4000

Este curso es la primera parte del trabajo de investigación que deben realizar todos los estudiantes del programa.  El trabajo realizado debe incluir el planteamiento y  análisis de un problema así como la especificación y DISEÑO de su solución. Lo anterior puede acompañarse de un prototipo o de una primera etapa de su desarrollo. El resultado final debe ser una contribución significativa (al menos en cuanto al planteamiento, análisis y el DISEÑO inicial) con respecto a los alcances globales del proyecto.

La parte final del trabajo de investigación iniciado en Tesis 1. Se debe completar y terminar el proyecto iniciado en Tesis 1, de tal manera que se haga un aporte original y, ojalá, significativo al área en que se desarrolló. Al final del semestre, el estudiante debe entregar un documento que describa el problema planteado, el estado del arte relacionado, la solución propuesta y los resultados obtenidos. El estudiante también debe realizar una sustentación pública de su trabajo. El comité de tesis conformado por su asesor y al menos dos jurados (uno de los cuales deberá ser externo al Departamento) evaluarán el trabajo usando de los siguientes criterios: conocimiento del estado del arte, desarrollo del proyecto, sustentacíón, documento y el producto final del trabajo.

El Departamento autorizará la inscripción de un curso por tutoría a los estudiantes que tengan necesidad justificada e inaplazable de tomar un curso en un área en la que no se ofrecen electivas y que cumplan los requisitos establecidos por el programa.

El Departamento autorizará la inscripción de este curso a los estudiantes que deban ver una electiva profesional del pregrado de Ingeniería de Sistemas de  tres créditos y de nivel 3. El profesor de la materia debe darle trabajo adicional al estudiante que toma este tutorial especial equivalente a 1 crédito.

Este curso usa el concepto de agentes como base para el desarrollo de sistemas inteligentes. Al Final del curso, el estudiante habrá aprendido los conceptos básicos de la inteligencia artificial basada en agentes y será capaz de aplicar las técnicas aprendidas para resolver problemas.

Presenta tanto la infraestructura como los servicios que se ofrecen en las nuevas tendencias tecnológicas de redes móviles. A partir del estudio detallado de la tecnología se analiza el impacto de la misma en los negocios.

En este curso se estudian y especifican las plataformas para el diseño de las redes de datos LAN y WAN tanto en las redes corporativas como en las redes de los operadores de telecomunicaciones, abarcando redes fijas, inalámbricas y móviles. Se incluyen tecnologías como Ethernet aplicado a redes de datos corporativas y de operadores de telecomunicaciones tales como MPLS, GMPLS, Frame Realy, xDSL, LTE, LTE-A, entre otras tecnologías. Posteriormente se estudian algunas tecnologías de nivel 1 asociadas también al core del operador, como DWDM, y se aborda de manera introductoria el concepto de conmutación óptica (OPS, OLS, OBS). Asociado al nivel físico también se cubren algunas tecnologías de redes inalámbricas como: WiFi, WiMax y redes celulares. Posteriormente se estudia el proceso de convergencia de servicios a nivel de transmisión de aplicaciones multimedia.

El propósito de este curso es ofrecer a los participantes elementos fundamentales para entender cómo servicios de IT pueden ser ofrecidos utilizando soluciones cloud. Se presentará como construir aplicaciones para el cloud y cómo evaluar alternativas arquitecturales de estas aplicaciones de acuerdo con los requerimientos.

En este curso se estudian y especifican las plataformas para el diseño de las redes de datos LAN y WAN tanto en las redes corporativas como en las redes de los operadores de telecomunicaciones, abarcando redes fijas, inalámbricas y móviles. Se incluyen tecnologías como Ethernet aplicado a redes de datos corporativas y de operadores de telecomunicaciones tales como MPLS, GMPLS, Frame Realy, xDSL, LTE, LTE-A, entre otras tecnologías. Posteriormente se estudian algunas tecnologías de nivel 1 asociadas también al core del operador, como DWDM, y se aborda de manera introductoria el concepto de conmutación óptica (OPS, OLS, OBS). Asociado al nivel físico también se cubren algunas tecnologías de redes inalámbricas como: WiFi, WiMax y redes celulares. Posteriormente se estudia el proceso de convergencia de servicios a nivel de transmisión de aplicaciones multimedia.

