• Destinatarios:
  • Docentes, coordinadores académicos, personal administrativo y responsables de gestión educativa
    interesados en implementar prácticas ágiles apoyadas en Inteligencia Artificial para mejorar sus procesos
    institucionales.
• Objetivo(s) o competencia(s):
  • Este taller combina lo mejor de la Inteligencia Artificial (IA) con los frameworks ágiles (Scrum, SAFe,
    Lean). El objetivo es aprender las bases de la IA y aplicarlas en proyectos reales de manera práctica,
    colaborativa y en ciclos cortos de trabajo asegurando la optimización de procesos educativos y
    consiguiendo que la agilidad este presente en la organización de los involucrados.
  • Los participantes desarrollarán habilidades para:
    • Crear soluciones en sprints de aprendizaje con entregables claros.
    • Detectar posibles automatizaciones con Inteligencia Artificial.
    • Integrar IA en el trabajo cotidiano con un enfoque iterativo y adaptable.
  • Al terminar, no sólo comprenderán cómo funciona la Inteligencia Artificial, sino también cómo aplicarla y
    liderar su adopción con agilidad.
• Metodología y Actividades:
  •  Exposiciones interactivas con ejemplos y casos reales.
  •  Foros de discusión guiados.
  • Actividades en equipo para aplicar metodologías ágiles con IA.
  • Dinámicas grupales de ideación y prototipado.
• Mecanismo y criterios de evaluación:
  • Participación activa en sesiones virtuales y presenciales (30%).
  • Resolución de actividades prácticas aplicadas a casos educativos (50%).
  • Participación en sesión presencial donde se cree un proyecto final que integre propuestas de
    agilidad organizacional apoyadas en IA (20%).

Descripción:

• Durante el primer semestre de 2023, México registró más de 14 mil millones de intentos de ciberataques, lo que subraya la urgencia de implementar medidas efectivas de ciberseguridad para proteger información sensible. Las instituciones gubernamentales son objetivos atractivos para los cibercriminales debido a la falta de inversión en ciberseguridad en comparación con el sector privado. Esto pone en riesgo no solo la información pública, sino también la confianza ciudadana 

Destinatarios:

• Profesionales responsables de la infraestructura de Tecnologías de Información y Comunicación de la UNAM. 

Objetivo(s) o competencia(s):

• Los participantes reconocerán prácticas esenciales para habilitarse en técnicas ofensivas como defensivas en ciberseguridad, con un enfoque en la protección de la infraestructura crítica utilizando software libre.

Metodología y Actividades: 

• Aprendizaje activo: combinando teoría con práctica guiada en entornos simulados.
• Enfoque basado en casos: resolución de escenarios reales aplicables al contexto universitario.
• Software libre: uso exclusivo de herramientas abiertas (Kali Linux, Wazuh, OpenVAS, MISP, etc.)
• Trabajo colaborativo: análisis y ejercicios por equipos sobre simulación de ataques y defensa.
• Orientación práctica: laboratorio virtual o entorno controlado tipo "CTF" (Capture The Flag) para consolidar aprendizajes.
• Análisis de caso: incidente de ransomware en infraestructura académica.
• Debate dirigido: ¿hasta dónde debe llegar la vigilancia en redes universitarias?

Mecanismo y criterios de evaluación:

• Autoevaluación inicial: breve cuestionario para conocer conocimientos previos y expectativas.
• Caso práctico en grupo: incidente de ransomware en infraestructura académica.
• Ejercicio colaborativo: diseño de un plan de respuesta a incidentes.
• Quiz final: validación de conceptos clave con herramienta interactiva.
• Autoevaluación final: comparación con la inicial para medir el progreso.
• Feedback: formulario o QR para valorar la sesión.

Criterios:

• Ejercicios prácticos en grupo
• Trabajo colaborativo (casos/plan de respuesta)
• Informe técnico
• Evaluación final escrita.

Descripción:

• Workshop de certificación para aprender CUDA y su uso a través de Python.

