleatoriedad y cómputo. Las técnicas probabilistas juegan un rol primordial en el cómputo y las ciencias de la computación actual, con aplicaciones en la optimización combinatorial, redes de comunicación o el diseño de protocolos seguros para la comunicación, entre otros. Esta asignatura introducirá al alumno en las técnicas probabilistas y los paradigmas usados en el desarrollo y el análisis de algoritmos aleatorios. En una primera parte del curso se verán temas que incluye, muestreo aleatorio, esperanza, desigualdad de markov, desigualdad de chebyshev, cotas de chernoff, modelos de balls-&-bins, el método proibabilista y cadenas de markov. En una segunda parte se cubrirán conceptos más avanzados tales como: entropía, metodo de monte carlo en cadenas de markov, martingales y asignaciones balanceadas.

Asignatura teórica y práctica que entrega al alumno las nociones fundamentales de las redes neuronales artificiales y su uso en la modelación de diferentes problemas. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Asignatura que introduce al alumno en los aspectos teóricos y aplicados de los autómatas celulares (acs). Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Tras un repaso de algunos conceptos fundamentales relacionados con el testing, esta asignatura profundiza en el testing de software mediante mutación. La mutación es una técnica de prueba planteada inicialmente a finales de los años setenta, pero que ha tenido una evolución continua en i+d+i desde ese momento. Planteada como una asignatura de postgrado, la asignatura combina los contenidos teóricos con la puesta en práctica de pequeños trabajos de investigación muy diversos, sobre todo en lo referente a la comparación de diferentes variantes de la mutación. Estos trabajos de investigación requieren la aplicación de los conocimientos teóricos y la utilización de herramientas de testing que, además, obligan a la aplicación sistemática de procesos de pruebas bien definidos. Con ello, los alumnos adquirirán una base sólida de teoría, buenos hábitos prácticos y un primer trabajo de investigación en el área. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Este curso nos introduce en las bases de la computación cuántica. Está orientado principalmente a conocer el modelo matemático que hay detrás de la computación cuántica y a comparar este modelo con la computación clásica (máquinas de turing). De este modo se revisan aspectos de complejidad algorítmica de ciertos problemas al utilizar ambos modelos de computación y se estudian algunos algoritmos interesantes realizados con este modelo. Por último, cabe hacer notar que, este curso no considera los aspectos de factibilidad de construcción de un computador cuántico. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Asignatura teórica y práctica que introduce al alumno en las nociones fundamentales de los sistemas dinámicos a tiempo y espacio discreto. La asignatura aborda el tema tanto en espacios topológicos como en espacios de medida, incluyendo aspectos básicos de la teoría del caos. Los conceptos son ilustrados con un estudio detallado de las redes dinámicas discretas y de los autómatas celulares. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Esta asignatura revisa los conceptos básicos del modelo de arquitectura software basado en microservicios. El estudiante podrá diferenciar los conceptos de servicio y microservicio, familiarizarse con los aspectos fundamentales de microservicio y arquitectura de microservicios, y comprender la relación entre esta propuesta arquitectónica con otras arquitecturas de software. Además, podrá desarrollar sistemas de software basados en microservicios. Para desempeñarse exitosamente en esta asignatura, los estudiantes deben contar con conocimientos básicos de programación web y, preferentemente, manejo de java o python. Esta asignatura contribuye a las siguientes competencias del perfil del graduado: - mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos. - identificar y resolver problemas complejos utilizando el método científico y aplicando avances en una línea de especialización.

En esta asignatura se asume que el estudiante tiene conocimientos fundamentales en probabilidades y estadistica. Esta asignatura proporciona conocimientos introductorios a la ciencia de datos. Aporta conocimientos básicos en el manejo de datos masivos, aprendizaje computacional, visualización y computación de alto rendimiento. Esta asignatura aporta a la siguiente competencia del perfil de egreso: - mostrar un manejo profundo y actualizado en ciencias de la computación, centrándose en conocimientos fundamentales en teoría de computación.

En esta asignatura se asume que el estudiante tienen conocimientos fundamentales en estructuras de datos y algoritmos. Por tanto, al estudiante le es familiar la notación asintótica y es capaz de analizar algoritmos y estructuras de datos básicas. A partir de allí, en la asignatura se repasan diversos resultados importantes en optimización combinatoria, relacionados con la inclusión de problemas específicos en distintas clases de problemas y sus enfoques de solución. En la primera parte de la asignatura se define lo que se entiende por problema de optimización combinatoria, se realiza un repaso general sobre complejidad computacional y se dan a conocer los mejores algoritmos conocidos para problemas relevantes sobre grafos y redes. La segunda parte aborda las diversas familias y enfoques de resolución de problemas np-hard. En esa instancia se revisan diversos lenguajes y formas de modelar problemas computacionalmente difíciles y los algoritmos más comunes detrás de los solvers estado del arte para esos lenguajes. Esta asignatura aporta a la siguiente competencia del perfil de egreso: - mostrar un manejo profundo y actualizado en ciencias de la computación, centrándose en conocimientos fundamentales en algoritmos y optimización.

