Descripción

Este Grand Master te capacitará para trabajar en todos los ámbitos de la transformación digital en la industria y la inteligencia artificial con la solvencia de un profesional de alto nivel”  

grand master transformación digital de la industria e inteligencia artificial

La considerada “cuarta revolución industrial”, favorecida por la transformación digital, ha logrado avanzar en el ámbito de la ingeniería, aportando mejoras a un sinfín de actividades que evolucionan frecuentemente. La inteligencia artificial es una de las principales novedades de este sector, ya que, hoy en día, desde la automatización de numerosos procedimientos en la industria y las empresas, hasta el propio control de procesos se puede llevar a cabo de manera remota. 

Pero para que pueda llevarse a cabo una completa transformación digital en la industria, es preciso contar con profesionales de alto nivel, que tengan un conocimiento superior, y que sean capaces de estar al día en las últimas novedades tecnológicas aplicadas a su sector. Un reto difícil de conseguir pero que en TECH nos hemos propuesto que cumplas. Y, para ello, te ofrecemos este completísimo Grand Master en Transformación Digital de la Industria e Inteligencia Artificial, una oportunidad única de estudio que te permitirá alcanzar un nivel superior de formación que te permita rodearte de los mejores, superando tus expectativas a nivel educativo y profesional.  

Este programa formativo se distribuye a lo largo de dos grandes bloques: por un lado, la inteligencia artificial y la ingeniería del conocimiento; y por otro, la transformación digital y la industria 4.0. Dos grandes opciones de estudio totalmente complementarias que, en esta ocasión, te proponemos como un gran reto educativo. De esta manera, el temario abarca desde el proceso de programación y minería de datos, hasta la creación de un modelo de clasificación de imágenes con inteligencia artificial, la creación de una experiencia en realidad aumentada o la generación de un proceso de IoT 

En esta formación, el alumno recorrerá todos los planteamientos actuales en los diferentes retos que su profesión plantea. Un paso de alto nivel que se convertirá en un proceso de mejora, no solo profesional, sino personal. 

De esta manera, no solo te llevaremos a través de los conocimientos teóricos que te ofrecemos, sino que te mostraremos otra manera de estudiar y aprender, más orgánica, más sencilla y eficiente. Trabajaremos para mantenerte motivado y para crear en ti pasión por el aprendizaje. Y te impulsaremos a pensar y a desarrollar el pensamiento crítico.     

La realización de este Grand Master colocará a los profesionales de la ingeniería a la vanguardia de las últimas novedades en el sector” 

Este Grand Master en Transformación Digital de la Industria e Inteligencia Artificial contiene el programa académico más completo y actualizado del panorama universitario. Las características más destacadas de la formación son:    

  • La última tecnología en software de enseñanza online.      
  • El sistema docente intensamente visual, apoyado en contenidos gráficos y esquemáticos de fácil asimilación y comprensión.       
  • El desarrollo de casos prácticos presentados por expertos en activo.      
  • Los sistemas de vídeo interactivo de última generación.      
  • La enseñanza apoyada en la telepráctica.       
  • Los sistemas de actualización y reciclaje permanente.      
  • El aprendizaje autorregulable: total compatibilidad con otras ocupaciones.      
  • Los ejercicios prácticos de autoevaluación y constatación de aprendizaje.      
  • Los grupos de apoyo y sinergias educativas: preguntas al experto, foros de discusión y conocimiento.      
  • La comunicación con el docente y trabajos de reflexión individual.      
  • La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet.      
  • Los bancos de documentación complementaria disponible permanentemente, incluso después de la formación.    

Una formación creada para profesionales que aspiran a la excelencia y que te permitirá adquirir nuevas competencias y estrategias de manera fluida y eficaz”   

Nuestro personal docente está integrado por profesionales en activo. De esta manera, nos aseguramos de ofrecerte el objetivo de actualización formativa que pretendemos. Contamos con un cuadro multidisciplinar de profesionales formados y experimentados en diferentes entornos, que desarrollarán los conocimientos teóricos de manera eficiente, pero, sobre todo, pondrán al servicio de la formación los conocimientos prácticos derivados de su propia experiencia.      

Este dominio de la materia se complementa con la eficacia del diseño metodológico de este grand master. Elaborado por un equipo multidisciplinario de expertos en e-learning, integra los últimos avances en tecnología educativa. De esta manera, podrás estudiar con un elenco de herramientas multimedia cómodas y versátiles que te darán la operatividad que necesitas en tu formación.   

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, un planteamiento que concibe el aprendizaje como un proceso eminentemente práctico. Para conseguirlo de forma remota, usaremos la telepráctica. Con la ayuda de un novedoso sistema de vídeo interactivo y el learning from an expert, podrás adquirir los conocimientos como si estuvieses enfrentándote al supuesto que estás aprendiendo en ese momento. Un concepto que te permitirá integrar y fijar el aprendizaje de una manera más realista y permanente.   

Una inmersión profunda y completa en las estrategias y planteamientos más actualizados, que te permitirán adquirir unos conocimientos útiles para aplicar en tu profesión"

master transformación digital de la industria e inteligencia artificial

Contamos con la mejor metodología docente y multitud de casos simulados que te ayudarán a formarte en situaciones reales"

Temario

Los contenidos de esta formación han sido desarrollados por los diferentes profesores con una finalidad clara: conseguir que nuestro alumnado adquiera todas y cada una de las habilidades necesarias para convertirse en verdaderos expertos en esta materia. El contenido de este Grand Master te permitirá aprender todos los aspectos de las diferentes disciplinas implicadas en esta área. Un programa completísimo y muy bien estructurado que te llevará hacia los más elevados estándares de calidad y éxito.      

magister transformación digital de la industria e inteligencia artificial

A través de un desarrollo muy bien compartimentado, podrás acceder a los conocimientos más avanzados del momento para desarrollar con seguridad tu labor diaria”

