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”

Esta Maestría en Inteligencia Artificial e Ingeniería del Conocimiento, 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.

Una 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”

Temario

Los contenidos de esta Maestría han sido desarrollados por los diferentes expertos en la materia, 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”