958 050 205
Máster de Formación Permanente en Computación Cuantica e Inteligencia Artificial + 60 Créditos ECTS
100% Online
1500 horas
Flexibilidad horaria
2195€
1756€
-20% (hasta el 30/09/2025)
* Becas y descuentos no aplicables a formación programada
Seguridad y confianza en tus pagos online.- Presentación
- Temario
- Metodología
- Titulación
Descripción
¿Quién puede acceder al master?
El Master en Computación Cuántica e Inteligencia Artificial se dirige principalmente a aquellas personas formadas en estadística, matemáticas, informática o telecomunicaciones. No obstante, las innumerables aplicaciones de la inteligencia artificial lo hacen apto también para otros perfiles como la economía o la administración de empresas, entre otros.
Objetivos
- Aprender a crear algoritmos más eficientes haciendo uso de la computación cuántica y de sistemas de cómputo numérico como Matlab.
- Estudiar las diferentes aplicaciones de la física cuántica en el ámbito de la tecnología, la medicina, el transporte, la energía o la electricidad.
- Conocer el nexo de unión entre el Big Data y la inteligencia artificial para desarrollar algoritmos para las máquinas.
- Manejar TensorFlow para generar aprendizaje automático y el lenguaje de programación Python para desarrollar aplicaciones.
- Desarrollar chatbots con ChatterBot y Python o con Chatfuel para Facebook Messenger.
Salidas Profesionales
Finalizado el Master en computación cuántica e inteligencia artificial, habilitará para ocupar puestos como desarrollador o investigador de algoritmos para finanzas, para aplicarlos a la inteligencia artificial, química, la optimización, la inteligencia artificial aplicada a la industria, el análisis de datos, el marketing o la investigación evidenciándose así, el carácter polivalente del master.
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. 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 3. 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 4. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV
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)
UNIDAD DIDÁCTICA 5. 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 6. 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 7. 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 8. HISTOGRAMAS Y TEMPLATE MATCHING
- Analizar imágenes usando histogramas
- Ecualización de histogramas
- Template matching
- Detección de campos en documentos usando Template matching
UNIDAD DIDÁCTICA 9. 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 10. 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 11. APRENDIZAJE AUTOMÁTICO
- Vecino más cercano (K-Nearest Neighbour)
- Agrupamiento de K-medias (K-Means Clustering)
MÓDULO 5. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS
- ¿Qué es la inteligencia artificial?
- Hardware y software unidos por la Inteligencia Artificial
- Inteligencia Artificial y Visión Artificial
- Arduino: introducción
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON
- Instalación de Arduino
- Configurando tu Arduino para Python
UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON
- Control de Arduino
UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON
- Manejo de entradas
- Entradas analógicas
UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS
- Salidas analógicas
- Valores analógicos en Arduino
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING
- Introducción al machine learning
- Aprendizaje supervisado
- Aprendizaje no supervisado
UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN
- Redes neuronales y deep learning
- Series Temporales
UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS
- Funciones y parámetros
- Variables y constantes especializadas
- Estructura de control
UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO
- Introducción
- ¿Qué son los datos de entrenamiento de IA?
- ¿Por qué se requieren datos de entrenamiento de IA?
- ¿Cuántos datos son adecuados?
- ¿Qué afecta la calidad de los datos en el entrenamiento?
UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS
- Crear red neural paso a paso
- Redes neuronales: Aprendizaje
- Otras redes neuronales
MÓDULO 6. 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 7. COMPUTACIÓN CUÁNTICA
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN CUÁNTICA
- Computación cuántica
- Circuitos cuánticos
UNIDAD DIDÁCTICA 2. TECNOLOGÍA CUÁNTICA ACTUAL
- Desafíos y perspectivas de la tecnología cuántica
UNIDAD DIDÁCTICA 3. ALGORITMO CUÁNTICOS
- Principales algoritmos utilizados
- Desarrollo de Hardware Cuántico
UNIDAD DIDÁCTICA 4. COMUNICACIONES CUÁNTICAS
- Introducción a las comunicaciones cuánticas
UNIDAD DIDÁCTICA 5. CRIPTOGRAFÍA CUÁNTICA
- ¿Qué es la criptografía cuántica?
- Criptografia post-cuántica
UNIDAD DIDÁCTICA 6. SIMULACIÓN CUÁNTICA
- Fundamentos de la simulación cuántica
- Métodos de simulación cuántica
UNIDAD DIDÁCTICA 7. COMPUTACIÓN CUÁNTICA ADIABÁTICA
- Presentación de la computación cuántica adiabática como un paradigma alternativo
- Modelos de Computación Cuántica Adiabática
UNIDAD DIDÁCTICA 8. ALGORITMOS DE PASEO CUÁNTICO
- Definición y características de los paseos cuánticos
- Algoritmos de paseo cuántico
UNIDAD DIDÁCTICA 9. ERRORES CUÁNTICOS Y CÓDIGOS CUÁNTICOS
- Errores cuánticos
- Fuentes de errores cuánticos
- Detección y corrección de errores cuánticos
MÓDULO 8. FÍSICA CUÁNTICA
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA FÍSICA CUÁNTICA
- La ciencia
- El Sistema Internacional de Unidades
- Física clásica
- Física moderna
- ¿Qué es la física cuántica?
UNIDAD DIDÁCTICA 2. ÁTOMOS, ELECTRONES Y FOTONES
- Nociones básicas sobre la estructura atómica
- Introducción al espectro electromagnético
- ¿Qué es el espectro electromagnético?
- Cuantos de energía. Postulado de Planck
- Principio de dualidad. Postulado de De Broglie
- Modelo atómico de Bohr
UNIDAD DIDÁCTICA 3. EFECTO ELECTROMAGNÉTICO
- Introducción al efecto fotoeléctrico
- La luz como una onda
- Explicación de Albert Einstein
- El efecto Compton
- Frecuencia de la luz y la frecuencia umbral v0
- Tendencia de la amplitud de onda
UNIDAD DIDÁCTICA 4. NÚMEROS CUÁNTICOS Y ORBITALES
- Dualidad onda-corpúsculo. Principio de incertidumbre de Heisenberg
- Modelo mecano-cuántico del átomo
- Estructura del átomo
- Configuración electrónica
- Números cuánticos y orbitales atómicos
UNIDAD DIDÁCTICA 5. NÚCLEOS
- Núcleo atómico
- Masas nucleares
- Propiedades de la estructura nuclear
- Tamaño de los núcleos
- Ley de desintegración radiactiva
- Teoría cuántica de la desintegración radiactiva
- Desintegración nuclear
UNIDAD DIDÁCTICA 6. EL CAMPO DE PUNTO CERO
- ¿Qué es el campo punto cero?
- Partículas virtuales
- Efecto Casimir
UNIDAD DIDÁCTICA 7. APLICACIONES DE LA FÍSICA CUÁNTICA
- Introducción a las aplicaciones de la física cuántica
- Transistor
- El láser
- Otras aplicaciones de la física cuántica
MÓDULO 9. 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 de Máster de Formación Permanente en Computación Cuantica e Inteligencia Artificial con 1500 horas y 60 ECTS expedida por UTAMED - Universidad Tecnológica Atlántico Mediterráneo.
También podría interesarte...
Otras Acciones Formativas relacionadas
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.
Máster de Formación Permanente en Computación Cuantica e Inteligencia Artificial + 60 Créditos ECTS
100% Online
1500 horas
Flexibilidad horaria
2195€
1756€
2195€
1756€