Bloque 1. Inteligencia Artificial e Ingeniería del Conocimiento

Módulo 1. Fundamentos de programación

1.1. Introducción a la programación

1.1.1. Estructura básica de un ordenador
1.1.2. Software
1.1.3. Lenguajes de programación
1.1.4. Ciclo de vida de una aplicación informática

1.2. Diseño de algoritmos

1.2.1. La resolución de problemas
1.2.2. Técnicas descriptivas
1.2.3. Elementos y estructura de un algoritmo

1.3. Elementos de un programa

1.3.1. Origen y características del lenguaje C++
1.3.2. El entorno de desarrollo
1.3.3. Concepto de programa
1.3.4. Tipos de datos fundamentales
1.3.5. Operadores
1.3.6. Expresiones
1.3.7. Sentencias
1.3.8. Entrada y salida de datos

1.4. Sentencias de control

1.4.1. Sentencias
1.4.2. Bifurcaciones
1.4.3. Bucles

1.5. Abstracción y modularidad: funciones

1.5.1. Diseño modular
1.5.2. Concepto de función y utilidad
1.5.3. Definición de una función
1.5.4. Flujo de ejecución en la llamada de una función
1.5.5. Prototipo de una función
1.5.6. Devolución de resultados
1.5.7. Llamada a una función: parámetros
1.5.8. Paso de parámetros por referencia y por valor
1.5.9. Ámbito identificador

1.6. Estructuras de datos estáticas

1.6.1. Arrays
1.6.2. Matrices. Poliedros
1.6.3. Búsqueda y ordenación
1.6.4. Cadenas. Funciones de E/S para cadenas
1.6.5. Estructuras. Uniones
1.6.6. Nuevos tipos de datos

1.7. Estructuras de datos dinámicas: punteros

1.7.1. Concepto. Definición de puntero
1.7.2. Operadores y operaciones con punteros
1.7.3. Arrays de punteros
1.7.4. Punteros y arrays
1.7.5. Punteros a cadenas
1.7.6. Punteros a estructuras
1.7.7. Indirección múltiple
1.7.8. Punteros a funciones
1.7.9. Paso de funciones, estructuras y arrays como parámetros de funciones

1.8. Ficheros

1.8.1. Conceptos básicos
1.8.2. Operaciones con ficheros
1.8.3. Tipos de ficheros
1.8.4. Organización de los ficheros
1.8.5. Introducción a los ficheros C++
1.8.6. Manejo de ficheros

1.9. Recursividad

1.9.1. Definición de recursividad
1.9.2. Tipos de recursión
1.9.3. Ventajas e inconvenientes
1.9.4. Consideraciones
1.9.5. Conversión recursivo-iterativa
1.9.6. La pila de recursión

1.10. Prueba y documentación

1.10.1. Pruebas de programas
1.10.2. Prueba de la caja blanca
1.10.3. Prueba de la caja negra
1.10.4. Herramientas para realizar las pruebas
1.10.5. Documentación de programas

Módulo 2. Estructura de datos

2.1. Introducción a la programación en C++

2.1.1. Clases, constructores, métodos y atributos
2.1.2. Variables
2.1.3. Expresiones condicionales y bucles
2.1.4. Objetos

2.2. Tipos abstractos de datos (TAD)

2.2.1. Tipos de datos
2.2.2. Estructuras básicas y TAD
2.2.3. Vectores y arrays

2.3. Estructuras de datos lineales

2.3.1. TAD Lista. Definición
2.3.2. Listas enlazadas y doblemente enlazadas
2.3.3. Listas ordenadas
2.3.4. Listas en C++
2.3.5. TAD Pila
2.3.6. TAD Cola
2.3.7. Pila y Cola en C++

2.4. Estructuras de datos jerárquicas

2.4.1. TAD Árbol
2.4.2. Recorridos
2.4.3. Árboles n-arios
2.4.4. Árboles binarios
2.4.5. Árboles binarios de búsqueda

2.5. Estructuras de datos jerárquicas: árboles complejos

2.5.1. Árboles perfectamente equilibrados o de altura mínima
2.5.2. Árboles multicamino
2.5.3. Referencias bibliográficas

2.6. Montículos y cola de prioridad

2.6.1. TAD Montículos
2.6.2. TAD Cola de prioridad

2.7. Tablas hash

2.7.1. TAD Tabla hash
2.7.2. Funciones hash
2.7.3. Función hash en tablas hash
2.7.4. Redispersión
2.7.5. Tablas hash abiertas

2.8. Grafos

2.8.1. TAD Grafo
2.8.2. Tipos de grafo
2.8.3. Representación gráfica y operaciones básicas
2.8.4. Diseño de grafos

2.9. Algoritmos y conceptos avanzados sobre grafos

2.9.1. Problemas sobre grafos
2.9.2. Algoritmos sobre caminos
2.9.3. Algoritmos de búsqueda o recorridos
2.9.4. Otros algoritmos

2.10. Otras estructuras de datos

2.10.1. Conjuntos
2.10.2. Arrays paralelos
2.10.3. Tablas de símbolos
2.10.4. Tries

Módulo 3. Algoritmia y complejidad

3.1. Introducción a las estrategias de diseño de algoritmos

3.1.1. Recursividad
3.1.2. Divide y conquista
3.1.3. Otras estrategias

3.2. Eficiencia y análisis de los algoritmos

3.2.1. Medidas de eficiencia
3.2.2. Medir el tamaño de la entrada
3.2.3. Medir el tiempo de ejecución
3.2.4. Caso peor, mejor y medio
3.2.5. Notación asintónica
3.2.6. Criterios de Análisis matemático de algoritmos no recursivos
3.2.7. Análisis matemático de algoritmos recursivos
3.2.8. Análisis empírico de algoritmos

