Texto íntegro, respetando la estructura de semestres y materias, seguido de un análisis exhaustivo del diseño curricular.
Estructura de la Carrera: Ingeniería en Inteligencia Artificial y Neurociencia Computacional
Estructura de 8 semestres, con 5 materias por semestre, diseñada con una progresión que va desde los cimientos matemáticos y biológicos hasta las cumbres de la neurocomputación avanzada.
| Semestre | Eje Temático | Metáfora del Viaje |
| 1-2 | Fundamentos y Lenguajes | Aprender el alfabeto del cerebro y la máquina. |
| 3-4 | Núcleo de la Computación Neuronal | Modelar la neurona y construir el pensamiento. |
| 5-6 | Especialización y Fusión | Integrar mente, máquina y grandes volúmenes de datos. |
| 7-8 | Proyección y Síntesis | Explorar las fronteras del conocimiento. |
PRIMER AÑO: FUNDAMENTOS Y LENGUAJES
Semestre 1: El Lenguaje de la Realidad
Objetivo: Adquirir las herramientas matemáticas y de programación fundamentales para describir el mundo.
| # | Nombre de la Materia | Contenido Fundamental |
| 1 | Matemáticas I: Álgebra Lineal y Geometría Analítica Vectorial | Espacios vectoriales, matrices, determinantes, sistemas de ecuaciones. Geometría analítica en el plano y el espacio. Vectores, producto escalar, vectorial y mixto. |
| 2 | Matemáticas II: Cálculo Diferencial e Integral en una Variable | Límites, continuidad, derivadas, integrales definidas e indefinidas. Teoremas fundamentales del cálculo. Series de Taylor. Aplicaciones a la optimización y el cálculo de áreas y volúmenes. |
| 3 | Fundamentos de Programación I: Pensamiento Algorítmico | Introducción a la programación con Python. Tipos de datos, estructuras de control, funciones, recursividad. Desarrollo del pensamiento lógico y algorítmico. |
| 4 | Biología Celular y Fundamentos de Genética | Estructura y función celular. Membrana, orgánulos, núcleo. Dogma central de la biología molecular: replicación, transcripción y traducción. Introducción a la herencia genética. |
| 5 | Humanidades y Ciencias Sociales I: Historia y Filosofía de la Mente | Un recorrido por las grandes preguntas sobre la conciencia, la inteligencia y el pensamiento desde la filosofía clásica hasta la era de la IA. |
Semestre 2: El Lenguaje de la Vida y el Azar
Objetivo: Completar la base matemática y computacional, e introducir los principios de la biología y la probabilidad.
| # | Nombre de la Materia | Contenido Fundamental |
| 6 | Matemáticas III: Cálculo en Varias Variables y Ecuaciones Diferenciales | Derivadas parciales, gradiente, optimización multivariable, integrales múltiples. Ecuaciones diferenciales ordinarias (EDOs) de primer y segundo orden. Aplicaciones a modelos biológicos simples. |
| 7 | Probabilidad y Estadística | Espacios de probabilidad, variables aleatorias, distribuciones discretas y continuas, teorema central del límite. Introducción a la inferencia estadística: estimación y contraste de hipótesis. |
| 8 | Fundamentos de Programación II: Estructuras de Datos y Algoritmos | Listas, pilas, colas, árboles, grafos. Algoritmos de búsqueda y ordenación. Complejidad computacional (notación Big O). |
| 9 | Neuroanatomía y Neurofisiología Fundamental | Estructura macroscópica y microscópica del sistema nervioso. Organización del cerebro, la médula espinal y los nervios. Fisiología básica de la neurona: potencial de membrana, potencial de acción, transmisión sináptica. |
| 10 | Ética y Regulación en IA y Neurotecnología | Sesgos algorítmicos, privacidad de datos neuronales, transparencia, explicabilidad, marcos legales (GDPR, etc.) y desafíos éticos de la inteligencia artificial y las interfaces cerebro-máquina. |
SEGUNDO AÑO: NÚCLEO DE LA COMPUTACIÓN NEURONAL
Semestre 3: Modelando la Unidad Fundamental
Objetivo: Construir los primeros modelos computacionales de la neurona y sentar las bases del aprendizaje automático.
