SEMINARIO DE INVESTIGACION
Año: 2025
Semestre: Noveno
Programa:
Título: Ingeniero de sistemas
Fecha de inicio: Indefinido
Nombre de la entidad de la práctica: Haga clic o pulse aquí para escribir texto.
Supervisor de la práctica en la entidad: Dennis Martínez
Información de los estudiantes:
Número
Nombre completo I.D. C.C. Correo institucional
teléfono
[email protected]
Manuel Felipe Cruz Velasquez 793145 1003556305 3135757499
o
Información de los directores:
Número
Nombre completo I.D. C.C. Correo institucional
teléfono
Dennis Martínez
Información de los jurados (los asigna el comité de investigación, FAVOR NO DILIGENCIAR):
Número
Nombre completo I.D. C.C. Correo institucional
teléfono
INTRODUCCIÓN
En la era de digitalización y el crecimiento exponencial de los datos, la inteligencia artificial (IA) ha
emergido como una de las tecnologías más disruptivas de la actualidad. Dentro de este campo, el
Machine Learning (ML) y el Deep Learning (DL) han revolucionado la forma en que las máquinas
pueden aprender patrones complejos, automatizar procesos y mejorar la toma de decisiones en
diversos sectores. Desde la detección temprana de enfermedades hasta el desarrollo de sistemas
autónomos, estas técnicas han demostrado ser fundamentales para la innovación y el avance
tecnológico.
El aprendizaje automático permite que los sistemas informáticos procesen grandes volúmenes de
datos, identifiquen patrones y realicen predicciones con una precisión creciente. Sin embargo, su
correcta implementación requiere un conocimiento profundo de distintas áreas, tales como la
estadística aplicada, la ingeniería de datos, el procesamiento de información y el diseño de modelos
de redes neuronales artificiales. A pesar de los avances logrados, persisten desafíos significativos en la
optimización de estos modelos, la interpretación de resultados y la reducción del costo
computacional, lo que hace necesario seguir explorando estrategias que mejoren su eficiencia y
aplicabilidad.
El presente estudio se orienta hacia el análisis y aplicación de modelos de aprendizaje supervisado y
no supervisado, con el propósito de comprender su funcionamiento y evaluar su impacto en la
solución de problemas reales. Además, se profundizará en técnicas avanzadas de Deep Learning,
destacando su papel en el reconocimiento de imágenes, el procesamiento del lenguaje natural y otras
áreas clave de la inteligencia artificial.
Dada la creciente demanda de profesionales capacitados en estas tecnologías y la importancia de la IA
en la transformación digital, este trabajo busca contribuir al desarrollo de conocimientos aplicados en
Machine Learning y Deep Learning. A través de un enfoque teórico-práctico, se pretende ofrecer
herramientas que permitan mejorar la precisión, escalabilidad y eficiencia de los modelos de
aprendizaje automático, fomentando así la adopción de estas tecnologías en distintos sectores.
En este documento se abordarán los fundamentos de Machine Learning y Deep Learning, la
metodología utilizada en el estudio y el impacto de estas tecnologías en el ámbito académico,
científico e industrial. Con ello, se espera aportar al desarrollo de soluciones innovadoras que
impulsen el avance de la inteligencia artificial y su aplicación en problemas complejos del mundo real.
2
DESCRIPCIÓN DE LA ORGANIZACIÓN
Texto en calibri 12 interlineado 1.0 máximo 1 página. Referencias en tipo APA (Autor, año).
3
REQUERIMIENTOS DE LA ORGANIZACIÓN
Texto en calibri 12 interlineado 1.0 máximo 1 página. Referencias en tipo APA (Autor, año).
4
OBJETIVOS
OBJETIVO GENERAL
Analizar y comprender los fundamentos, aplicaciones, tendencias y desafíos actuales de la inteligencia
artificial, con el fin de proporcionar una visión integral y actualizada que contribuya al conocimiento y
discusión crítica sobre su impacto en la sociedad, la economía y la tecnología.
1. ¿Cuáles son los fundamentos teóricos y conceptuales de la inteligencia artificial que permiten
comprender su funcionamiento y aplicaciones?
