- Presentación
- Temario
- Metodología
- Titulación
Descripción
¿Quién puede acceder al master?
Objetivos
- Dominar los fundamentos de la inteligencia artificial (agentes, búsqueda, representación del conocimiento y razonamiento con incertidumbre) para elegir el enfoque adecuado a cada problema.
- Programar en Python y R el ciclo completo de los datos, desde las consultas SQL y la limpieza hasta la inferencia estadística, y entrenar, evaluar y validar modelos de clasificación, clustering y recomendación.
- Diseñar y entrenar redes neuronales profundas con TensorFlow, Keras y PyTorch, incluidas redes convolucionales, recurrentes y LSTM aplicadas a imagen, series temporales y texto.
- Construir soluciones de procesamiento de lenguaje natural e IA generativa con grandes modelos de lenguaje: prompt engineering, fine-tuning eficiente, RAG con bases de datos vectoriales, agentes conversacionales de texto y voz, y generación multimodal de imagen, vídeo y audio.
- Desarrollar sistemas de visión artificial con OpenCV y deep learning para detección, segmentación e inspección, e integrarlos en líneas de producción de la Industria 4.0.
- Desplegar, monitorizar y reentrenar modelos en la nube con prácticas de MLOps, aplicando criterios de equidad, seguridad y cumplimiento normativo con el Reglamento europeo de IA y el RGPD como referencia.
Salidas Profesionales
Temario del Máster en Inteligencia Artificial y Deep Learning
MÓDULO 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. QUÉ ES LA INTELIGENCIA ARTIFICIAL Y CÓMO SE ORGANIZA EL CAMPO
- Definiciones de inteligencia artificial: actuar como humanos frente a actuar racionalmente
- El agente inteligente: percepción, entorno y racionalidad
- Tipos de agentes: reactivos, basados en objetivos, en utilidad y que aprenden
- IA débil, IA general y superinteligencia: dónde está hoy la frontera
- Las ramas de la IA y cómo se relacionan: simbólica, aprendizaje automático, percepción, lenguaje y robótica
UNIDAD DIDÁCTICA 2. EVOLUCIÓN DE LA INTELIGENCIA ARTIFICIAL: HITOS Y CICLOS DE EXPECTATIVAS
- Los orígenes: Turing, la cibernética y la conferencia de Dartmouth
- La IA simbólica y los inviernos de la IA
- Del auge de los sistemas expertos a los métodos estadísticos
- Hitos recientes que explican la adopción actual de la IA
- Ciclos de expectativas: cómo evaluar con criterio las promesas de la IA
UNIDAD DIDÁCTICA 3. RESOLUCIÓN DE PROBLEMAS MEDIANTE BÚSQUEDA Y OPTIMIZACIÓN
- Formulación de problemas como espacio de estados
- Búsqueda no informada y búsqueda heurística: del recorrido en anchura al algoritmo A*
- Búsqueda en entornos competitivos: minimax y poda alfa-beta
- Búsqueda local y metaheurísticas: ascenso de colinas y recocido simulado
- Algoritmos genéticos e inteligencia de enjambre aplicados a la optimización
UNIDAD DIDÁCTICA 4. REPRESENTACIÓN DEL CONOCIMIENTO
- Lógica proposicional y de predicados para representar conocimiento
- Reglas de producción, redes semánticas y marcos
- Ontologías y grafos de conocimiento: diseño y usos en la empresa
- IA neurosimbólica: cómo se combinan razonamiento simbólico y aprendizaje
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS BASADOS EN REGLAS
- Arquitectura de un sistema experto: base de conocimiento, motor de inferencia e interfaz
- Estrategias de inferencia: encadenamiento hacia delante y hacia atrás
- Ingeniería del conocimiento: adquisición y validación con personas expertas
- Construcción de un sistema experto con un motor de reglas
- Dominios de aplicación y límites de los sistemas expertos
UNIDAD DIDÁCTICA 6. RAZONAMIENTO CON INCERTIDUMBRE Y TOMA DE DECISIONES
