Icono de modalidad 100% Online
Icono de duración 1500 H
Icono de flexibilidad horaria Flexibilidad horaria
Precio
1895€
  • Presentación
  • Temario
  • Metodología
  • Titulación

Descripción

¿Quién puede acceder al master?

El Máster en Inteligencia Artificial Aplicada está destinado a graduados con formación en áreas de Ingeniería, Ciencias de la Computación, Informática, Matemáticas, Estadística, Economía y Negocios o profesionales que les interese la inteligencia artificial y quieran saber cómo se aplica en diferentes áreas y con diferentes metodologías.

Objetivos

- Estudiar los conceptos básicos de Big Data, Business Intelligence y Data Science. - Desarrollar habilidades en Machine Learning y Deep Learning. - Aprender a crear Chatbots con Chat GPT. - Conocer el uso de la Inteligencia Artificial en Mecatrónica. - Entender la relación entre Ciencias del Comportamiento, Big Data e Inteligencia Artificial. - Saber cómo utilizar Python y OpenCV para la Visión Artificial. - Comprender los conceptos de ética en la Inteligencia Artificial.

Salidas Profesionales

La inteligencia artificial está en pleno auge. Todas las empresas están buscando profesionales en esta tecnología para diferenciarse del resto de competidores y obtener una ventaja competitiva. Gracias a este Master en Inteligencia Artificial Aplicada optarás a puestos como Data Scientist, IA Engineer, Arquitecto de soluciones de inteligencia artificial o Prompt Engineer.

Temario

MÓDULO 1. BIG DATA, BUSINESS INTELLIGENCE Y DATA SCIENCE

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA

  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información: historia del big data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open data
  6. Información pública
  7. IoT (Internet of Things-Internet de las cosas)

UNIDAD DIDÁCTICA 2. FASES DE UN PROYECTO DE BIG DATA

  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto

UNIDAD DIDÁCTICA 3. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN

  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  5. Sistemas Operacionales y Procesos ETL en un sistema de BI
  6. Ventajas y Factores de Riesgos del Business Intelligence

UNIDAD DIDÁCTICA 4. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE

  1. Cuadros de Mando Integrales (CMI)
  2. Sistemas de Soporte a la Decisión (DSS)
  3. Sistemas de Información Ejecutiva (EIS)

UNIDAD DIDÁCTICA 5. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO

  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de Textos y Web Mining
  6. Data mining y marketing

UNIDAD DIDÁCTICA 6. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL

  1. Aproximación al concepto de DataMart
  2. Bases de datos OLTP
  3. Bases de Datos OLAP
  4. MOLAP, ROLAP & HOLAP
  5. Herramientas para el desarrollo de cubos OLAP

UNIDAD DIDÁCTICA 7. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS

  1. Visión General: ¿Por qué DataWarehouse?
  2. Estructura y Construcción
  3. Fases de implantación
  4. Características
  5. Data Warehouse en la nube

UNIDAD DIDÁCTICA 8. STORYTELLING

  1. ¿Qué es el Data Storytelling?
  2. Elementos clave del Data Storytelling
  3. ¿Por qué es importante el Data Storytelling?
  4. ¿Cómo hacer Data Storytelling?

UNIDAD DIDÁCTICA 9. INTRODUCCIÓN A LA CIENCIA DE DATOS

  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos

UNIDAD DIDÁCTICA 10. WEKA Y DATA MINING

  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos

UNIDAD DIDÁCTICA 11. PYTHON Y EL ANÁLISIS DE DATOS

  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python. Dream Team del Big Data

UNIDAD DIDÁCTICA 12. R COMO HERRAMIENTA PARA BIG DATA

  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop

UNIDAD DIDÁCTICA 13. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS

  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis

UNIDAD DIDÁCTICA 14. ANÁLISIS DE LOS DATOS

  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

MÓDULO 2. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

  1. Introducción a la inteligencia artificial
  2. Historia
  3. La importancia de la IA

UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL

  1. Tipos de inteligencia artificial

UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL

  1. Algoritmos aplicados a la inteligencia artificial

UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA

  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Tecnologías de IA que se están utilizando con Big Data

UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS

  1. Sistemas expertos
  2. Estructura de un sistema experto
  3. Inferencia: Tipos
  4. Fases de construcción de un sistema
  5. Rendimiento y mejoras
  6. Dominios de aplicación
  7. Creación de un sistema experto en C#
  8. Añadir incertidumbre y probabilidades

UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL

  1. Futuro de la inteligencia artificial
  2. Impacto de la IA en la industria
  3. El impacto económico y social global de la IA y su futuro

MÓDULO 3. MACHINE LEARNING Y DEEP LEARNING

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING

  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático

UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING

  1. Introducción
  2. Algoritmos

UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN

  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos

UNIDAD DIDÁCTICA 4. CLASIFICACIÓN

  1. Clasificadores
  2. Algoritmos

UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING

  1. Componentes
  2. Aprendizaje

UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN

  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación

UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo

UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES

  1. Redes neuronales
  2. Redes profundas y redes poco profundas

UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA

  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón

UNIDAD DIDÁCTICA 10. REDES MULTICAPA

  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python

UNIDAD DIDÁCTICA 11. ESTRATEGIAS DE APRENDIZAJE

  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa

MÓDULO 4. ANÁLISIS DE DATOS CON PYTHON

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS

  1. ¿Qué es el análisis de datos?

UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB

  1. Análisis de datos con NumPy
  2. Pandas
  3. Matplotlib

UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS

  1. Cómo usar loc en Pandas
  2. Cómo eliminar una columna en Pandas

UNIDAD DIDÁCTICA 4. PIVOT TABLES

  1. Pivot tables en pandas

UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN

  1. El grupo de pandas

UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES

  1. Python Pandas fusionando marcos de datos

UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN

  1. Matplotlib
  2. Seaborn

UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING

  1. Aprendizaje automático

UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

  1. Regresión lineal
  2. Regresión logística

UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES

  1. Estructura de árbol

UNIDAD DIDÁCTICA 11. NAIVE BAYES

  1. Algortimo de Naive bayes
  2. Tipos de Naive Bayes

UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)

  1. Máquinas de vectores soporte (Support Vector Machine-SVM)
  2. ¿Cómo funciona SVM?
  3. Núcleos SVM
  4. Construcción de clasificador en Scikit-learn

UNIDAD DIDÁCTICA 13. KNN

  1. K-nearest Neighbors (KNN)
  2. Implementación de Python del algoritmo KNN

UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)

  1. Análisis de componentes principales

UNIDAD DIDÁCTICA 15. RANDOM FOREST

  1. Algorimto de Random Forest

MÓDULO 5. ÉTICA E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y FUNDAMENTOS ÉTICOS

  1. Ética normativa y ética aplicada
  2. Historia y caracteres de la ética de la inteligencia artificial
  3. Ética realista y ética ficción
  4. Inteligencia artificial como objeto y sujeto
  5. Singularidad tecnológica y futuro de la especie humana
  6. Machine ethics. Nuevos entes autónomos y estatus moral
  7. Controversias éticas de la aplicación de la inteligencia artificial
  8. Bioética e inteligencia artificial
  9. Democracia e inteligencia artificial

UNIDAD DIDÁCTICA 2. ÉTICA DE GOBERNANZA E INTELIGENCIA ARTIFICIAL

  1. Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial
  2. Papel de la UE en la gobernanza de la inteligencia artificial
  3. Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo
  4. Elaboración de un plan de gobernanza

UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL CONFIABLE. EXPLICABILIDAD Y SESGO

  1. Principios de la inteligencia artificial responsable
  2. Aspectos de diseño éticos para Machine Learning
  3. Inteligencia artificial explicable (XAI). Hacia la IA responsable
  4. Imparcialidad de Datos (Fairness). Control del sesgo en los modelos
  5. Escenarios con modelos de IA de alto riesgo
  6. Auditabilidad en los sistemas de inteligencia artificial
  7. Sandbox normativo piloto del futuro reglamentario de IA en España
  8. Transparencia en modelos de Machine Learning
  9. Análisis de herramientas software para medir la imparcialidad

