Descripción

Conviértete en uno de los profesionales más demandados del momento: fórmate como Maestría en Inteligencia Artificial e Ingeniería del Conocimiento con este completísimo Maestría”

Los desarrollos basados en la Inteligencia Artificial han llegado ya a numerosas aplicaciones dentro del campo de la Ingeniería. Desde la automatización de numerosos procedimientos en la Industria y las empresas, hasta el propio Control de Procesos. Esto hace que los profesionales de la ingeniería necesiten conocer y dominar el funcionamiento de estas complejas técnicas.

Este conocimiento imprescindible se convierte además, en el primer paso para acceder a la propia capacidad de desarrollo de este tipo de tecnología.

A lo largo de esta formación te ofreceremos un panorama real de trabajo para poder valorar la conveniencia de su aplicación en nuestro proyecto, valorando sus indicaciones reales, su manera de desarrollo y las expectativas que podemos tener con respecto a los resultados.

Mediante la experiencia, conseguirás aprender cómo se desarrollan los conocimientos necesarios para avanzar en esta área de trabajo. Este aprendizaje, que necesita obligatoriamente de la experiencia, consigue en esta formación, conciliar teleaprendizaje y enseñanza práctica ofreciéndote una opción única para dar a tu cv el impulso que buscas.

Incorpórate a la élite, con esta formación de alta eficacia formativa y abre nuevos caminos a tu progreso profesional”

Éste, contiene el programa científico más completo y actualizado del mercado. Sus características más destacadas:

  • Última tecnología en software de enseñanza online.
  • Sistema docente intensamente visual, apoyado en contenidos gráficos y esquemáticos de fácil asimilación y comprensión.
  • Desarrollo de casos prácticos presentados por expertos en activo.
  • Sistemas de vídeo interactivo de última generación.
  • Enseñanza apoyada en la telepráctica.
  • Sistemas de actualización y reciclaje permanente.
  • Aprendizaje autoregulable: total compatibilidad con otras ocupaciones.
  • Ejercicios prácticos de autoevaluación y constatación de aprendizaje.
  • Grupos de apoyo y sinergias educativas: preguntas al experto, foros de discusión y conocimiento.
  • Comunicación con el docente y trabajos de reflexión individual.
  • Disponibilidad de los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet.
  • Bancos de documentación complementaria disponible permanentemente, incluso después del curso.

Un Maestría que te capacitará para trabajar en todos los ámbitos de la Inteligencia Artificial e Ingeniería del Conocimiento con la solvencia de un profesional de alto nivel”

Nuestro personal docente está integrado por profesionales de diferentes ámbitos relacionados con esta especialidad. De esta manera nos aseguramos de ofrecerte el objetivo de actualización formativa que pretendemos. Un cuadro multidisciplinar de profesionales formados y experimentados en diferentes entornos, que desarrollarán los conocimientos teóricos, de manera eficiente, pero, sobre todo, pondrán a tu servicio los conocimientos prácticos derivados de su propia experiencia: una de las cualidades diferenciales de esta formación.

Este dominio de la materia se complementa con la eficacia del diseño metodológico. 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 está basado 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

Con un diseño metodológico que se apoya en técnicas de enseñanza contrastadas por su eficacia, este novedoso Maestría en Inteligencia Artificial e Ingeniería del Conocimiento te llevará a través de diferentes abordajes docentes para permitirte aprender de forma dinámica y eficaz.

Nuestro innovador concepto de telepráctica te dará la oportunidad de aprender mediante una experiencia inmersiva, que te proporcionará una integración más rápida y una visión mucho más realista de los contenidos: “learning from an expert”.

Objetivos

Nuestro objetivo es formar profesionales altamente cualificados para la experiencia laboral. Un objetivo que se complementa, además, de manera global, con el impulso de un desarrollo humano que siente las bases de una sociedad mejor. Este objetivo se materializa en conseguir ayudar a los profesionales a acceder a un nivel de competencia y control mucho mayor. Una meta que, en tan apenas unos meses podrás dar por adquirida, con una formación de alta intensidad y precisión.

Si tu objetivo es reorientar tu capacidad hacia nuevos caminos de éxito y desarrollo, este es tu Maestría: una formación que aspira a la excelencia”

Objetivos generales

  • Formar científica y tecnológicamente para el ejercicio de la ingeniería informática.
  • Obtener conocimientos amplios en el campo de la computación
  • Obtener conocimientos amplios en el campo de la estructura de computadoras
  • Adquirir los conocimientos necesarios en ingeniería del software
  • Revisar las bases matemáticas, estadísticas y físicas imprescindibles para esta materia.