El objetivo de este curso es actualizar a los participantes sobre las nuevas aplicaciones y capacidades que la Web Semántica hará posible. Así mismo, se estudiaran las técnicas que existen para el diseño de estas aplicaciones. El objetivo de la Web Semántica es convertir la actual red de documentos a una red más amplia de datos. En los últimos años las nuevas técnicas de Linked Data hacen esta visión una realidad y han renovado el interés en la Web Semántica.

El propósito del curso es presentar, analizar y utilizar las oportunidades de innovación que ofrece el análisis de grandes cantidades de datos en: la toma de decisiones estratégicas y tácticas de una organización, el desarrollo de aplicaciones en diferentes campos del conocimiento y la selección e integración de infraestructuras que aseguren una alta escalabilidad permitiendo así un crecimiento natural de las soluciones implementadas.

La amplia penetración de internet, del uso de los dispositivos móviles, la amplia gama de sensores conectados (ambientales, de ámbito personal, embebidos) abren la posibilidad de análisis de grandes cantidades de datos con miras a apoyar la calidad de vida de los individuos, sus decisiones diarias y las de sus negocios. Los sistemas de recomendación modernos se basan en el análisis de información de contexto con el fin de determinar e inferir nueva información de interés para los usuarios y las organizaciones para apoyar el proceso de toma de decisiones de estos. Ejemplos claros de tales sistemas son los que permiten direccionar campañas de mercadeo, sistemas que permiten enrutar mensajes o sugerir nuevos contactos en redes sociales, hacer análisis de tendencias para sugerir novedades a perfiles de segmentos de clientes (productos, contenidos) o dar apoyo en la planeación a nivel urbano o empresarial. Un caso especial de recomendaciones son los sistemas de alerta (por ejemplo, casos de situaciones de monitoreo de seguridad, monitoreo médico, gestión de riesgos, en general situaciones en las que se encuentra una situación excepcional). En general, los sistemas de recomendación ayudan a un usuario a evaluar la pertinencia que un ítem (i.e página web, libro, película, alerta) tiene para un usuario basado en su contexto. Los sistemas de información son útiles ya que calculan esta relevancia automáticamente, lo que permite a sus usuarios evaluar una gran cantidad de opciones que no podrían evaluar de otra forma, bien sea por falta de experiencia individual del usuario o por la abrumadora cantidad de ítems presentes en el sistema. El contexto utilizado para calcular la pertinencia de los ítems puede estar dado por los patrones de comportamiento de un individuo o de una comunidad. Para que una recomendación sea adecuada, debe ser entregada de forma oportuna y pertinente. De lo contrario, puede convertirse rápidamente en spam. Es clave determinar entonces qué se recomienda, a quién, cuándo y cómo. El curso busca generar habilidades de análisis de información y de diseño de sistemas de recomendación en diferentes escenarios, utilizando principalmente tecnologías de computación móviles y sensores como fuentes de datos.

The first part of the course will focus on understanding machine learning algorithms and identifying challenging problems on the Web, learning how to apply machine learning algorithms to these problems, and how to use the existing tools and design new ones. Examples of topics include: supervised learning techniques, e.g., text classification, kernel methods and Support Vector Machines, Bayesian learning, Artificial Neural Networks and Deep Learning techniques, as well as semi-supervised learning techniques. The second part of the course will focus on modeling social networks. Examples of topics include: what are networks and why do we study them; describing and measuring networks (e.g., centrality, degrees, diameters); community (e.g., clustering, community structure); opinion mining, coordination and cooperation. Each lecture will include a guided, hands-on exercise for students using publicly-available machine learning and data mining tools on large document collections obtained from well-known digital library portals and social media sites. Prerequisites: Basic knowledge on probability and statistics, data structures, programming, and algorithms. Background in machine learning or social and information network analysis is not required.

Denominamos un ambiente interactivo 3D (AI3D) a una aplicación que manipula información tridimensional, y cuyo propósito puede ser entretenimiento, artístico o productivo. Este curso busca capacitar a sus estudiantes en el desarrollo de AI3Ds, usando los recursos disponibles en Colivri, y con un conocimiento profundo del potencial de dichas aplicaciones, de las tecnologías en uso y del estado del arte en el área.

