Icono de modalidad 100% Online
Icono de duración 1500 horas
Icono de flexibilidad horaria Flexibilidad horaria
Precio
1895€ 1516€ -20% (hasta el 30/10/2025) * Becas y descuentos no aplicables a formación programada
1895€
Seguridad y confianza en tus pagos online.
  • Presentación
  • Temario
  • Metodología
  • Titulación

Descripción

¿Quién puede acceder al master?

Este Máster en Inteligencia Artificial y Data Science está diseñado para profesionales de la ingeniería, del análisis de datos, programación y tecnologías de la información con interés en especializarse en Inteligencia Artificial, análisis de datos y Big Data. También es adecuado para titulados/as en disciplinas STEM para liderar proyectos innovadores en áreas tecnológicas

Objetivos

- Desarrollar competencias en análisis de datos y gestión de Big Data. - Entender las principales aplicaciones y usos de la inteligencia artificial en diferentes sectores. - Aprender a implementar modelos de Machine Learning y redes neuronales. - Dominar técnicas avanzadas en PLN, visión artificial y chatbots. - Aplicar conocimientos de Python en proyectos de Inteligencia Artificial. - Diseñar soluciones automatizadas para la Industria 4.0 mediante IA. - Evaluar y optimizar modelos predictivos y sistemas basados en IA.

Salidas Profesionales

Al finalizar este Máster en Inteligencia Artificial y Data Science podrás desempeñar tus funciones como profesional en ciencia de datos, desarrollo de IA, análisis de Big Data o especialista en visión artificial y PLN. También podrás trabajar en sectores como la ciberseguridad, la Industria 4.0 o el diseño de chatbots y sistemas automatizados en equipos de innovación tecnológica.

Temario

MÓDULO 1. BIG DATA & BUSINESS INTELLIGENCE FUNDAMENTALS

UNIDAD DIDÁCTICA 1.LA REVOLUCIÓN DE LOS DATOS MASIVOS: BIG DATA Y THICK DATA

  1. ¿Qué es Big Data?
  2. ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
  3. El gran auge del big data
  4. La importancia de almacenar y extraer información
  5. ¿Cual es el papel de las fuentes de datos?
  6. Soluciones novedosas gracias a la selección de datos
  7. Naturaleza de las fuentes de datos Big Data

UNIDAD DIDÁCTICA 2. TOMA DE DECISIONES INTELIGENTES

  1. Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
  2. Fases en un proyecto de Big Data
  3. Big Data enfocado a los negocios
  4. Apoyo del Big Data en el proceso de toma de decisiones
  5. Toma de decisiones operativas

UNIDAD DIDÁCTICA 3. CÓMO HACER CRECER UN NEGOCIO A TRAVÉS DEL BIG DATA Y SUS APLICACIONES

  1. Marketing estratégico y Big Data
  2. Open data
  3. Ejemplo de uso de Open Data
  4. IoT (Internet of Things-Internet de las cosas)

UNIDAD DIDÁCTICA 4.BIG DATA EN DIFERENTES SECTORES

  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Big Data en salud
  5. Necesidad de Big Data en la asistencia sanitaria
  6. Retos del big data en salud
  7. Big Data y People Analytics en RRHH

UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN

  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  5. Sistemas Operacionales y Procesos ETL en un sistema de BI
  6. Ventajas y Factores de Riesgos del Business Intelligence

UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE

  1. Cuadros de Mando Integrales (CMI)
  2. Sistemas de Soporte a la Decisión (DSS)
  3. Sistemas de Información Ejecutiva (EIS)

UNIDAD DIDÁCTICA 7. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO

  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de Textos y Web Mining
  6. Data mining y marketing

UNIDAD DIDÁCTICA 8. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL

  1. Aproximación al concepto de DataMart
  2. Bases de datos OLTP
  3. Bases de Datos OLAP
  4. MOLAP, ROLAP & HOLAP
  5. Herramientas para el desarrollo de cubos OLAP

UNIDAD DIDÁCTICA 9. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS

  1. Visión General: ¿Por qué DataWarehouse?
  2. Estructura y Construcción
  3. Fases de implantación
  4. Características
  5. Data Warehouse en la nube

UNIDAD DIDÁCTICA 10. INTERNET DE LAS COSAS

  1. Contexto Internet de las Cosas (IoT)
  2. ¿Qué es IoT?
  3. Elementos que componen el ecosistema IoT
  4. Arquitectura IoT
  5. Dispositivos y elementos empleados
  6. Ejemplos de uso
  7. Retos y líneas de trabajo futuras

UNIDAD DIDÁCTICA 11. STORYTELLING

  1. ¿Qué es el Data Storytelling?
  2. Elementos clave del Data Storytelling
  3. ¿Por qué es importante el Data Storytelling?
  4. ¿Cómo hacer Data Storytelling?

