Al concluir la asignatura, el alumno será capaz de analizar los impactos potenciales al medio
ambiente, a la salud humana y ecosistemas por la generación de contaminantes ambientales con
el objetivo de diseñar estrategias para prevenir, mitigar o controlar la generación y acumulación
de contaminantes químicos ambientales a través de la investigación, práctica y discusión sobre
los temas asignados.

Al concluir la asignatura, el alumno será capaz de reconocer y comprender el funcionamiento
de los elementos integrados de la ingeniería civil para lograr la sostenibilidad, mediante la
identificación de principios básicos de la planeación de comunidades sostenibles, así como de
las problemáticas ambientales que afectan a la sociedad, con la finalidad de comprender el
funcionamiento de las diferentes métricas que existen para valorar el medioambiente.

Al concluir la asignatura, el alumno será capaz de identificar los conceptos fundamentales de
los sistemas de información geográfica y la forma en la que pueden ser aprovechados, con la
finalidad de interactuar de manera flexible con programas, equipos e información estadística y
geográfica para la generación información dinámica y válida.

Al concluir la asignatura, el alumno será capaz de identificar la problemática ambiental actual,
revisando la legislación ambiental nacional e internacional, así como los procesos para
determinar la presencia de contaminantes, para diseñar en nivel de ingeniería básica sistemas
de remoción de contaminantes y elaborar manuales de manejo de la contaminación.

Al concluir la asignatura el alumno será capaz de aplicar los conceptos básicos de
automatización en los sistemas modernos de manufactura de las áreas de neumática,
electroneumática y controladores lógicos programables (PLC). De tal manera que tendrá la
habilidad de resolver e implementar soluciones automatizadas en las empresas. Además podrá
usar los conocimientos adquiridos en neumática y electroneumática para resolver situaciones
que requieren automatización, simulando procesos de producción reales en software
especializado y equipo de laboratorio.

Al concluir la asignatura, el alumno será capaz de integrar los conocimientos de los cursos de
inteligencia artificial, visión computacional y robótica avanzada, para lograr el diseño,
construcción, instrumentación y control de un vehículo autónomo. Asimismo, implementará
algoritmos de procesamiento digital de imágenes, visión computacional e inteligencia
artificial utilizando tecnologías y librerías de programación como Python, TensorFlow, Keras,
Scikit-Learn, y OpenCV en Linux, identificando áreas de oportunidad en el campo de la

Al concluir la asignatura, el alumno será capaz de identificar los principios de operación y
aplicaciones de dispositivos semiconductores como diodos, transistores bipolares y
transistores de efecto de campo; para aplicarlos a la modelación y simulación por computadora
de circuitos analógicos.

Al concluir la asignatura, el alumno será capaz de aplicar los principios básicos para el diseño
de sistemas de control e identificación de procesos dinámicos reales, identificando el
funcionamiento del lazo de control digital y todos sus elementos, así como su utilización para
el control de sistemas térmicos y electromecánicos con la finalidad de diseñar e implementar
un controlador PID digital y sintonizarlo a través de diferentes técnicas adaptadas a sistemas
de primero y segundo orden, así como una Interfaz Hombre-Máquina (HMI) que le permita

Al concluir la asignatura, el alumno será capaz de entender e identificar los fundamentos
matemáticos de algoritmos empleados en aprendizaje profundo (Deep Learning),
implementando dichos algoritmos utilizando tecnologías y librerías de programación como
Python, TensorFlow, Keras, Scikit-Learn, y OpenCV en múltiples plataformas como Linux,
Cloud, OS y Windows para identificar áreas de oportunidad en el campo de la ingeniería
donde se puedan desarrollar soluciones confiables, robustas e innovadoras basadas en
algoritmos de Deep Learning.

Al finalizar la asignatura el alumno será capaz de entender e identificar los fundamentos
matemáticos de algoritmos de aprendizaje supervisado y no supervisado para aplicaciones de
regresión, clasificación, agrupación, y asociación de información empleados en machine
learning ML. Asimismo, implementará dichos algoritmos utilizando tecnologías y librerías de
programación como Python, TensorFlow, Keras, Scikit-Learn, y OpenCV en múltiples
plataformas como Linux, Cloud, OS y Windows, con la finalidad de identificar áreas de