Especialízate en Visión Artificial aplicada la Robótica y progresa en tu carrera profesional con esta Postgraduate diploma”

Lejos de la ciencia ficción, este programa dirigido a profesionales de la informática está orientado a aportar al mismo todos los conocimientos necesarios para que sea capaz de proyectar cualquier idea a desarrollar en Inteligencia Artificial o trabajar en proyectos de robótica especialmente en el campo de los sistemas de percepción visual.

De esta forma, el equipo docente especializado en esta área guiará al alumnado por las bases algorítmicas que sustentan su funcionamiento, sus aplicaciones, ventajas y limitaciones. Para ello, aplicará durante los 6 meses de duración de esta enseñanza online, un enfoque teórico-práctico en la que a través de ejemplos encuentre entornos con robots, pero sin perder de vista la relevancia para entender las técnicas de aprendizaje automático que se deben emplear.

Pese a que la visión artificial es uno de los campos más complejos de la Robótica, el material multimedia que ofrece esta titulación facilitará su aprendizaje. Así, el alumnado será capaz de adquirir las principales técnicas de visión basadas en sistemas de aprendizaje, particularmente el uso de redes neuronales, que han revolucionado la forma en la que se usa la visión artificial en la actualidad. Asimismo, en este recorrido el alumno conocerá las herramientas más avanzadas para poder desarrollarse en el campo de la visión artificial para la Robótica, tanto a nivel teórico como práctico.

Una excelente ocasión para el egresado que desee progresar en su campo profesional de la mano de los mejores especialistas y con una enseñanza de calidad, que le posibilita el acceso a todo el contenido desde el primer día y un sistema Relearning, basado en la reiteración de contenido, que facilita a su vez al aprendizaje y la consolidación de conocimientos.

Únete a un programa 100% online y aplica en tus proyectos las técnicas avanzadas de Inteligencia Artificial sobre Agentes Inteligentes”

Esta Postgraduate diploma en Robot Visual Perception Systems with Machine Learning contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en ingeniería robótica
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y 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

Despliega todo tu potencial en esta Postgraduate diploma y aprende de manera sencilla a identificar los nuevos campos de aplicación de redes neuronales generativas"

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 le 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 vídeos interactivos realizados por reconocidos expertos.

Esta Postgraduate diploma te permitirá alcanzar un alto nivel de dominito de los algoritmos empleados en la creación de robots"

Una excelente oportunidad para que pongas en marcha tus proyectos en el área de la Robótica"

The study plan of this Postgraduate diploma, which consists of 450 teaching hours, is divided into three modules in which Artificial Intelligence and its application in robots and softbots, to analyze all the techniques involved in the development of artificial vision and the essential tools for its development. The videos in detail and the rest of the multimedia material that the students will find in the virtual platform will complement this extensive program.

Enroll in this Postgraduate diploma and acquire advanced learning in Deep Learning through tools such as Google IColab”

Module 1. Intelligent Agents. Application of Artificial Intelligence to Robots and Softbots

1.1. Intelligent Agents and Artificial Intelligence

1.1.1. Intelligent Robots. Artificial Intelligence
1.1.2. Intelligent Agents

1.1.2.1. Hardware Agents. Robots
1.1.2.2. Software Agents. Softbots

1.1.3. Robotics Applications

1.2. Brain-Algorithm Connection

1.2.1. Biological Inspiration of Artificial Intelligence
1.2.2. Reasoning Implemented in Algorithms. Typology
1.2.3. Explainability of Results in Artificial Intelligence Algorithms
1.2.4. Evolution of Algorithms up to Deep Learning

1.3. Search Algorithms in the Solution Space

1.3.1. Elements in Solution Space Searches
1.3.2. Solution Search Algorithms in Artificial Intelligence Problems
1.3.3. Applications of Search and Optimization Algorithms
1.3.4. Search Algorithms Applied to Machine Learning

1.4. Machine Learning

1.4.1. Machine Learning
1.4.2. Supervised Learning Algorithms
1.4.3. Unsupervised Learning Algorithms
1.4.4. Reinforcement Learning Algorithms

1.5. Supervised Learning

1.5.1. Supervised Learning Methods
1.5.2. Decision Trees for Classification
1.5.3. Support Vector Machines
1.5.4. Artificial Neural Networks
1.5.5. Applications of Supervised Learning

1.6. Unsupervised Learning

1.6.1. Unsupervised Learning
1.6.2. Kohonen Networks
1.6.3. Self-Organizing Maps
1.6.4. K-Means Algorithm

1.7. Reinforcement Learning

1.7.1. Reinforcement Learning
1.7.2. Agents Based on Markov Processes
1.7.3. Reinforcement Learning Algorithms
1.7.4. Reinforcement Learning Applied to Robotics

1.8. Artificial Neural Networks and Deep Learning

1.8.1. Artificial Neural Networks. Typology
1.8.2. Applications of Neural Networks
1.8.3. Transformation from Machine Learning to Deep Learning
1.8.4. Deep Learning Applications