• Destinatarios:

• Ingenieros de software que buscan optimizar sus aplicaciones utilizando la computación paralela.
• Científicos de datos y analistas que necesitan acelerar procesos de análisis de datos utilizando GPUs.
• Profesionales de áreas relacionadas con la computación científica y el procesamiento de datos de alto rendimiento.

Objetivo(s) o competencia(s):

• Conocimiento especializado: Adquirir conocimientos avanzados en programación paralela utilizando GPUs.
• Optimización de aplicaciones: Aprender técnicas para acelerar el procesamiento de datos y mejorar el rendimiento de las aplicaciones.
• Certificación NVIDIA: Al finalizar el curso, los participantes podrán obtener una certificación de NVIDIA, reconociendo sus habilidades en CUDA Python.
• Aplicabilidad práctica: A través de ejercicios y evaluaciones, los participantes podrán aplicar lo aprendido en proyectos reales, mejorando su capacidad para resolver problemas complejos.

Metodología y Actividades: 

• Presentaciones oficiales de tecnología NVIDIA, en donde se explica a nivel detallado lo que es CUDA.
• Presentaciones y temáticas sobre la diferencia entre CPUs y GPUs a nivel funcional y a nivel arquitectura.
• Ejercicios prácticos para cada módulo.
• Repaso sobre conceptos básicos de Python que se utilizan para programar CUDA
  • Variables, funciones, loops, memoria.  
• Diferencias entre procesamiento CPU y GPU, conceptos básicos de memoria y paralelización.
• Crear cuenta de desarrollador y acceder a courses.nvidia.com/join 
• Empezar a trabajar con el compilador NUMBA y la programación de CUDA en Python.
• Usar decoradores de NUMBA para acelerar funciones numéricas de Python.
• Optimizar la transferencia de memoria host-device y device-host.
• Aprender la jerarquía de hilos paralela y como extender las posibilidades de programas paralelos. Utilizar operaciones atómicas CUDA para evitar condiciones de carrera durante la ejecución paralela
  Ejecutar kernels personalizados de manera masiva en el GPU.
• Aprender la creación de grids multidimensionales y como trabajar en paralelo en matrices 2D. Aprovechar la memoria compartida en el device para promover la coalescencia de memoria mientras se reformatean las matrices 2D.

Mecanismo y criterios de evaluación:

• Tres evaluaciones a través de código directo en la plataforma de NVIDIA. Al pasar estas tres evaluaciones se emite el certificado oficial por parte de NVIDIA.

Criterios:

• Realización de ejercicios prácticos
• Ejecutar código por su cuenta sin el uso de AI
• Pasar evaluaciones a través de código.

Conocimientos previos requeridos:

• Conocimientos básicos de Python.
• Familiaridad con conceptos básicos de programación (funciones, estructuras de control, arreglos, vectores).
• Interés en computación paralela, inteligencia artificial o procesamiento de datos.

Descripción:

Destinatarios:

• Profesionales de TI interesados en la implementación de simulaciones numéricas y soluciones paralelas para el análisis de fenómenos físicos.
• Personal académico, técnico o investigador que requiera formación práctica sobre métodos numéricos aplicados, programación científica y cómputo de alto rendimiento.
• Estudiantes de programas de licenciatura y posgrado en ciencias exactas, ingeniería o áreas afines, con interés en el modelado computacional.

Objetivo(s) o competencia(s):

• Objetivo general:

  • Desarrollar e implementar una solución numérica a la ecuación de difusión utilizando diferencias finitas en Python y C, e introducir técnicas de paralelización con MPI.
  • Competencias específicas que desarrollará el participante:
    • Comprender la formulación de la ecuación de difusión en 1D y 2D, y su discretización.
    • Implementar esquemas numéricos explícitos en Python y C.
    • Utilizar una solución analítica conocida (tipo senoidal) para validar los resultados numéricos.
    • Medir y comparar el rendimiento de las implementaciones.
    • Paralelizar las soluciones utilizando MPI en ambos lenguajes.
    • Visualizar resultados y analizar el impacto del paralelismo.