3.3. Algoritmos de ordenación

3.3.1. Concepto de ordenación
3.3.2. Ordenación de la burbuja
3.3.3. Ordenación por selección
3.3.4. Ordenación por inserción
3.3.5. Ordenación por mezcla (merge_sort)
3.3.6. Ordenación rápida (quick_sort)

3.4. Algoritmos con árboles

3.4.1. Concepto de árbol
3.4.2. Árboles binarios
3.4.3. Recorridos de árbol
3.4.4. Representar expresiones
3.4.5. Árboles binarios ordenados
3.4.6. Árboles binarios balanceados

3.5. Algoritmos con heaps

3.5.1. Los heaps
3.5.2. El algoritmo heapsort
3.5.3. Las colas de prioridad

3.6. Algoritmos con grafos

3.6.1. Representación
3.6.2. Recorrido en anchura
3.6.3. Recorrido en profundidad
3.6.4. Ordenación topológica

3.7. Algoritmos greedy

3.7.1. La estrategia greedy
3.7.2. Elementos de la estrategia greedy
3.7.3. Cambio de monedas
3.7.4. Problema del viajante
3.7.5. Problema de la mochila

3.8. Búsqueda de caminos mínimos

3.8.1. El problema del camino mínimo
3.8.2. Arcos negativos y ciclos
3.8.3. Algoritmo de Dijkstra

3.9. Algoritmos greedy sobre grafos

3.9.1. El árbol de recubrimiento mínimo
3.9.2. El algoritmo de Prim
3.9.3. El algoritmo de Kruskal
3.9.4. Análisis de complejidad

3.10. Backtracking

3.10.1. El backtracking
3.10.2. Técnicas alternativas

Módulo 4. Diseño avanzado de algoritmos

4.1. Análisis de algoritmos recursivos y tipo divide y conquista

4.1.1. Planteamiento y resolución de ecuaciones de recurrencia homogéneas y no homogéneas.
4.1.2. Descripción general de la estrategia divide y conquista

4.2. Análisis amortizado

4.2.1. El análisis agregado
4.2.2. El método de contabilidad
4.2.3. El método del potencial

4.3. Programación dinámica y algoritmos para problemas NP

4.3.1. Características de la programación dinámica
4.3.2. Vuelta atrás: backtracking
4.3.3. Ramificación y poda

4.4. Optimización combinatoria

4.4.1. Representación de problemas
4.4.2. Optimización en 1D

4.5. Algoritmos de aleatorización

4.5.1. Ejemplos de algoritmos de aleatorización
4.5.2. El teorema Buffon
4.5.3. Algoritmo de Monte Carlo
4.5.4. Algoritmo Las Vegas

4.6. Búsqueda local y con candidatos

4.6.1. Garcient ascent
4.6.2. Hill climbing
4.6.3. Simulated annealing
4.6.4. Tabu search
4.6.5. Búsqeuda con candidatos

4.7. Verificación formal de programas

4.7.1. Especificación de abstracciones funcionales
4.7.2. El lenguaje de la lógica de primer orden
4.7.3. El sistema formal de Hoare

4.8. Verificación de programas iterativos

4.8.1. Reglas del sistema formal de Hoare
4.8.2. Concepto de invariante de iteraciones

4.9. Métodos numéricos

4.9.1. El método de la bisección
4.9.2. El método de Newton Raphson
4.9.3. El método de la secante

4.10. Algoritmos paralelos

4.10.1. Operaciones binarias paralelas
4.10.2. Operaciones paralelas con grafos
4.10.3. Paralelismo en divide y vencerás
4.10.4. Paralelismo en programación dinámica

Módulo 5. Lógica computacional

5.1. Justificación de la lógica

5.1.1. Objeto del estudio de la lógica
5.1.2. ¿Para qué sirve la lógica?
5.1.3. Componentes y tipos de razonamiento
5.1.4. Componentes de un cálculo lógico
5.1.5. Semántica
5.1.6. Justificación de la existencia de una lógica
5.1.7. ¿Cómo comprobar que una lógica es adecuada?

5.2. Cálculo de deducción natural de enunciados

5.2.1. Lenguaje formal
5.2.2. Mecanismo deductivo

5.3. Estrategias de formalización y deducción para la lógica proposicional

5.3.1. Estrategias de formalización
5.3.2. El razonamiento natural
5.3.3. Leyes y reglas
5.3.4. Deducción axiomática y deducción natural
5.3.5. El cálculo de la deducción natural
5.3.6. Reglas primitivas del cálculo proposicional

5.4. Semántica de la lógica proposicional

5.4.1. Tablas de verdad
5.4.2. Equivalencia
5.4.3. Tautologías y contradicciones
5.4.4. Validación de sentencias proposicionales
5.4.5. Validación mediante tablas de verdad
5.4.6. Validación mediante árboles semánticos
5.4.7. Validación mediante refutación

5.5. Aplicaciones de la lógica proposicional: circuitos lógicos

5.5.1. Las puertas básicas
5.5.2. Circuitos
5.5.3. Modelos matemáticos de los circuitos
5.5.4. Minimización
5.5.5. La segunda forma canónica y la forma mínima en producto de sumas
5.5.6. Otras puertas

5.6. Cálculo de deducción natural de predicados

5.6.1. Lenguaje formal
5.6.2. Mecanismo deductivo

5.7. Estrategias de formalización para la lógica de predicados

5.7.1. Introducción a la formalización en lógica de predicados
5.7.2. Estrategias de formalización con cuantificadores

5.8. Estrategias de deducción para la lógica de predicados

5.8.1. Razón de una omisión
5.8.2. Presentación de las nuevas reglas
5.8.3. La lógica de predicados como cálculo de deducción natural

