Información adicional: Maestría en Ingeniería en Computación

La Línea de Generación y Aplicación del Conocimiento (LGAC) de la Maestría en Ingeniería en Computación, MIC, se enfoca en el estudio y aplicación de la Inteligencia Artificial para desarrollar soluciones a problemas y necesidades de los sectores industrial, gubernamental, académico y social, bajo esquemas de colaboración ética y multidisciplinaria.

Mediante esta línea de investigación un egresado adquiere conocimientos y habilidades para:

1. Solucionar problemas en diversas áreas del conocimiento aplicando la Inteligencia Artificial.
2. Aplicar los fundamentos de las Ciencias de la Computación para la identificación, formulación, análisis y solución de problemas complejos con el fin de alcanzar conclusiones fundamentadas.
3. Integrar el conocimiento para implementar redes neuronales y lógicadifusa en resolución de problemas enfocados a las ciencias de la computación.
4. Utilizar herramientas de procesamiento de señales, procesamiento de textos y datos, realidad virtual y aumentada, electrónica, mecatrónica, sistemas embebidos y otras más, en combinación con la InteligenciaArtificial, para integrar soluciones en cualquier ámbito de desempeño.
5. Validar prototipos contra las investigaciones recientes a fin de identificarnuevas contribuciones.

Registro de artículos publicados por docentes del programa de Maestría en Ingeniería en Computación.

1. González Gurrola, L.C. (2025). Automatic movie genre classification & emotion recognition via a BiProjection Multimodal Transformer. DOI: https://doi.org/10.1016/j.inffus.2024.102641
2. Cornejo García, R. (2024). Design of a Virtual Assistant for Emotional Support of Children with Autism Spectrum Disorder. DOI: https://doi.org/10.47756/aihc.y9i1.154
3. Martínez Reyes, F. (2024). Analysis of the Impact Using Pre-emphasis Filter, Unvoiced Sounds, Frame Size and Feature Vector Size on Human Emotion Recognition by Voice and Machine Learning. DOI: https://doi.org/10.1007/978-3-031-55684-5_25
4. Gaxiola Orduño, L.F. (2024) Prediction of Enterprise Financial Health Using Machine Learning and Financial Reasons for Taiwan Economic Companies. DOI: https://doi.org/10.13053/cys-28-2-5021
5. Manzo Martínez, A. (2024). Identification of the Beverage Sotol Adulterated with Ethylene Glycol Using UV-Vis Spectroscopy and Artificial Neural Networks. DOI: https://doi.org/10.3390/chemosensors12030046
6. Prieto Ordaz, O. (2024). Toward an enhanced automatic medical report generator based on large transformer models. DOI: https://doi.org/10.1007/s00521-024-10382-0
7. López Santillán, J.R. (2024). A Cloud-Based (AWS) Machine Learning Solution to Predict Account Receivables in a Financial Institution. DOI: https://doi.org/10.1007/978-3-031-33783-3_2
8. Ramírez Alonso, G.M.J. (2024). MolGC: molecular geometry comparator algorithm for bond length mean absolute error computation on molecules. DOI: https://doi.org/10.1007/s11030-024-10945-2
9. Narro García, R. (2024). Chemical durability of optical temperature sensors made of tellurite glass: Effect of the alumina concentration. DOI: https://doi.org/10.1016/j.optmat.2024.116260
10. Maldonado Orozco, M.C. (2024). Lithium Niobate Perovskite as the Support for Silver Nanoparticles for Non-Enzymatic Electrochemical Detection of Glucose. DOI: https://doi.org/10.3390/chemosensors12100210