Al concluir la asignatura el alumno será capaz de describir el comportamiento y estructura de
los amplificadores de potencia y del amplificador operacional, para analizar la operación y
aplicación de los mismos. Además, podrá analizar la respuesta a la frecuencia que tienen dichos
componentes, para diseñar, modelar, y simular filtros activos.

Al concluir la asignatura, el alumno será capaz de reconocer los diferentes métodos de
control utilizados en los procesos, identificando cuando utilizar cada uno de los métodos
dependiendo el problema a regular, con el fin de diseñar programas de control para los
diferentes sistemas físicos y la automatización de celdas de manufactura.

Al concluir la asignatura, el alumno será capaz de desarrollar un proyecto similar a los que se
enfrentará en su vida profesional, en el cual se integren los conocimientos adquiridos en la
carrera de Ingeniería Automotriz, mediante el desarrollo de su responsabilidad profesional y
social, así como aplicando su capacidad metodológica para buscar, procesar y utilizar la
información obtenida, con el fin de aplicar las técnicas adecuadas en el diseño de un proyecto
para dar soluciones a la problemática planteada.

Al concluir la asignatura el alumno será capaz de desarrollar un proyecto similar a los que se
enfrentará en su vida profesional, en el cual se integren los conocimientos adquiridos en la
carrera de Ingeniería Automotriz. Asimismo, desarrollará su responsabilidad profesional y
social, así como su capacidad metodológica para buscar, procesar y utilizar información, que
lo ayudarán a plantear problemas, diseñar soluciones aplicando las técnicas adecuadas.

Al concluir la asignatura, el alumno será capaz de dominar los aprendizajes y las competencias
profesionales desarrollados en la etapa terminal de la carrera, con la meta de prepararse para
el desarrollo de proyectos interdisciplinarios que le permitan afrontar los retos del entorno
actual.

Al concluir la asignatura, el alumno será capaz de aplicar las herramientas computacionales
para el análisis de sistemas invariantes en el tiempo, identificando los distintos tipos de
señales y sistemas, así como analizando la información que contienen a través de distintos
métodos, con la finalidad de manipular señales por medio de métodos de análisis tales como
la transformada de Fourier, la transformada de La Place y la transformada Z en sistemas
lineales continuos y discretos.

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