“Visual Analytics”, o Analítica visual, es el conjunto de conocimiento que nos permite utilizar técnicas de visualización interactiva con algoritmos y métodos de análisis de datos, con el fin de apoyar el razonamiento analítico para la toma de decisiones. La Analítica visual es utilizada en áreas muy diversas que cubren ciencias, ingeniería, negocios y gobierno. Encontramos ejemplos de áreas de aplicación en análisis y toma de decisiones en sistemas urbanos, exploración petrolera, banca, seguridad, emergencias y desastres naturales, monitoreo de salud para manejo de epidemias, entre otros. Encontramos entonces en el contenido del curso tanto bases teóricas de esta área interdisciplinaria, análisis de casos de aplicación, como la realización de miniproyectos de aplicación de técnicas de analítica visual en situaciones reales.

Este curso trata sobre los fundamentos de la computación visual interactiva comprendidos en los siguiente temas: El modelaje de escenas 2D/3D en computador (geometría, apariencia y comportamiento); a generación visual por computador de estas escenas buscando realismo y desempeño en su despliegue; las posibilidades y técnicas de interacción entre el Usuario y las escenas 2D/3D así como los métodos de evaluación de la experiencia de usuario y el aspecto de usabilidad; y la representación y despliegue de información de interés al usuario en esquemas visuales para facilitar su interpretación.

La información visual juega un papel importante en casi todas las áreas de nuestra vida. Hoy en día, mucha de esta información es representada y procesada digitalmente. El procesamiento de imágenes digitales es ubicuo, con aplicaciones que van desde la televisión a la tomografía, desde la fotografía hasta la impresión, desde la robótica hasta la teledetección. Este es un curso introductorio a los fundamentos del procesamiento digital de imágenes. Se hace énfasis en los principios generales de procesamiento de la imagen, en lugar de aplicaciones específicas. Se tratan temas tales como muestreo y cuantización de imagen, color, operaciones básicas de píxeles, segmentación, procesamiento morfológico de imágenes, filtrado lineal de imágenes lineal, reducción de ruido y extracción de características. Los estudiantes son libres de explorar la aplicación del procesamiento de imágenes a sus áreas de interés, en particular dentro del marco del proyecto final del curso, en el cual harán un planteamiento propio a un problema específico poniendo en práctica la teoría vista en clase. Algunas de estas áreas pueden ser: astronomía, cartografía, satélites y fotografía aérea, meteorología, agronomía, inspección industrial, oceanografía, biología (microscopía), medicina (radiología), criminalística, etc.

El curso estudia la teoría, problemas específicos y métodos de solución que buscan darle a un robot móvil (agente físico) o un conjunto de robots la capacidad de movilidad con la que puede(n) resolver su(s) tarea(s) en ambientes conocidos o desconocidos. Los métodos de base son: guiado por un usuario (basado en Interacción Hombre-Robot), completamente autónomo (basado en representación y búsqueda en espacios conocidos/desconocidos) o supervisado (con intervención limitada de un usuario). Las estrategias de movimiento/navegación se definen en función principalmente de los siguientes factores: el nivel de intervención de un usuario/supervisor, las capacidades de movilidad y sensoriales del robot(s), la tarea a ejecutar, la información disponible sobre el ambiente de intervención y su nivel de incertidumbre, el número de robots participantes, el tiempo disponible y el nivel de interacción del usuario con el robot(s).

In the past decade, Scientific Computing has supplemented or replaced traditional scientific workflows to address modeling, design, and optimization problems across a wide range of scientific and engineering domains. Analysis of and insight into the enormous amount of data produced by modern numerical experiments in this context mandates the use of sophisticated visualization and data analysis techniques. The present course is aimed at providing students with a solid understanding of, and practical competence in, the area of interactive visual data analysis. In addition to an introduction into the theoretical framework of visualization and ready-to-use tools, a particular focus of study is on the programmatic generation of visualization tailored to specific problems. Last, the course will introduce students to the efficient visualization of large datasets through parallel programming and other techniques. This course explore the elements of high performance scientific computing and visualization. Students will obtain hands-on experience in: 1) Formulating a mathematical model to describe a physical phenomenon 2) Discretizing the model 3) Designing/analyzing algorithms efficiently on parallel computers 4) Performing a computer experiment by executing the program 5) Visualizing simulation data in an immersive and interactive virtual environment 6) Managing/mining large datasets.