Metodología y Actividades: 

• Sesiones teórico-prácticas con acompañamiento docente y uso de códigos guía.
• Desarrollo individual de ejercicios de implementación y modificación de código.
• Visualización gráfica, análisis numérico y comparación de tiempos de ejecución entre versiones.
• Discusión grupal orientada al análisis de escalabilidad, eficiencia y comportamiento del paralelismo.

Mecanismo y criterios de evaluación:

• Ejercicios prácticos individuales: implementación y modificación de códigos numéricos y paralelos durante el taller. 
• Actividad de validación: comparación con soluciones analíticas y discusión de resultados. 
• Pruebas de escalabilidad: análisis en tiempos de ejecución y comportamiento del paralelismo. 
• Reflexión final: participación en la discusión colectiva sobre los aprendizajes obtenidos. 
• Formulario de retroalimentación: evaluación de la experiencia por parte del participante. 

Criterios:

• Asistencia mínima del 80%.
• Cumplimiento y entrega de ejercicios prácticos.
• Comprensión de los conceptos aplicados en la implementación.
• Participación activa durante las sesiones. 
• Capacidad de análisis en la interpretación de resultados. 

Descripción:

• Este taller intensivo en modalidad virtual tiene como propósito introducir a los participantes en las prácticas clave del desarrollo ágil de software desde una perspectiva moderna y práctica. A lo largo de cinco sesiones, se explorarán los fundamentos de agilidad, la gestión de trabajo en equipos técnicos, la escritura de código limpio, el diseño evolutivo, la colaboración mediante control de versiones y revisión de código, así como técnicas de calidad continua como TDD y tendencias emergentes como el uso de IA en el ciclo de desarrollo.

Destinatarios:

• Estudiantes avanzados de ingeniería de software o carreras afines
• Personas egresadas que buscan insertarse en equipos de desarrollo ágiles
• Desarrolladores/as junior o intermedios/as
• Profesionales de TI que desean actualizarse en prácticas ágiles y herramientas modernas 

Objetivo(s) o competencia(s):

• Objetivo general:

  • Fortalecer las competencias técnicas y colaborativas en programación ágil mediante la práctica guiada de principios, herramientas y técnicas modernas de desarrollo de software

Competencias específicas:

• Comprender los fundamentos del desarrollo ágil y sus principios colaborativos
• Formular y gestionar historias de usuario con criterios de aceptación claros
• Aplicar principios de diseño simple y evolución continua del código

Metodología y Actividades:

• El taller combina presentaciones breves, discusión guiada y actividades prácticas individuales y colaborativas. Se trabaja en entornos de desarrollo compartidos (repositorios GitHub/GitLab, herramientas de colaboración en línea) con problemas y casos reales.

Mecanismo y criterios de evaluación:

• No hay evaluación con calificación numérica, pero se otorgará constancia a quienes completen al menos el 80% de las actividades.

Descripción:

Destinatarios:

• Administradores de plataformas de virtualización
• Gerentes de TI
• Administradores de Sistemas

Objetivo(s) o competencia(s):

• Conocer Proxmox como alternativa de código abierto para entornos de virtualización
• Implementar un clúster de virtualización hiperconvergente en alta disponibilidad
• Implementar un sistema de almacenamiento distribuido con mecanismos de replicación
• Definir una arquitectura de virtualización con Proxmox para un entorno productivo

Metodología y Actividades:

• Taller 100% práctico y guiado por el instructor
• Cuestionarios de 
• Presentación interactiva con apoyos visuales: conceptos clave, datos y ejemplos reales de sitios web educativos.
• Estudio de caso práctico: análisis de visibilidad de un sitio web por cada uno de los participantes.
• Uso de herramientas para el monitoreo del SEO y para la detección de errores (ej. Google Search Console, Google Analytics)
• Quiz o encuesta en vivo con herramientas interactivas (ej. Kahoot) para dinamizar la sesión y evaluar conocimientos.

