Sé el experto ingeniero en Robótica que toda empresa desea tener en su equipo. Matricúlate ahora”

Todo robot autónomo capaz de navegar debe proporcionar los mecanismos que den respuesta a preguntas fundamentales como: ¿dónde estoy?, ¿dónde quiero ir? y ¿cómo llego a ese lugar? Esta Postgraduate diploma proporciona al ingeniero el conocimiento y las herramientas tecnológicas actuales empleadas para dar respuesta a estas preguntas y propulsar su carrera profesional en este campo. 

Debido a las altas capacidades y la complejidad de los algoritmos de inteligencia artificial es fundamental dominar esta materia para poder enfrentarse con éxito a esta tecnología. El equipo docente especializado encargado de impartir esta enseñanza acompañará al alumnado en este recorrido para que logre con solvencia sus objetivos profesionales.

Este programa impartido en su totalidad en modalidad online abarcará uno de los aspectos claves en el área de la autonomía de los robots, la visión artificial. Las diferentes arquitecturas, usos de las redes neuronales profundas, los problemas de visión 2D y 3D tendrán su amplio espacio en esta titulación universitaria.

Una excelente oportunidad para el profesional de la ingeniería que desee una especialización en una industria en auge y con amplias salidas laborales. Todo ello con un sistema de aprendizaje que facilita la adquisición de una especialización y compatibilizarla a su vez con las responsabilidades personales gracias a la ausencia de horarios fijos para acceder a todo el contenido de la titulación. Así, el alumnado tan solo necesita un dispositivo con conexión a internet para conectarse a la plataforma y empezar en cualquier hora del día en una enseñanza universitaria que impulsará su trayectoria profesional.

El programa incluye la participación de un Director Invitado Internacional, cuyo prestigio global se debe a su impresionante trayectoria profesional. Ofrecerá Masterclasses enfocadas en Sistemas de Percepción Visual de Robots.

Potencia tu carrera profesional con la colaboración de un Director Invitado Internacional, quien ofrecerá Masterclasses de excelente nivel, en el campo del aprendizaje automático”

Esta Postgraduate diploma en Robot Visual Perception Systems with Machine Learning contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Ingeniería Robótica
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Tienes la oportunidad de progresar en un campo en auge. Matricúlate y perfecciona tus conocimientos en Inteligencia Artificial”

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.

La biblioteca de recursos multimedia de esta Postgraduate diploma te proporciona un contenido vanguardista y de gran utilidad para tu carrera profesional"

Adquiere un aprendizaje que se llevará a realizar de modo óptimo el despliegue de Redes Neuronales en Aplicaciones Reales"

The teaching team involved in the development of this 100% online program has developed a syllabus where students will be immersed in the application of Artificial Intelligence to robots and Softbots and in the improvement of the visual perception of robots through the main techniques and tools used to achieve Machine Learning. The videos in detail of each topic provided by the professionals who teach this course will facilitate learning. Likewise, the students will have the whole syllabus at their disposal from the beginning of the program, which will allow them distributing the teaching load according to the student's needs.

Enroll now and learn in this Postgraduate diploma with the best specialists in Robotics”

Module 1. Intelligent Agents. Application of Artificial Intelligence to Robots and Softbots

1.1. Intelligent Agents and Artificial Intelligence

1.1.1. Intelligent Robots. Artificial Intelligence
1.1.2. Intelligent Agents

1.1.2.1. Hardware Agents. Robots
1.1.2.2. Software Agents. Softbots

1.1.3. Robotics Applications

1.2. Brain-Algorithm Connection

1.2.1. Biological Inspiration of Artificial Intelligence
1.2.2. Reasoning Implemented in Algorithms. Typology
1.2.3. Presentability of Results in Artificial Intelligence Algorithms
1.2.4. Evolution of Algorithms up to Deep Learning

1.3. Search Algorithms in the Solution Space

1.3.1. Elements in Solution Space Searches
1.3.2. Solution Search Algorithms in Artificial Intelligence Problems
1.3.3. Applications of Search and Optimization Algorithms
1.3.4. Search Algorithms Applied to Machine Learning

1.4. Machine Learning

1.4.1. Machine Learning
1.4.2. Supervised Learning Algorithms
1.4.3. Unsupervised Learning Algorithms
1.4.4. Reinforcement Learning Algorithms

1.5. Supervised Learning

1.5.1. Supervised Learning Methods
1.5.2. Decision Trees for Classification
1.5.3. Support Vector Machines
1.5.4. Artificial Neural Networks
1.5.5. Applications of Supervised Learning

1.6. Unsupervised Learning

1.6.1. Unsupervised Learning
1.6.2. Kohonen Networks
1.6.3. Self-Organizing Maps
1.6.4. K-Means Algorithm

1.7. Reinforcement Learning

1.7.1. Reinforcement Learning
1.7.2. Agents Based on Markov Processes
1.7.3. Reinforcement Learning Algorithms
1.7.4. Reinforcement Learning Applied to Robotics

