Icono de modalidad 100% Online
Icono de duración 12 Meses
Icono de flexibilidad horaria Flexibilidad horaria
Precio
1995€ 1596€ -20% (hasta el 22/11/2026) * Becas y descuentos no aplicables a formación programada
Seguridad y confianza en tus pagos online.

Descripción

¿Quién puede acceder al master?

Este máster está pensado para titulados en ingeniería informática, telecomunicaciones, industrial o disciplinas afines que quieren especializarse en la aplicación conjunta de inteligencia artificial, IoT y datos. También se dirige a desarrolladores, analistas de datos y técnicos de sistemas con experiencia que necesitan dar el salto a la IA generativa, el MLOps o el edge computing, y a profesionales de operaciones, ingeniería de planta o mantenimiento que participan en proyectos de industria 4.0. Por último, encaja con consultores y responsables de proyectos de transformación digital, incluidos perfiles de administración de empresas o economía, que necesitan comprender la tecnología para decidir, priorizar y liderar iniciativas basadas en datos. Se recomienda contar con nociones básicas de programación y estadística: el programa introduce Python, pero avanza hasta modelos de deep learning y visión artificial.

Objetivos

  • Diseñar un plan de transformación digital a partir del diagnóstico de madurez de la organización, priorizando iniciativas y definiendo el roadmap, los recursos y los KPI de seguimiento y retorno.
  • Construir arquitecturas de datos y soluciones de business intelligence (procesos ETL, data warehouse, cuadros de mando) y comunicar resultados mediante visualización de datos y data storytelling.
  • Desarrollar y evaluar modelos de machine learning y deep learning con Python, seleccionando algoritmos, métricas y técnicas de validación adecuadas a cada problema.
  • Aplicar IA generativa y procesamiento del lenguaje natural a casos de empresa mediante ingeniería de prompts, RAG, chatbots y agentes de IA conectados a sistemas externos.
  • Diseñar soluciones IoT y de visión artificial para la industria 4.0, desde la selección de sensores, conectividad y plataformas hasta su integración con edge computing y sistemas empresariales.
  • Desplegar, monitorizar y escalar modelos en producción con prácticas MLOps y plataformas cloud, aplicando criterios de seguridad, privacidad, ética y cumplimiento normativo, también en soluciones basadas en datos de comportamiento.

Salidas Profesionales

Las salidas se sitúan donde se cruzan la IA, el IoT y los datos: consultor de transformación digital e inteligencia artificial, especialista en soluciones de IA generativa y agentes conversacionales (RAG, chatbots y asistentes corporativos), ingeniero o arquitecto de soluciones IoT e IoT industrial, especialista en edge AI y MLOps, ingeniero de visión artificial para inspección y control de calidad, analista de datos industriales y de operaciones en entornos de industria 4.0, especialista en gemelos digitales y en digitalización de plantas, infraestructuras y edificios inteligentes, y product owner o jefe de proyecto de iniciativas de IA e IoT. Puedes desarrollarlas en consultoras tecnológicas, integradores de sistemas, empresas industriales, logísticas, energéticas y de servicios, fabricantes de dispositivos conectados o en los departamentos de innovación y transformación digital de cualquier organización. Con experiencia, estas funciones pueden evolucionar hacia la coordinación de equipos de datos e IA o la dirección de programas de transformación digital.

Temario del Máster en IA, IoT y Big Data para la Transformación Digital

MÓDULO 1. TRANSFORMACIÓN DIGITAL

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA TRANSFORMACIÓN DIGITAL

  1. Concepto y evolución de la transformación digital
  2. Digitalización, innovación y transformación empresarial
  3. Impulsores, oportunidades y retos de la transformación digital
  4. Tecnología y ventaja competitiva
  5. Barreras y factores clave de éxito
  6. Tendencias digitales y tecnológicas
  7. Estrategia empresarial en el entorno digital
  8. Madurez y capacidades digitales de la organización

UNIDAD DIDÁCTICA 2. TECNOLOGÍAS DIGITALES Y GESTIÓN DEL DATO

  1. El ecosistema tecnológico para la transformación empresarial
  2. Cloud computing, plataformas y modelos as a service
  3. Datos, analítica y Business Intelligence
  4. Inteligencia artificial e IA generativa
  5. IoT, automatización y otras tecnologías emergentes
  6. Ciberseguridad, privacidad y confianza digital

UNIDAD DIDÁCTICA 3. ORGANIZACIÓN, PERSONAS E INNOVACIÓN

  1. Liderazgo y cultura digital
  2. Gestión del cambio y resistencia a la transformación
  3. Talento y competencias digitales
  4. Nuevas formas de trabajo y organización
  5. Innovación y metodologías ágiles
  6. Design Thinking, Lean Startup y experimentación