Esta asignatura electiva introduce a los alumnos en el area de la computacion paralela. El objetivo de la asignatura es proporcionar los fundamentos necesarios para desarrollar y evaluar aplicaciones paralelas en sistemas modernos. La asignatura incluye una vision de los distintos tipos de sistemas, modelos, abstracciones, e implementaciones de programacion paralela. La asignatura incorpora elementos para el analisis de desempeño que consideran las caracteristicas del hardware y soporte software. Esta asignatura aporta a la siguiente competencia del perfil de egreso: - identificar y resolver problemas complejos utilizando el método científico y aplicando avances en una línea de especialización. - identificar oportunidades y nichos de investigación y/o de transferencia tecnológica en base al conocimiento adquirido en una línea de especialización. - evaluar en forma crítica y autónoma resultados y productos científicos en un marco de compromiso ético.

Esta asignatura electiva está orientada a que los estudiantes conozcan distintas técnicas de inteligencia computacional y su aplicación a problemas de clasificación del dominio de la seguridad informática. La asignatura aporta las siguientes competencias del perfil de egreso: - identificar y resolver problemas complejos utilizando el método científico y aplicando avances en una línea de especialización. - identificar oportunidades y nichos de investigación y/o de transferencia tecnológica en base al conocimiento adquirido en una línea de especialización. - evaluar en forma crítica y autónoma resultados y productos científicos en un marco de compromiso ético.

El uso de técnicas asociadas al área de inteligencia artificial, es un mecanismo que permite resolver una importante cantidad de problemas para los cuales no existen soluciones por medios tradicionales. La variedad de técnicas actualmente disponibles y el impacto que ellas tienen en la solución de problemas de ingeniería hacen imprescindible que estudiantes conozcan, más allá de la programación tradicional, los elementos más importantes que caracterizan a esta disciplina. Este curso cubre algunos tópicos avanzados en inteligencia artificial simbólica y que no han sido cubiertos en detalle en asignaturas previas; resolución de problemas, y aplicaciones fundamentales en el estudio y desarrollo de sistemas inteligentes. El curso es una mezcla de teoría y práctica; presenta las ideas básicas y proporciona al estudiante herramientas conceptuales para abordar problemas complejos que requieran la utilización de estas técnicas avanzadas. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

El estudio de sistemas con comportamiento emergente es una de las características centrales de este curso. Basado en la metáfora de fenómenos emergentes naturales, la inteligencia artificial presenta alternativas a la clásica resolución algorítmica de problemas. En este curso se analizan algunas de esas técnicas, y se establecen las conexiones existentes entre los sistemas emergentes artificiales, la evolución biológica y la evolución social. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Asignatura orientada a revisar y aplicar conceptos fundamentales de interacción humano-computador en el desarrollo de interfaces de usuario para sistemas software. La asignatura destaca el carácter interdisciplinario de este campo, mostrando la aplicación de sus conceptos en diversos aspectos de la vida diaria y organizacional, junto con la integración de conocimientos de diversas áreas (ciencias humanas, diseño, comunicación). Se orienta principalmente a la especificación, diseño e implementación de interfaces software, situándolos dentro de procesos de desarrollo tradicionales y ágiles. Se consideran, además, las demandas que la creciente diversidad de dispositivos de operación de sistemas software presentan a este campo. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Para lidiar con la complejidad de desarrollar software de mediana y gran escala, la ingeniería de software, al igual que el resto de las ingenierías, propone el uso de modelos. Así, modelamos los datos que vamos a manipular, las funciones que los utilizarán y modificarán, y la interfaz a través del cual el software se comunica con el usuario o con otros sistemas. Sin embargo, estos modelos pueden cumplir un rol que trasciende a la herramienta que guía el desarrollo de software y facilita la gestión del proyecto: pueden convertirse en la base de la implementación del sistema. Modelos cercanos al cliente pueden transformarse automáticamente en diseño de la solución, o bien, en el mismo código ejecutable. En esta asignatura, se revisan los conceptos del desarrollo dirigido por modelos, capacitando al alumno a desarrollar herramientas que apoyen la implementación de sus sistemas. Se revisan y aplican los conceptos básicos del desarrollo de software dirigido por modelos, los requisitos para la implementación de este enfoque, su estado del arte y herramientas disponibles. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos.

Esta asignatura electiva está orientada a entender, conocer y aplicar diferentes estrategias para procesar y almacenar volúmenes de datos muy grandes. La asignatura incluye el estudio de algoritmos eficientes para descubrir características en colecciones de datos grandes y en grafos de la web y redes sociales como por ejemplo encontrar similaridades entre los nodos del grafo y descubrir comunidades. Por otro lado, la asignatura contempla técnicas de streaming para resumir ciertas características relevantes utilizando poco espacio para el flujo de datos. Finalmente, estudiaremos algunas técnicas de compresión y construcción de índices que se utilizan para representar los datos en espacio reducido y a la vez proporcionar operaciones básicas de acceso. Esta asignatura aporta a la siguiente competencia del perfil de egreso: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos. ? identificar y resolver problemas complejos utilizando el método científico y aplicando avances en una línea de especialización. ? comunicar efectivamente y organizar conocimiento adquirido desde múltiples fuentes de información científico-tecnológica.