UNIDAD DIDÁCTICA 12. ECOSISTEMA HADOOP

  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de insfraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark

MÓDULO 2. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS

UNIDAD DIDÁCTICA 1.INTRODUCCIÓN A LA CIENCIA DE DATOS

  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos

UNIDAD DIDÁCTICA 2.BASES DE DATOS RELACIONALES

  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional

UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE

  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL

UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB

  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB: Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB

UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING

  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos

UNIDAD DIDÁCTICA 6. PENTAHO

  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO

UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA

  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop

UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS

  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis

UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS

  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

MÓDULO 3. VISUALIZACIÓN DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS

  1. ¿Qué es la visualización de datos?
  2. Importancia y herramientas de la visualización de datos
  3. Visualización de datos: Principios básicos

UNIDAD DIDÁCTICA 2. TABLEAU

  1. ¿Qué es Tableau? Usos y aplicaciones
  2. Tableau Server: Arquitectura y Componentes
  3. Instalación Tableau
  4. Espacio de trabajo y navegación
  5. Conexiones de datos en Tableau
  6. Tipos de filtros en Tableau
  7. Ordenación de datos, grupos, jerarquías y conjuntos
  8. Tablas y gráficos en Tableau

UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)

  1. Fundamentos D3
  2. Instalación D3
  3. Funcionamiento D3
  4. SVG
  5. Tipos de datos en D3
  6. Diagrama de barras con D3
  7. Diagrama de dispersión con D3

UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO)

  1. Visualización de datos
  2. Tipologías de gráficos
  3. Fuentes de datos
  4. Creación de informes

UNIDAD DIDÁCTICA 5. QLIKVIEW

  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos

UNIDAD DIDÁCTICA 6. POWER BI

  1. Introducción a Power BI
  2. Instalación de Power BI
  3. Modelado de datos
  4. Visualización de datos
  5. Dashboards
  6. Uso compartido de datos

UNIDAD DIDÁCTICA 7. CARTO

  1. CartoDB
  2. ¿Qué es CARTO?
  3. Carga y uso de datos. Tipos de análisis
  4. Programación de un visor con la librería CARTO.js
  5. Uso de ejemplos y ayudas de la documentación de la API

MÓDULO 4. MÉTODOS ESTADÍSTICOS PARA INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. ESTADÍSTICA

  1. Introducción, concepto y funciones de la estadística
  2. Estadística descriptiva
  3. Estadística inferencial
  4. Medición y escalas de medida
  5. Variables: clasificación y notación
  6. Distribución de frecuencias
  7. Representaciones gráficas
  8. Propiedades de la distribución de frecuencias
  9. Medidas de posición
  10. Medidas de dispersión
  11. Medidas de forma
  12. Curva de Lorenz, coeficiente de Gini e índice de Theil

UNIDAD DIDÁCTICA 2. ANÁLISIS CONJUNTO DE VARIABLES

  1. Introducción al análisis conjunto de variables
  2. Asociación entre dos variables cualitativas
  3. Correlación entre dos variables cuantitativas
  4. Regresión lineal

UNIDAD DIDÁCTICA 3. DISTRIBUCIONES DE PROBABILIDAD

  1. Conceptos previos de probabilidad
  2. Variables discretas de probabilidad
  3. Distribuciones discretas de probabilidad
  4. Distribución normal
  5. Distribuciones asociadas a la distribución normal