UNIDAD DIDÁCTICA 4. PROCESOS Y OPERACIONES DIGITALES

  1. Transformación digital de la cadena de valor
  2. Rediseño y optimización de procesos
  3. Automatización inteligente y RPA
  4. Integración de sistemas y plataformas empresariales
  5. Datos aplicados a la gestión y toma de decisiones
  6. Industria 4.0 y operaciones inteligentes

UNIDAD DIDÁCTICA 5. CLIENTE DIGITAL Y EXPERIENCIA DE CLIENTE

  1. El nuevo comportamiento del cliente digital
  2. Customer Experience y Customer Journey
  3. Personalización y orientación al cliente
  4. Omnicanalidad, canales digitales y CRM
  5. Marketing digital y estrategias de crecimiento
  6. Medición y optimización de la experiencia del cliente

UNIDAD DIDÁCTICA 6. NUEVOS MODELOS DE NEGOCIO DIGITALES

  1. Transformación de los modelos de negocio tradicionales
  2. Diseño y validación de modelos de negocio digitales
  3. Plataformas, marketplaces y ecosistemas digitales
  4. Suscripción, freemium y modelos as a service
  5. Innovación de productos y servicios digitales
  6. Viabilidad y escalabilidad de los negocios digitales

UNIDAD DIDÁCTICA 7. PLAN DE TRANSFORMACIÓN DIGITAL

  1. Diagnóstico y definición de la visión de transformación
  2. Identificación y priorización de iniciativas
  3. Diseño del plan y roadmap de transformación
  4. Recursos, inversión y selección tecnológica
  5. Implementación, gestión del cambio y adopción
  6. KPI, ROI, seguimiento y mejora continua

MÓDULO 2. BIG DATA, BUSINESS INTELLIGENCE Y DATA SCIENCE

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA

  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información: historia del Big Data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open data
  6. Información pública
  7. IoT (internet of things-internet de las cosas)

UNIDAD DIDÁCTICA 2. FASES DE UN PROYECTO DE BIG DATA

  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto

UNIDAD DIDÁCTICA 3. 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 4. 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 5. MINERÍA DE DATOS Y APRENDIZAJE AUTOMÁTICO: FUNDAMENTOS

  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 6. ARQUITECTURAS DE ALMACENAMIENTO DE DATOS: DATAMART Y DATA WAREHOUSE

  1. Aproximación al concepto de DataMart
  2. Bases de datos OLTP y OLAP
  3. Variantes OLAP: MOLAP, ROLAP y HOLAP
  4. Herramientas para el desarrollo de cubos OLAP
  5. Qué es un Data Warehouse: estructura y construcción
  6. Fases de implantación y características de un Data Warehouse
  7. Data Warehouse en la nube

UNIDAD DIDÁCTICA 7. CIENCIA DE DATOS, STORYTELLING Y COMUNICACIÓN DE RESULTADOS

  1. ¿Qué es la ciencia de datos?
  2. Herramientas y perfil profesional del científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en protección de datos
  5. Qué es y por qué importa el data storytelling
  6. Elementos clave y metodología para construir un data story
  7. Inteligencia analítica de negocio y análisis de redes sociales
  8. Presentación de resultados

MÓDULO 3. INTELIGENCIA ARTIFICIAL GENERATIVA Y MODELOS DE LENGUAJE (LLM)

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA IA GENERATIVA: DE LOS MODELOS PREDICTIVOS A LOS GENERATIVOS

  1. Diferencias entre IA predictiva e IA generativa
  2. Evolución histórica hacia los modelos generativos
  3. Tipos de modelos generativos: texto, imagen, audio y código

UNIDAD DIDÁCTICA 2. ARQUITECTURA TRANSFORMERS Y FUNCIONAMIENTO DE LOS GRANDES MODELOS DE LENGUAJE (LLM)

  1. El mecanismo de atención y la arquitectura Transformers
  2. Entrenamiento y ajuste (fine-tuning) de modelos de lenguaje
  3. Capacidades y limitaciones de los LLM

UNIDAD DIDÁCTICA 3. PRINCIPALES MODELOS Y PLATAFORMAS DE IA GENERATIVA

  1. Comparativa de modelos: GPT, Claude, Gemini y alternativas open source
  2. Criterios de selección de modelo según caso de uso
  3. APIs y plataformas de acceso a modelos generativos

UNIDAD DIDÁCTICA 4. INGENIERÍA DE PROMPTS (PROMPT ENGINEERING)

  1. Principios de diseño de prompts efectivos
  2. Técnicas avanzadas: few-shot, cadena de pensamiento y roles
  3. Errores habituales y buenas prácticas de iteración