Objetivos especificos por módulos

  • Comprender la estructura básica de un ordenador, el software y de los lenguajes de programación de propósito general.
  • Aprender a diseñar e interpretar algoritmos, que son la base necesaria para poder desarrollar programas informáticos.
  • Entender los elementos esenciales de un programa informático, como son los distintos tipos de datos, operadores, expresiones, sentencias, E/S y sentencias de control.
  • Comprender los distintas estructuras de datos disponibles en los lenguajes de programación de propósito general tanto estáticas como dinámicas, así como adquirir los conocimientos esenciales para el manejo de ficheros.
  • Conocer las distintas técnicas de pruebas en los programas informáticos y la importancia de generar una buena documentación junto con un buen código fuente.
  • Aprender los conceptos básicos del lenguaje de programación C++, uno de los más usados a nivel mundial.
  • Aprender los fundamentos de la programación en el lenguaje C++, incluyendo clases, variables, expresiones condicionales y objetos.
  • Entender los tipos abstractos de datos, los tipos de estructuras de datos lineales, estructuras de datos jerárquicas simples y complejas, así como su implementación en C++.
  • Comprender el funcionamiento de estructuras de datos avanzadas distintas de las habituales.
  • Conocer la teoría y la práctica relacionada con el uso de montículos y colas de prioridad.
  • Aprender el funcionamiento de las tablas hash, como tipos abstractos de datos y funciones.
  • Entender la teoría de grafos, así como algoritmos y concepto avanzados sobre grafos
  • Aprender las principales estrategias de diseño de algoritmos, así como los distintos métodos y medidas para de cálculo de los mismos.
  • Conocer los principales algoritmos de ordenación usados en el desarrollo de software.
  • Entender el funcionamiento de los distintos algoritmos con árboles, heaps y grafos.
  • Comprender el funcionamiento de los algoritmos greedy, su estrategia y ejemplos de su uso en los principales problemas conocidos. Conoceremos también el uso de algoritmos greedy sobre grafos.
  • Aprenderemos las principales estrategias de búsqueda de caminos mínimos, con el planteamiento de problemas esenciales del ámbito y algoritmos para su resolución.
  • Entender la técnica de backtracking y sus principales usos, así como otras técnicas alternativas.
  • Profundizar en el diseño avanzado de algoritmos, analizando algoritmos recursivos y tipo divide y conquista, así como realizando análisis amortizado.
  • Comprender los conceptos de programación dinámica y los algoritmos para problemas NP.
  • Entender el funcionamiento de la optimización combinatoria, así como los distintos algoritmos de aleatorización y algoritmos paralelos.
  • Conocer y comprender el funcionamiento de los distintos métodos de búsqueda local y con candidatos.
  • Aprender los mecanismos de verificación de formal de programas y de programas iterativos, incluyendo la lógica de primer orden y el sistema formal de Hoare.
  • Aprender el funcionamiento de algunos de los principales métodos numéricos como el método de la bisección, el método de Newton Raphson y el método de la secante.
  • Aprender los fundamentos de la lógica computacional, para que sirve y su justificación de uso.
  • Conocer las distintas estrategias de formalización y deducción en la lógica proposicional, incluyendo el razonamiento natural, la deducción axiomática y la natural, así como las reglas primitivas del cálculo proposicional.
  • Adquirir los conocimientos avanzados en lógica proposicional, adentrándose en la semántica de la misma y en las principales aplicaciones de esta lógica, como son los circuitos lógicos.
  • Entender la lógica de predicados tanto para el cálculo de deducción natural de predicados, como para las estrategias de formalización y deducción para lógica de predicados.
  • Entender las bases del lenguaje natural y de su mecanismo deductivo.