5.9. Aplicaciones de la lógica de predicados: introducción a la programación lógica

5.9.1. Presentación informal
5.9.2. Elementos del Prolog
5.9.3. La reevaluación y el corte

5.10. Teoría de conjuntos, lógica de predicados y su semántica

5.10.1. Teoría intuitiva de conjuntos
5.10.2. Introducción a la semántica de predicados

Módulo 6. Inteligencia artificial e ingeniería del conocimiento 

6.1. Introducción a la Inteligencia Artificial y a la Ingeniería del Conocimiento

6.1.1. Breve historia de la Inteligencia Artificial
6.1.2. La Inteligencia Artificial hoy en día
6.1.3. Ingeniería del Conocimiento

6.2. Búsqueda

6.2.1. Conceptos comunes de búsqueda
6.2.2. Búsqueda no informada
6.2.3. Búsqueda informada

6.3. Satisfacibilidad booleana, Satisfacibilidad de restricciones y planificación automática

6.3.1. Satisfacibilidad booleana
6.3.2. Problemas de satisfacción de restricciones
6.3.3. Planificación Automática y PDDL
6.3.4. Planificación como Búsqueda Heurística
6.3.5. Planificación con SAT

6.4. La Inteligencia Artificial en Juegos

6.4.1. Teoría de Juegos
6.4.2. Minimax y poda Alfa-Beta
6.4.3. Simulación: Monte Carlo

6.5. Aprendizaje supervisado y no supervisado

6.5.1. Introducción al Aprendizaje Automático
6.5.2. Clasificación
6.5.3. Regresión
6.5.4. Validación de resultados
6.5.5. Agrupación (Clustering)

6.6. Redes de neuronas

6.6.1. Fundamentos Biológicos
6.6.2. Modelo Computacional
6.6.3. Redes de Neuronas Supervisadas y no Supervisadas
6.6.4. Perceptrón Simple
6.6.5. Perceptrón Multicapa

6.7. Algoritmos genéticos

6.7.1. Historia
6.7.2. Base biológica
6.7.3. Codificación de problemas
6.7.4. Generación de la población inicial
6.7.5. Algoritmo principal y operadores genéticos
6.7.6. Evaluación de individuos: fitness

6.8. Tesauros, vocabularios, taxonomías

6.8.1. Vocabularios
6.8.2. Taxonomías
6.8.3. Tesauros
6.8.4. Ontologías

6.9. Representación del conocimiento: Web Semántica

6.9.1. Web Semántica
6.9.2. Especificaciones: RDF, RDFS y OWL
6.9.3. Inferencia/razonamiento
6.9.4. Linked Data

6.10. Sistemas expertos y DSS

6.10.1. Sistemas expertos
6.10.2. Sistemas de soporte a la decisión

Módulo 7. Sistemas inteligentes

7.1. Teoría de Agentes

7.1.1. Historia del concepto
7.1.2. Definición de agente
7.1.3. Agentes en Inteligencia Artificial
7.1.4. Agentes en Ingeniería de Software

7.2. Arquitecturas de Agentes

7.2.1. El proceso de razonamiento de un agente
7.2.2. Agentes reactivos
7.2.3. Agentes deductivos
7.2.4. Agentes híbridos
7.2.5. Comparativa

7.3. Información y conocimiento

7.3.1. Distinción entre datos, información y conocimiento
7.3.2. Evaluación de la calidad de los datos
7.3.3. Métodos de captura de datos
7.3.4. Métodos de adquisición de información
7.3.5. Métodos de adquisición de conocimiento

7.4. Representación del conocimiento

7.4.1. La importancia de la representación del conocimiento
7.4.2. Definición de representación del conocimiento a través de sus roles
7.4.3. Características de una representación del conocimiento

7.5. Ontologías

7.5.1. Introducción a los metadatos
7.5.2. Concepto filosófico de ontología
7.5.3. Concepto informático de ontología
7.5.4. Ontologías de dominio y ontologías de nivel superior
7.5.5. Cómo construir una ontología

7.6. Lenguajes para ontologías y software para la creación de ontologías

7.6.1. Tripletas RDF, Turtle y N3
7.6.2. RDF Schema
7.6.3. OWL
7.6.4. SPARQL
7.6.5. Introducción a las diferentes herramientas para la creación de ontologías
7.6.6. Instalación y uso de Protégé

7.7. La web semántica

7.7.1. El estado actual y futuro de la web semántica
7.7.2. Aplicaciones de la web semántica

7.8. Otros modelos de representación del conocimiento

7.8.1. Vocabularios
7.8.2. Visión global
7.8.3. Taxonomías
7.8.4. Tesauros
7.8.5. Folksonomías
7.8.6. Comparativa
7.8.7. Mapas mentales

7.9. Evaluación e integración de representaciones del conocimiento

7.9.1. Lógica de orden cero
7.9.2. Lógica de primer orden
7.9.3. Lógica descriptiva
7.9.4. Relación entre diferentes tipos de lógica
7.9.5. Prolog: programación basada en lógica de primer orden

7.10. Razonadores semánticos, sistemas basados en conocimiento y Sistemas Expertos

7.10.1. Concepto de razonador
7.10.2. Aplicaciones de un razonador
7.10.3. Sistemas basados en el conocimiento
7.10.4. MYCIN, historia de los Sistemas Expertos
7.10.5. Elementos y Arquitectura de Sistemas Expertos
7.10.6. Creación de Sistemas Expertos

Módulo 8. Aprendizaje automático y minería de datos

8.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático

8.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento
8.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento
8.1.3. Etapas de los procesos de descubrimiento del conocimiento
8.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento
8.1.5. Características de los buenos modelos de aprendizaje automático
8.1.6. Tipos de información de aprendizaje automático
8.1.7. Conceptos básicos de aprendizaje
8.1.8. Conceptos básicos de aprendizaje no supervisado