UNIDAD DIDÁCTICA 5. RETRIEVAL-AUGMENTED GENERATION (RAG) Y PERSONALIZACIÓN CON DATOS PROPIOS

  1. Fundamentos de RAG y bases de datos vectoriales
  2. Conexión de modelos generativos con fuentes de datos corporativas
  3. Casos de aplicación de RAG en entornos empresariales

UNIDAD DIDÁCTICA 6. APLICACIONES DE LA IA GENERATIVA EN LA EMPRESA

  1. Automatización de procesos con IA generativa
  2. Generación de contenido, código y análisis de datos
  3. Riesgos operativos: alucinaciones y verificación de resultados

UNIDAD DIDÁCTICA 7. MARCO REGULATORIO Y ÉTICO DE LA INTELIGENCIA ARTIFICIAL

  1. El Reglamento Europeo de Inteligencia Artificial (AI Act)
  2. Clasificación de sistemas de IA por nivel de riesgo
  3. Ética, transparencia y sesgo algorítmico en sistemas de IA

MÓDULO 4. INTERNET OF BEHAVIORS (IOB): ANÁLISIS DEL COMPORTAMIENTO A PARTIR DE DATOS

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL INTERNET OF BEHAVIORS

  1. Concepto, evolución y características del Internet of Behaviors
  2. IoB, IoT, Big Data, analítica e inteligencia artificial
  3. Datos de comportamiento: fuentes, tipos y características
  4. Cómo se recopilan, procesan y analizan los datos de comportamiento
  5. Predicción e influencia sobre el comportamiento
  6. Oportunidades, limitaciones y retos del IoB

UNIDAD DIDÁCTICA 2. TECNOLOGÍAS Y DATOS PARA EL IOB

  1. Del dato bruto a la variable de comportamiento: estructuración para el análisis
  2. Sensores, dispositivos conectados y tecnologías de identificación
  3. Datos digitales: navegación, aplicaciones, redes sociales y transacciones
  4. Analítica de datos y machine learning aplicado al comportamiento
  5. Inteligencia artificial y modelos predictivos
  6. Integración y gestión de datos de comportamiento

UNIDAD DIDÁCTICA 3. APLICACIONES DEL INTERNET OF BEHAVIORS

  1. IoB en marketing, publicidad y experiencia de cliente
  2. IoB en salud y bienestar
  3. IoB en seguros y servicios financieros
  4. IoB en industria, trabajo y seguridad
  5. IoB en movilidad, ciudades y espacios inteligentes
  6. Casos de uso y evaluación del valor empresarial y social

UNIDAD DIDÁCTICA 4. DISEÑO Y ESTRATEGIA DE SOLUCIONES IOB

  1. Identificación de objetivos y casos de uso
  2. Selección y calidad de los datos
  3. Análisis, segmentación y elaboración de perfiles
  4. Modelos predictivos y toma de decisiones
  5. Personalización e intervención sobre el comportamiento
  6. Evaluación de resultados, impacto y calidad de las soluciones IoB

UNIDAD DIDÁCTICA 5. ÉTICA, PRIVACIDAD Y RIESGOS DEL IOB

  1. Impacto del IoB sobre la privacidad y la autonomía
  2. Sesgos, discriminación y elaboración de perfiles
  3. Transparencia, explicabilidad y control del usuario
  4. Riesgos de manipulación e influencia del comportamiento
  5. Vigilancia, seguridad y usos indebidos
  6. Principios para un IoB ético y responsable

UNIDAD DIDÁCTICA 6. MARCO LEGAL Y FUTURO DEL IOB

  1. Protección de datos personales y normativa aplicable
  2. RGPD y LOPDGDD en el contexto del IoB
  3. Responsabilidades en el tratamiento de datos
  4. Consentimiento, derechos y control de los usuarios
  5. Seguridad, privacidad desde el diseño y cumplimiento
  6. Tendencias y evolución del Internet of Behaviors

MÓDULO 5. 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 6. PROCESAMIENTO DEL LENGUAJE NATURAL (PLN), CHATBOTS E INTELIGENCIA ARTIFICIAL CONVERSACIONAL

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL PROCESAMIENTO DEL LENGUAJE NATURAL

  1. Concepto, evolución y aplicaciones del PLN
  2. Principales tareas del procesamiento del lenguaje
  3. Del PLN basado en reglas a los modelos basados en aprendizaje automático
  4. Representación del lenguaje: tokens, vectores y embeddings
  5. PLN multilingüe y retos del lenguaje natural
  6. Aplicaciones actuales del PLN