Esta asignatura proporciona conocimientos avanzados en el área de ciencia de datos. Aporta conocimientos avanzados en el analisis estadístico de datos masivos, aprendizaje computacional, y visualización. Esta asignatura aporta a las siguientes competencias del perfil de egreso: - identificar y resolver problemas complejos utilizando el método científico y aplicando avances en una línea de especialización. - identificar oportunidades y nichos de investigación y/o de transferencia tecnológica en base al conocimiento adquirido en una línea de especialización.

Al finalizar esta asignatura los estudiantes manejarán con los conceptos básicos de cloud computing, conocerán las diferencias entre cloud computing y los otros paradigmas de computación, estarán familiarizados con modelos de programación populares (por ejemplo, mapreduce) en cloud computing, y serán capaces de desarrollar, de manera conceptual, sistemas software basados en el cloud. Para asistir a esta asignatura, el estudiante debe tener conocimiento algorítmico básico y habilidades de programación. No se requiere un lenguaje de programación en específico, pero se recomienda java, python o go. Esta asignatura contribuye a las siguientes competencias del perfil del graduado: ? mostrar conocimientos avanzados en ciencias de la computación, centrándose en al menos una línea de investigación del programa sustentada sobre conocimientos fundamentales de teoría de computación, algoritmos y estructuras de datos. ? identificar y resolver problemas complejos utilizando el método científico y aplicando avances en una línea de especialización.

Asignatura teórica que entrega al alumno las nociones fundamentales sobre técnicas probabilistas, aleatoriedad y cómputo. Las técnicas probabilistas juegan un rol primordial en el cómputo y las ciencias de la computación actual, con aplicaciones en la optimización combinatoria, redes de comunicación o el diseño de protocolos seguros para la comunicación, entre otros. Esta asignatura introducirá al alumno en las técnicas probabilistas y los paradigmas usados en el desarrollo y el análisis de algoritmos aleatorios.

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

En este curso se verán los fundamentos teóricos y prácticos del aprendizaje, los métodos clásicos y aproximados (usando redes neuronales) junto con el estado del arte en su aplicación a problemas de diversa índole. El curso comienza con la definición de conceptos básicos y necesarios, como la formalización de procesos de decisión de markov (mdp) y la ecuación de bellman, para luego seguir con una descripción de los diferentes tipos de aprendizaje por refuerzo (model-based y model-free, pasivo y activo, etc. ) y los métodos clásicos como q-learning y sarsa. A continuación se revisa cómo la combinación entre aprendizaje por refuerzo y redes neuronales ha aumentado la capacidad de aplicación de esta disciplina a problemas más complejos. Finalmente veremos tópicos avanzados de aprendizaje por refuerzo con múltiples agentes, antes de revisar los últimos avances en el área. En esta asignatura se asume que el estudiante tienen conocimientos fundamentales en inteligencia artificial, cálculo, probabilidades y estadística.

Asignatura teórico-práctica que entrega las herramientas metodológicas para diseñar y evaluar sistemas ciber físicos (cps:cyber physical systems) y gemelos digitales (dt: digital twin) en diferentes áreas de aplicación, tales como: ciudades inteligentes, salud, transporte, industria, entre otras áreas. En particular, esta asignatura proporciona una descripción general de la terminología, los métodos y estándares relevantes, arquitecturas y tecnologías que forman un cps y un dt, cuyo diseño se orienta a la utilización de modelos de inteligencia artificial integrados con modelos analíticos, que reduzcan la incertidumbre en la toma de decisiones y favorezcan el desarrollo de herramientas de modelación, monitoreo, control y optimización en procesos físicos reales.

La producción y el análisis de registros experimentales es fundamental para la psicología y la etología. Tal captura y análisis, generalmente realizados por humanos, es un proceso tedioso y propenso a errores. El proceso de automatización de tales tareas permite no solamente resultados cuantitativamente superior (e. G. Mas datos, costo menor) sino también resultados cualitativamente superior (e. G. Protocolos mas robustos). En esta asignatura, se diseñarán, implementarán y validarán dos aplicaciones que automatizan las tareas de generar, registrar y analizar experimentos simples en etología y psicología: primero uno simple, igual para todos los participantes del curso, individualmente, centrándose en la programación y validación; y luego uno más específico, desde la hipótesis hasta el diseño, programación y validación experimental.

Asignatura teórica que entrega fundamentos sobre algoritmos distribuidos y redes. En un inicio se presentarán definiciones necesarias para entender, analizar y posteriormente diseñar algoritmos distribuidos, tales como las definiciones de sistemas síncronos, fallos, y medidas de complejidad. Posteriormente, se estudiarán problemas clásicos en sistemas distribuidos como elección de líder, camino más corto, árbol recubridor de peso mínimo, conjunto independiente máximo y consenso con fallos. En esta asignatura también se estudiarán procesos de difusión de información en redes y estructuras de redes en donde procesos de búsqueda se pueden realizar de forma eficiente.

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