- Probabilidad y teorema de Bayes como base del razonamiento incierto
- Redes bayesianas para modelar relaciones causales y diagnósticos
- Lógica difusa para decidir con información imprecisa
- Procesos de decisión de Markov: decisiones secuenciales con recompensas
- Fundamentos del aprendizaje por refuerzo: políticas, recompensas y Q-learning
MÓDULO 2. CIENCIA DE DATOS 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
- Ciencia de datos y cloud computing
- Aspectos legales en protección de datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
- Bases de datos: concepto, tipos y papel en los proyectos de datos
- El modelo relacional
- Lenguaje de consulta SQL
- MySQL: una base de datos relacional
UNIDAD DIDÁCTICA 3. PYTHON Y EL ANÁLISIS DE DATOS
- Python como lenguaje de referencia para el análisis de datos
- Entorno de trabajo y requisitos técnicos para programar en Python
- Librerías para el análisis de datos en Python
- MongoDB, Hadoop y Python: el equipo del big data
UNIDAD DIDÁCTICA 4. R COMO HERRAMIENTA PARA BIG DATA
- R como lenguaje de programación estadística
- Entorno de trabajo y requisitos técnicos para programar en R
- Tipos de datos y estructuras de almacenamiento en R
- Estadística descriptiva y predictiva con R
- Integración de R en Hadoop
UNIDAD DIDÁCTICA 5. PRE-PROCESAMIENTO Y 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 3. ÉTICA, REGULACIÓN Y GOBERNANZA DE LA INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. FUNDAMENTOS ÉTICOS DE LA INTELIGENCIA ARTIFICIAL
- Principios de ética aplicada a sistemas de IA
- Transparencia, explicabilidad y responsabilidad algorítmica
- Riesgos y beneficios éticos de la adopción generalizada de la IA
UNIDAD DIDÁCTICA 2. SESGO ALGORÍTMICO Y EQUIDAD EN SISTEMAS DE IA
- Origen y tipos de sesgo en modelos de IA
- Detección y mitigación de sesgos
- Auditoría de equidad en modelos predictivos
UNIDAD DIDÁCTICA 3. EL REGLAMENTO EUROPEO DE INTELIGENCIA ARTIFICIAL (AI ACT)
- Estructura y niveles de riesgo del AI Act
- Obligaciones para proveedores y desplegadores de sistemas de IA
- Régimen sancionador del AI Act
UNIDAD DIDÁCTICA 4. PROTECCIÓN DE DATOS APLICADA A SISTEMAS DE IA
- Tratamiento de datos personales en el entrenamiento de modelos
- RGPD y derechos frente a decisiones automatizadas
- La evaluación de impacto relativa a la protección de datos (EIPD) en el entrenamiento de modelos
UNIDAD DIDÁCTICA 5. GOBERNANZA Y GESTIÓN DEL RIESGO EN PROYECTOS DE IA
- Marcos de gobernanza de IA en las organizaciones
- Evaluación de impacto y gestión del riesgo
- Comités de ética y supervisión humana
UNIDAD DIDÁCTICA 6. PROPIEDAD INTELECTUAL Y USO RESPONSABLE DE LA IA GENERATIVA
- Derechos de autor y contenido generado por IA
- Uso responsable de la IA generativa en entornos profesionales
- Transparencia frente al usuario sobre el uso de contenido generado por IA
MÓDULO 4. FUNDAMENTOS DE MACHINE LEARNING
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
- Qué es el machine learning y por qué transforma la toma de decisiones
- Clasificación de algoritmos de aprendizaje automático
- Ejemplos de aprendizaje automático
UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
- El aprendizaje no supervisado y el problema del clustering
- Algoritmos de clustering: k-means, jerárquico y DBSCAN
- Selección del número de clústeres y evaluación de resultados
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
- Fundamentos y tipos de sistemas de recomendación
- Filtrado colaborativo
- Clusterización aplicada a la segmentación de usuarios
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
- Clasificadores