  • Introducción a la programación lógica usando el lenguaje PROLOG.
  • Sentar las bases de la inteligencia artificial y la ingeniería del conocimiento, haciendo un breve recorrido por la historia de la inteligencia artificial hasta llegar a nuestros días.
  • Comprender los conceptos esenciales de la búsqueda en la inteligencia artificial, tanto de la búsqueda informada como de la no informada.
  • Entender el funcionamiento de la inteligencia artificial en juegos.
  • Aprender los conceptos fundamentales de las redes neuronales y el uso de los algoritmos genéticos.
  • Adquirir los mecanismos oportunos para representar el conocimiento, especialmente teniendo en cuenta la web semántica.
  • Comprender el funcionamiento de los sistemas expertos y los sistemas de soporte a la decisión.
  • Aprender todos los conceptos relacionados con la teoría de agentes y la arquitectura de agentes y su proceso de razonamiento.
  • Asimilar la teoría y la práctica detrás de los conceptos de información y conocimiento, así como las distintas maneras de representar el conocimiento.
  • Entender la teoría relacionada con las ontologías, así como aprender lenguajes para ontologías y software para la creación de ontologías.
  • Aprender distintos modelos de representación del conocimiento, como son vocabularios, taxonomías, tesauros y mapas mentales entre otros.
  • Comprender el funcionamiento de los razonadores semánticos, los sistemas basados en conocimiento y los sistemas expertos.
  • Conocer el funcionamiento de la web semántica, el estado actual y futuro de la misma, así como aplicaciones basadas en web semántica.
  • Introducir los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático.
  • Aprender los métodos de exploración y preprocesamiento de datos, así como distintos algoritmos basados en árboles de decisión.
  • Comprender el funcionamiento de los métodos bayesianos y los métodos de regresión y de respuesta continua.
  • Entender las distintas reglas de clasificación y la evaluación de clasificadores, para ello se aprenderá a usar matrices confusión y evaluación numérica, el estadístico Kappa y la curva ROC.
  • Adquirir conocimiento esenciales relativos a la minería de textos y procesamiento de lenguaje natural (NLP) y al Clustering.
  • Profundizar en el conocimiento de redes neuronales, desde redes neuronales simples hasta redes neuronales recurrentes.
  • Comprender los conceptos básicos y avanzados relacionados con agentes y sistemas multiagente.
  • Estudiar el estándar para agentes FIPA, teniendo en cuenta la comunicación entre agentes, la gestión de los mismos y la arquitectura entre otras cuestiones.
  • Profundizar en el aprendizaje de la plataforma JADE (Java Agent DEvelopment Framework), aprendiendo a programar en ella tanto conceptos básicos como avanzados, incluyendo temas de comunicación y descubrimiento de agentes.
  • Sentar las bases del procesamiento del lenguaje natural, como el reconocimiento automático del habla y la lingüística computacional.
  • Entender en profundidad en funcionamiento de la visión artificial, el análisis de imágenes digitales, la transformación y la segmentación de las mismas.
  • Introducir el concepto de computación bioinspirada, así como comprender el funcionamiento de los distintos tipos de algoritmos de adaptación social y de algoritmos genéticos.
  • Profundizar en el estudio de los distintos modelos de computación evolutiva, conociendo sus estrategias, programación, algoritmos y modelos basados en estimación de distribuciones.
  • Entender las principales estrategias de exploración-explotación del espacio para algoritmos genéticos.
  • Comprender el funcionamiento de la programación evolutiva aplicada a problemas de aprendizaje y de los problemas multiobjetivo.
  • Aprender los conceptos esenciales relacionados con redes neuronales y entender el funcionamiento de casos de uso reales aplicados a áreas tan dispares como la investigación médica, la economía y la visión artificial.

