Master Inteligencia Artificial Y Deep Learning

100% Online

12 Meses

Flexibilidad horaria

Presentación
Temario
Metodología
Titulación

Descripción

¿Quién puede acceder al master?

Este Máster en Inteligencia Artificial y Deep Learning busca formar a profesionales en uno de los sectores laborales más demandados en la actualidad, el del comportamiento inteligente y automatizado de cualquier sistema. Si eres un apasionado de las nuevas tecnologías y tienes inquietudes sobre todo lo que nos depara el futuro tecnológico, este es tu máster.

Objetivos

- Manejar, programar y parametrizar herramientas avanzadas de machine learning para la creación de software inteligente. - Construir sistemas inteligentes capaces de dar respuesta a la demanda actual. - Conocer el desarrollo de chatbots. - Desarrollar un sistema Deep Learning. - Descubrir la visión artificial, el iot y su aplicación para la industria 4.0.

Salidas Profesionales

Mediante la realización de este Máster en Inteligencia Artificial y Deep Learning podrás trabajar como Director de proyectos en inteligencia artificial, Ingeniero Software y Programador de Inteligencia Artificial en proyectos de Deep learning, entre otros muchos campos.

Temario

MÓDULO 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

Introducción a la inteligencia artificial
Historia
La importancia de la IA

UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL

Tipos de inteligencia artificial

UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL

Algoritmos aplicados a la inteligencia artificial

UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA

Relación entre inteligencia artificial y big data
IA y Big Data combinados
El papel del Big Data en IA
Tecnologías de IA que se están utilizando con Big Data

UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS

Sistemas expertos
Estructura de un sistema experto
Inferencia: Tipos
Fases de construcción de un sistema
Rendimiento y mejoras
Dominios de aplicación
Creación de un sistema experto en C#
Añadir incertidumbre y probabilidades

UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL

Futuro de la inteligencia artificial
Impacto de la IA en la industria
El impacto económico y social global de la IA y su futuro

MÓDULO 2. MACHINE LEARNING Y DEEP LEARNING

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING

Introducción
Clasificación de algoritmos de aprendizaje automático
Ejemplos de aprendizaje automático
Diferencias entre el aprendizaje automático y el aprendizaje profundo
Tipos de algoritmos de aprendizaje automático
El futuro del aprendizaje automático

UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING

Introducción
Algoritmos

UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN

Introducción
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos

UNIDAD DIDÁCTICA 4. CLASIFICACIÓN

Clasificadores
Algoritmos

UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING

Componentes
Aprendizaje

UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN

Introducción
El proceso de paso de DSS a IDSS
Casos de aplicación

UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo

UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES

Redes neuronales
Redes profundas y redes poco profundas

UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA

Perceptrón de una capa y multicapa
Ejemplo de perceptrón

UNIDAD DIDÁCTICA 10. REDES MULTICAPA

Tipos de redes profundas
Trabajar con TensorFlow y Python

UNIDAD DIDÁCTICA 11. ESTRATEGIAS DE APRENDIZAJE

Entrada y salida de datos
Entrenar una red neuronal
Gráficos computacionales
Implementación de una red profunda
El algoritmo de propagación directa
Redes neuronales profundas multicapa

MÓDULO 3. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN

¿Qué es PLN?
¿Qué incluye el PLN?
Ejemplos de uso de PLN
Futuro del PLN

UNIDAD DIDÁCTICA 2. RECURSOS PARA EL PLN

Introducción a Python
¿Qué necesitas?
Librerías para el análisis de datos en Python
PLN en Python con la librería NLTK
Otras herramientas para PLN

UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN

Principios del análisis sintáctico
Gramática libre de contexto
Analizadores sintácticos (Parsers)

UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN

Aspectos introductorios del análisis semántico
Lenguaje semántico para PLN
Análisis pragmático

UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN

Aspectos introductorios
Pasos en la extracción de información
Ejemplo PLN
Ejemplo PLN con entrada de texto en inglés

MÓDULO 4. CHATBOTS E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1 .¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?