- Algoritmos de clasificación: árboles de decisión, k-NN, SVM y ensemble methods
- Evaluación comparativa de clasificadores según el problema
UNIDAD DIDÁCTICA 5. SISTEMAS DE DECISIÓN INTELIGENTES
- Fundamentos de los sistemas de soporte a la decisión
- El proceso de paso de DSS a IDSS
- Casos de aplicación
UNIDAD DIDÁCTICA 6. EVALUACIÓN Y VALIDACIÓN DE MODELOS
- Métricas de evaluación según tipo de problema
- Sobreajuste, infraajuste y validación cruzada
- Selección de modelos e interpretación de resultados
MÓDULO 5. REDES NEURONALES Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE REDES NEURONALES
- Componentes de una neurona artificial: pesos, sesgo y función de activación
- El proceso de aprendizaje: retropropagación y descenso de gradiente
- Del modelo biológico a la neurona artificial: la analogía y sus límites
UNIDAD DIDÁCTICA 2. SISTEMAS NEURONALES
- Redes profundas y redes poco profundas
- Cuándo optar por una red poco profunda frente a una red profunda
UNIDAD DIDÁCTICA 3. REDES DE UNA SOLA CAPA
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
- Limitaciones del perceptrón simple y el problema XOR
UNIDAD DIDÁCTICA 4. REDES MULTICAPA
- Tipos de redes profundas
- Trabajar con TensorFlow y Python
- Cómo decidir la profundidad y el ancho de una red multicapa
UNIDAD DIDÁCTICA 5. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
- Deep Learning
- Entorno de Deep Learning con Python
- Primeros pasos: construcción de un modelo secuencial con Keras
UNIDAD DIDÁCTICA 6. ESTRATEGIAS DE APRENDIZAJE EN REDES PROFUNDAS
- Entrada y salida de datos
- Entrenar una red neuronal
- Gráficos computacionales
- Implementación de una red profunda
UNIDAD DIDÁCTICA 7. REDES NEURONALES CONVOLUCIONALES (CNN)
- Arquitectura de una red convolucional
- Capas de convolución y pooling
- Aplicaciones a clasificación y detección de imágenes
UNIDAD DIDÁCTICA 8. REDES NEURONALES RECURRENTES (RNN) Y LSTM
- Arquitectura de redes recurrentes
- Redes LSTM y GRU para secuencias temporales
- Aplicaciones a series temporales y texto
MÓDULO 6. PROCESAMIENTO DE LENGUAJE NATURAL
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL PLN
- Aproximación integral al PNL
- Ejemplos de uso de PLN
- Futuro del PLN
UNIDAD DIDÁCTICA 2. RECURSOS PARA EL PLN CON PYTHON
- Python como entorno de referencia para el PLN
- Librerías especializadas de Python para el procesamiento de lenguaje natural
- 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
- Fundamentos y alcance del análisis semántico
- Lenguaje semántico para PLN
- Análisis pragmático
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE INFORMACIÓN
- Qué es la extracción de información y en qué tareas se aplica
- Pasos en la extracción de información
- Ejemplo de PLN aplicado
UNIDAD DIDÁCTICA 6. REPRESENTACIÓN VECTORIAL DEL LENGUAJE
- Modelos de bolsa de palabras y TF-IDF
- Word embeddings: Word2Vec y GloVe
- Embeddings contextuales
UNIDAD DIDÁCTICA 7. LA ARQUITECTURA TRANSFORMER
- Mecanismo de atención
- Codificadores y decodificadores
- De los transformers a los modelos de lenguaje
UNIDAD DIDÁCTICA 8. ANÁLISIS DE SENTIMIENTO Y CLASIFICACIÓN DE TEXTO
- Técnicas de análisis de sentimiento
- Clasificación automática de documentos
- Casos de aplicación en entornos profesionales
MÓDULO 7. IA GENERATIVA Y GRANDES MODELOS DE LENGUAJE (LLM)
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL GENERATIVA
- Qué es la IA generativa y en qué se diferencia de la IA predictiva
- Evolución de los modelos de lenguaje
- Principales proveedores y modelos de lenguaje disponibles en el mercado
UNIDAD DIDÁCTICA 2. ARQUITECTURA DE LOS GRANDES MODELOS DE LENGUAJE