UNIDAD DIDÁCTICA 4. ESTADÍSTICA INFERENCIAL

  1. Conceptos previos
  2. Métodos de muestreo
  3. Principales indicadores

UNIDAD DIDÁCTICA 5. CONTRASTE DE HIPÓTESIS

  1. Introducción a las hipótesis estadísticas
  2. Contraste de hipótesis
  3. Contraste de hipótesis paramétrico
  4. Tipologías de error
  5. Contrastes no paramétricos

UNIDAD DIDÁCTICA 6. REGRESIÓN LINEAL

  1. Introducción a los modelos de regresión
  2. Modelos de regresión: aplicabilidad
  3. Variables a introducir en el modelo de regresión
  4. Construcción del modelo de regresión
  5. Modelo de regresión lineal
  6. Modelo de regresión logística
  7. Factores de confusión
  8. Interpretación de los resultados de los modelos de regresión

UNIDAD DIDÁCTICA 7. INTRODUCCIÓN A LA ESTADÍSTICA NO PARAMÉTRICA

  1. Estadística no paramétrica. Conceptos básicos
  2. Características de las pruebas
  3. Ventajas y desventajas del uso de métodos no paramétricos
  4. Identificación de las diferentes pruebas no paramétricas

UNIDAD DIDÁCTICA 8. PRUEBAS NO PARAMÉTRICAS PARA UNA MUESTRA

  1. Pruebas no paramétricas para una muestra
  2. Chi-cuadrado o ji-cuadrado
  3. Prueba de Kolmogorov-Smirnov para una muestra
  4. Prueba binomial
  5. Prueba de rachas

UNIDAD DIDÁCTICA 9. PRUEBAS NO PARAMÉTRICAS PARA DOS MUESTRAS RELACIONADAS

  1. Prueba de los signos
  2. Prueba del rango con signo de Wilcoxon
  3. Prueba de McNemar

UNIDAD DIDÁCTICA 10. PRUEBAS NO PARAMÉTRICAS PARA K MUESTRAS RELACIONADAS

  1. Pruebas para k muestras relacionadas
  2. Prueba de Cochran
  3. Prueba de Friedman
  4. Coeficiente de concordancia de W de Kendall

UNIDAD DIDÁCTICA 11. PRUEBAS NO PARAMÉTRICAS PARA DOS MUESTRAS INDEPENDIENTES

  1. Pruebas para dos muestras independientes
  2. Prueba U de Mann Whitney
  3. Prueba de Wald-Wolfowitz
  4. Prueba de reacciones extremas de Moses
  5. Prueba de Kolmogorov-Smirnov para dos muestras

UNIDAD DIDÁCTICA 12. PRUEBAS NO PARAMÉTRICAS PARA K MUESTRAS INDEPENDIENTES

  1. Pruebas no paramétricas para K muestras independientes
  2. Prueba de la mediana
  3. Prueba H de Kruskal-Wallis
  4. Prueba de Jonckheere-Terpstra

MÓDULO 5. PYTHON ESSENTIALS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A PYTHON. INSTALACIÓN Y CONFIGURACIÓN DE ENTORNO DE DESARROLLO

  1. Introducción a Python
  2. Características y aplicaciones
  3. Instalación de Python
  4. Configuración de un entorno de desarrollo

UNIDAD DIDÁCTICA 2. TIPOS DE DATOS, VARIABLES, OPERADORES Y EXPRESIONES

  1. Sintaxis básica de Python
  2. Variables y tipos de datos
  3. Operadores y expresiones
  4. Uso de comentarios

UNIDAD DIDÁCTICA 3. CONTROL DEL FLUJO: BUCLES Y CONDICIONALES

  1. Introducción al control de flujo
  2. Estructuras condicionales (if, elif, else)
  3. Bucles (for y while)
  4. Control de bucles (break y continue)

UNIDAD DIDÁCTICA 4. COLECCIONES DE DATOS: TUPLAS, CONJUNTOS, DICCIONARIOS, PILAS Y COLAS

  1. Listas y tuplas
  2. Conjuntos: colecciones únicas
  3. Diccionarios: pares clave-valor
  4. Pilas: concepto y operaciones
  5. Colas: implementación y uso

UNIDAD DIDÁCTICA 5. FUNCIONES, RECURSIVIDAD Y PASO POR VALOR Y REFERENCIA

  1. Definición y llamada de funciones
  2. Parámetros y argumentos
  3. Retorno de valores
  4. Ámbito de las variables
  5. Módulos y organización del código