8.2. Exploración y preprocesamiento de datos

8.2.1. Tratamiento de datos
8.2.2. Tratamiento de datos en el flujo de análisis de datos
8.2.3. Tipos de datos
8.2.4. Transformaciones de datos
8.2.5. Visualización y exploración de variables continuas
8.2.6. Visualización y exploración de variables categóricas
8.2.7. Medidas de correlación
8.2.8. Representaciones gráficas más habituales
8.2.9. Introducción al análisis multivariante y a la reducción de dimensiones

8.3. Árboles de decisión

8.3.1. Algoritmo ID3
8.3.2. Algoritmo C4.5
8.3.3. Sobreentrenamiento y poda
8.3.4. Análisis de resultados

8.4. Evaluación de clasificadores

8.4.1. Matrices de confusión
8.4.2. Matrices de evaluación numérica
8.4.3. Estadístico de Kappa
8.4.5. La curva ROC

8.5. Reglas de clasificación

8.5.1. Medidas de evaluación de reglas
8.5.2. Introducción a la representación gráfica
8.5.3. Algoritmo de recubrimiento secuencial

8.6. Redes neuronales

8.6.1. Conceptos básicos
8.6.2. Redes de neuronas simples
8.6.3. Algoritmo de backpropagation
8.6.4. Introducción a las redes neuronales recurrentes

8.7. Métodos bayesianos

8.7.1. Conceptos básicos de probabilidad
8.7.2. Teorema de Bayes
8.7.3. Naive Bayes
8.7.4. Introducción a las redes bayesianas

8.8. Modelos de regresión y de respuesta continua

8.8.1. Regresión lineal simple
8.8.2. Regresión lineal múltiple
8.8.3. Regresión logística
8.8.4. Árboles de regresión
8.8.5. Introducción a las máquinas de soporte vectorial (SVM)
8.8.6. Medidas de bondad de ajuste

8.9. Clustering

8.9.1. Conceptos básicos
8.9.2. Clustering jerárquico
8.9.3. Métodos probabilistas
8.9.4. Algoritmo EM
8.9.5. Método B-Cubed
8.9.6. Métodos implícitos

8.10. Minería de textos y procesamiento de lenguaje natural (NLP)

8.10.1. Conceptos básicos
8.10.2. Creación del corpus
8.10.3. Análisis descriptivo
8.10.4. Introducción al análisis de sentimientos

Módulo 9. Sistemas multiagente y percepción computacional

9.1. Agentes y sistemas multiagente

9.1.1. Concepto de agente
9.1.2. Arquitecturas
9.1.3. Comunicación y coordinación
9.1.4. Lenguajes de programación y herramientas
9.1.5. Aplicaciones de los agentes
9.1.6. La FIPA

9.2. El estándar para agentes: FIPA

9.2.1. La comunicación entre los agentes
9.2.2. La gestión de los agentes
9.2.3. La arquitectura abstracta
9.2.4. Otras especificaciones

9.3. La plataforma JADE

9.3.1. Los agentes software según JADE
9.3.2. Arquitectura
9.3.3. Instalación y ejecución
9.3.4. Paquetes JADE

9.4. Programación básica con JADE

9.4.1. La consola de gestión
9.4.2. Creación básica de agentes

9.5. Programación avanzada con JADE

9.5.1. Creación avanzada de agentes
9.5.2. Comunicación entre agentes
9.5.3. Descubrimiento de agentes

9.6. Visión Artificial

9.6.1. Procesamiento y análisis digital de imágenes
9.6.2. Análisis de imágenes y visión artificial
9.6.3. Procesamiento de imágenes y visión humana
9.6.4. Sistema de capturas de imágenes
9.6.5. Formación de la imagen y percepción

9.7. Análisis de imágenes digitales

9.7.1. Etapas del proceso de análisis de imágenes
9.7.2. Preprocesado
9.7.3. Operaciones básicas
9.7.4. Filtrado espacial

9.8. Transformación de imágenes digitales y segmentación de imágenes

9.8.1. Transformadas de Fourier
9.8.2. Filtrado en frecuencias
9.8.3. Conceptos básicos
9.8.4. Umbralización
9.8.5. Detección de contornos

9.9. Reconocimiento de formas

9.9.1. Extracción de características
9.9.2. Algoritmos de clasificación

9.10. Procesamiento de lenguaje natural

9.10.1. Reconocimiento automático del habla
9.10.2. Lingüística computacional

Módulo 10. Computación bioinspirada

10.1. Introducción a la computación bioinspirada

10.1.1. Introducción a la computación bioinspirada

10.2. Algoritmos de adaptación social

10.2.1. Computación bioinspirada basada en colonia de hormigas
10.2.2. Variantes de los algoritmos de colonias de hormigas
10.2.3. Computación basada en nubes de partículas

10.3. Algoritmos genéticos

10.3.1. Estructura general
10.3.2. Implementaciones de los principales operadores

10.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos

10.4.1. Algoritmo CHC
10.4.2. Problemas multimodales

10.5. Modelos de computación evolutiva (I)

10.5.1. Estrategias evolutivas
10.5.2. Programación evolutiva
10.5.3. Algoritmos basados en evolución diferencial

10.6. Modelos de computación evolutiva (II)

10.6.1. Modelos de evolución basados en estimación de distribuciones (EDA)
10.6.2. Programación genética

10.7. Programación evolutiva aplicada a problemas de aprendizaje

10.7.1. Aprendizaje basado en reglas
10.7.2. Métodos evolutivos en problemas de selección de instancias

10.8. Problemas multiobjetivo

10.8.1. Concepto de dominancia
10.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo

10.9. Redes neuronales (I)

10.9.1. Introducción a las redes neuronales
10.9.2. Ejemplo práctico con redes neuronales

10.10. Redes neuronales (II)

10.10.1. Casos de uso de las redes neuronales en la investigación médica
10.10.2. Casos de uso de las redes neuronales en la economía
10.10.3. Casos de uso de las redes neuronales en la visión artificial