- La arquitectura transformer aplicada a LLM
- Preentrenamiento y ajuste fino
- Tokenización y ventanas de contexto
UNIDAD DIDÁCTICA 3. PROMPT ENGINEERING
- Principios de diseño de prompts
- Técnicas avanzadas: few-shot y cadena de pensamiento
- Buenas prácticas y errores habituales
UNIDAD DIDÁCTICA 4. FINE-TUNING DE MODELOS DE LENGUAJE
- Cuándo aplicar fine-tuning frente a prompt engineering
- Técnicas de ajuste eficiente (LoRA y similares)
- Preparación de conjuntos de datos para ajuste
UNIDAD DIDÁCTICA 5. RETRIEVAL-AUGMENTED GENERATION (RAG)
- Fundamentos de RAG
- Bases de datos vectoriales
- Diseño de pipelines de recuperación y generación
UNIDAD DIDÁCTICA 6. EVALUACIÓN DE MODELOS GENERATIVOS
- Métricas de calidad y coherencia
- Alucinaciones: causas y mitigación
- Evaluación humana frente a evaluación automática
UNIDAD DIDÁCTICA 7. INTEGRACIÓN DE LLM MEDIANTE API
- Principales proveedores de API de modelos de lenguaje
- Function calling e integración con sistemas externos
- Consideraciones de coste y latencia
UNIDAD DIDÁCTICA 8. SEGURIDAD Y LIMITACIONES DE LOS LLM
- Ataques de inyección de prompts
- Filtrado de contenido y barreras de seguridad
- Limitaciones actuales de los modelos de lenguaje
MÓDULO 8. VISIÓN ARTIFICIAL Y SU APLICACIÓN EN LA INDUSTRIA 4.0
UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES
- Aspectos esenciales de la visión artificial
- Diferencias entre la visión artificial y la percepción visual humana
- Etapas del proceso de visión artificial: captura, procesamiento e interpretación
UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL
- Ópticas
- Iluminación
- Cámaras
- Sistemas 3D
- Sensores
UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL
- Principales algoritmos de procesado de imágenes
- Software de referencia para el procesado de imágenes
- Segmentación e interpretación de imágenes
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)
- Criterios para seleccionar la aplicación adecuada según el proceso industrial
UNIDAD DIDÁCTICA 5. SISTEMAS DE VISIÓN ARTIFICIAL BASADOS EN DEEP LEARNING
- De la visión clásica a la visión por deep learning
- Redes convolucionales aplicadas a inspección industrial
- Modelos preentrenados y transferencia de aprendizaje
UNIDAD DIDÁCTICA 6. INTEGRACIÓN DE VISIÓN ARTIFICIAL EN LÍNEAS DE PRODUCCIÓN
- Arquitectura de un sistema de visión en planta
- Comunicación con sistemas de control industrial (PLC/SCADA)
- Mantenimiento y calibración de sistemas de visión
UNIDAD DIDÁCTICA 7. CASOS DE APLICACIÓN SECTORIAL
- Visión artificial en automoción
- Visión artificial en alimentación y farmacéutica
- Visión artificial en logística y clasificación
UNIDAD DIDÁCTICA 8. RETOS DE IMPLANTACIÓN DE SISTEMAS DE VISIÓN ARTIFICIAL
- Costes y retorno de la inversión
- Gestión del cambio y formación de equipos
- Tendencias futuras en visión artificial industrial
MÓDULO 9. VISIÓN ARTIFICIAL CON PYTHON Y OPENCV APLICADA A LA INDUSTRIA 4.0
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA VISIÓN ARTIFICIAL INDUSTRIAL
- Concepto, evolución y aplicaciones de la visión artificial
- Componentes y funcionamiento de un sistema de visión artificial
- Captura, procesamiento e interpretación de imágenes
UNIDAD DIDÁCTICA 2. MODALIDADES Y APLICACIÓN DE LA VISIÓN ARTIFICIAL EN LA INDUSTRIA 4.0
- Visión 2D, 3D y sistemas multiespectrales
- Ventajas, limitaciones y retos de la visión artificial industrial
- Integración de la visión artificial en la Industria 4.0
UNIDAD DIDÁCTICA 3. SISTEMAS DE CAPTURA Y ADQUISICIÓN DE IMÁGENES
- Cámaras y sensores para visión industrial
- Ópticas, resolución y campo de visión
- Iluminación y condiciones de captura