Introducción a la Inteligencia artificial
El Test de Turing
Agentes Inteligentes
Aplicaciones de la inteligencia artificial

UNIDAD DIDÁCTICA 2. ¿QUÉ ES UN CHATBOT?

Aspectos introductorios
¿Qué es un chatbot?
¿Cómo funciona un chatbot?
VoiceBots
Desafios para los Chatbots

UNIDAD DIDÁCTICA 3. RELACIÓN ENTRE IA Y CHATBOTS

Chatbots y el papel de la Inteligencia Artificial (IA)
Usos y beneficios de los chatbots
Diferencia entre bots, chatbots e IA

UNIDAD DIDÁCTICA 4. ÁMBITOS DE APLICACIÓN CHATBOTS

Áreas de aplicación de Chatbots
Desarrollo de un chatbot con ChatterBot y Python
Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 5. DATA SCIENCE Y PROGRAMACIÓN ESTADÍSTICA CON PYTHON Y R

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS

¿Qué es la ciencia de datos?
Herramientas necesarias para el científico de datos
Data Science & Cloud Compunting
Aspectos legales en Protección de Datos

UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES

Introducción
El modelo relacional
Lenguaje de consulta SQL
MySQL. Una base de datos relacional

UNIDAD DIDÁCTICA 3. PYTHON Y EL ANÁLISIS DE DATOS

Introducción a Python
¿Qué necesitas?
Librerías para el análisis de datos en Python
MongoDB, Hadoop y Python. Dream Team del Big Data

UNIDAD DIDÁCTICA 4. R COMO HERRAMIENTA PARA BIG DATA

Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop

UNIDAD DIDÁCTICA 5. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS

Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis

UNIDAD DIDÁCTICA 6. ANÁLISIS DE LOS DATOS

Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados

MÓDULO 6. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS

UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON

UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON

UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON

UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS

UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING

UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN

UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS

UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO

UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS

MÓDULO 7. VISIÓN ARTIFICIAL Y SU APLICACIÓN EN LA INDUSTRIA 4.0

UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES

La visión artificial: definiciones y aspectos principales

UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL

Ópticas
Iluminación
Cámaras
Sistemas 3D
Sensores
Equipos compactos
Metodologías para la selección del hardware

UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL

Algoritmos
Software
Segmentación e interpretación de imágenes
Metodologías para la selección del software

UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0

Aplicaciones clásicas: discriminación, detección de fallos…
Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)

MÓDULO 8. PROGRAMACIÓN DE VISIÓN ARTIFICIAL CON PYTHON Y OPENCV

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN E INSTALACIÓN DE OPENCV

Descripción general OpenCV
Instalación OpenCV para Python en Windows
Instalación OpenCV para Python en Linux
Anaconda y OpenCV

UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS

Manejo de archivos
Leer una imagen con OpenCV
Mostrar imagen con OpenCV
Guardar una imagen con OpenCV
Operaciones aritméticas en imágenes usando OpenCV
Funciones de dibujo

UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES

Redimensión de imágenes
Erosión de imágenes
Desenfoque de imágenes
Bordeado de imágenes
Escala de grises en imágenes
Escalado, rotación, desplazamiento y detección de bordes
Erosión y dilatación de imágenes
Umbrales simples
Umbrales adaptativos
Umbral de Otsu
Contornos de imágenes
Incrustación de imágenes
Intensidad en imágenes
Registro de imágenes
Extracción de primer plano
Operaciones morfológicas en imágenes
Pirámide de imágen

UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING

Analizar imágenes usando histogramas
Ecualización de histogramas
Template matching
Detección de campos en documentos usando Template matching

UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR

Espacios de color en OpenCV
Cambio de espacio de color
Filtrado de color
Denoising de imágenes en color
Visualizar una imagen en diferentes espacios de color

UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS

Detección de líneas
Detección de círculos
Detectar esquinas (Método Shi-Tomasi)
Detectar esquinas (método Harris)
Encontrar círculos y elipses
Detección de caras y sonrisas

UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO

Vecino más cercano (K-Nearest Neighbour)
Agrupamiento de K-medias (K-Means Clustering)

MÓDULO 9. IOT (INTERNET DE LAS COSAS) Y SISTEMAS CIBERFÍSICOS EN LA INDUSTRIA 4.0

UNIDAD DIDÁCTICA 1. INTERNET DE LAS COSAS

Contexto Internet de las Cosas (IoT)
¿Qué es IoT?
Elementos que componen el ecosistema IoT
Arquitectura IoT
Dispositivos y elementos empleados
Ejemplos de uso
Retos y líneas de trabajo futuras

UNIDAD DIDÁCTICA 2. SISTEMAS CIBERFÍSICOS

Contexto Sistemas Ciberfísicos (CPS)
Características CPS
Componentes CPS
Ejemplos de uso
Retos y líneas de trabajo futuras

MÓDULO 10. PROYECTO FIN DE MÁSTER

Metodología

EDUCA LXP se basa en 6 pilares

Item

Distintiva

EDUCA EDTECH Group es proveedor de conocimiento. Respaldado por el expertise de nuestras instituciones educativas, el alumnado consigue una formación relevante y avalada por un sello de calidad como es el grupo EDUCA EDTECH.

Realista

La metodología EDUCA LXP prescinde de conocimientos excesivamente teóricos o de métodos prácticos poco eficientes. La combinación de contenidos en constante actualización y el seguimiento personalizado durante el proceso educativo hacen de EDUCA LXP una metodología única.

Student First

La metodología EDUCA LXP y la formación del grupo EDUCA EDTECH conciben al estudiante como el centro de la experiencia educativa, nutriéndose de su retroalimentación. Su feedback es nuestro motor del cambio.

Inteligencia Artificial

La personalización en el aprendizaje no sería posible sin una combinación precisa entre experiencia académica e investigación tecnológica, así como la Inteligencia Artificial. Por eso contamos con herramientas IA de desarrollo propio, adaptadas a cada institución educativa del grupo.

Profesionales en activo

Nuestro equipo de profesionales docentes, además de ser especialistas en su sector, cuentan con una formación específica en el manejo de herramientas tecnológicas que conforman el ecosistema EDUCA EDTECH.

Timeless Learning

La formación debe ser una experiencia de vida, concibiendo el e-learning como una excelente solución para los desafíos de la educación convencional. Entendemos el aprendizaje como un acompañamiento continuo del estudiante en cada momento de su vida.

Titulación

Titulación Universitaria de Máster de Formación Permanente en Inteligencia Artificial y Deep Learning con 1500 horas y 60 créditos ECTS por la Universidad Católica de Murcia

Universidad Católica de Murcia

Solicita información

Información básica sobre Protección de Datos. Haz clic aquí

Deseo recibir información sobre los cursos y estudios ofrecidos por INSTITUTO EUROPEO DE ESTUDIOS EMPRESARIALES S.A. por cualquier vía, incluida la electrónica.

Se envió su solicitud correctamente.

Completa los campos obligatorios.

Explora nuestras Áreas Formativas

Construye tu carrera profesional

Descubre nuestro amplio Catálogo Formativo, incluye programas de Cursos Superior, Expertos, Master Profesionales y Master Universitarios en las diferentes Áreas Formativas para impulsar tu carrera profesional.

Diseño y Artes Gráficas

Educación y Sociedad

Gestión Empresarial

Gestión Integrada

Informática y TIC

Ingeniería y Edificación

Máster de Formación Permanente en Inteligencia Artificial y Deep Learning + 60 Créditos ECTS

100% Online

12 Meses

Flexibilidad horaria

Descargar PDF

Información básica sobre Protección de Datos. Haz clic aquí

Deseo recibir información sobre los cursos y estudios ofrecidos por INSTITUTO EUROPEO DE ESTUDIOS EMPRESARIALES S.A. por cualquier vía, incluida la electrónica.

Se envió su solicitud correctamente.

Completa los campos obligatorios.