Bloque 2. Transformación Digital e Industria 4.0 

Módulo 11. Internet de las cosas (IoT)

11.1. Sistemas ciberfísicos (CPS) en la visión Industria 4.0

11.1.1. Internet of Things (IoT)
11.1.2. Componentes que intervienen en IoT
11.1.3. Casos y aplicaciones de IoT

11.2. Internet de las cosas y sistemas ciberfísicos

11.2.1. Capacidades de computación y comunicación a objetos físicos
11.2.2. Sensores, datos y elementos en los sistemas ciberfísicos

11.3. Ecosistema de dispositivos

11.3.1. Tipologías, ejemplos y usos
11.3.2. Aplicaciones de los diferentes dispositivos

11.4. Plataformas IoT y su arquitectura

11.4.1. Tipologías y plataformas en el mercado de IoT
11.4.2. Funcionamiento de una plataforma IoT

11.5. Digital Twins

11.5.1. El Gemelo Digital o Digital Twin
11.5.2. Usos y aplicaciones del Gemelo Digital

11.6. Indoor & outdoor Geolocation (Real Time Geospatial)

11.6.1. Plataformas para la geolocalización indoor y outdoor
11.6.2. Implicaciones y retos de la geolocalización en un proyecto IoT

11.7. Sistemas de Seguridad inteligentes

11.7.1. Tipologías y plataformas de implementación de sistemas de seguridad
11.7.2. Componentes y arquitecturas en sistemas de seguridad inteligentes

11.8. Seguridad en las plataformas IoT e IIoT

11.8.1. Componentes de seguridad en un sistema IoT
11.8.2. Estrategias de implementación de la seguridad en IoT

11.9. Wearables at work

11.9.1. Tipos de Wearables en entornos industriales
11.9.2. Lecciones aprendidas y retos al implementar wearables en trabajadores

11.10. Implementación de una API para interactuar con una plataforma

11.10.1. Tipologías de API que intervienen en una plataforma IoT
11.10.2. Mercado de API
11.10.3. Estrategias y sistemas para implementar integraciones con API

Módulo 12. Sistemas de automatización de la industria 4.0

12.1. Automatización industrial

12.1.1. La automatización
12.1.2. Arquitectura y componentes
12.1.3. Safety

12.2. Robótica industrial

12.2.1. Fundamentos de Robótica industrial
12.2.2. Modelos e impacto en los procesos industriales

12.3. Sistemas PLC y control industrial

12.3.1. Evolución y estado de los PLC
12.3.2. Evolución lenguajes de programación
12.3.3. Automatización integrada por computador CIM

12.4. Sensores y actuadores

12.4.1. Clasificación de transductores
12.4.2. Tipos sensores
12.4.3. Estandarización de señales

12.5. Monitorear y administrar

12.5.1. Tipos actuadores
12.5.2. Sistemas de control realimentados

12.6. Conectividad industrial

12.6.1. Buses de campo estandarizados
12.6.2. Conectividad

12.7. Mantenimiento proactivo / predictivo

12.7.1. Mantenimiento predictivo
12.7.2. Identificación y análisis de fallos
12.7.3. Acciones proactivas basadas en el mantenimiento predictivo

12.8. Monitoreo continuo y mantenimiento prescriptivo

12.8.1. Concepto mantenimiento prescriptivo en entornos industriales
12.8.2. Selección y explotación de datos para autodiagnósticos

12.9. Lean Manufacturing

12.9.1. Lean Manufacturing
12.9.2. Beneficios implantación Lean en procesos industriales

12.10. Procesos Industrializados en la industria 4.0. Caso de Uso

12.10.1. Definición de proyecto
12.10.2. Selección tecnológica
12.10.3. Conectividad
12.10.4. Explotación de datos

Módulo 13. Blockchain y computación cuántica 

13.1. Aspectos de la Descentralización

13.1.1. Tamaño del mercado, crecimiento, empresas y ecosistema
13.1.2. Fundamentos del Blockchain

13.2. Antecedentes: Bitcoin, Ethereum, etc

13.2.1. Popularidad de los sistemas descentralizados
13.2.2. Evolución de los sistemas descentralizados

13.3. Funcionamiento y ejemplos Blockchain

13.3.1. Tipos de Blockchain y protocolos
13.3.2. Wallets, Mining y más

13.4. Características de las redes Blockchain

13.4.1. Funciones y propiedades de las redes BlockChain
13.4.2. Aplicaciones: criptomonedas, confiabilidad, cadena de custodia, etc.

13.5. Tipos de Blockchain

13.5.1. Blockchains públicos y privados
13.5.2. Hard and soft forks

13.6. Smart Contracts

13.6.1. Los contratos inteligentes y su potencial
13.6.2. Aplicaciones de los contratos inteligentes

13.7. Modelos de uso en la industria

13.7.1. Aplicaciones Blockchain por industria
13.7.2. Casos de éxito del Blockchain por industria

13.8. Seguridad y criptografía

13.8.1. Objetivos de la criptografía
13.8.2. Firmas digitales y funciones hash

13.9. Criptomonedas y usos

13.9.1. Tipos de criptomonedas: Bitcoin, HyperLedger, Ethereum, Litecoin, etc
13.9.2. Impacto actual y futuro de las criptomonedas
13.9.3. Riesgos y regulaciones

13.10. Computación cuántica

13.10.1. Definición y claves
13.10.2. Usos de la computación cuántica

Módulo 14. Big data e inteligencia artificial 

14.1. Principios fundamentales de Big Data

14.1.1. El Big Data
14.1.2. Herramientas para trabajar con Big Data

14.2. Minería y almacenamiento de datos

14.2.1. La Minería de datos. Limpieza y normalización
14.2.2. Extracción de información, traducción automática, análisis de sentimientos, etc
14.2.3. Tipos de almacenamiento de datos