- Sistemas de visión 3D
- Selección y configuración del sistema de adquisición
- Integración de cámaras y sistemas de visión en entornos industriales
UNIDAD DIDÁCTICA 4. PROCESAMIENTO DE IMÁGENES CON PYTHON Y OPENCV
- Python y OpenCV para visión artificial
- Lectura, visualización y gestión de imágenes y vídeo
- Transformaciones geométricas y espacios de color
- Filtrado, reducción de ruido y mejora de imágenes
- Umbralización y operaciones morfológicas
- Segmentación, detección de bordes y extracción de características
UNIDAD DIDÁCTICA 5. DETECCIÓN DE FORMAS Y CARACTERÍSTICAS EN IMÁGENES
- Histogramas y análisis de características de imagen
- Detección de contornos, formas y objetos
- Detección de líneas, círculos y puntos de interés
UNIDAD DIDÁCTICA 6. RECONOCIMIENTO Y EXTRACCIÓN DE INFORMACIÓN EN IMÁGENES
- Reconocimiento y comparación de patrones
- Template matching y técnicas de correspondencia
- Extracción de información y reconocimiento de texto (OCR)
UNIDAD DIDÁCTICA 7. APLICACIONES DE VISIÓN ARTIFICIAL EN LA INDUSTRIA
- Inspección y control de calidad
- Detección de defectos y anomalías
- Medición, posicionamiento y guiado de procesos
- Identificación, lectura de códigos y trazabilidad
- Visión artificial aplicada a robótica y automatización
- Integración de sistemas de visión con procesos industriales
UNIDAD DIDÁCTICA 8. MACHINE LEARNING APLICADO A LA VISIÓN ARTIFICIAL
- Fundamentos del aprendizaje automático aplicado a imágenes
- Clasificación y reconocimiento de imágenes
- Extracción y selección de características
- Clustering y detección de patrones
- Evaluación y validación de modelos
- Aplicaciones de machine learning en inspección industrial
UNIDAD DIDÁCTICA 9. DEEP LEARNING Y VISIÓN ARTIFICIAL AVANZADA
- Redes neuronales convolucionales aplicadas a visión
- Clasificación de imágenes mediante deep learning
- Detección y localización de objetos
- Segmentación semántica y segmentación de instancias
- Modelos preentrenados de visión artificial: ImageNet y transfer learning aplicado a visión
- YOLO y otros modelos modernos de detección
- Visión clásica frente a deep learning: selección del enfoque adecuado
UNIDAD DIDÁCTICA 10. DESARROLLO E IMPLANTACIÓN DE SOLUCIONES DE VISIÓN ARTIFICIAL
- Diseño de un sistema de visión artificial industrial
- Selección de hardware, software y modelos de IA
- Desarrollo y prueba de soluciones con Python y OpenCV
- Integración con sistemas industriales y edge computing
- Evaluación del rendimiento y fiabilidad del sistema
- Mantenimiento, monitorización y mejora de modelos
- Seguridad, privacidad y uso responsable de la visión artificial
MÓDULO 10. DISEÑO DE CHATBOTS Y AGENTES CONVERSACIONALES CON IA GENERATIVA
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LOS AGENTES CONVERSACIONALES
- Evolución de los chatbots a los agentes basados en LLM
- Tipos de agentes conversacionales según su arquitectura
- Casos de uso en atención al cliente y soporte
UNIDAD DIDÁCTICA 2. DISEÑO CONVERSACIONAL
- Diseño de flujos de conversación
- Definición de personalidad y tono del agente
- Gestión del contexto y la memoria conversacional
UNIDAD DIDÁCTICA 3. INTEGRACIÓN DE MODELOS DE LENGUAJE EN AGENTES
- Selección del modelo según el caso de uso
- Conexión con API de proveedores de LLM
- Gestión de costes y límites de uso
UNIDAD DIDÁCTICA 4. FUNCTION CALLING Y HERRAMIENTAS EXTERNAS
- Principios del function calling
- Conexión con bases de datos y sistemas internos
- Orquestación de acciones automatizadas
UNIDAD DIDÁCTICA 5. ARQUITECTURAS RAG APLICADAS A AGENTES CONVERSACIONALES
- Bases de conocimiento para agentes