UNIDAD DIDÁCTICA 6. CLASES Y OBJETOS

  1. Conceptos de programación orientada a objetos
  2. Creación de clases y objetos
  3. Atributos y métodos
  4. Encapsulación y visibilidad
  5. Constructores y destructores

UNIDAD DIDÁCTICA 7. MANEJO DE FICHEROS, ENTRADAS Y SALIDAS

  1. Introducción a ficheros
  2. Lectura y escritura de archivos
  3. Manejo de rutas de archivos
  4. Entrada y salida estándar
  5. Formateo de texto

UNIDAD DIDÁCTICA 8. HERENCIA, POLIMORFISMO Y MANEJO DE EXCEPCIONES

  1. Herencia y clases base
  2. Sobreescritura de métodos
  3. Polimorfismo e interfaces
  4. Excepciones y manejo de errores

UNIDAD DIDÁCTICA 9. GUI CON TKINTER

  1. Introducción a interfaces gráficas
  2. Configuración de Tkinter
  3. Creación de widgets y ventanas
  4. Manejo de eventos y callbacks

UNIDAD DIDÁCTICA 10. SQLITE PARA LA ADMINISTRACIÓN DE BASES DE DATOS

  1. Introducción a bases de datos SQLite
  2. Creación y conexión a bases de datos
  3. Consultas SQL básicas
  4. Inserción, actualización y eliminación de datos

UNIDAD DIDÁCTICA 11. FUNCIONES AVANZADAS

  1. Metaprogramación
  2. Funciones lambda
  3. Iteradores
  4. Decoradores
  5. Generadores y expresiones generadoras

UNIDAD DIDÁCTICA 12. TESTING Y DOCUMENTACIÓN

  1. Importancia del testing y la documentación
  2. Uso de pruebas unitarias
  3. Documentación de código con docstrings
  4. Generación de documentación automática

MÓDULO 6. INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. RESOLUCIÓN DE PROBLEMAS EMPRESARIALES MEDIANTE INTELIGENCIA ARTIFICIAL (IA) Y MACHINE LEARNING (ML)

  1. Identificar soluciones de IA y ML para problemas empresariales
  2. Formular un problema de aprendizaje automático
  3. Seleccionar Enfoques para el Aprendizaje Automático

UNIDAD DIDÁCTICA 2. PREPARACIÓN DE DATOS EN INTELIGENCIA ARTIFICIAL

  1. Recopilar datos
  2. Transformar datos
  3. Diseñar características
  4. Trabajar con datos no estructurados

UNIDAD DIDÁCTICA 3. ENTRENAMIENTO, EVALUACIÓN Y AJUSTE DE UN MODELO DE APRENDIZAJE AUTOMÁTICO

  1. Entrenar un modelo de aprendizaje automático
  2. Evaluar y ajustar un modelo de aprendizaje automático

UNIDAD DIDÁCTICA 4. CONSTRUCCIÓN DE MODELOS DE REGRESIÓN LINEAL

  1. Construir Modelos de Regresión Utilizando Álgebra Lineal
  2. Construcción de modelos de regresión lineal regularizados
  3. Construcción de modelos de regresión lineal iterativos

UNIDAD DIDÁCTICA 5. CONSTRUCCIÓN DE MODELOS DE PREVISIÓN

  1. Construcción de modelos de series temporales univariantes
  2. Construcción de modelos de series temporales multivariantes

UNIDAD DIDÁCTICA 6. CONSTRUCCIÓN DE MODELOS DE CLASIFICACIÓN MEDIANTE REGRESIÓN LOGÍSTICA Y K-NEAREST NEIGHBORS

  1. Entrenar modelos de clasificación binaria mediante regresión logística
  2. Entrenar modelos de clasificación binaria mediante k-Nearest Neighbors
  3. Entrenar modelos de clasificación multiclase
  4. Evaluación de modelos de clasificación
  5. Ajuste de modelos de clasificación