1.9. Probabilistic Inference

1.9.1. Probabilistic Inference
1.9.2. Types of Inference and Method Definition
1.9.3. Bayesian Inference as a Case Study
1.9.4. Nonparametric Inference Techniques
1.9.5. Gaussian Filters

1.10. From Theory to Practice: Developing an Intelligent Robotic Agent

1.10.1. Inclusion of Supervised Learning Modules in a Robotic Agent
1.10.2. Inclusion of Reinforcement Learning Modules in a Robotic Agent
1.10.3. Architecture of a Robotic Agent Controlled by Artificial Intelligence
1.10.4. Professional Tools for the Implementation of the Intelligent Agent
1.10.5. Phases of the Implementation of AI Algorithms in Robotic Agents

Module 2. Artificial Vision Techniques in Robotics: Image Processing and Analysis

2.1. Computer Vision

2.1.1. Computer Vision
2.1.2. Elements of a Computer Vision System
2.1.3. Mathematical Tools

2.2. Optical Sensors for Robotics

2.2.1. Passive Optical Sensors
2.2.2. Active Optical Sensors
2.2.3. Non-Optical Sensors

2.3. Image Acquisition

2.3.1. Image Representation
2.3.2. Color Space
2.3.3. Digitizing Process

2.4. Image Geometry

2.4.1. Lens Models
2.4.2. Camera Models
2.4.3. Camera Calibration

2.5. Mathematical Tools

2.5.1. Histogram of an Image
2.5.2. Convolution
2.5.3. Fourier Transform

2.6. Image Preprocessing

2.6.1. Noise Analysis
2.6.2. Image Smoothing
2.6.3. Image Enhancement

2.7. Image Segmentation

2.7.1. Contour-Based Techniques
2.7.3. Histogram-Based Techniques
2.7.4. Morphological Operations

2.8. Image Feature Detection

2.8.1. Point of Interest Detection
2.8.2. Feature Descriptors
2.8.3. Feature Matching

2.9. 3D Vision Systems

2.9.1. 3D Perception
2.9.2. Feature Matching between Images
2.9.3. Multiple View Geometry

2.10. Computer Vision based Localization

2.10.1. The Robot Localization Problem
2.10.2. Visual Odometry
2.10.3. Sensory Fusion

Module 3. Robot Visual Perception Systems with Automatic Learning

3.1. Unsupervised Learning Methods applied to Computer Vision

3.1.1. Clustering
3.1.2. PCA
3.1.3. Nearest Neighbors
3.1.4. Similarity and Matrix Decomposition

3.2. Supervised Learning Methods Applied to Computer Vision

3.2.1. “Bag of Words” Concept
3.2.2. Support Vector Machine
3.2.3. Latent Dirichlet Allocation
3.2.4. Neural Networks

3.3. Deep Neural Networks: Structures, Backbones and Transfer Learning

3.3.1. Feature Generating Layers

3.3.3.1. VGG
3.3.3.2. DenseNet
3.3.3.3. ResNet
3.3.3.4. Inception
3.3.3.5. GoogleNet

3.3.2. Transfer Learning
3.3.3. Data. Preparation for Training

3.4. Computer Vision with Deep Learning I: Detection and Segmentation

3.4.1. YOLO and SSD Differences and Similarities
3.4.2. Unet
3.4.3. Other Structures

3.5. Computer Vision with Deep Learning II: Generative Adversarial Networks

3.5.1. Image Super-Resolution Using GAN
3.5.2. Creation of Realistic Images
3.5.3. Scene Understanding

3.6. Learning Techniques for Localization and Mapping in Mobile Robotics

3.6.1. Loop Closure Detection and Relocation
3.6.2. Magic Leap. Super Point and Super Glue
3.6.3. Depth from Monocular

3.7. Bayesian Inference and 3D Modeling

3.7.1. Bayesian Models and “Classical” Learning
3.7.2. Implicit Surfaces with Gaussian Processes (GPIS)
3.7.3. 3D Segmentation Using GPIS
3.7.4. Neural Networks for 3D Surface Modeling

3.8. End-to-End Applications of Deep Neural Networks

3.8.1. End-to-End System. Example of Person Identification
3.8.2. Object Manipulation with Visual Sensors
3.8.3. Motion Generation and Planning with Visual Sensors

3.9. Cloud Technologies to Accelerate the Development of Deep Learning Algorithms

3.9.1. Use of GPUs for Deep Learning
3.9.2. Agile Development with Google IColab
3.9.3. Remote GPUs, Google Cloud and AWS

3.10. Deployment of Neural Networks in Real Applications

3.10.1. Embedded Systems
3.10.2. Deployment of Neural Networks. Use
3.10.3. Network Optimizations in Deployment, Example with TensorR

Master the use of Python and Tensorflow, key tools in the field of Robotics. Click and register now”