UNIDAD DIDÁCTICA 4. ÉTICA DE LA INTELIGENCIA ARTIFICIAL

  1. Metodología de la ética en la inteligencia artificial
  2. Agentes artificiales morales
  3. Moralidad artificial desde un enfoque funcionalista
  4. Objeciones acerca de agencias morales artificiales
  5. Responsabilidad y Derechos de los robots

UNIDAD DIDÁCTICA 5. FILOSOFÍA POLÍTICA DE LA INTELIGENCIA ARTIFICIAL

  1. Introducción a la filosofía política de la inteligencia artificial
  2. Empleo e inteligencia artificial
  3. Relaciones humanas e inteligencia artificial
  4. Funciones de los Estados e inteligencia artificial
  5. Educación e inteligencia artificial
  6. Salud e inteligencia artificial
  7. Movilidad e inteligencia artificial
  8. Articulación entre ética y política sobre la inteligencia artificial
  9. Globalización e inteligencia artificial

UNIDAD DIDÁCTICA 6. INTELIGENCIA ARTIFICIAL, SOSTENIBILIDAD Y ÉTICA MEDIOAMBIENTAL

  1. Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS)
  2. Estrategia Europea de transición hacia una economía sostenible
  3. Cambio climático global
  4. Mejora de eficiencia en procesos organizativos con IA.
  5. Mejora de eficiencia en prácticas individuales con IA.
  6. Ética ambiental e inteligencia artificial

UNIDAD DIDÁCTICA 7. ÉTICA DE LA GUERRA E INTELIGENCIA ARTIFICIAL

  1. Armas autónomas
  2. Intervenciones militares teledirigidas
  3. Ética de la guerra

UNIDAD DIDÁCTICA 8. TECNOLOGÍA, ÉTICA Y DERECHO DE LA REALIDAD VIRTUAL

  1. El metaverso
  2. Gemelos digitales humanos
  3. Creación de universos paralelos en 3D

UNIDAD DIDÁCTICA 9. ÉTICA DE LA INTELIGENCIA ARTIFICIAL INTERACTIVA Y ROBÓTICA SOCIAL

  1. Sistemas autónomos en el ámbito laboral
  2. Inteligencia artificial para la mejora de calidad de vida en ciudades. Mejora del impacto medioambiental
  3. Combinación de smart cities, internet de las cosas y big data
  4. Inteligencia artificial y cuidado personal y sexual
  5. Análisis ético de la incorporación de la robótica en la vida humana

UNIDAD DIDÁCTICA 10. INTELIGENCIA ARTIFICIAL, MEJORA HUMANA Y TRANSHUMANISMO

  1. Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas
  2. Optimizar las capacidades humanas con inteligencia artificial
  3. Debate académico sobre transhumanismo y poshumanismo

MÓDULO 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN

  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN

UNIDAD DIDÁCTICA 2. PLN EN PYTHON

  1. PLN en Python con la librería NLTK
  2. Otras herramientas para PLN

UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN

  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)

UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN

  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático

UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN

  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés

UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?

  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafios para los Chatbots

UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS

  1. Chatbots y el papel de la Inteligencia Artificial (IA)
  2. Usos y beneficios de los chatbots
  3. Diferencia entre bots, chatbots e IA

UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS

  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 7. CHAT GPT E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y CHAT GPT

  1. 1.¿Qué es Chat GPT?
  2. Cómo afecta la inteligencia artificial en Chat GPT?
  3. Versiones de Chat GPT y funcionalidades
  4. Usos de Chat GPT
  5. Beneficios de la IA y Chat GPT

UNIDAD DIDÁCTICA 2. CHAT GPT Y SU FUNCIONAMIENTO

  1. ¿Cómo funciona Chat GPT?
  2. Diferencias entre Chat GPT y otros chatbots
  3. Procesamiento del Lenguaje Natural (PLN)
  4. Aprendizaje por transferencia
  5. Cómo entrenar un modelo de Chat GPT