Mecanismo y criterios de evaluación:

• Participación en foros y sesiones (10%)
  • Calidad de las intervenciones, aportación significativa, atención y respuesta a cuestionarios.
• Realización de prácticas y ejercicios (90%)
• Feedback: formulario para valoración del taller.

Destinatarios:

• Responsables técnicos de sitios web (responsables informáticos)
• Desarrolladores de sitios Web
• Responsables de la actualización de contenidos publicados en páginas Web 

Objetivo(s) o competencia(s):

• Identificar los factores técnicos que impactan en la indexación (estructura del sitio, sitemap, robots.txt, velocidad de carga, diseño responsive). 
• Aplicar buenas prácticas de optimización técnica (URLs amigables, jerarquía de encabezados, etiquetas meta y datos estructurados).
• Evaluar la visibilidad técnica de un sitio web mediante herramientas de auditoría SEO.
• Realizar análisis de palabras clave mediante herramientas especializadas.
• Diseñar una estrategia de palabras clave basada en intención de búsqueda y competencia.
• Integrar palabras clave de forma estratégica en títulos, descripciones, encabezados y contenidos sin afectar la legibilidad.
• Configurar plugins en CMS como WordPress y Drupal.
• Implementar herramientas de análisis y monitoreo

Metodología y Actividades:

• Presentación interactiva con apoyos visuales: conceptos clave, datos y ejemplos reales de sitios web educativos.
• Estudio de caso práctico: análisis de visibilidad de un sitio web por cada uno de los participantes.
• Uso de herramientas para el monitoreo del SEO y para la detección de errores (ej. Google Search Console, Google Analytics)
• Quiz o encuesta en vivo con herramientas interactivas (ej. Kahoot) para dinamizar la sesión y evaluar conocimientos.

Mecanismo y criterios de evaluación:

• Autoevaluación de un sitio web: breve cuestionario para conocer conocimientos previos y expectativas.
• Caso práctico en grupo: análisis de palabras clave, propuesta de acciones para mejorar la visibilidad Web de un sitio web a cargo de cada participante.
• Presentación de un breve reporte SEO del sitio web (hallazgos, acciones y métricas iniciales)
• Estrategia de palabras clave (selección, intención de búsqueda y aplicación)
• Feedback: formulario para valorar la sesión.

Criterios:

• Identificación de factores técnicos clave de SEO.
• Interpretación de resultados.
• Relevancia de las acciones propuestas.
• Participación activa.
• Aplicación al contexto institucional.

Destinatarios:

• Responsables y analistas de sistemas de información (DGTIC, responsables informáticos)
• Estudiantes de todos los niveles
• Investigadores en ciencias de la educación o en análisis de datos educativos
• Personas con interesadas sobre cómo funciona el reconocimiento de voz

Objetivo(s) o competencia(s):

• Conocer aplicaciones de aprendizaje automático en sistemas de tutorías online.
• Aprender cómo funcionan librerías de voice embeddings para extraer características básicas de voces humanas.
• Explorar herramientas accesibles (OpenSource o comerciales) que no requieren un equipo técnico avanzado.
• Entender el comportamiento y funcionamiento de sistemas de reconocimiento de voz.

Metodología y Actividades:

• Presentación de apoyos visuales.
• Ejemplos reales usados en investigación
• Demostración con demo en Google Colab
• Encuesta para fortalecer los conocimientos
• Discusiones

Mecanismo y criterios de evaluación:

• Seguimiento por notebook en python
• Ejercicio práctico interactivo para compartir
• Evaluación final

Criterios:

• Aplicación de conocimiento a generar embeddings de voz para su correcta identificación
• Comparación de resultados para determinar la similitud entre vectores por medio de distancia coseno

Descripción:

Taller introductorio y práctico que guía a las y los participantes en el diseño e implementación de sistemas con IA desde un enfoque ecosistémico: Usuario, Tareas y Datos como núcleo; Entorno, Agente y lazo Observación–Acción como elementos principales; y Herramientas, Modelos y Memoria como soportes operativos. Se ilustra cómo estos componentes se articulan para construir sistemas automáticos y semi-automáticos según el nivel de autonomía requerido, con ejemplos y un mini-caso de mapeo de un sistema.