2. ¿Cómo ha evolucionado la inteligencia artificial a lo largo del tiempo y cuáles han sido los hitos
más importantes en su desarrollo?
3. ¿Qué impacto ha tenido la inteligencia artificial en la sociedad, la economía y la tecnología en
los últimos años?
4. ¿Cuáles son las tendencias actuales y futuras en el campo de la inteligencia artificial, y cómo
podrían transformar el mundo en los próximos años?
5. ¿Qué desafíos y oportunidades presenta la inteligencia artificial para el desarrollo sostenible y
la resolución de problemas globales?
OBJETIVOS ESPECÍFICOS
1. Investigar los fundamentos teóricos de la inteligencia artificial, incluyendo sus conceptos
básicos, técnicas principales (aprendizaje automático, redes neuronales, procesamiento del
lenguaje natural, etc.) y su evolución histórica.
2. Explorar las aplicaciones prácticas de la inteligencia artificial en diversos campos, como la
medicina, la educación, la industria, el entretenimiento y la automatización de procesos.
3. Identificar las tendencias actuales en el desarrollo de la inteligencia artificial, incluyendo
avances tecnológicos, herramientas emergentes y áreas de investigación prioritarias.
4. Analizar los desafíos éticos, sociales y legales asociados con el uso de la inteligencia artificial,
como la privacidad, el sesgo algorítmico, la transparencia y el impacto en el empleo.
5. Evaluar el impacto económico de la inteligencia artificial en diferentes sectores, considerando
tanto las oportunidades como los riesgos asociados a su implementación.
6. Promover la discusión crítica sobre el futuro de la inteligencia artificial, fomentando la
reflexión sobre su papel en la sociedad y su potencial para abordar problemas globales.
7. Proponer recomendaciones para el uso responsable y ético de la inteligencia artificial, basadas
en los hallazgos de la investigación.
1) ¿Cuáles son las principales técnicas y metodologías utilizadas en inteligencia artificial, como el
aprendizaje automático, las redes neuronales y el procesamiento del lenguaje natural?
2) ¿En qué áreas o sectores se están implementando soluciones basadas en inteligencia artificial, y
cuáles son los resultados obtenidos hasta el momento?
3) ¿Qué avances tecnológicos recientes están impulsando el desarrollo de la inteligencia artificial,
y cuáles son las áreas de investigación más prometedoras?
4) ¿Qué dilemas éticos y sociales surgen con el uso de la inteligencia artificial, y cómo se pueden
abordar para garantizar un uso responsable?
5) ¿Cómo está transformando la inteligencia artificial los modelos económicos y laborales, y qué
medidas se pueden tomar para mitigar sus posibles efectos negativos?
5
JUSTIFICACIÓN
El estudio de la inteligencia artificial y el aprendizaje profundo es esencial en la era tecnológica actual
debido a su amplio impacto en diversos sectores. A continuación, se detallan las razones y objetivos
de este estudio, respaldados por fuentes académicas y especializadas:
¿Por qué es relevante estudiar la inteligencia artificial y el aprendizaje profundo en la actualidad?
Porque estas tecnologías permiten a las máquinas simular la inteligencia humana para resolver
problemas complejos, lo que es esencial en múltiples aplicaciones modernas.
¿Por qué es importante comprender los fundamentos teóricos del aprendizaje profundo?
Porque el aprendizaje profundo es una rama del aprendizaje automático que busca emular el proceso
cognitivo humano, permitiendo a las máquinas procesar datos de manera similar al cerebro humano.
¿Por qué se deben analizar los impactos de la inteligencia artificial en la sociedad?
Porque la IA tiene el potencial de transformar diversos aspectos de la sociedad, desde la
automatización de tareas hasta la mejora en la toma de decisiones, afectando directamente la vida
cotidiana de las personas.
¿Por qué es necesario investigar los avances en redes neuronales?
Porque las redes neuronales profundas son fundamentales para el funcionamiento de sistemas de IA
modernos, permitiendo a las máquinas realizar tareas complejas como la creación de contenido a
partir de indicaciones de texto.
¿Por qué la inteligencia artificial es clave para el desarrollo de nuevas tecnologías?