UNIDAD DIDÁCTICA 3. CREACIÓN DE UN CHATBOT BÁSICO CON CHAT GPT

  1. Elección de la plataforma de desarrollo
  2. Configuración del entorno de desarrollo
  3. Preparación de los datos de entrenamiento
  4. Entrenamiento del modelo de Chat GPT
  5. Integración del modelo en el chatbot
  6. Pruebas y mejora del modelo

UNIDAD DIDÁCTICA 4. MEJORA DE LA INTERACCIÓN CON EL USUARIO

  1. Análisis de la conversación con el usuario
  2. Personalización de la conversación
  3. Uso de emojis y respuestas con imágenes
  4. Integración de voz y audio
  5. Respuestas multilingües

UNIDAD DIDÁCTICA 5. INTEGRACIÓN DE CHAT GPT EN UNA PÁGINA WEB O APLICACIÓN

  1. Integración del chatbot en una página web
  2. Integración del chatbot en una aplicación móvil
  3. Personalización del aspecto del chatbot
  4. Gestión de la seguridad y privacidad del usuario

UNIDAD DIDÁCTICA 6. MONETIZACIÓN DE UN CHATBOT

  1. Modelos de negocio para chatbots
  2. Monetización a través de publicidad
  3. Monetización a través de suscripciones
  4. Monetización a través de compras in-app
  5. Análisis del rendimiento y la rentabilidad

UNIDAD DIDÁCTICA 7. ÉTICA Y RESPONSABILIDAD EN LA IA Y LOS CHATBOTS

  1. Aspectos éticos y responsablidad en la IA
  2. Sesgos en la IA y cómo evitarlos
  3. Derechos y privacidad del usuario
  4. Regulaciones y normativas sobre chatbots
  5. Responsabilidad social y ambiental

UNIDAD DIDÁCTICA 8. APLICACIONES AVANZADAS DE CHAT GPT

  1. Chatbots para atención al cliente
  2. Chatbots para servicios financieros
  3. Chatbots para servicios de salud
  4. Chatbots para educación
  5. Chatbots para entretenimiento y ocio

UNIDAD DIDÁCTICA 9. HERRAMIENTAS Y RECURSOS PARA DESARROLLAR CHATBOTS CON CHAT GPT

  1. Plataformas de desarrollo de Chatbots
  2. Librerías y frameworks para el desarrollo de IA
  3. Bases de datos y almacenamiento
  4. Recursos de formación y aprendizaje
  5. Comunidades y grupos de apoyo para desarrolladores

UNIDAD DIDÁCTICA 10. CASOS DE USO APLICADOS CON CHAT GPT

  1. Desarrollo de un Chatbot avanzado
  2. Caso de estudio en atención al cliente
  3. Caso de estudio en educación
  4. Caso de estudio en salud
  5. Caso de estudio en ocio

MÓDULO 8. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS

  1. ¿Qué es la inteligencia artificial?
  2. Hardware y software unidos por la Inteligencia Artificial
  3. Inteligencia Artificial y Visión Artificial
  4. Arduino: introducción

UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON

  1. Instalación de Arduino
  2. Configurando tu Arduino para Python

UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON

  1. Control de Arduino

UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON

  1. Manejo de entradas
  2. Entradas analógicas

UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS

  1. Salidas analógicas
  2. Valores analógicos en Arduino

UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING

  1. Introducción al machine learning
  2. Aprendizaje supervisado
  3. Aprendizaje no supervisado

UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN

  1. Redes neuronales y deep learning
  2. Series Temporales

UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS

  1. Funciones y parámetros
  2. Variables y constantes especializadas
  3. Estructura de control

UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO

  1. Introducción
  2. ¿Qué son los datos de entrenamiento de IA?
  3. ¿Por qué se requieren datos de entrenamiento de IA?
  4. ¿Cuántos datos son adecuados?
  5. ¿Qué afecta la calidad de los datos en el entrenamiento?

UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS

  1. Crear red neural paso a paso
  2. Redes neuronales: Aprendizaje
  3. Otras redes neuronales

MÓDULO 9. INTELIGENCIA ARTIFICIAL Y MECATRÓNICA

UNIDAD DIDÁCTICA 1. MECATRÓNICA E INTELIGENCIA ARTIFICIAL: POSIBILIDADES

  1. Inteligencia Artificial: introducción
  2. Inteligencia de los seres vivos
  3. Inteligencia Artificial
  4. Dominios de aplicación
  5. El campo de la mecatrónica
  6. Las posibilidades de la Inteligencia Artificial
  7. Mecatrónica e Inteligencia Artificial

UNIDAD DIDÁCTICA 2. SISTEMAS EXPERTOS

  1. ¿Qué es un sistema experto en polígonos?
  2. Estructura de un sistema experto
  3. Inferencia: tipos
  4. Construcción de sistemas expertos

UNIDAD DIDÁCTICA 3. LÓGICA DIFUSA

  1. Introducción a la lógica difusa
  2. Conjuntos difusos y grados de pertenencia
  3. Operadores sobre los conjuntos difusos
  4. Creación de reglas
  5. Fuzzificación y defuzzificación

UNIDAD DIDÁCTICA 4. BÚSQUEDA DE RUTAS

  1. Introducción a la búsqueda de rutas
  2. Rutas y grafos
  3. Algoritmos exhaustivos de búsqueda de rutas e "inteligentes"
  4. Implementación

UNIDAD DIDÁCTICA 5. ALGORITMOS GENÉTICOS

  1. ¿Qué son los algoritmos genéticos?
  2. Evolución biológica y artificial
  3. Elección de la representación
  4. Evaluación, selección y supervivencia
  5. Reproducción: crossover y mutación
  6. Dominios de aplicación

UNIDAD DIDÁCTICA 6. REDES NEURONALES

  1. Introducción a las redes neuronales
  2. Origen biológico
  3. La neurona formal
  4. Perceptrón
  5. Redes feed-forward
  6. Aprendizaje
  7. Otras redes

MÓDULO 10. CIENCIAS DEL COMPORTAMIENTO, BIG DATA, INTELIGENCIA ARTIFICIAL E INTERNET OF BEHAVIORS (IOB)

UNIDAD DIDÁCTICA 1. MARKETING, MERCHANDISING Y PUBLICIDAD EN IOB

  1. Internet of Behavior

UNIDAD DIDÁCTICA 2. CIENCIAS COGNITIVAS DEL COMPORTAMIENTO

  1. Ciencia cognitiva

UNIDAD DIDÁCTICA 3. NEUROPSICOLOGÍA Y CÓMO CAPTAR LA ATENCIÓN DE UN USUARIO

  1. Neuropsicología

UNIDAD DIDÁCTICA 4. PRODUCTOS Y CONTENIDOS PERSONALIZADOS GRACIAS AL INTERNET OF BEHAVIORS (IOB)

  1. Personalización IOB

UNIDAD DIDÁCTICA 5. VISIÓN POR COMPUTADORA Y ANÁLISIS FACIAL

  1. La visión Artificial

UNIDAD DIDÁCTICA 6. PROCESAMIENTO AUTOMÁTICO DE IDIOMAS

  1. Procesamiento del lenguaje natural

UNIDAD DIDÁCTICA 7. ANÁLISIS DE COMPORTAMIENTO Y SEGURIDAD OPERACIONAL

  1. Análisis de comportamiento

UNIDAD DIDÁCTICA 8. DEL BIG DATA AL ANÁLISIS DE SENTIMIENTOS

  1. Análisis de opinión

MÓDULO 11. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV

UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES

  1. La visión artificial: definiciones y aspectos principales

UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL

  1. Ópticas
  2. Iluminación
  3. Cámaras
  4. Sistemas 3D
  5. Sensores
  6. Equipos compactos
  7. Metodologías para la selección del hardware

UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL

  1. Algoritmos
  2. Software
  3. Segmentación e interpretación de imágenes
  4. Metodologías para la selección del software

UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0

  1. Aplicaciones clásicas: discriminación, detección de fallos…
  2. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)

UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV

  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV

UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS

  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo

UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES

  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imagen

UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING

  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching

UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR

  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color

UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS

  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas

UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO

  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)

MÓDULO 12. PROYECTO FIN DE MÁSTER (PFM)

Metodología

EDUCA LXP se basa en 6 pilares

Item
Estrellas

Distintiva

EDUCA EDTECH Group es proveedor de conocimiento. Respaldado por el expertise de nuestras instituciones educativas, el alumnado consigue una formación relevante y avalada por un sello de calidad como es el grupo EDUCA EDTECH.

Gráfica

Realista

La metodología EDUCA LXP prescinde de conocimientos excesivamente teóricos o de métodos prácticos poco eficientes. La combinación de contenidos en constante actualización y el seguimiento personalizado durante el proceso educativo hacen de EDUCA LXP una metodología única.

Birrete

Student First

La metodología EDUCA LXP y la formación del grupo EDUCA EDTECH conciben al estudiante como el centro de la experiencia educativa, nutriéndose de su retroalimentación. Su feedback es nuestro motor del cambio.

Inteligencia Artificial

Inteligencia Artificial

La personalización en el aprendizaje no sería posible sin una combinación precisa entre experiencia académica e investigación tecnológica, así como la Inteligencia Artificial. Por eso contamos con herramientas IA de desarrollo propio, adaptadas a cada institución educativa del grupo.

Monitor

Profesionales en activo

Nuestro equipo de profesionales docentes, además de ser especialistas en su sector, cuentan con una formación específica en el manejo de herramientas tecnológicas que conforman el ecosistema EDUCA EDTECH.

Libro

Timeless Learning

La formación debe ser una experiencia de vida, concibiendo el e-learning como una excelente solución para los desafíos de la educación convencional. Entendemos el aprendizaje como un acompañamiento continuo del estudiante en cada momento de su vida.

Titulación

Titulación Expedida y Avalada por el Instituto Europeo de Estudios Empresariales. "Enseñanza No Oficial y No Conducente a la Obtención de un Título con Carácter Oficial o Certificado de Profesionalidad."
Titulacion de INESEM

INESEM Business School se ocupa también de la gestión de la Apostilla de la Haya, previa demanda del estudiante. Este sello garantiza la autenticidad de la firma del título en los 113 países suscritos al Convenio de la Haya sin necesidad de otra autenticación. El coste de esta gestión es de 65 euros. Si deseas más información contacta con nosotros en el 958 050 205 y resolveremos todas tus dudas.

También podría interesarte...

Otras Acciones Formativas relacionadas

Curso en Gestión de la Seguridad en Redes de Área Local
Icono de modalidad Online
Icono de duración 150 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
360€
Titulacion de INESEM
Matricularme Ver más
Curso Superior en Cloud Computing
Icono de modalidad Online
Icono de duración 160 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
460€
Titulacion de INESEM
Matricularme Ver más
Curso en Digital Twins
Icono de modalidad Online
Icono de duración 120 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
360€
Titulacion de INESEM
Matricularme Ver más
Curso Superior en DevOps
Icono de modalidad Online
Icono de duración 300 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
460€
Titulacion de INESEM
Matricularme Ver más

Explora nuestras Áreas Formativas

Construye tu carrera profesional

Descubre nuestro amplio Catálogo Formativo, incluye programas de Cursos Superior, Expertos, Master Profesionales y Master Universitarios en las diferentes Áreas Formativas para impulsar tu carrera profesional.

Máster en Inteligencia Artificial Aplicada

Icono de modalidad 100% Online
Icono de duración 1500 H
Icono de flexibilidad horaria Flexibilidad horaria
Precio
1895€
1895€
Matricularme
Matricularme