Destinatarios:

• Responsables y analistas de sistemas de información (DGTIC, responsables informáticos) interesados en soluciones con IA.
• Directores académicos y responsables de programas con enfoque en integración de IA en planes de estudio.
• Responsables del éxito estudiantil y del seguimiento de la retención que utilizan analítica con IA.
• Equipos de control escolar y de planeación que incorporan herramientas con IA para la toma de decisiones.
• Investigadores en ciencias de la educación o en análisis de datos educativos apoyados con IA.
• Profesionales en innovación pedagógica o transformación digital con proyectos de IA.

Objetivo(s) o competencia(s):

• Al finalizar, las y los participantes será capaces de:
• Mapear un problema a los componentes del ecosistema de IA (User, Tasks, Data, Environment, Agent, Observación–Acción, Tools, Models, Memory).
• Diferenciar entre sistemas automáticos y semi-automáticos, y seleccionar la opción adecuada según riesgos y gobernanza.
• Esbozar un micro-diseño (blueprint) de un sistema con IA alineado a objetivos institucionales y datos disponibles.
• Identificar herramientas, modelos y consideraciones de memoria/datos para un primer prototipo.

Metodología y Actividades:

• Presentación interactiva (conceptos clave del ecosistema de IA).
• Demostración guiada de cómo traducir un caso a componentes del ecosistema.
• Taller en equipos: mapeo rápido de un caso y ruta de prototipado.
• Plenaria con retroalimentación y recomendaciones prácticas.

Mecanismo y criterios de evaluación:

• Producto obtenido como Prueba de Concepto (PoC): esquema (1 página) del sistema propuesto por equipo.

Criterios:

Pertinencia del mapeo al ecosistema, claridad de justificación de autonomía y viabilidad del primer prototipo (PoC).

Destinatarios:

• Docentes Universitarios e Investigadores en formación
• Directores académicos
• Profesionales con interés en el área de Inteligencia Artificial
• Estudiantes universitarios de pregrado y posgrado

Objetivo General:

• Desarrollar competencias en el uso estratégico de herramientas de inteligencia artificial para potenciar la búsqueda, análisis y organización de información científica y académica, fomentando el pensamiento crítico, la autonomía investigativa y la ética digital.

Objetivos específicos:

• Comprender el funcionamiento y propósito de herramientas basadas en IA para investigación.
• Desarrollar habilidades para realizar búsquedas efectivas utilizando herramientas de IA.
• Aplicar herramientas de IA para el análisis y organización de literatura científica.
• Desarrollar pensamiento crítico frente a los resultados generados por IA.
• Integrar herramientas de IA en flujos de trabajo investigativos reales.

Metodología y Actividades: 

• El taller adoptará un enfoque teórico-práctico, centrado en el aprendizaje activo y el "aprender haciendo", con estrategias que combinan:
• Exposición breve de conceptos clave (15–30 min por sesión).
• Demostraciones guiadas en tiempo real de las herramientas.
• Prácticas individuales o en parejas, con ejercicios aplicados a casos reales o simulados.
• Análisis colaborativo y discusión crítica de los resultados obtenidos.
• Diseño de un mini - proyecto final, donde cada participante integrará al menos 3 herramientas de IA vistas en el taller.

Mecanismo y criterios de evaluación:

• Portafolio digital de evidencias (capturas, enlaces, resultados de búsqueda).
• Participación en clase (en debates, preguntas, feedback).
• Mini-proyecto final aplicado (presentación breve, mapa o informe corto).