14.3.  Aplicaciones de ingesta de datos

14.3.1. Principios de la ingesta de datos
14.3.2. Tecnologías de ingesta de datos al servicio de las necesidades de negocio

14.4. Visualización de datos

14.4.1. La importancia de realizar una visualización de datos
14.4.2. Herramientas para llevarla a cabo. Tableau, D3, matplotlib (Python), Shiny®

14.5. Aprendizaje Automático (Machine Learning)

14.5.1. Entendemos el Machine Learning
14.5.2. Aprendizaje supervisado y no supervisado
14.5.3. Tipos de Algoritmos

14.6. Redes Neuronales (Deep Learning)

14.6.1. Red neuronal: Partes y funcionamiento
14.6.2.  Tipo de redes: CNN, RNN
14.6.3. Aplicaciones de las redes neuronales; reconocimiento de imágenes e interpretación del lenguaje natural
14.6.4. Redes generativas de texto: LSTM

14.7. Reconocimiento del Lenguaje Natural

14.7.1. PLN (Procesamiento del lenguaje natural)
14.7.2. Técnicas avanzadas de PLN: Word2vec, Doc2vec

14.8. Chatbots y Asistentes Virtuales

14.8.1. Tipos de asistentes: asistentes por voz y por texto
14.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades y flujo de diálogo
14.8.3. Integraciones: web, slack, Whatsapp, Facebook
14.8.4. Herramientas de desarrollo de asistenes: dialog Flow, Watson Assistant

14.9. Emociones, creatividad y personalidad en la AI

14.9.1. Entendemos cómo detectar emociones mediante algoritmos
14.9.2. Creación de una personalidad: lenguaje, expresiones y contenido

14.10. Futuro de la inteligencia artificial
14.11. Reflexiones

Módulo 15. Realidad virtual, aumentada y mixta

15.1. Mercado y tendencias

15.1.1. Situación actual del mercado
15.1.2. Informes y crecimiento por diferentes industrias

15.2. Diferencias entre realidad virtual, aumentada y mixta

15.2.1. Diferencias entre realidades inmersivas
15.2.2. Tipología de realidad inmersiva

15.3. Realidad virtual. Casos y usos

15.3.1. Origen y fundamentos de la Realidad Virtual
15.3.2. Casos aplicados a diferentes sectores e industrias

15.4. Realidad Aumentada. Casos y usos

15.4.1. Origen y fundamentos de la Realidad Aumentada
15.4.2. Casos aplicados a diferentes sectores e industrias

15.5. Realidad Mixta y Holográfica

15.5.1. Origen, historia y fundamentos de la Realidad Mixta y Holográfica
15.5.2. Casos aplicados a diferentes sectores e industrias

15.6. Fotografía y Video 360

15.6.1. Tipología de cámaras
15.6.2. Usos de las imágenes en 360
15.6.3. Creando un espacio virtual en 360 grados

15.7. Creación de mundos virtuales

15.7.1. Plataformas de creación de entornos virtuales
15.7.2. Estrategias para la creación de entornos virtuales

15.8. Experiencia de Usuario (UX)

15.8.1. Componentes en la experiencia de usuario
15.8.2. Herramientas para la creación de experiencias de usuario

15.9. Dispositivos y gafas para las tecnologías inmersivas

15.9.1. Tipología de dispositivos en el mercado
15.9.2. Gafas y wearables: Funcionamiento, modelos y usos
15.9.3. Aplicaciones de las gafas inteligentes y evolución

15.10. Futuro de las tecnologías inmersivas

15.10.1. Tendencias y evolución
15.10.2. Retos y oportunidades

Módulo 16. La industria 4.0

16.1. Definición de Industria 4.0

16.1.1. Características

16.2. Beneficios de la Industria 4.0

16.2.1. Factores clave
16.2.2. Principales ventajas

16.3. Revoluciones industriales y visión de futuro

16.3.1. Las revoluciones industriales
16.3.2. Factores clave en cada revolución
16.3.3. Principios tecnológicos base de posibles nuevas revoluciones

16.4. La transformación digital de la industria

16.4.1. Características de la digitalización de la industria
16.4.2. Tecnologías disruptivas
16.4.3. Aplicaciones en la industria

16.5. Cuarta revolución industrial. Principios clave de la Industria 4.0

16.5.1. Definiciones
16.5.2. Principios clave y aplicaciones

16.6. Industria 4.0 e Internet Industrial

16.6.1. Origen del IIoT
16.6.2. Funcionamiento
16.6.3. Pasos a seguir para su implantación
16.6.4. Beneficios

16.7. Principios de “Fábrica Inteligente”

16.7.1. La fábrica inteligente
16.7.2. Elementos que definen una fábrica inteligente
16.7.3. Pasos para desplegar una fábrica inteligente

16.8. El estado de la Industria 4.0

16.8.1. El estado de la industria 4.0 en diferentes sectores
16.8.2. Barreras para la implantación de la industria 4.0

16.9. Desafíos y riesgos

16.9.1. Análisis DAFO
16.9.2. Retos y desafíos

16.10. Papel de las capacidades tecnológicas y el factor humano

16.10.1. Tecnologías disruptivas de la Industria 4.0
16.10.2. La importancia del factor humano. Factor clave

Módulo 17. Liderando la industria 4.0

17.1. Capacidades de liderazgo

17.1.1. Factores de liderazgo del factor humano
17.2.2. Liderazgo y tecnología

17.2. Industria 4.0 y el futuro de la producción

17.2.1. Definiciones
17.2.2. Sistemas de Producción
17.2.3. Futuro de los sistemas de producción digitales

17.3. Efectos de la Industria 4.0

17.3.1. Efectos y desafíos

17.4. Tecnologías esenciales de la Industria 4.0

17.4.1. Definición de tecnologías
17.4.2. Características de las tecnologías
17.4.3. Aplicaciones e impactos

17.5. Digitalización de la fabricación

17.2.1. Definiciones
17.5.2. Beneficios de la digitalización de la fabricación
17.5.3. Gemelo Digital

17.6. Capacidades digitales en una organización

17.6.1. Desarrollar capacidades digitales
17.6.2. Entendimiento del ecosistema digital
17.6.3. Visión digital del negocio

