heroMaestrias

Maestría de Investigación

INTELIGENCIA ARTIFICIAL

Forma parte de la primera Maestría de Investigación en Inteligencia Artificial del Perú

Inicio: 23 de marzo de 2026

Duración: 2 años (4 semestres)

Modalidad: Semipresencial

Costo: S/. 45,000

Certificaciones:

  • Grado Académico de Maestro en Inteligencia Artificial. otorgado por Universidad de Ingeniería y Tecnología (UTEC).
Más información

Objetivo de la Maestria

Esta maestría te prepara para innovar en IA con un enfoque interdisciplinario, ético y orientado a la generación de conocimiento avanzado en aprendizaje automático, NLP, visión por computadora y más.

DESCRIPCIÓN DE
LA MAESTRÍA

  • Profesionales con formación en ciencias de la computación, ingeniería, matemáticas, física u otras disciplinas afines, que tengan interés en la investigación científica y el desarrollo de soluciones innovadoras basadas en inteligencia artificial.
  • Cuente con conocimientos básicos en programación y matemáticas. Capacidad analítica y pensamiento crítico. Motivación para contribuir al avance del conocimiento en IA. Interés por aplicar la IA de forma ética y responsable en distintos sectores.
  • Desarrollarás, aplicarás y optimizarás modelos de IA con eficiencia, interpretabilidad y alto desempeño.
  • Diseñarás y ejecutarás investigaciones científicas que generen nuevo conocimiento en el campo de la inteligencia artificial.
  • Evaluarás críticamente soluciones tecnológicas, considerando su viabilidad técnica, impacto ético y regulación vigente.
  • Comunicarás resultados de investigación de manera efectiva, a través de publicaciones científicas, conferencias y divulgación técnica.
  • Gestionarás y/o liderarás proyectos de investigación y desarrollo en IA, asegurando la correcta planificación, ejecución y evaluación de resultados con un enfoque innovador y aplicado.

PLAN DE ESTUDIO

La maestría consta de 4 ciclos académicos con clases semipresenciales:

Horario de clases

PRESENCIAL: MIÉRCOLES, DE 7:00 P. M. A 10:00 P. M. / SÁBADO, DE 8:00 A. M. A 4:30 P. M.

VIRTUAL: LUNES, MARTES, JUEVES Y VIERNES, DE 7:00 P. M. A 10:00 P. M.

TRABAJO AUTÓNOMO: DE 3 A 7 HORAS VIRTUALES DEDICADAS A INVESTIGACIÓN INDEPENDIENTE.

Descargar brochure
MALLA CURRICULAR

Ciclo 1

  • Computing Research and Project Preparation.
  • Machine Learning.
  • Research Projects in AI - I.

Ciclo 2

  • Reinforcerment Learning.
  • Research Projects in AI - II.
  • Deep Learning.

Ciclo 3

  • Electivo I.
  • Thesis I.
  • Elective II.

Ciclo 4

  • Thesis II.
  • Generative AI.
globe

FUNDAMENTOS DE MATEMÁTICA PARA INTELIGENCIA ARTIFICIAL

MICRODEGREE EN FUNDAMENTOS DE IA

 Este curso tiene como objetivo fortalecer las bases fundamentales en algoritmos y estructuras de datos necesarias para afrontar con solvencia los problemas relacionados a Inteligencia Artificial. A través de una combinación de teoría y práctica, se busca que el estudiante desarrolle habilidades para analizar, diseñar e implementar
soluciones eficientes a problemas computacionales, con énfasis en su aplicación en el desarrollo de modelos de IA.
Contenido:
→ Introducción y Complejidad Algorítmica
→ Estructuras de Datos: Listas, pilas, colas, árboles, grafos, hash tables y diccionarios
→ Búsqueda y ordenamiento
→ Programación Dinámica y Backtracking
→ Algoritmos en grafos
Evaluación:
Se evaluará mediante ejercicios prácticos, quizzes de revisión conceptual y un examen final que permita evidenciar el dominio de los conceptos clave. Este propedéutico tiene como objetivo nivelar y fortalecer las competencias matemáticas fundamentales requeridas para afrontar con éxito problemas en Inteligencia Artificial. A través de un enfoque teórico-práctico, se abordan conceptos clave de álgebra lineal, cálculo vectorial, probabilidad, estadística y optimización,
haciendo énfasis en sus aplicaciones en el diseño, entrenamiento y análisis de modelos de IA. El curso está orientado a desarrollar una comprensión operativa de las matemáticas detrás de la IA, permitiendo a los participantes conectar los fundamentos teóricos con implementaciones prácticas en un futuro.
Contenido:
→ Fundamentos matemáticos básicos: Notación, operaciones básicas, conjuntos, funciones, vectores y matrices.
→ Álgebra lineal: Producto escalar y cruzado; transformaciones lineales aplicadas a modelos de IA.
→ Analítica geométrica: Distancias, normas y visualización en espacios de alta dimensión.
→ Probabilidad y estadística: Variables aleatorias, distribuciones, Teorema de Bayes, y teoría de la información.
→ Cálculo vectorial: Gradientes, derivadas parciales, Jacobianos y su aplicación en aprendizaje automático. 
→ Optimización continua: Gradiente descendente, variantes (Momentum, Adam) y ejemplos prácticos de entrenamiento de modelos.
Evaluación:
Se evaluará mediante ejercicios prácticos, quizzes de revisión conceptual y un examen final que permita evidenciar el dominio de los conceptos clave.

