Ciencias de la Computación

Explica bits, bytes, sistemas binario y hexadecimal, texto Unicode, imágenes, sonido y compresión. La práctica incluye convertir representaciones y estimar tamaños de archivos y transferencias.

Cubre proposiciones booleanas, compuertas, circuitos combinacionales, memoria y relojes. Permite construir pequeños circuitos y relacionarlos con las operaciones de una computadora.

Trabaja con archivos, directorios, procesos, permisos, variables de entorno y la línea de comandos. El estudiante organiza proyectos y automatiza tareas sencillas con scripts.

Sigue la evolución desde las máquinas mecánicas y las primeras computadoras electrónicas hasta Internet, la computadora personal, el software libre, la nube y la inteligencia artificial. Relaciona cada etapa con cambios en hardware, lenguajes, instituciones y formas de trabajo.

Convierte problemas en datos, reglas, casos y procedimientos verificables. Usa pseudocódigo, diagramas y pruebas manuales antes de escribir programas.

Introduce variables, tipos, expresiones, entrada, salida, condiciones y ciclos mediante un lenguaje accesible como Python. Cada concepto se aplica en programas pequeños ejecutados desde la terminal.

Cubre funciones, parámetros, valores de retorno, alcance, módulos y separación de responsabilidades. La práctica transforma programas largos en componentes pequeños y reutilizables.

Trabaja con cadenas, listas, tuplas, conjuntos, diccionarios, archivos y formatos como CSV y JSON. El estudiante elige representaciones adecuadas y construye programas que conservan y transforman datos.

Presenta errores de sintaxis, ejecución y lógica, junto con trazas, puntos de interrupción, registros y casos mínimos reproducibles. También enseña a escribir pruebas automáticas para funciones sencillas.

Cubre repositorios, commits, ramas, fusiones, conflictos y trabajo con repositorios remotos. La práctica mantiene el historial de un proyecto y usa solicitudes de cambio para colaborar.

Estudia conjuntos, relaciones, funciones, sucesiones, recursión y estructuras discretas. Estas herramientas sostienen el análisis posterior de algoritmos, grafos, bases de datos y lenguajes.

Cubre lógica proposicional y de predicados, cuantificadores, inducción, contradicción e invariantes. El estudiante redacta y revisa demostraciones breves sobre programas y estructuras discretas.

Presenta reglas de conteo, permutaciones, combinaciones, probabilidad condicional, variables aleatorias y distribuciones comunes. La práctica incluye simulaciones y razonamiento sobre incertidumbre.

Trabaja con vectores, matrices, sistemas lineales, transformaciones, valores propios y descomposiciones. Relaciona estos conceptos con gráficos, optimización y aprendizaje automático.

Cubre límites, derivadas, gradientes, integrales y optimización de funciones. Se usan herramientas numéricas para visualizar funciones y resolver problemas donde no existe una solución cerrada sencilla.

Presenta clases, objetos, encapsulamiento, composición, herencia e interfaces. La práctica modela un dominio pequeño sin convertir cada dato o función en una clase innecesaria.

Trabaja con funciones puras, inmutabilidad, funciones de orden superior, clausuras y evaluación diferida. Compara estas ideas con el estado mutable y muestra cómo simplifican ciertas tareas concurrentes y de transformación de datos.

Cubre arreglos dinámicos, listas enlazadas, pilas, colas, tablas hash, árboles, montículos y conjuntos disjuntos. El estudiante implementa estructuras clave y evalúa sus costos y usos.

Presenta búsqueda, ordenamiento, divide y vencerás, recursión, programación dinámica, algoritmos voraces y retroceso. La práctica exige justificar corrección y medir comportamiento con distintas entradas.

Cubre recorridos, caminos mínimos, árboles de expansión, orden topológico, flujo y conectividad. Los problemas se modelan como grafos antes de seleccionar e implementar un algoritmo.

Estudia notación asintótica, análisis de peor caso y amortizado, cotas inferiores y compromisos entre tiempo y memoria. Incluye experimentos para distinguir complejidad teórica de rendimiento observado.

Presenta alfabetos, expresiones regulares, autómatas finitos, gramáticas y autómatas de pila. El estudiante construye reconocedores y relaciona los modelos con validadores, analizadores y protocolos.

Cubre máquinas de Turing, decidibilidad, reducciones, clases P y NP, NP-completitud y límites de la computación. Los ejercicios muestran qué problemas pueden resolverse, aproximarse o demostrarse intratables.

Estudia entropía, codificación, compresión sin pérdida, detección y corrección de errores y capacidad de canal. Conecta las medidas de información con almacenamiento, redes y comunicación confiable.

Cubre error de redondeo, estabilidad, interpolación, integración numérica, solución de ecuaciones y métodos iterativos. La práctica compara precisión, costo y confiabilidad de implementaciones científicas.