Porque la IA y el aprendizaje automático ofrecen a las empresas formas de obtener beneficios de los
volúmenes de datos que recopilan, lo que se traduce en información empresarial, automatización de
tareas y mejoras en las funciones del sistema.
¿Por qué se debe incluir la ética en el desarrollo de sistemas de inteligencia artificial?
Porque la implementación de la IA conlleva desafíos éticos y sociales, como la automatización del
trabajo, la privacidad de los datos y la seguridad digital, que deben ser abordados para garantizar un
uso responsable de la tecnología.
¿Por qué es pertinente realizar este estudio en el contexto académico?
Porque impulsar la investigación y desarrollo de tecnologías innovadoras en los campos de
inteligencia artificial y aprendizaje profundo es esencial para la formación de profesionales
capacitados y el avance tecnológico.
6
Por otro lado, este estudio busca responder a las siguientes preguntas orientadas a sus objetivos y
propósitos:
¿Para qué se investiga la inteligencia artificial y el aprendizaje profundo?
Para crear sistemas y programas informáticos que puedan realizar tareas que, cuando se llevan a cabo
por seres humanos, requieren de inteligencia, razonamiento y aprendizaje.
¿Para qué se estudian las redes neuronales artificiales?
Para enseñar a las máquinas a procesar datos de un modo que simula las múltiples capas de nuestro
cerebro, permitiéndoles ser capaces de tomar decisiones precisas.
¿Para qué se analiza la evolución de la inteligencia artificial en la historia?
Para comprender cómo la IA ha evolucionado desde la búsqueda de replicar la capacidad cognitiva
humana hasta su aplicación en tareas complejas, lo que permite contextualizar su desarrollo y
entender su impacto actual.
¿Para qué se considera la ética en la implementación de IA?
Para garantizar que el uso de estas tecnologías sea responsable, equitativo y libre de sesgos que
puedan afectar negativamente a distintos grupos sociales.
¿Para qué se promueve la investigación en IA dentro de las instituciones académicas?
Para impulsar la investigación y desarrollo de tecnologías innovadoras en los campos de inteligencia
artificial y aprendizaje profundo, fomentando el avance tecnológico y la formación de profesionales
capacitados.
¿Para qué se buscan estrategias de regulación y control en la IA?
Para establecer marcos normativos que permitan un uso adecuado de estas herramientas y eviten
consecuencias adversas en la sociedad.
¿Para qué se realiza este estudio en el ámbito académico?
Para generar conocimiento que contribuya al avance tecnológico y permita la creación de soluciones
innovadoras y sostenibles en diferentes áreas.
7
MARCO TEÓRICO
AUTOR CONTRIBUCIÓN DESTACADA DEL REFERENCIA BIBLIOGRÁFICA
AUTOR
Ian Coautor del libro "Deep Goodfellow, I., Bengio, Y., & Courville, A.
Goodfellow Learning", una referencia (2016). Deep Learning. MIT Press.
fundamental que abarca desde Recuperado de
los conceptos básicos hasta las https://www.deeplearningbook.org/
técnicas avanzadas en el campo
del aprendizaje profundo.
Yoshua Pionero en el desarrollo de Goodfellow, I., Bengio, Y., & Courville, A.
Bengio algoritmos de aprendizaje (2016). Deep Learning. MIT Press.
profundo y redes neuronales, Recuperado de
coautor del libro "Deep Learning" https://www.deeplearningbook.org/
Aarón Investigador en aprendizaje Goodfellow, I., Bengio, Y., & Courville, A.
Courville profundo y coautor del libro (2016). Deep Learning. MIT Press.
"Deep Learning". Recuperado de
https://www.deeplearningbook.org/
Geoffrey E. Desarrolló la máquina de Nobel Prize in Physics celebrates pioneers
Hinton Boltzmann, que identifica of artificial intelligence. (2024, October 9).
elementos en datos, y ha sido Le Monde. Recuperado de
fundamental en el avance de https://www.lemonde.fr/en/pixels/article/2
tecnologías actuales como 024/10/09/nobel-prize-in-physics-
asistentes virtuales y sistemas de celebrates-pioneers-of-artificial-
inteligencia artificial avanzada. intelligence_6728686_13.html
Fue galardonado con el Premio
Nobel de Física en 2024 por sus
contribuciones al aprendizaje
automático con redes neuronales
artificiales.