- Actualización y mantenimiento de la base documental
- Reducción de alucinaciones mediante RAG
UNIDAD DIDÁCTICA 6. AGENTES DE VOZ (VOICEBOTS)
- Tecnologías de conversión voz-texto y texto-voz
- Diseño de experiencias conversacionales por voz
- Retos específicos de los voicebots
UNIDAD DIDÁCTICA 7. DESPLIEGUE DE AGENTES EN CANALES DIGITALES
- Integración en web, WhatsApp y redes sociales
- Integración en plataformas de mensajería empresarial
- Consideraciones de escalabilidad
UNIDAD DIDÁCTICA 8. EVALUACIÓN Y MEJORA CONTINUA DE AGENTES CONVERSACIONALES
- Métricas de rendimiento del agente
- Análisis de conversaciones y detección de fallos
- Iteración y mejora del agente en producción
UNIDAD DIDÁCTICA 9. SEGURIDAD Y BUENAS PRÁCTICAS EN AGENTES CONVERSACIONALES
- Protección frente a manipulación del agente
- Privacidad de los datos conversacionales
- Supervisión humana y escalado a personas
UNIDAD DIDÁCTICA 10. CASOS DE APLICACIÓN POR SECTOR
- Agentes conversacionales en e-commerce
- Agentes conversacionales en banca y seguros
- Agentes conversacionales en salud y educación
MÓDULO 11. IA GENERATIVA MULTIMODAL: IMAGEN, AUDIO Y VÍDEO
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA IA GENERATIVA MULTIMODAL
- Qué es la generación multimodal y en qué se diferencia de los LLM de texto
- Principales herramientas y proveedores de generación multimodal
- Aplicaciones profesionales de la IA multimodal
UNIDAD DIDÁCTICA 2. MODELOS DE DIFUSIÓN
- Fundamentos técnicos de los modelos de difusión
- Proceso de generación por difusión
- Comparativa con otras arquitecturas generativas
UNIDAD DIDÁCTICA 3. GENERACIÓN DE IMÁGENES CON IA
- Herramientas de generación de imágenes
- Diseño de prompts para generación de imágenes
- Edición e inpainting de imágenes generadas
UNIDAD DIDÁCTICA 4. GENERACIÓN Y EDICIÓN DE VÍDEO CON IA
- Herramientas de generación de vídeo
- Consistencia temporal y control de escena
- Aplicaciones en marketing y producción audiovisual
UNIDAD DIDÁCTICA 5. GENERACIÓN Y CLONACIÓN DE VOZ Y AUDIO
- Síntesis de voz mediante IA
- Clonación de voz: técnica y consideraciones éticas
- Generación de música y efectos sonoros
UNIDAD DIDÁCTICA 6. MODELOS MULTIMODALES DE COMPRENSIÓN (VISIÓN Y LENGUAJE)
- Modelos que combinan imagen y texto
- Análisis y descripción automática de imágenes
- Aplicaciones en clasificación y búsqueda visual
UNIDAD DIDÁCTICA 7. PROMPT ENGINEERING MULTIMODAL
- Diferencias entre prompting de texto y prompting visual
- Control de estilo, composición y coherencia
- Iteración y refinamiento de resultados
UNIDAD DIDÁCTICA 8. INTEGRACIÓN DE IA MULTIMODAL EN FLUJOS DE TRABAJO CREATIVOS
- Automatización de producción de contenido visual
- Combinación de herramientas multimodales en un mismo proyecto
- Control de calidad y revisión humana
UNIDAD DIDÁCTICA 9. PROPIEDAD INTELECTUAL Y CONTENIDO GENERADO POR IA
- Derechos de autor sobre imagen, vídeo y audio generados por IA
- Etiquetado y trazabilidad de contenido sintético
- Deepfakes: riesgos y responsabilidad
UNIDAD DIDÁCTICA 10. CASOS DE APLICACIÓN SECTORIAL DE LA IA MULTIMODAL
- Publicidad y marketing de contenidos
- Diseño de producto y prototipado
- Medios de comunicación y entretenimiento
MÓDULO 12. MLOPS, DESPLIEGUE DE MODELOS Y CLOUD COMPUTING
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE MLOPS
- Qué es MLOps y por qué es necesario
- Ciclo de vida de un modelo de IA en producción
- Roles y responsabilidades en un equipo de MLOps
UNIDAD DIDÁCTICA 2. ENTORNOS DE DESARROLLO CON PYTORCH
- Fundamentos de PyTorch
- Construcción y entrenamiento de modelos con PyTorch
- Comparativa con otros frameworks de deep learning
