Si busca lograr la excelencia profesional, únase a nosotros y le ayudaremos a conseguirlo”

Capacitarse y especializarse en computación cuántica es una apuesta ganadora. Lo es hoy y, sin duda, lo será incluso de una forma más rotunda en el futuro. 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.

Esta Postgraduate diploma analiza en qué situaciones se podría lograr una ventaja cuántica en el contexto de la analítica avanzada y la inteligencia artificial para el mundo de la ingeniería. El objetivo es mostrar qué beneficios pueden proporcionar las tecnologías cuánticas actuales y futuras al aprendizaje automático, centrándose en algoritmos como los modelos basados en Kernel, la optimización y las redes convolucionales.

Además, en esta capacitación el egresado analizará los principales casos de uso que existen para la visión por ordenador: clasificación, detección de objetos, identificación de objetos, seguimiento de objetos. Asimismo, a través del recurso Transfer Learning, examinará qué modelos de redes están disponibles actualmente para poder facilitar el entrenamiento del modelo, aplicando esta técnica a su proyecto industrial.

Al tratarse de una Postgraduate diploma 100% online, el alumno 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.

Está ante una titulación que le llevará de forma progresiva y constante hasta la adquisición de los conocimientos y competencias que necesita” 

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

Examinarás qué modelos de redes están disponibles actualmente, para poder facilitarnos el entrenamiento de nuestro modelo aplicando la técnica de Transfer Learning”

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 al profesional 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 el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del programa académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo, realizado por reconocidos expertos.

Aumenta tus habilidades en el desarrollo de soluciones sectoriales con la Visión Artificial y capacítate para el éxito”

Capacitarte y especializarte en computación cuántica es una apuesta ganadora para impulsar tu carrera”

Renowned engineers have selected the best didactic material and have gathered in three modules the latest advances in Computer Vision and Quantum Computing. Thus, this Postgraduate diploma covers everything from the construction of convolutional neural networks, quantum circuits and classical Machine Learning algorithms, to 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.

Analyze in which situations a quantum advantage could be achieved in the context of advanced analytics and artificial intelligence in the industrial field"

Module 1. R&D+A.I. Computer Vision: Identification and Tracking of Objects

1.1. Computer Vision

1.1.1. Computer Vision
1.1.2. Computational Vision
1.1.3. Interpretation of the Machines in 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. Construction of Convolutional Neural Networks

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

1.4. Convolution Process

1.4.1. Operation 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. Rapid Detection with YOLO
1.8.4. Other Possible Solutions

1.9. GAN. Generative Adversarial Networks

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

1.10. Application of Computer Vision Models

1.10.1. Content Organization
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. Pest Identification
1.10.8. Health

Module 2. Quantum Computing. A New Model of Computing

2.1. Quantum Computing

2.1.1. Differences with Classical 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. Contexts 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. Intertwining

2.4. Geometric 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 of Linear Algebra

2.5.1. The Domestic 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 Program on Qiskit (IBM) 
2.9.2. My First Program on Ocean (Dwave)
2.9.3. My First Program on Cirq (Google)

2.10. Application on Quantum Computers

2.10.1. Creation of Logical 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 (A.I) of the Future

3.1. Classical 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: Gradient Descent

3.2. Classical Deep Learning Algorithms

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

3.3. Quantum Classifiers

3.3.1. Generation of 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 logistics routes

3.6. Quantum Kernels Machine Learning

3.6.1. Variational Quantum Classifiers. QKA
3.6.2. Quantum Kernels 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 Perceptron
3.7.2. Quantum Neural Networks and Perceptron
3.7.3. Quantum Convolutional Neural Networks

3.8. Advanced Deep Learning (DL) 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 will be up to date on the latest advances in Computer Vision and Quantum Computing in the engineering field"