 

Temario

Los contenidos de este Maestría han sido desarrollados por los diferentes expertos de este Maestría, 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.

Un programa completísimo y muy bien estructurado que te llevará hacia los más elevados estándares de calidad y éxito.

Un completísimo programa docente, estructurado en unidades didácticas muy bien desarrolladas, orientadas a un aprendizaje compatible con tu vida personal y profesional”

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

Una experiencia de formación única, clave y decisiva para impulsar tu desarrollo profesional”

Método

Con TECH podrás experimentar una forma de aprender que está moviendo los cimientos de las Universidades tradicionales de todo el mundo”

En TECH Universidad Tecnológica empleamos el Método del caso

Nuestra Maestría en Inteligencia Artificial e Ingeniería del Conocimiento te ofrece un método revolucionario de desarrollo de tus habilidades y conocimientos. Nuestro objetivo es afianzar tus competencias en un contexto cambiante, competitivo y de alta exigencia.

Nuestra Universidad es la primera en el mundo que combina los case studies de Harvard Business School con un sistema de aprendizaje 100 % online basado en la reiteración”

Harvard

Un método de aprendizaje innovador y diferente

La Maestría en Inteligencia Artificial e Ingeniería del Conocimiento de TECH UNIVERSIDAD TECNOLÓGICA es un programa intensivo que te prepara para afrontar todos los retos en este área, tanto en el ámbito nacional como internacional. Su objetivo principal es favorecer tu crecimiento personal y profesional ayudándote a conseguir el éxito. Para ello nos basamos en los case studies de la Harvard Business School, con la que tenemos un acuerdo estratégico que nos permite emplear los materiales con los que se estudia en la más prestigiosa Universidad del mundo: HARVARD.

Somos la única Universidad online que ofrece los materiales de Harvard como material docente en sus cursos”

El método del caso ha sido el sistema de aprendizaje más utilizado por las mejores escuelas de negocios del mundo desde que éstas existen. Desarrollado en 1912 para que los estudiantes de Derecho no solo aprendiesen las leyes a base de contenidos teóricos, el método del caso consistió en presentarles situaciones complejas reales para que tomasen decisiones y emitiesen juicios de valor fundamentados sobre cómo resolverlas. En 1924 se estableció como método estándar de enseñanza en Harvard.

Ante una determinada situación, ¿qué harías tú? Esta es la pregunta a la que te enfrentamos en el método del caso, un método de aprendizaje orientado a la acción. A lo largo de 1 año, te enfrentarás a múltiples casos reales. Deberás integrar todos tus conocimientos, investigar, argumentar y defender tus ideas y decisiones.

Es el propio alumno el que va construyendo su competencia profesional a través de diferentes modelos pedagógicos como el de Roger Schank (Learning by doing, Stanford, Yale) o el de George Kembler (Design Thinking, d.school, Stanford), y se convierte en protagonista activo de su proceso de enseñanza-aprendizaje.

El alumno aprenderá, mediante actividades colaborativas y casos reales, la resolución de situaciones complejas en entornos empresariales reales”

Relearning Methodology

Nuestra Universidad es la primera en el mundo que combina los case studies de Harvard University con un sistema de aprendizaje 100 % online basado en la reiteración, que combina 16 elementos didácticos diferentes en cada lección.

Potenciamos los case studies de Harvard con el mejor método de enseñanza 100 % online: el Relearning.

Relearning

En 2019 obtuvimos los mejores resultados de aprendizaje de todas las universidades online en español en el mundo”

En TECH aprenderás con una metodología vanguardista concebida para capacitar a los directivos del futuro. Este método, a la vanguardia pedagógica mundial, se denomina Relearning. Nuestra Universidad es la única en habla hispana licenciada para emplear este exitoso método. En 2019 hemos conseguido mejorar los niveles de satisfacción global de nuestros alumnos (calidad docente, calidad de los materiales, estructura del curso, objetivos…) con respecto a los indicadores de la mejor universidad online en español.

La puntuación global que obtiene nuestro sistema de aprendizaje es de 8.01, con arreglo a los más altos estándares internacionales.

En nuestra Maestría en Inteligencia Artificial e Ingeniería del Conocimiento, el aprendizaje no es un proceso lineal, sino que sucede en espiral (aprendemos, desaprendemos, olvidamos y reaprendemos). Por eso, combinamos cada uno de estos elementos de forma concéntrica. Con esta metodología hemos formado a más de 650.000 graduados universitarios con un éxito sin precedentes. En ámbitos tan distintos como la bioquímica, la genética, la cirugía, el derecho internacional, las habilidades directivas, las ciencias del deporte, la filosofia, el derecho, la ingeniería, el periodismo, la historia o los mercados e instrumentos financieros. Todo ello en un entorno de alta exigencia, con un alumnado universitario de un perfil socioeconómico alto y una media de edad de 43,5 años.

El relearning te permitirá aprender con menos esfuerzo y más rendimiento, implicándote más en tu formación, desarrollando el espíritu crítico, la defensa de argumentos y el contraste de opiniones: una ecuación directa al éxito”

La Maestría en Inteligencia Artificial e Ingeniería del Conocimiento se presenta como una acción formativa que favorece la conexión, el aprendizaje, la participación y la construcción del conocimiento.

Emprenderás con nosotros un itinerario formativo con una orientación eminentemente práctica, activa y participativa.

En aras de favorecer al máximo el contacto mentor-alumno, contarás con un amplio abanico de posibilidades de comunicación, tanto en tiempo real como en diferido (mensajería interna, foros de discusión, servicio de atención telefónica, email de contacto con secretaría técnica, chat y videoconferencia).