Presenta sintaxis, semántica, sistemas de tipos, gestión de memoria, polimorfismo y modelos de ejecución. Permite comparar lenguajes por las garantías y compromisos que ofrecen, no solo por su sintaxis.

Cubre análisis léxico, análisis sintáctico, árboles de sintaxis, verificación semántica, representación intermedia, optimización y generación de código. El proyecto construye un intérprete o compilador para un lenguaje pequeño.

Explica conjuntos de instrucciones, procesador, registros, memoria, cachés, canalización, interrupciones y dispositivos de entrada y salida. La práctica usa ensamblador y mediciones para conectar programas con ejecución física.

Trabaja con punteros, representación en memoria, pila, montón, asignación dinámica y llamadas al sistema mediante C o un lenguaje comparable. Incluye detección de fugas, accesos inválidos y comportamiento indefinido.

Cubre procesos, hilos, planificación, memoria virtual, sistemas de archivos, controladores, seguridad y virtualización. El estudiante implementa componentes simplificados y analiza el comportamiento de un sistema real.

Presenta condiciones de carrera, exclusión mutua, semáforos, monitores, interbloqueo y modelos basados en mensajes. La práctica diseña programas concurrentes y verifica que sus resultados no dependan del orden accidental de ejecución.

Cubre capas de red, Ethernet, direccionamiento IP, enrutamiento, TCP, UDP, DNS, HTTP y redes inalámbricas. Los laboratorios capturan tráfico y diagnostican conectividad, latencia y pérdida de paquetes.

Estudia relojes, orden de eventos, replicación, particionamiento, consenso, tolerancia a fallos y consistencia. El estudiante razona sobre fallas parciales y construye un servicio distribuido pequeño.

Cubre el modelo relacional, claves, restricciones, normalización, álgebra relacional, SQL, índices y planes de consulta. La práctica diseña una base de datos y mejora consultas a partir de evidencia.

Presenta transacciones, propiedades ACID, aislamiento, bloqueo, control multiversión, recuperación y registros. Los casos muestran anomalías reales y cómo elegir garantías adecuadas para operaciones críticas.

Cubre bases de documentos, clave-valor, columnas anchas y grafos, junto con sus modelos de consulta y consistencia. El estudiante selecciona un modelo según patrones de acceso, escalabilidad y requisitos de integridad.

Estudia fragmentación, replicación, consenso, transacciones distribuidas y bases globalmente distribuidas. La práctica compara diseños ante particiones de red, crecimiento geográfico y fallas regionales.

Cubre HTML semántico, CSS, JavaScript, eventos, estado del navegador, formularios, almacenamiento local y accesibilidad. El proyecto produce una interfaz web funcional sin depender primero de un framework.

Presenta servidores HTTP, enrutamiento, sesiones, autenticación, autorización, plantillas y acceso a datos. El estudiante construye una aplicación web con validación, manejo de errores y persistencia segura.

Cubre diseño de recursos, REST, RPC, GraphQL, contratos, versionado, paginación, idempotencia y límites de uso. La práctica diseña, documenta y prueba una API consumida por otro programa.

Trabaja con ciclos de vida móviles, interfaces adaptables, sensores, almacenamiento local, sincronización y notificaciones. Incluye decisiones entre aplicaciones nativas, multiplataforma y web progresiva.

Convierte necesidades reales en requisitos verificables, historias de usuario, reglas de negocio y modelos de dominio. La práctica incluye entrevistas simuladas, priorización y manejo explícito de ambigüedades.

Cubre modularidad, cohesión, acoplamiento, capas, arquitectura hexagonal, eventos y patrones de diseño. El estudiante documenta decisiones y evita aplicar patrones sin un problema concreto que los justifique.

Presenta pruebas unitarias, de integración, de contrato, de interfaz y de extremo a extremo. También cubre dobles de prueba, cobertura, pruebas basadas en propiedades y diseño para facilitar la verificación.

Trabaja con revisiones de código, estándares, refactorización, deuda técnica, documentación y mantenimiento de sistemas existentes. Los ejercicios se realizan sobre una base de código compartida y no solo sobre proyectos nuevos.

Cubre planificación iterativa, estimación, seguimiento de defectos, gestión de cambios y entrega incremental. Compara métodos ágiles y predictivos según el riesgo, el equipo y el entorno regulatorio.

Automatiza compilación, análisis estático, pruebas, empaquetado y despliegues mediante tuberías reproducibles. Incluye estrategias de ramas, entornos, aprobación, reversión y entrega gradual.

Presenta diseño de experimentos, hipótesis, métricas, perfiles de rendimiento, pruebas A/B y análisis reproducible. El estudiante distingue medición válida de conclusiones basadas en muestras o métricas engañosas.

