Dirigido a: 

Estudiantes, profesoras, profesores y profesionales de ingeniería, física, química, ciencia de materiales, nanotecnología, biomédica y áreas afines interesados en la simulación molecular y su aplicación a sistemas moleculares y materiales.

Módulo I. Introducción a la IA y fundamentos de Machine Learning

Instructores: Dr. Ángel Iván García Moreno

Duración: 8 horas

Fechas: 3 de agosto de 2026

• Introducción a la inteligencia artificial: conceptos, alcances y aplicaciones.

• IA en Industria 4.0, modelado, simulación y análisis de datos.

• Fundamentos de Machine Learning y flujo general de trabajo.

• Preparación de datos, partición de conjuntos, entrenamiento y evaluación.

• Criterios básicos para seleccionar algoritmos y analizar desempeño.

Prácticas Módulo I

• Preparación y exploración inicial de un conjunto de datos.

• Entrenamiento guiado de un modelo básico de Machine Learning.

• Evaluación e interpretación inicial de resultados.

Módulo II. Machine & Deep Learning y redes neuronales

Instructores: Dr. Ángel Iván García Moreno

Duración: 8 horas

Fechas: 4 de agosto de 2026

• Panorama de técnicas de Machine Learning y Deep Learning.

• Conceptos base de redes neuronales: neuronas, capas, entrenamiento y funciones de pérdida.

• Aplicaciones representativas de redes neuronales en clasificación, predicción y reconocimiento de patrones.

• Revisión de sobreajuste, validación y criterios básicos de desempeño.

• Interpretación práctica de resultados y limitaciones del modelo.

Prácticas Módulo II

• Configuración de un flujo básico de entrenamiento y validación.

• Ejercicio introductorio con una red neuronal simple.

• Comparación de resultados entre un modelo clásico y un modelo neuronal básico.

Módulo III. Procesamiento de Lenguaje Natural y ética/gobernanza en IA

Instructores: Dr. Ángel Iván García Moreno

Duración: 9 horas

Fechas: 5 de agosto de 2026

• Procesamiento de Lenguaje Natural: conceptos, flujo de trabajo y aplicaciones.

• Preparación de texto, representación de información y tareas introductorias de NLP.

• Aplicaciones de IA generativa y análisis de lenguaje en entornos académicos e industriales.

• Ética y gobernanza en IA: sesgos, privacidad, transparencia y uso responsable.

• Criterios para documentar, comunicar y evaluar soluciones básicas de IA.

Prácticas Módulo III

• Ejercicio guiado de análisis básico de texto.

• Discusión práctica sobre riesgos, sesgos y gobernanza de los sistemas de IA.

• Integración y breve presentación de los resultados del taller.

Bibliografía básica y complementaria:

Bibliografía Básica

1. Russell, S. J. y Norvig, P. (2021). Inteligencia Artificial: un enfoque moderno. Pearson, 4a ed.

2. Goodfellow, I., Bengio, Y. y Courville, A. (2016). Deep Learning. MIT Press.

3. Han, R. (2021). Matemáticas del Aprendizaje Automático: Introducción a la analítica de datos e inteligencia artificial. Richard Han.