¿Por qué estudiar en TECH?

TECH Universidad Tecnológica nació para facilitar el estudio de licenciaturas y posgrados, en cualquier territorio, sin necesidad de tener que trasladarte al centro de estudios. Un planteamiento que integra la eficacia en la gestión del tiempo del alumnado, con la más alta exigencia de calidad en la enseñanza. Para ello, hemos desarrollo una metodología de aprendizaje adaptada que dé respuesta a todas las necesidades del alumnado. Desde la División de Innovación y Calidad de la Formación de TECH, mantenemos un constante esfuerzo en la mejora e implantación de nuestros métodos de formación a distancia. 

Este programa en Inteligencia Artificial e Ingeniería del Conocimiento de TECH Universidad Tecnológica es el único que te permitirá autogestionar tu tiempo y adaptar el estudio a tu trabajo y a tu forma de vida, sin que tengas que renunciar a nada”

maestria online master inteligencia artificial ingenieria conocimiento

El programa te aportará muchas ventajas personales laborales. Entre ellas destacamos las siguientes: 

Misión del programa

El Máster en Inteligencia Artificial e Ingeniería del Conocimiento, tiene como misión formar un profesional con un perfil integral, desde un punto de vista teórico-práctico, que posea un conjunto de conocimientos especializados que le brinden las bases teóricas y habilidades prácticas para analizar, tomar decisiones y resolver problemas de alta complejidad. Capacitados para comprender la realidad del entorno que les rodea y aportar soluciones creativas y transformadoras a la problemática regional y nacional contemporánea, anteponiendo el humanismo cristiano.

Visión del programa

Este Máster en Inteligencia Artificial e Ingeniería del Conocimiento aspira a convertirse en el principal semillero de filósofos líderes, que promuevan el pensamiento humanista cristiano, utilizando, para tal efecto, los más avanzados modelos, estrategias y métodos pedagógicos y educativos. De esta manera se forjarán nuevos profesionales orientados al desarrollo de nuevos modelos de pensamiento, dando respuestas fundamentadas a las preguntas trascendentales que el mundo de hoy formula. Así se contribuye al desarrollo tecnológico, científico, económico y social , a la luz del compromiso histórico, científico y crítico que le imprime el Proyecto Educativo Institucional de TECH.

Dar un impulso a tu vida profesional

Te brindamos la oportunidad de tomar las riendas de tu futuro y desarrollar todo tu potencial compaginando tu formación con tu vida profesional, social y familiar con un modelo 100% virtual y acceso a la Plataforma, 24 horas, los 7 días de la semana.

Aprovecha la oportunidad y estudia Inteligencia Artificial e Ingeniería del Conocimiento sin horarios ni desplazamientos, 100% en línea, 100% adaptado a tus necesidades.

Desarrollar una visión actual de la sociedad y su estado, para poder plantear soluciones a las diversas crisis que se presentan

En la actualidad, la Inteligencia Artificial e Ingeniería del Conocimiento se ha vuelto una reflexión más necesaria que nunca, debido a las graves y profundas interrogantes que emergen de un tipo de desarrollo científico-técnico o de las profundas desigualdades sociales, entre otras cosas.

Asumir nuevas responsabilidades

Te mostramos las últimas tendencias, avances, trucos y estrategias para llevar a cabo tu labor profesional en un entorno cambiante.

Acceder al mundo académico

Te abrimos las puertas a un panorama profesional a tu altura como filósofo, con una amplia visión del entorno internacional.

En TECH contamos con más de 3000 profesores de más de 14 nacionalidades diferentes. De este modo garantizamos que nuestros programas sean internacionales.

Mejorar tus soft skills y clarificar tu pensamiento

Te ayudamos a aplicar y desarrollar los conocimientos adquiridos y a mejorar en tus habilidades interpersonales, para ser un pensador que marque la diferencia.

¡La oportunidad es ahora!

Formar parte de una comunidad exclusiva

Te brindamos una comunidad de profesionales de élite, grandes empresas, instituciones de renombre y profesores cualificados procedentes de las universidades más prestigiosas del mundo: la comunidad TECH.

Con nuestra metodología, tras finalizar el Máster, habrás mejorado tus habilidades de comunicación y liderazgo.

Aprender hasta 7 idiomas y obtener su certificado oficial

TECH te da la posibilidad, además, de obtener la certificación Oficial de Inglés en el Nivel B2. Además, podrás seleccionar de forma optativa, hasta otros 6 idiomas en los que podrás certificarte.

Si es tu deseo, en TECH podrás graduarte, certificado hasta en 7 idiomas.

Estructura y contenido

Este programa de TECH ha sido diseñado pensando en las necesidades de especialización de los profesionales de los negocios que desean ampliar sus conocimientos hacia la seguridad informática, un campo fundamental para poder controlar esas posibles amenazas que pueden suponer un gran riesgo para la empresa. De esta manera, el Máster les permitirá adquirir esos conocimientos específicos que podrán aplicar a su práctica laboral. Y, para ello, usarán una metodología totalmente online que les permitirá compaginar su estudio con el resto de sus obligaciones diarias.

magister master inteligencia artificial ingenieria conocimiento

Este programa será fundamental para detectar posibles ciberataques en tu empresa”

El Máster en Inteligencia Artificial e Ingeniería del Conocimiento de TECH es un programa intensivo que prepara a los alumnos para afrontar retos y decisiones empresariales en el ámbito de la seguridad informática. Su contenido está pensado para favorecer el desarrollo de las competencias directivas que permitan la toma de decisiones con un mayor rigor en entornos inciertos.

A lo largo de 1.500 horas de estudio, el alumno multitud de casos prácticos mediante el trabajo individual, lo que te permitirá adquirir las habilidades necesarias para desarrollarte con éxito en tu práctica diaria. Se trata, por tanto, de una auténtica inmersión en situaciones reales de negocio.

Este programa trata en profundidad diferentes áreas de la empresa y está diseñado para que los directivos entiendan la Inteligencia Artificial desde una perspectiva estratégica, internacional e innovadora.

Un plan pensado para especialmente para los alumnos, enfocado a su mejora profesional y que les prepara para alcanzar la excelencia en el ámbito de la dirección y la gestión de seguridad informática. Un programa que entiende sus necesidades y las de su empresa mediante un contenido innovador basado en las últimas tendencias, y apoyado por la mejor metodología educativa y un claustro excepcional, que les otorgará competencias para resolver situaciones críticas de forma creativa y eficiente.

Dónde, cuándo y cómo se imparte

TECH te ofrece la posibilidad de desarrollar este programa de manera totalmente online. Durante los 12 meses que dura la capacitación, podrás acceder a todos los contenidos de este programa en cualquier momento, lo que te permitirá autogestionar tú mismo tu tiempo de estudio.

Una experiencia educativa única, clave y decisiva para impulsar tu desarrollo profesional y dar el salto definitivo"

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