Cubre imágenes, registros, redes, volúmenes, aislamiento y composición de servicios con contenedores. La práctica empaqueta una aplicación reproducible y reduce tamaño, privilegios y superficie de ataque.

Presenta cómputo, almacenamiento, redes virtuales, identidades, servicios administrados, regiones y modelos de costo. El estudiante diseña una arquitectura en la nube considerando disponibilidad, seguridad y gasto.

Cubre pods, despliegues, servicios, configuración, secretos, escalado, almacenamiento y controladores. La práctica opera una aplicación en Kubernetes y diagnostica fallas de programación, red y salud.

Estudia funciones administradas, arquitecturas dirigidas por eventos, límites de ejecución, arranques en frío y distribución de cómputo cerca del usuario. Los casos comparan serverless y edge con servidores y contenedores permanentes.

Cubre registros, métricas, trazas distribuidas, objetivos de nivel de servicio, alertas, respuesta a incidentes y análisis posterior. La práctica instrumenta un servicio y usa señales observables para encontrar una falla.

Presenta extracción, transformación, carga, procesamiento por lotes, calidad, linaje y orquestación de datos. El proyecto construye una canalización repetible desde fuentes crudas hasta datos listos para análisis.

Cubre flujos de eventos, ventanas, tiempo de evento, entrega de mensajes, reprocesamiento y estado distribuido. La práctica procesa datos continuos y controla duplicados, retrasos y fallas.

Estudia almacenes analíticos columnares, lagos de datos, formatos abiertos, catálogos y arquitecturas lakehouse. El estudiante diseña una plataforma analítica con gobernanza, particionamiento y costos medibles.

Presenta amenazas, activos, superficies de ataque, defensa en profundidad, mínimo privilegio y modelado de riesgos. Los laboratorios usan entornos controlados para reconocer vulnerabilidades sin dañar sistemas ajenos.

Cubre cifrado simétrico y asimétrico, funciones hash, firmas digitales, intercambio de claves, certificados y protocolos seguros. La práctica usa bibliotecas confiables y muestra por qué no debe inventarse criptografía propia.

Trabaja con validación de entradas, autenticación, autorización, gestión de sesiones, secretos y vulnerabilidades web comunes. Incluye revisión de código, pruebas de seguridad y corrección de una aplicación vulnerable.

Cubre dependencias, inventarios de componentes, firmas, compilaciones reproducibles, procedencia, secretos de automatización y riesgos de CI/CD. El estudiante protege una cadena de construcción frente a paquetes y artefactos comprometidos.

Presenta minimización de datos, consentimiento, anonimización, seudonimización, privacidad diferencial y cómputo confidencial. Los casos obligan a equilibrar utilidad, riesgo y obligaciones legales locales.

Cubre derechos de autor, patentes, secretos comerciales, licencias de software libre y condiciones de servicios digitales. La práctica revisa dependencias y prepara avisos de licencia para distribuir un proyecto correctamente.

Analiza sesgos, accesibilidad, vigilancia, impacto laboral, consumo energético, concentración de poder y responsabilidad profesional. Los estudiantes documentan riesgos y decisiones en casos donde una solución técnicamente posible puede causar daño.

Cubre investigación con usuarios, modelos mentales, prototipos, usabilidad, diseño de interacción y evaluación. La práctica mejora una interfaz a partir de tareas observadas y evidencia, no solo de preferencias visuales.

Presenta diseño inclusivo, tecnologías de asistencia, navegación por teclado, contraste, subtítulos y estándares de accesibilidad. El estudiante audita y corrige productos para personas con distintas capacidades y contextos de acceso.

Cubre geometría, transformaciones, rasterización, sombreado, texturas, iluminación y animación. La práctica construye un renderizador pequeño y analiza el costo visual y computacional de cada técnica.

Presenta arquitecturas masivamente paralelas, jerarquías de memoria, kernels y patrones de cómputo en GPU. Los laboratorios aceleran operaciones numéricas y miden cuándo la transferencia de datos elimina la ventaja.

Trabaja con microcontroladores, sensores, actuadores, interrupciones, temporización, energía y comunicación con periféricos. El proyecto integra software y hardware bajo restricciones reales de memoria y consumo.

Cubre el modelo de ejecución, memoria lineal, interoperabilidad y aislamiento de WebAssembly. La práctica lleva código compilado al navegador o al servidor y evalúa portabilidad, rendimiento y seguridad.

Presenta registros cuánticos, superposición, entrelazamiento, circuitos, medición y algoritmos representativos. Los ejercicios usan simuladores y distinguen ventajas demostradas de promesas todavía experimentales.

Cubre búsqueda, heurísticas, satisfacción de restricciones, representación del conocimiento, planificación y razonamiento probabilístico. La práctica resuelve problemas mediante modelos explícitos antes de recurrir al aprendizaje automático.