1.8. Artificial Neural Networks and Deep Learning

1.8.1. Artificial Neural Networks. Typology
1.8.2. Applications of Neural Networks
1.8.3. Transformation from Machine Learning to Deep Learning
1.8.4.  Deep Learning Applications

1.9. Probabilistic Inference

1.9.1. Probabilistic Inference
1.9.2. Types of Inference and Method Definition
1.9.3. Bayesian Inference as a Case Study
1.9.4. Nonparametric Inference Techniques
1.9.5. Gaussian Filters

1.10. From Theory to Practice: Developing an Intelligent Robotic Agent

1.10.1. Inclusion of Supervised Learning Modules in a Robotic Agent
1.10.2. Inclusion of Reinforcement Learning Modules in a Robotic Agent
1.10.3. Architecture of a Robotic Agent Controlled by Artificial Intelligence
1.10.4. Professional Tools for the Implementation of the Intelligent Agent
1.10.5. Phases of the Implementation of AI Algorithms in Robotic Agents

Module 2. Artificial Vision Techniques in Robotics: Image Processing and Analysis

2.1. Computer Vision

2.1.1. Computer Vision
2.1.2. Elements of a Computer Vision System
2.1.3. Mathematical Tools

2.2. Optical Sensors for Robotics

2.2.1. Passive Optical Sensors
2.2.2. Active Optical Sensors
2.2.3. Non-Optical Sensors

2.3. Image Acquisition

2.3.1. Image Representation
2.3.2. Color Space
2.3.3. Digitizing Process

2.4. Image Geometry

2.4.1. Lens Models
2.4.2. Camera Models
2.4.3. Camera Calibration

2.5. Mathematical Tools

2.5.1. Histogram of an Image
2.5.2. Convolution
2.5.3. Fourier Transform

2.6. Image Preprocessing

2.6.1. Noise Analysis
2.6.2. Image Smoothing
2.6.3. Image Enhancement

2.7. Image Segmentation

2.7.1. Contour-Based Techniques
2.7.2. Histogram-Based Techniques
2.7.3. Morphological Operations

2.8. Image Feature Detection

2.8.1. Point of Interest Detection
2.8.2. Feature Descriptors
2.8.3. Feature Matching

2.9. 3D Vision Systems

2.9.1. 3D Perception
2.9.2. Feature Matching between Images
2.9.3. Multiple View Geometry

2.10. Computer Vision based Localization

2.10.1. The Robot Localization Problem
2.10.2. Visual Odometry
2.10.3. Sensory Fusion

Module 3. Robot Visual Perception Systems with Machine Learning

3.1. Unsupervised Learning Methods applied to Computer Vision

3.1.1. Clustering
3.1.2. PCA
3.1.3. Nearest Neighbors
3.1.4. Similarity and Matrix Decomposition

3.2. Supervised Learning Methods Applied to Artificial Vision

3.2.1. “Bag of Words” Concept
3.2.2. Support Vector Machine
3.2.3. Latent Dirichlet Allocation
3.2.4. Neural Networks

3.3. Deep Neural Networks: Structures, Backbones and Transfer Learning

3.3.1. Feature Generating Layers

3.3.1.1. VGG
3.3.1.2. Densenet
3.3.1.3. ResNet
3.3.1.4. Inception
3.3.1.5. GoogLeNet

3.3.2. Transfer Learning
3.3.3. The Data Preparation for Training

3.4. Artificial Vision with Deep Learning I: Detection and Segmentation

3.4.1. YOLO and SSD Differences and Similarities
3.4.2. Unet
3.4.3. Other Structures

3.5. Computer Vision with Deep Learning II: Generative Adversarial Networks

3.5.1. Image Super-Resolution Using GAN
3.5.2. Creation of Realistic Images
3.5.3. Scene Understanding

3.6. Learning Techniques for Localization and Mapping in Mobile Robotics

3.6.1. Loop Closure Detection and Relocation
3.6.2. Magic Leap. Super Point and Super Glue
3.6.3. Depth from Monocular

3.7. Bayesian Inference and 3D Modeling

3.7.1. Bayesian Models and "Classical" Learning
3.7.2. Implicit Surfaces with Gaussian Processes (GPIS)
3.7.3. 3D Segmentation Using GPIS
3.7.4. Neural Networks for 3D Surface Modeling

3.8. End-to-End Applications of Deep Neural Networks

3.8.1. End-to-End System. Example of Person Identification
3.8.2. Object Manipulation with Visual Sensors
3.8.3. Motion Generation and Planning with Visual Sensors

3.9. Cloud Technologies to Accelerate the Development of Deep Learning Algorithms

3.9.1. Use of GPUs for Deep Learning
3.9.2. Agile Development with Google Colab
3.9.3. Remote GPUs, Google Cloud and AWS

3.10. Deployment of Neural Networks in Real Applications

3.10.1. Embedded Systems
3.10.2. Deployment of Neural Networks. Use
3.10.3. Network Optimizations in Deployment, Example with TensorRT

Take the step to get up to date on the latest developments in Robot Visual Perception Systems with Machine Learning"