UNIDAD DIDÁCTICA 7. CONSTRUCCIÓN DE MODELOS DE AGRUPACIÓN

  1. Construir Modelos de Agrupación k-Means
  2. Construcción de modelos de agrupación jerárquica

UNIDAD DIDÁCTICA 8. CONSTRUCCIÓN DE ÁRBOLES DE DECISIÓN Y BOSQUES ALEATORIOS

  1. Construcción de modelos de árboles de decisión
  2. Construcción de modelos de bosques aleatorios

UNIDAD DIDÁCTICA 9. CONSTRUCCIÓN DE MÁQUINAS DE VECTORES DE SOPORTE (SVM)

  1. Construcción de modelos SVM para clasificación
  2. Construcción de modelos SVM para regresión

UNIDAD DIDÁCTICA 10. CONSTRUCCIÓN DE REDES NEURONALES ARTIFICIALES

  1. Construir Perceptrones Multicapa (MLP)
  2. Construir redes neuronales convolucionales (CNN)
  3. Construir redes neuronales recurrentes (RNN)

UNIDAD DIDÁCTICA 11. OPERACIONALIZACIÓN DE MODELOS DE APRENDIZAJE AUTOMÁTICO

  1. Despliegue de modelos de aprendizaje automático
  2. Automatizar el Proceso de Aprendizaje Automático con MLOps
  3. Integrar Modelos en Sistemas de Aprendizaje Automático

UNIDAD DIDÁCTICA 12. MANTENIMIENTO DE OPERACIONES DE APRENDIZAJE AUTOMÁTICO

  1. Proteger los pipelines de aprendizaje automático
  2. Mantener modelos en producción

MÓDULO 7. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN

  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN

UNIDAD DIDÁCTICA 2. PLN EN PYTHON

  1. PLN en Python con la librería NLTK
  2. Otras herramientas para PLN

UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN

  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)

UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN

  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático

UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN

  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés

UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?

  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafíos para los Chatbots

UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS

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

UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS

  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 8. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV

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

  1. La visión artificial: definiciones y aspectos principales

UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL

  1. Ópticas
  2. Iluminación
  3. Cámaras
  4. Sistemas 3D
  5. Sensores
  6. Equipos compactos
  7. Metodologías para la selección del hardware

UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL

  1. Algoritmos
  2. Software
  3. Segmentación e interpretación de imágenes
  4. Metodologías para la selección del software

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

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

UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV

  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV

UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS

  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo

UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES

  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen

UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING

  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching

UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR

  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color

UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS

  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas

UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO

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

Metodología

EDUCA LXP se basa en 6 pilares

Item
Estrellas

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.

Gráfica

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.

Birrete

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

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.

Monitor

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.

Libro

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 Expedida y Avalada por el Instituto Europeo de Estudios Empresariales. ""Enseñanza No Oficial y No Conducente a la Obtención de un Título con Carácter Oficial o Certificado de Profesionalidad."""
Titulacion de INESEM

INESEM Business School se ocupa también de la gestión de la Apostilla de la Haya, previa demanda del estudiante. Este sello garantiza la autenticidad de la firma del título en los 113 países suscritos al Convenio de la Haya sin necesidad de otra autenticación. El coste de esta gestión es de 65 euros. Si deseas más información contacta con nosotros en el 958 050 205 y resolveremos todas tus dudas.

También podría interesarte...

Otras Acciones Formativas relacionadas

Beca 15 %
Curso en Gestión de la Seguridad en Redes de Área Local
Icono de modalidad Online
Icono de duración 150 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
360€ 306€
Titulacion de INESEM
Matricularme Ver más
Beca 15 %
Curso Superior en Cloud Computing
Icono de modalidad Online
Icono de duración 160 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
460€ 391€
Titulacion de INESEM
Matricularme Ver más
Beca 15 %
Curso en Digital Twins
Icono de modalidad Online
Icono de duración 120 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
360€ 306€
Titulacion de INESEM
Matricularme Ver más
Beca 15 %
Curso de Creación de Bots. Asistentes Virtuales
Icono de modalidad Online
Icono de duración 120 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
360€ 306€
Titulacion de INESEM
Matricularme Ver más

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 en Inteligencia Artificial y Data Science

Icono de modalidad 100% Online
Icono de duración 1500 horas
Icono de flexibilidad horaria Flexibilidad horaria
Precio
1895€ 1516€
1895€ 1516€
Matricularme
Matricularme