Presenta regresión, clasificación, árboles, ensambles, máquinas de soporte vectorial, agrupamiento y reducción de dimensionalidad. El estudiante prepara datos, entrena modelos y compara resultados con líneas base sencillas.

Cubre particiones de datos, validación cruzada, métricas, calibración, desbalance, fuga de información, sesgo y varianza. La práctica diseña evaluaciones que reflejan el costo real de errores y evitan resultados artificialmente optimistas.

Presenta redes neuronales, retropropagación, funciones de activación, regularización, optimizadores y arquitecturas profundas. Los laboratorios entrenan modelos y diagnostican sobreajuste, gradientes inestables y problemas de datos.

Cubre convoluciones, detección, segmentación, representaciones visuales y modelos generativos para imágenes. El estudiante construye una canalización de visión y evalúa su comportamiento ante iluminación, escala y grupos de usuarios distintos.

Trabaja con tokenización, representaciones vectoriales, clasificación, etiquetado, traducción y evaluación de texto. Compara métodos estadísticos, recurrentes y basados en atención.

Presenta percepción, localización, mapeo, planificación de movimiento, control y toma de decisiones. La práctica integra sensores y algoritmos en un simulador o robot pequeño.

Cubre atención, codificación posicional, bloques encoder y decoder, preentrenamiento y escalamiento. El estudiante implementa componentes esenciales y analiza costo, contexto y comportamiento emergente.

Estudia modelos fundacionales, tokenización, preentrenamiento, generación, uso de herramientas, evaluación y límites de los modelos grandes de lenguaje. La práctica construye aplicaciones con manejo explícito de errores, costos y datos sensibles.

Cubre fragmentación de documentos, embeddings, búsqueda vectorial, recuperación híbrida, reranking, citas y evaluación de respuestas. El proyecto construye un sistema RAG que fundamenta sus salidas en una colección verificable.

Presenta ajuste supervisado, adaptación eficiente de parámetros, preferencias humanas, datos sintéticos y prevención del olvido. La práctica decide cuándo ajustar un modelo, cuándo usar RAG y cómo evaluar la mejora obtenida.

Cubre difusión hacia adelante y hacia atrás, condicionamiento, espacios latentes, muestreo y evaluación de contenido generado. Los laboratorios trabajan con imágenes y examinan costos, sesgos y derechos sobre los datos.

Presenta estados, acciones, recompensas, procesos de decisión de Markov, aprendizaje por valor y métodos de política. La práctica entrena agentes en simuladores y detecta recompensas mal diseñadas.

Cubre tendencia, estacionalidad, autocorrelación, pronóstico clásico, modelos neuronales y validación temporal. El estudiante construye pronósticos sin mezclar información futura con el entrenamiento.

Estudia filtrado colaborativo, modelos de contenido, ranking, retroalimentación implícita, exploración y diversidad. La práctica crea un recomendador y evalúa calidad, cobertura, sesgo y efectos sobre usuarios.

Presenta diagramas causales, variables de confusión, experimentos aleatorizados, emparejamiento y estimación de efectos. Los casos distinguen predicción, correlación e intervención.

Cubre registro de experimentos, versionado de datos y modelos, servicios de inferencia, procesamiento por lotes, escalado y reversión. El estudiante lleva un modelo desde un cuaderno hasta un servicio reproducible.

Trabaja con deriva, calidad de datos, rendimiento, latencia, costo, retroalimentación y reentrenamiento. La práctica establece umbrales, alertas y procedimientos de respuesta para un modelo en operación.

Cubre documentación, trazabilidad, evaluaciones de impacto, supervisión humana, auditoría y cumplimiento de normas aplicables. El estudiante define controles proporcionales al riesgo y prepara evidencia para revisar un sistema automatizado.

Presenta ataques adversarios, envenenamiento de datos, extracción de modelos, inyección de instrucciones, fuga de información y abuso de herramientas. Los laboratorios prueban defensas por capas y registran riesgos residuales.

Usa asistentes para explicar código, generar pruebas, refactorizar, buscar defectos y documentar sin delegar la verificación. La práctica exige revisar licencias, privacidad, exactitud y seguridad de cada propuesta generada.

Sigue un producto desde la necesidad y los requisitos hasta el diseño, implementación, pruebas, seguridad, despliegue, observabilidad y mantenimiento. El proyecto final produce código, documentación, automatización, métricas y una revisión posterior basada en evidencia.

Presenta perfiles como desarrollo, datos, infraestructura, seguridad, investigación, experiencia de usuario, sistemas embebidos e inteligencia artificial. Orienta sobre portafolios, proyectos de código abierto, experiencia inicial, entrevistas, certificaciones pertinentes y hábitos para seguir la evolución técnica.