| # | Nombre de la Materia | Contenido Fundamental |
| 11 | Introducción a la IA y Machine Learning | Agentes inteligentes, búsqueda heurística, representación del conocimiento. Aprendizaje supervisado (regresión lineal, logística, árboles de decisión) y no supervisado (clustering). |
| 12 | Neurociencia Computacional I: Modelos Neuronales | Del modelo de Hodgkin-Huxley a los modelos simplificados (Integrate-and-Fire, Izhikevich). Simulación de la dinámica neuronal y de redes neuronales biológicas simples. |
| 13 | Redes Neuronales y Deep Learning I: Fundamentos | El perceptrón, redes multicapa, el algoritmo de backpropagation. Funciones de activación, inicialización de pesos y optimización por descenso del gradiente. |
| 14 | Señales y Sistemas | Análisis de señales en tiempo continuo y discreto. Series y transformada de Fourier. Análisis en el dominio de la frecuencia. Muestreo y reconstrucción. Filtros digitales. |
| 15 | Humanidades y Ciencias Sociales II: Cognición y Comportamiento | Introducción a la psicología cognitiva: percepción, atención, memoria, lenguaje, emoción y toma de decisiones. Modelos cognitivos y su relación con la neurociencia. |
Semestre 4: Construyendo el Pensamiento
Objetivo: Escalar los modelos desde la neurona a las redes y aplicar el aprendizaje automático a datos complejos.
| # | Nombre de la Materia | Contenido Fundamental |
| 16 | Redes Neuronales y Deep Learning II: Arquitecturas Avanzadas | Redes convolucionales (CNNs), recurrentes (RNNs, LSTMs, GRUs). Mecanismos de atención y fundamentos de los Transformers. |
| 17 | Neurociencia Computacional II: Modelos de Redes y Sistemas | Modelos de redes neuronales biológicas (redes de Hopfield, anillos de Wilson-Cowan). Sistemas dinámicos en neurociencia. Aprendizaje Hebbiano. |
| 18 | Procesamiento de Señales e Imágenes Biomédicas | Técnicas de procesamiento y análisis de imágenes. Aplicación a neuroimagen (MRI, fMRI, EEG/MEG). Extracción de características y spike sorting. |
| 19 | Bases de Datos y Computación en la Nube | Modelado de datos, SQL y NoSQL. Sistemas distribuidos y computación en la nube (AWS, GCP, Azure). Procesamiento a gran escala con Spark. |
| 20 | Introducción a la Teoría de la Información | Entropía, información mutua, codificación de fuente, capacidad de canal. Cuantificación de la transmisión de información en sistemas neuronales. |
TERCER AÑO: ESPECIALIZACIÓN Y FUSIÓN
Semestre 5: Integrando Mente y Máquina
| # | Nombre de la Materia | Contenido Fundamental |
| 21 | Neurociencia de Sistemas | Bases neurales de la visión, audición, sistema motor, memoria, lenguaje y funciones ejecutivas. |
| 22 | Aprendizaje por Refuerzo | MDPs, Q-learning, Deep Q-Networks. Relación con el sistema dopaminérgico del cerebro. |
| 23 | Interfaces Cerebro-Computadora (BCI) e Interacción Humano-Máquina | Adquisición de señales EEG/ECoG. Diseño de BCI para neurorrehabilitación y control de prótesis. |
| 24 | Procesamiento del Lenguaje Natural (NLP) | Embeddings (Word2Vec), LLMs y Transformers. |
| 25 | Optativa I | Ruta Neuro: Conectómica / Ruta IA: Visión por Computador Avanzada. |
Semestre 6: Fronteras del Aprendizaje
| # | Nombre de la Materia | Contenido Fundamental |
| 26 | Modelos Generativos Profundos | GANs, VAEs, modelos de difusión. Generación de datos sintéticos de actividad cerebral. |
| 27 | Neuromodulación Computacional y Farmacología de Sistemas | Modelado de dopamina, serotonina, noradrenalina. Impacto en la dinámica de redes y aprendizaje. |
| 28 | Métodos de Optimización Avanzada | Optimización convexa, métodos de segundo orden, descenso de gradiente estocástico a gran escala. |
| 29 | Neurociencia Cognitiva y Computacional Afectiva | Modelado de emociones, motivación y trastornos del estado de ánimo. |