Solicita más información

NUESTROS DOCENTES

ESTOS SON ALGUNOS DE NUESTROS EXPERTOS

Nuestra comunidad de docentes y practitioners está formada por expertos con una amplia experiencia en el campo académico.

AUREA SORIANO VARGAS

Doctora en Ciencias de la Computación

ANGEL NAPA BERNUY

Miembro de la Comisión de Olimpiadas de la Sociedad Matemáti

JORGE TIPE

Magíster en Matemáticas

CRISTIAN LÓPEZ DEL ÁLAMO

Profesor en Ciencia De La Computación y Ciencia De Datos

GERMAIN GARCÍA

Docente de Enseñanza e Investigación

JOSÉ FIESTAS

Doctor en Ciencias Naturales en la Universidad de Heidelberg

POSTULACIÓN

Conoce los pasos a seguir y los requisitos que necesitas para que puedas postularte. Si tienes alguna duda, puedes solicitar más información aquí

Lo primero que debes saber es que:

La postulación consta de 3 momentos

Pasos para la postulación

1

Paso

Contacta a tu asesor para que recibas toda la información que necesitas, sepas cómo subir tus documentos y cómo realizar el pago por el derecho de admisión.
 

2

Paso

El asesor confirmará que tu inscripción es válida y te enviará la información para rendir la entrevista de admisión.
 

3

Paso

Se te programará la entrevista y ¡Listo! Un día después recibirás los resultados mediante correo electrónico.
 

¿Qué necesitas para postular?

Copia simple de Documento Nacional de Identidad (DNI), carné de extranjería o pasaporte.

Copia simple de certificados de estudios de la universidad donde obtuvo el grado de Bachiller (deseable).

Currículum vitae (no documentado).

Dos (2) cartas de referencias académicas que contengan los datos de la persona que te refiere, así como un número telefónico o correo electrónico de contacto. **

Ensayo de intención que describa la motivación de estudiar la maestría en UTEC Posgrado, en un máximo de dos (2) hojas escrito en Times New Roman 12.

Copia simple del grado académico de bachiller.

Certificado del idioma inglés a nivel intermedio y emitido por una de las instituciones aprobadas por UTEC Posgrado. *

Recibo de pago por derecho de postulación.

Se requiere dominio a nivel intermedio de matemáticas, algoritmos y estructuras de datos. Estos conocimientos serán evaluados durante la entrevista de admisión. 

** Temario:
1. Algoritmos y Estructuras de Datos
Análisis de Complejidad: Big O, Big Omega, Big Theta
→ Busca evaluar el pensamiento algorítmico, eficiencia y razonamiento computacional del postulante.
Árboles y Grafos: Tipos y Recorridos (DFS, BFS)
→ Estructuras esenciales en muchos algoritmos de IA (búsquedas, planificación, NLP).
Programación Dinámica y Backtracking
→ Ayuda a explorar la capacidad del postulante para resolver problemas complejos y de optimización.
Caminos más cortos y Árboles Generadores Mínimos (Dijkstra, Kruskal, Prim)
→ Importantes en teoría de grafos, robótica, redes neuronales gráficas y planificación.


2. Fundamentos Matemáticos para Machine Learning
Álgebra Lineal: Transformaciones Lineales y sus aplicaciones en IA
→ Es la base para redes neuronales, PCA, embeddings, etc.
Probabilidad: Teorema de Bayes y Variables Aleatorias
→ Fundamental para modelos probabilísticos, clasificación bayesiana, y aprendizaje estadístico.
Cálculo Vectorial: Gradientes y Derivadas Parciales
→ Crucial para entender el entrenamiento de modelos, optimización y backpropagation.
Optimización: Gradiente Descendente y variantes (Momentum, Adam)
→ Directamente ligado al entrenamiento de modelos de ML y DL.

Solicita más información

Deja tus datos y te contactaremos

¿Tienes preguntas sobre nuestros programas académicos o quieres obtener más información sobre la vida en nuestra universidad? ¡Estamos aquí para ayudarte!
En nuestra sección de contacto, encontrarás diferentes formas de comunicarte con nosotros para recibir asesoría personalizada y resolver todas tus dudas. Nuestro equipo de atención al cliente se encuentra disponible para atender tus consultas y brindarte toda la información que necesites para tomar la mejor decisión en cuanto a tu futuro académico.

Datos personales