Juan J. Diseñó en 1982 una red neuronal Premio Nobel de Física 2024 a John
Hopfield que permitía almacenar y Hopfield y Geoffrey Hinton por poner las
reconstruir patrones, sentando bases de la inteligencia artificial. (2024,
las bases para el desarrollo del October 8). El País. Recuperado de
aprendizaje automático. Fue https://elpais.com/ciencia/2024-10-08/pre
galardonado con el Premio Nobel mio-nobel-de-fisica.html
de Física en 2024 por sus
contribuciones fundamentales al
aprendizaje automático con redes
neuronales artificiales.
Andrés Ng Científico informático y Los 15 mejores libros sobre machine
empresario reconocido learning para leer en 2023. (s.f.). DataCamp.
globalmente en el ámbito de la Recuperado de
inteligencia artificial. Fundador de https://www.datacamp.com/es/blog/the-
8
DeepLearning.AI y cofundador de 15-best-data-machine-learning-books-to-
Coursera, ha contribuido read-in-2022
significativamente al desarrollo
del aprendizaje profundo y ha
trabajado en proyectos
destacados como el Google Brain.
Andrej Director de inteligencia artificial y Los 15 mejores libros sobre machine
Karpati visión de Autopilot en Tesla, learning para leer en 2023. (s.f.). DataCamp.
especializado en aprendizaje Recuperado de
profundo y visión por https://www.datacamp.com/es/blog/the-
computadora. 15-best-data-machine-learning-books-to-
read-in-2022
Lex Fridman Investigador en inteligencia Los 15 mejores libros sobre machine
artificial y aprendizaje profundo, learning para leer en 2023. (s.f.). DataCamp.
conocido por su trabajo en Recuperado de
vehículos autónomos y por su https://www.datacamp.com/es/blog/the-
podcast sobre IA. 15-best-data-machine-learning-books-to-
read-in-2022
Jürgen Conocido por sus contribuciones Los 15 mejores libros sobre machine
Schmidhuber al desarrollo de redes neuronales learning para leer en 2023. (s.f.). DataCamp.
recurrentes y aprendizaje Recuperado de
profundo, ha influido en el https://www.datacamp.com/es/blog/the-
avance de la inteligencia artificial. 15-best-data-machine-learning-books-to-
read-in-2022
John D. Autor de "Deep Learning", que Kelleher, J. D. (2019). Deep Learning. MIT
Kelleher ofrece una introducción al Press. Recuperado de
aprendizaje profundo y al campo https://www.goodreads.com/book/show/4
de la inteligencia artificial 4512612-deep-learning
moderna en general.
Oliver Autor de "Machine Learning for Theobald, O. (2017). Machine Learning for
Teobaldo Absolute Beginners", que Absolute Beginners. Recuperado de
proporciona una introducción https://www.datacamp.com/es/blog/the-
sencilla y directa al aprendizaje 15-best-data-machine-learning-books-to-
automático para aquellos sin read-in-2022
experiencia previa.
Beatriz Arquitecta de Big Data & AI Cloud Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K.,
Blanco en Paradigma Digital, ha & Li, F.-F. (2009). ImageNet: A large-scale
contribuido a la difusión de hierarchical image database. 2009 IEEE
conceptos clave en Machine Conference on Computer Vision and Pattern
Learning a través de Recognition, 248–255. Recuperado de
publicaciones especializadas. https://ieeexplore.ieee.org/document/5206
848
9
PLAN DE ACCIÓN
Texto en calibri 12 interlineado 1.0 máximo 3 páginas. La metodología debe incluir cronograma de
actividades y presupuesto estimado. Referencias en tipo APA (Autor, año).
10
RESULTADOS ESPERADOS
Texto en calibri 12 interlineado 1.0 máximo 1 página.
11
BIBLIOGRAFÍA
Texto en calibri 12 interlineado 1.0 máximo 1 página. Las referencias bibliográficas y la estructura de
la bibliografía deben ser en forma APA.
12
