Adquirir conocimientos en tecnologías cuánticas en este momento le hará líder de la programación en un futuro a corto plazo” 

Entrenar un modelo desde cero implica tener una gran cantidad de información catalogada previamente, aproximadamente unas 10.000 fotos de cada uno de los tipos a diferenciar. Esto requiere horas hasta conseguir unos buenos resultados. Para estos casos se puede partir de modelos previamente entrenados, a través del recurso Transfer Learning: esta Postgraduate diploma examina qué modelos de redes están disponibles actualmente, para poder facilitar el entrenamiento del modelo aplicando dicha técnica.

Los egresados analizarán los principales casos de uso que existen para la visión por ordenador: clasificación, detección de objetos, identificación de objetos, seguimiento de objetos. Por ejemplo, Google utiliza estos algoritmos para poder realizar búsquedas a partir de imágenes; Facebook, por su parte, los utiliza para poder identificar y etiquetar de forma automática las personas que salen en una foto.

La Computación Cuántica ha avanzado rápidamente, tanto en la teoría como en la práctica en los últimos años y con ella, la esperanza del impacto potencial en aplicaciones reales. Un área clave de interés y donde la computación cuántica está resultando más eficiente es en el campo del Machine Learning y su aplicación en problemas reales proactivos, predictivos y prescriptivos.

Este programa analiza en qué situaciones se podría lograr una ventaja cuántica, en el contexto de la analítica avanzada y la inteligencia artificial. El objetivo de este Experto Universitario es mostrar qué beneficios pueden proporcionar las tecnologías cuánticas actuales y futuras al aprendizaje automático, centrándose en algoritmos que son un desafío para las computadoras digitales clásicas, como los modelos basados en Kernel, la optimización y las redes convolucionales.

Al tratarse de una Postgraduate diploma 100% online, el alumnado no está condicionado por horarios fijos ni por la necesidad de trasladarse a otro lugar físico. Mediante un dispositivo con acceso a internet, podrá consultar el nutrido contenido que le ayudará a adquirir técnicas de computación cuántica para alcanzar la élite en el sector de la informática. Todo ello, en cualquier momento del día, compaginando, a su ritmo, su vida laboral y personal con la académica.

Esta capacitación le permitirá avanzar en su carrera de una manera cómoda”

Esta Postgraduate diploma en Computer Vision and Quantum Computing contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Visión Artificial y Computación Cuántica 
• Los contenidos gráficos, esquemáticos y eminentemente prácticos, con los que está concebido, recogen información práctica sobre aquellas disciplinas indispensables para el ejercicio profesional 
• Los ejercicios prácticos, donde realizar el proceso de autoevaluación, para mejorar el aprendizaje 
• Su especial hincapié en metodologías innovadoras  
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual 
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo, fijo o portátil, con conexión a internet 

Estás ante un mercado emergente donde obtener un correcto conocimiento y asesoramiento de Computación Cuántica va a ser primordial, para aprovechar las evoluciones”

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá a los profesionales un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva, programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual los profesionales deberán tratar de resolver las distintas situaciones de práctica profesional que se les planteen a lo largo del curso académico. Para ello, contarán con la ayuda de un novedoso sistema de vídeo interactivo, realizado por reconocidos expertos.

Examinarás qué modelos de redes están disponibles actualmente para poder facilitarte el entrenamiento de tu modelo aplicando la técnica de Transfer Learning"

Verás los beneficios que pueden proporcionar las tecnologías cuánticas actuales y futuras al aprendizaje automático, centrándote en algoritmos"

Professionals from the sector have brought together in three modules the latest advances in Computer Vision and Quantum Computing. This Postgraduate diploma covers the construction of convolutional neural networks, quantum circuits and classical Machine Learning  algorithms, including the Transfer Learning concept and the programming of quantum computers, among others. To this end, this program delves into the scope of application of each technology in the world of engineering, understanding the competitive advantages they provide in the industrial sector.

You will have a global vision of the application of the different technologies involved in global digitalization and the ability to apply them" 

Module 1. R&D+I.A. Computer Vision. Object Identification and Tracking

1.1. Computer Vision 

1.1.1. Computer Vision 
1.1.2. Computational Vision 
1.1.3. Machine Interpretation of an Image 

1.2. Activation Functions 

1.2.1. Activation Functions 
1.2.2. Sigmoid 
1.2.3. ReLU 
1.2.4. Hyperbolic Tangent 
1.2.5. Softmax 

1.3. Convolutional Neural Network Construction 

1.3.1. Convolution Operation 
1.3.2. ReLU Layer 
1.3.3. Pooling 
1.3.4. Flattering 
1.3.5. Full Connection 

1.4. Convolution Process 

1.4.1. Functioning of a Convolution 
1.4.2. Convolution Code 
1.4.3. Convolution: Application 

1.5. Transformations with Images 

1.5.1. Transformations with Images 
1.5.2. Advanced Transformations 
1.5.3. Transformations with Images: Application 
1.5.4. Transformations with Images. Use Case 

1.6. Transfer Learning 

1.6.1. Transfer Learning 
1.6.2. Transfer Learning. Typology 
1.6.3. Deep Networks to Apply Transfer Learning

1.7. Computer Vision Use Case 

1.7.1. Image Classification 
1.7.2. Object Detection 
1.7.3. Object Identification 
1.7.4. Object Segmentation 

1.8. Object Detection 

1.8.1. Detection from Convolution 
1.8.2. R-CNN, Selective Search 
1.8.3. Fast Detection with YOLO 
1.8.4. Other Possible Solutions 