| 30 | Optativa II | Ruta Neuro: Modelado de Enfermedades / Ruta IA: Robótica Cognitiva. |
CUARTO AÑO: PROYECCIÓN Y SÍNTESIS
Semestre 7: Síntesis y Aplicación
| # | Nombre de la Materia | Contenido Fundamental |
| 31 | Taller de Proyecto de Síntesis I | Construcción de un agente neuro-inspirado (ej. modelo de corteza visual). |
| 32 | Prácticas Profesionales | Aplicación en empresas tecnológicas o laboratorios de investigación. |
| 33 | Neuroética Avanzada y Políticas Públicas | Gobernanza responsable de la neurotecnología. |
| 34 | Optativa III | Ruta Neuro: Neuromórfica (Chips) / Ruta IA: MLOps. |
| 35 | Seminario de Tópicos Avanzados | Discusión de artículos científicos de vanguardia. |
Semestre 8: Horizontes y Trabajo de Fin de Grado
| # | Nombre de la Materia | Contenido Fundamental |
| 36 | Taller de Proyecto de Síntesis II | Evaluación y documentación técnica del proyecto. |
| 37 | Trabajo de Fin de Grado (TFG) | Investigación o desarrollo original bajo supervisión. |
| 38 | Emprendimiento y Gestión de la Innovación | Modelos de negocio, propiedad intelectual y startups en IA/Neuro. |
| 39 | Optativa IV | Ruta Neuro: Simulación de Cerebro a Gran Escala / Ruta IA: Quantum ML. |
| 40 | Perspectivas Profesionales y Preparación para el Postgrado | Orientación académica y laboral. |
Análisis Exhaustivo del Diseño Curricular
Esta ingeniería propone una simbiosis radical entre las ciencias de la vida y las ciencias de la computación. A continuación, se desglosan los puntos clave de su eficacia pedagógica:
1. Sólida Base Multidisciplinar (Años 1-2)
El programa evita el error común de enseñar IA como una «caja negra». Al incluir Biología Celular y Cálculo de Varias Variables desde el inicio, prepara al alumno para entender la complejidad biofísica.
-
Importancia de la Neuroanatomía: Es fundamental para que el ingeniero comprenda las restricciones físicas de la arquitectura que intenta imitar digitalmente.
-
El rol de la Ética: Introducir la regulación en el semestre 2 es vital; en este campo, el manejo de datos cerebrales plantea dilemas de privacidad sin precedentes.
2. Convergencia de Modelos (Año 2)
El Semestre 3 es el corazón de la carrera. Se enseñan en paralelo el Machine Learning (IA estadística) y los Modelos Neuronales (Neurociencia computacional). Esta dualidad permite al estudiante comparar cómo una neurona de Hodgkin-Huxley (biofísica) difiere de una neurona de Deep Learning (matemática), fomentando el pensamiento crítico sobre la «bioplausibilidad» de la IA actual.
3. Aplicación y Conexión (Año 3)
El enfoque en BCI (Brain-Computer Interface) y Aprendizaje por Refuerzo conecta la teoría con la praxis médica y tecnológica.
-
El aprendizaje por refuerzo se estudia no solo como algoritmo (Q-Learning), sino vinculado al sistema dopaminérgico humano, lo que permite diseñar agentes de IA más eficientes basándose en la recompensa biológica.
4. Especialización y Futuro (Año 4)
La división en Rutas (Neuro vs IA) permite que el egresado decida si quiere construir la próxima generación de algoritmos (IA avanzada) o dedicarse a la salud y simulación cerebral (Neurociencia).
-
La inclusión de Computación Neuromórfica (chips que imitan el cerebro) es el siguiente gran salto tecnológico, y este currículo lo aborda como una competencia avanzada.
5. Salida Profesional y Emprendimiento
El último semestre no se limita a la técnica; incluye Gestión de la Innovación. Esto es crucial para un sector donde la transferencia tecnológica de la universidad a la empresa (startups) es extremadamente común y necesaria.
Conclusión: Es un currículo de alta intensidad que forma a un profesional híbrido capaz de «hablar» tanto con médicos y biólogos como con arquitectos de software, posicionándolo en la vanguardia de la próxima revolución tecnológica.