Университетская квалификация
Крупнейший в мире факультет информационных технологий”
Презентация
Поступайте в Очно-заочную магистратуру и будьте готовы к революции в области искусственного интеллекта и инженерии знаний, овладевая ее инструментами уже сейчас"

На протяжении десятилетий интерес человека к передаче знаний и навыков технологическим системам был предвестником создания таких сложных систем, как искусственный интеллект и инженерия знаний. Несмотря на то, что эта область только начала развиваться, уже сейчас можно увидеть устройства, которые думают или действуют как люди, автоматизируя такие процессы, как принятие решений, устранение проблем или обучение. В качестве примера можно привести распознавание лиц на мобильных телефонах или виртуальных голосовых помощников, таких как Siri или Alexa.
Многочисленные сферы применения и возможности, открывающиеся благодаря развитию технологий, делают эту область одной из самых важных в ближайшие десятилетия. В связи с этим, а также с целью дать специалистам возможность самостоятельного и интенсивного обучения в этой развивающейся области, TECH создал Очно-заочную магистратуру. Это программа, разработанная экспертами в области компьютерной инженерии, охватывает самые инновационные аспекты этой отрасли, углубляясь в каждый из разделов, которыми должен владеть специалист, чтобы успешно управлять проектами в области вычислений, автоматизированного обучения, интеллектуальных систем или передовой разработки алгоритмов.
Программа длится 1500 часов и проходит на 100% в режиме онлайн, она включает в себя не только комплексное и динамичное учебное содержание, но и дополнительные материалы высокого качества в различных форматах, чтобы студенты могли углубиться в каждый раздел, который они считают самым важным и актуальным. После завершения теоретического этапа студент получит возможность пройти 3-х недельную стажировку в одном из ведущих центров, где он/она сможет активно участвовать в проектах, а также работать и учиться у опытных экспертов в области инженерии искусственного интеллекта.
Обучение, благодаря которому всего за 12 месяцев вы овладеете теорией и практикой в инженерии искусственного интеллекта"
Диплом Очно-заочная магистратура в области искусственного интеллекта и инженерии знаний содержит самую полную и современную программу на рынке. Основными особенностями обучения являются:
- Разбор более 100 кейсов, представленных ИТ-специалистами, обладающими опытом управления проектами, анализа и проектирования мультиагентных систем
- Наглядное, схематичное и исключительно практическое содержание курса предоставляет научную и фактическую информацию по тем компьютерным дисциплинам, которые необходимы для осуществления профессиональной деятельности
- Всестороннее знание искусственного интеллекта и его многочисленных приложений на основе генетических алгоритмов
- Создание интеллектуальных языковых систем для онтологий с использованием основных программных и инструментальных средств, доступных в настоящее время
- Все вышеперечисленное дополнят теоретические занятия, обращения к эксперту, дискуссионные форумы по спорным вопросам и индивидуальная работа по закреплению материала
- Доступ к учебным материалам с любого стационарного или мобильного устройства с выходом в интернет
- Кроме того, студенты смогут пройти стажировку в одной из ведущих IT-компаний
TECH работает с десятками тысяч студентов, которые после прохождения программ, подобных этой, нашли свой профессиональный путь, который привел их к успеху. Вы тоже хотите прийти к успеху?"
Предлагаемая магистерская программа, имеющая профессионально-ориентированный характер и очно-заочный формат обучения, направлена на обновление знаний ИТ-специалистов, которые работают в инженерном секторе, специализируясь на искусственном интеллекте и инженерии знаний, и которым требуется высокий уровень квалификации. Содержание программы основано на последних научных данных и ориентировано в дидактической форме на интеграцию теоретических знаний в ИТ-практику, а теоретико-практические элементы будут способствовать обновлению знаний и позволят принимать решения по управлению и ведению проектов.
Мультимедийное содержание, разработанное с использованием новейших образовательных технологий, позволит профессионалам проходить обучение в симулированной среде, обеспечивающей иммерсивный учебный процесс, основанный на обучении в реальных ситуациях. Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого специалист должен попытаться решить различные ситуации из профессиональной практики, возникающие в течение учебного курса. В этом поможет инновационная интерактивная видеосистема, созданная признанными экспертами.
Обучение, в рамках которого вы получите исчерпывающие знания об алгоритмах, несмотря на их сложность. Вы освоите алгоритмы деревьев, алгоритм сортировки кучей, алгоритмы на графах и жадный алгоритм"

Теоретический период обучения будет проходить на 100% в режиме онлайн, так что вы сможете организовать свою работу и составить собственный график"
Temario
Con el objetivo de ofrecer siempre las titulaciones más completas, TECH ha elaborado el plan de estudios de este Очно-заочная магистратура teniendo en cuenta el criterio de un equipo de expertos versados en la Ingeniería Informática. De esta manera, ha sido posible conformar un temario basado en la actualidad inmediata de este sector, en el cual están incluidas, además, horas de material adicional de gran calidad y presentados en diferentes formatos. Se trata de vídeos al detalle, artículos de investigación, resúmenes dinámicos, simulación de casos reales y lecturas complementarias con las que el egresado podrá profundizar en cada aspecto que considere más relevante o interesante para su desarrollo profesional.

Un programa que se adapta a ti, a tus necesidades, a tus intereses y a tus exigencias. Un Очно-заочная магистратура que, sin duda, marcará un antes y un después en tu carrera 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. Búsqueda 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
8.4.4. 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

Ahondarás en la satisfacibilidad booleana y de restricciones a través de la planificación automática y PDDL como búsqueda heurística o con SAT”
Очно-заочная магистратура в области искусственного интеллекта и инженерии знаний
В TECH Технологическом университете мы всегда уделяли особое внимание подготовке наших студентов к будущему. Именно поэтому мы разработали Очно-заочную магистратуру в области искусственного интеллекта и инженерии знаний, чтобы предоставить нашим студентам навыки и знания, необходимые для успешной работы в мире, который все больше ориентируется на технологии. Наш последипломный курс предназначен для подготовки студентов к разработке систем искусственного интеллекта - области, которая постоянно растет и развивается. Студенты научатся проектировать и разрабатывать интеллектуальные системы, которые могут взаимодействовать с миром и принимать решения в режиме реального времени. Кроме того, у наших студентов будет возможность изучить, как искусственный интеллект может быть использован для анализа больших массивов данных, что позволит им глубже понять данные и обнаружить закономерности, которые ранее не были очевидны.
Узнайте об искусственном интеллекте на лучшем факультете информатики
Знаете ли вы, почему TECH считается одним из лучших университетов мира? Потому что у нас есть каталог из более чем десяти тысяч академических программ, представительства во многих странах, инновационные методики, уникальные академические технологии и высококвалифицированная команда преподавателей. Очно-заочное обучение позволяет студентам работать и учиться одновременно, а значит, они могут применять полученные в университете знания в рабочем мире в режиме реального времени. Наши преподаватели-эксперты в области искусственного интеллекта помогут студентам понять и применить новейшие методы и методики в этой области, что позволит нашим студентам добиться успеха в своей карьере. Одним словом, Очно-заочная магистратура в области искусственного интеллекта и инженерии знаний - это идеальная последипломная программа для тех, кто хочет максимально раскрыть свой потенциал и преуспеть в области искусственного интеллекта. В TECH Технологическом университете мы стремимся предоставить нашим студентам самое лучшее образование, чтобы подготовить их к захватывающему и инновационному будущему в технологической отрасли.