1.9. GAN Generative Adversarial Networks, or Generative Adversarial Networks 

1.9.1. Generative Adversarial Networks
1.9.2. Code for a GAN 
1.9.3. GAN Application 

1.10. Computer Vision Model Application 

1.10.1. Organization of Contents 
1.10.2. Visual Search Engines 
1.10.3. Facial Recognition 
1.10.4. Augmented Reality 
1.10.5. Autonomous Driving 
1.10.6. Fault Identification at Each Assembly 
1.10.7. Plague Identification 
1.10.8. Health 

Module 2. Quantum Computing A New Model of Computing 

2.1. Quantum Computing 

2.1.1. Differences with Classic Computing 
2.1.2. Need for Quantum Computing 
2.1.3. Quantum Computers Available: Nature and Technology 

2.2. Applications of Quantum Computing 

2.2.1. Applications of Quantum Computing vs. Classical Computing 
2.2.2. Context of Use 
2.2.3. Application in Real Cases 

2.3. Mathematical Foundations of Quantum Computing 

2.3.1. Computational Complexity 
2.3.2. Double Slit Experiment Particles and Waves 
2.3.3. Entanglement 

2.4. Geometries Foundations of Quantum Computing 

2.4.1. Qubit and Complex Two-Dimensional Hilbert Space 
2.4.2. Dirac’s General Formalism 
2.4.3. N-Qubits States and Hilbert Space of dimension 2n 

2.5. Mathematical Fundamentals Linear Algebra 

2.5.1. The Internal Product 
2.5.2. Hermitian Operators 
2.5.3. Eigenvalues and Eigenvectors 

2.6. Quantum Circuits 

2.6.1. Bell States and Pauli Matrices 
2.6.2. Quantum Logic Gates 
2.6.3. Quantum Control Gates 

2.7. Quantum Algorithms 

2.7.1. Reversible Quantum Gates 
2.7.2. Quantum Fourier Transform 
2.7.3. Quantum Teleportation 

2.8. Algorithms Demonstrating Quantum Supremacy 

2.8.1. Deutsch’s Algorithm 
2.8.2. Shor’s Algorithm 
2.8.3. Grover’s Algorithm 

2.9. Quantum Computer Programming 

2.9.1. My First Qiskit Program (IBM) 
2.9.2. My First Ocean Program (Dwave) 
2.9.3. My First Cirq Program (Google) 

2.10. Application on Quantum Computers 

2.10.1. Creating Logistic Gates 

2.10.1.1. Creation of a Quantum Digital Adder 

2.10.2. Creation of Quantum Games 
2.10.3. Secret Key Communication between Bob and Alice 

Module 3. Quantum Machine Learning The Artificial Intelligence (AI) of the Future 

3.1. Classic Machine Learning  Algorithms 

3.1.1. Descriptive, Predictive, Proactive and Prescriptive Models 
3.1.2. Supervised and Unsupervised Models 
3.1.3. Feature Reduction, PCA, Covariance Matrix, SVM, Neural Networks 
3.1.4. Optimization in ML: the Gradient Descent 

3.2. Classic Machine Learning  Algorithms 

3.2.1. Boltzmann Networks: The Revolution in Machine Learning 
3.2.2. Deep Learning Models CNN, LSTM, GAN 
3.2.3. Encoder-Decoder Models 
3.2.4. Signal Analysis Models. Fourier Analysis

3.3. Quantum Classifiers 

3.3.1. Generating a Quantum Classifier 
3.3.2. Amplitude Coding of Data in Quantum States 
3.3.3. Encoding of Data in Quantum States by Phase/Angle 
3.3.4. High-Level Coding 

3.4. Optimization Algorithms 

3.4.1. Quantum Approximate Optimization Algorithm (QAOA) 
3.4.2. Variational Quantum Eigensolvers (VQE) 
3.4.3. Quadratic Unconstrained Binary Optimization (QUBO) 

3.5. Optimization Algorithms Examples: 

3.5.1. PCA with Quantum Circuits 
3.5.2. Optimization of Stock Packages 
3.5.3. Optimization of Logistic Routes 

3.6. Quantum Kernels Machine Learning 

3.6.1. Variational Quantum Classifiers. QKA 
3.6.2. Quantum Kernel Machine Learning 
3.6.3. Classification Based on Quantum Kernel 
3.6.4. Clustering Based on Quantum Kernel 

3.7. Quantum Neural Networks 

3.7.1. Classical Neural Networks and the Perceptron 
3.7.2. Quantum Neural Networks and the Perceptron 
3.7.3. Quantum Convolutional Neural Networks 

3.8. Deep Learning (DL) Advanced Algorithms 

3.8.1. Quantum Boltzmann Machines 
3.8.2. General Adversarial Networks 
3.8.3. Quantum Fourier Transformation, Quantum Phase Estimation and Quantum Matrix 

3.9. Machine Learning Use Case 

3.9.1. Experimentation with VQC (Variational Quantum Classifier) 
3.9.2. Experimentation with Quantum Neural Networks 
3.9.3. Experimentation with qGANS 

3.10. Quantum Computing and Artificial Intelligence 

3.10.1. Quantum Capacity in ML Models 
3.10.2. Quantum Knowledge Graphs 
3.10.3. The Future of Quantum Artificial Intelligence

You are in front of the best degree to learn about the latest advances in Computer Vision and Quantum Computing"