UNIDAD DIDÁCTICA 3. GESTIÓN DE DATOS Y EXPERIMENTOS
- Versionado de datos y modelos
- Seguimiento de experimentos
- Reproducibilidad de resultados
UNIDAD DIDÁCTICA 4. INFRAESTRUCTURA EN LA NUBE PARA IA
- Servicios de IA en Azure
- Servicios de IA en AWS
- Servicios de IA en Google Cloud Platform
UNIDAD DIDÁCTICA 5. EMPAQUETADO Y CONTENEDORIZACIÓN DE MODELOS
- Contenedores para modelos de IA
- Empaquetado de dependencias y entornos
- Buenas prácticas de portabilidad
UNIDAD DIDÁCTICA 6. DESPLIEGUE DE MODELOS EN PRODUCCIÓN
- Estrategias de despliegue: batch, tiempo real, streaming
- Exposición de modelos mediante API
- Escalado de servicios de inferencia
UNIDAD DIDÁCTICA 7. MONITORIZACIÓN DEL RENDIMIENTO DE MODELOS
- Métricas de rendimiento en producción
- Detección de degradación del modelo (model drift)
- Alertas y mantenimiento preventivo
UNIDAD DIDÁCTICA 8. AUTOMATIZACIÓN DE PIPELINES DE IA
- Integración y despliegue continuos aplicados a modelos (CI/CD)
- Orquestación de pipelines de entrenamiento
- Reentrenamiento automático de modelos
UNIDAD DIDÁCTICA 9. COSTES Y OPTIMIZACIÓN DE RECURSOS EN LA NUBE
- Modelos de coste de los principales proveedores cloud
- Optimización de recursos de cómputo
- Estrategias de ahorro en proyectos de IA
UNIDAD DIDÁCTICA 10. SEGURIDAD EN EL DESPLIEGUE DE MODELOS DE IA
- Control de acceso a modelos y datos en producción
- Protección frente a ataques adversarios
- Cumplimiento normativo en entornos cloud
MÓDULO 13. PROYECTO FIN DE MASTER
Metodología
EDUCA LXP se basa en 6 pilares
Titulación del Máster en Inteligencia Artificial y Deep Learning
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.
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.
¿Para qué te prepara este máster en inteligencia artificial?
Nuestro Máster en Deep Learning y Modelos Avanzados de Inteligencia Artificial busca la formación en un ámbito cada vez más demandado por multitud de empresas que apuestan por el desarrollo de software y sistemas inteligentes gracias a la aplicación de la Inteligencia Artificial, el Machine Learning, el IOT y el Deep Learning. Promoviendo una revolución en la empresa hacia la Industria 4.0.
¿Es posible compatibilizar el deep learning master degree con trabajo y/o estudios?
Sí. Se trata de un máster en inteligencia artificial online, tendrás acceso 24/7 a los contenidos. Podrás cursar esta formación en deep learning a tu propio ritmo, conciliándola con tu trabajo o estudios.
¿Con qué recursos y soporte contaré durante el máster de inteligencia artificial online?
- Campus EDUCA LXP con IA para personalizar tu aprendizaje.
- Temario y contenidos completos.
- Tutorías personales y apoyo durante tu formación.
- Acceso gratuito a un amplio catálogo extra de formaciones complementarias mientras estés cursando tu máster de deep learning e inteligencia artificial.
¿En qué se diferencia de otro máster o curso de inteligencia artificial?
Este máster se diferencia de otras maestrías y cursos de inteligencia artificial por su enfoque integral en las aplicaciones prácticas de la IA y por abordar de manera detallada y especializada tecnologías emergentes como la visión artificial y el IoT, en el contexto de la Industria 4.0.
A diferencia de otros másters de deep learning e IA, incluye módulos específicos sobre la integración de machine learning con hardware como Arduino y TensorFlow 2.0, y presta especial atención al desarrollo completo de sistemas inteligentes desde la programación hasta su implementación en entornos reales, preparando a los estudiantes para liderar proyectos innovadores en un campo en rápida evolución.