17.7. Arquitectura detrás de una Smart Factory

17.7.1. Áreas y funcionalidades
17.7.2. Conectividad y seguridad
17.7.3. Casos de uso

17.8. Los marcadores tecnológicos en la era postcovid

17.8.1. Retos tecnológicos en la era postcovid
17.8.2. Nuevos casos de uso

17.9. La era de la virtualización absoluta

17.9.1. Virtualización
17.9.2. La nueva era de la virtualización
17.9.3. Ventajas

17.10. Situación actual en la transformación digital. Gartner Hype

17.10.1. Gartner Hype
17.10.2. Análisis de las tecnologías y su estado
17.10.3. Explotación de datos

Módulo 18. Robótica, drones y augmented workers

18.1. La robótica

18.1.1. Robótica, sociedad y cine
18.1.2. Componentes y partes de robots

18.2. Robótica y automatización avanzada: simuladores, cobots

18.2.1. Transferencia de aprendizaje
18.2.2. Cobots y casos de uso

18.3. RPA (Robotic Process Automatization)

18.3.1. Entendiendo el RPA y su funcionamiento
18.3.2. Plataformas de RPA, proyectos y roles

18.4. Robot as a Service (RaaS)

18.4.1. Retos y oportunidades para implementar servicios Raas y robótica en las empresas
18.4.2. Funcionamiento de un sistema Raas

18.5. Drones y vehículos autónomos

18.5.1. Componentes y funcionamiento de los drones
18.5.2. Usos, tipologías y aplicaciones de los drones
18.5.3. Evolución de drones y vehículos autónomos

18.6. El impacto del 5G

18.6.1. Evolución de las comunicaciones e implicaciones
18.6.2. Usos de la tecnología 5G

18.7. Augmented workers

18.7.1. Integración Hombre-Máquina en entornos industriales
18.7.2. Retos en la colaboración entre trabajadores y robots

18.8. Transparencia, ética y trazabilidad

18.8.1. Retos éticos en robótica e inteligencia artificial
18.8.2. Métodos de seguimiento, transparencia y trazabilidad

18.9. Prototipado, componentes y evolución

18.9.1. Plataformas de prototipado
18.9.2. Fases para realizar un prototipo

18.10. Futuro de la robótica

18.10.1. Tendencias en robotización
18.10.2. Nuevas tipologías de robots

Módulo 19. Industria 4.0 – Servicios y soluciones sectoriales (I)

19.1. Industria 4.0 y estrategias empresariales

19.1.1. Factores de la digitalización empresarial
19.1.2. Hoja de ruta para la digitalización empresarial

19.2. Digitalización de los procesos y la cadena de valor

19.2.1. La cadena de valor
19.2.2. Pasos clave en la digitalización de procesos

19.3. Soluciones Sectoriales Sector Primario

19.3.1. El sector económico primario
19.3.2. Características de cada subsector

19.4. Digitalización sector primario: Smart Farms

19.4.1. Principales características
19.4.2. Factores clave de digitalización

19.5. Digitalización sector primario: Agricultura digital e inteligente

19.5.1. Principales características
19.5.2. Factores clave de digitalización

19.6. Soluciones Sectoriales Sector Secundario

19.6.1. El sector económico secundario
19.6.2. Características de cada subsector

19.7. Digitalización sector secundario: Smart Factory

19.7.1. Principales características
19.7.2. Factores clave de digitalización

19.8. Digitalización sector secundario: Energía

19.8.1. Principales características
19.8.2. Factores clave de digitalización

19.9. Digitalización sector secundario: Construcción

19.9.1. Principales características
19.9.2. Factores clave de digitalización

19.10. Digitalización sector secundario: Minería

19.10.1. Principales características
19.10.2. Factores clave de digitalización

Módulo 20. Industria 4.0 – Servicios y soluciones sectoriales (II)

20.1. Soluciones Sectoriales Sector Terciario

20.1.1. Sector económico terciario
20.1.2. Características de cada subsector

20.2. Digitalización sector terciario: Transporte

20.2.1. Principales características
20.2.2. Factores clave de digitalización

20.3. Digitalización sector terciario: eHealth

20.3.1. Principales características
20.3.2. Factores clave de digitalización

20.4. Digitalización sector terciario: Smart Hospitals

20.4.1. Principales características
20.4.2. Factores clave de digitalización

20.5. Digitalización sector terciario: Smart Cities

20.5.1. Principales características
20.5.2. Factores clave de digitalización

20.6. Digitalización sector terciario: Logística

20.6.1. Principales características
20.6.2. Factores clave de digitalización

20.7. Digitalización sector terciario: Turismo

20.7.1. Principales características
20.7.2. Factores clave de digitalización

20.8. Digitalización sector terciario: Fintech

20.8.1. Principales características
20.8.2. Factores clave de digitalización

20.9. Digitalización sector terciario: Movilidad

20.9.1. Principales características
20.9.2. Factores clave de digitalización

20.10. Tendencias tecnológicas de futuro

20.10.1. Nuevas innovaciones tecnológicas
20.10.2. Tendencias de aplicación

posgrado transformación digital de la industria e inteligencia artificial

Nuestro programa de estudios ha sido diseñado pensando en la eficacia docente para que aprendas más deprisa, de manera más eficiente y de forma más permanente”