Nuestro sistema online te permitirá organizar tu tiempo y tu ritmo de aprendizaje adaptándolo a tus horarios. Podrá acceder a los contenidos desde cualquier dispositivo con conexión a internet (ordenador, tablet, smartphone)”

A partir de la última evidencia científica en el ámbito de la neurociencia, no solo sabemos organizar la información, las ideas, las imágenes, los recuerdos, sino que sabemos que el lugar y el contexto donde hemos aprendido algo es fundamental para que seamos capaces de recordarlo y almacenarlo en el hipocampo, para retenerlo en nuestra memoria a largo plazo.

De esta manera, y en lo que se denomina Neurocognitive context-dependent e-learning, los diferentes elementos de nuestra Maestría en Inteligencia Artificial e Ingeniería del Conocimiento están conectados con el contexto donde el participante desarrolla su práctica profesional.

... y todo ello con los mejores materiales de aprendizaje a la vanguardia tecnológica y pedagógica.

En la Maestría en Inteligencia Artificial e Ingeniería del Conocimiento tendrás acceso a los mejores materiales educativos, preparados a conciencia para ti.

Materiales educativos de ingeniería

Material Material de estudio 30%

Todos los contenidos didácticos son creados por los especialistas que van a impartir el curso, específicamente para él, de manera que el desarrollo didáctico sea realmente específico y concreto.

Estos contenidos son aplicados después al formato audiovisual que creará nuestra manera de trabajo online, con las técnicas más novedosas que nos permiten ofrecerte una gran calidad, en cada una de las piezas que pondremos a tu servicio.

Clases Clases magistrales 10%

Existe evidencia científica sobre la utilidad de la observación de terceros expertos.

El denominado Learning from an expert afianza el conocimiento y el recuerdo, y genera seguridad en nuestras futuras decisiones difíciles.

Prácticas Prácticas de habilidades y competencias 8%

Realizarás actividades de desarrollo de competencias y habilidades específicas en cada área temática. Prácticas y dinámicas para adquirir y desarrollar las destrezas y habilidades que un especialista precisa desarrollar en el marco de la globalización que vivimos.

Lecturas Lecturas complementarias 3%

Artículos recientes, documentos de consenso, guías internacionales..., en nuestra biblioteca virtual tendrás acceso a todo lo que necesitas para completar tu formación.

Analisis Case Studies 20%

Completarás una selección de los mejores cases studies de la materia que se emplean en Harvard. Casos presentados, analizados y tutorizados por los mejores especialistas del panorama internacional.

Resúmenes interactivos Resúmenes interactivos 25%

Presentamos los contenidos de manera atractiva y dinámica en píldoras multimedia que incluyen audio, vídeos, imágenes, esquemas y mapas conceptuales con el fin de afianzar el conocimiento.

Este sistema exclusivo de formación para la presentación de contenidos multimedia fue premiado por Microsoft como “Caso de éxito en Europa”.

Testing Testing & Retesting 4%

Evaluamos y reevaluamos periódicamente tu conocimiento a lo largo de la Maestría en Inteligencia Artificial e Ingeniería del Conocimiento. Lo hacemos sobre 3 de los 4 niveles de la Pirámide de Miller.

El alumnado podrá aprender con las ventajas del acceso a entornos simulados de aprendizaje y el planteamiento de aprendizaje por observación, esto es, Learning from an expert”

Reconocimiento

Este programa te permitirá obtener el título de Máster en Inteligencia Artificial e Ingeniería del Conocimiento. A tu egreso recibirás un diploma universitario avalado por Tech Universidad Tecnológica de reconocido prestigio a nivel internacional.

Este título propio de Tech Universidad, garantiza la adquisición de competencias en el área de conocimiento, de modo que confiere un alto valor curricular al estudiante que supere las evaluaciones y acredite el programa tras cursarlo en su totalidad.

 asdf

 

Título: Máster en Inteligencia Artificial e Ingeniería del Conocimiento

Modalidad: online (en línea)

Horas: 1500 horas

Duración: aprox. 1 año

*Apostilla de La Haya. En caso de que necesites que tu grado en papel recabe la Apostilla de La Haya, Tech realizará las gestiones oportunas para su obtención con un coste añadido más gastos de envío del diploma apostillado. Puede ponerse en contacto con su asesor.

Cursos relacionados

1 /