UNIDAD DIDÁCTICA 2. MODELOS DE LENGUAJE Y TRANSFORMERS

  1. Concepto y evolución de los modelos de lenguaje
  2. De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
  3. Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
  4. Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
  5. Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
  6. Criterios de selección de un modelo de lenguaje según la tarea de PLN

UNIDAD DIDÁCTICA 3. TÉCNICAS Y APLICACIONES DEL PLN

  1. Procesamiento y preparación de textos
  2. Clasificación y análisis de textos
  3. Extracción de información y reconocimiento de entidades
  4. Análisis de sentimientos y opiniones
  5. Generación, resumen y traducción automática
  6. Búsqueda semántica y recuperación de información

UNIDAD DIDÁCTICA 4. CHATBOTS E INTELIGENCIA ARTIFICIAL CONVERSACIONAL

  1. Evolución de los sistemas conversacionales
  2. Concepto y arquitectura de un chatbot
  3. Chatbots basados en reglas, intención y modelos de lenguaje
  4. LLM como motor de sistemas conversacionales
  5. Contexto, memoria y gestión del diálogo
  6. Voicebots y asistentes conversacionales
  7. Limitaciones y retos de los sistemas conversacionales

UNIDAD DIDÁCTICA 5. DISEÑO Y DESARROLLO DE SISTEMAS CONVERSACIONALES

  1. Diseño de experiencias conversacionales
  2. Definición de objetivos, usuarios y casos de uso
  3. Prompting y diseño de instrucciones
  4. Integración de modelos de lenguaje mediante API
  5. Embeddings y bases de datos vectoriales
  6. RAG (Retrieval-Augmented Generation)
  7. Evaluación y mejora de sistemas conversacionales

UNIDAD DIDÁCTICA 6. HERRAMIENTAS Y PLATAFORMAS PARA EL DESARROLLO DE SISTEMAS CONVERSACIONALES

  1. Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
  2. Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
  3. Plataformas no-code y low-code para chatbots
  4. Despliegue e integración en canales: web, WhatsApp y redes sociales
  5. Pruebas, monitorización y mantenimiento de un chatbot en producción

UNIDAD DIDÁCTICA 7. AGENTES DE IA Y SISTEMAS CONVERSACIONALES AVANZADOS

  1. Concepto y evolución de los agentes de IA
  2. Agentes basados en modelos de lenguaje
  3. Uso de herramientas y conexión con sistemas externos
  4. Memoria, planificación y ejecución de tareas
  5. Sistemas multimodales: texto, voz, imagen y vídeo
  6. Aplicaciones empresariales de agentes y asistentes de IA

UNIDAD DIDÁCTICA 8. SEGURIDAD, ÉTICA Y APLICACIONES DEL PLN Y LA IA CONVERSACIONAL

  1. Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
  2. Alucinaciones y limitaciones de los modelos de lenguaje
  3. Sesgos, privacidad y protección de datos
  4. Seguridad de los sistemas conversacionales
  5. Evaluación, supervisión y control de sistemas de IA
  6. Diseño responsable de experiencias conversacionales
  7. Tendencias y evolución de la IA conversacional

MÓDULO 7. TECNOLOGÍAS APLICADAS AL INTERNET DE LAS COSAS (IOT)

UNIDAD DIDÁCTICA 1. FUNDAMENTOS Y ARQUITECTURA DE IOT

  1. Concepto, evolución y características del Internet de las Cosas
  2. Arquitectura y componentes de un sistema IoT
  3. Dispositivos, sistemas embebidos y edge computing
  4. Sensores, actuadores y adquisición de datos
  5. Plataformas IoT y procesamiento de datos
  6. Casos de uso y modelos de aplicación IoT

UNIDAD DIDÁCTICA 2. DISPOSITIVOS Y SENSORES IOT

  1. Tipos y características de sensores y actuadores
  2. Sensores ambientales, industriales y de movimiento
  3. Sensores ópticos, de imagen e inerciales
  4. Criterios de selección e integración de sensores
  5. Microcontroladores, placas de desarrollo y dispositivos IoT
  6. Consumo energético y gestión de dispositivos

UNIDAD DIDÁCTICA 3. CONECTIVIDAD Y COMUNICACIONES IOT

  1. Modelos y arquitecturas de comunicación IoT
  2. Redes de corto, medio y largo alcance
  3. Tecnologías inalámbricas para IoT
  4. Redes celulares y LPWAN
  5. Protocolos de comunicación y mensajería IoT
  6. Criterios de selección de conectividad según el caso de uso

UNIDAD DIDÁCTICA 4. PLATAFORMAS Y PROCESAMIENTO DE DATOS EN IOT

  1. Plataformas y arquitecturas IoT
  2. Procesamiento en edge, fog y cloud
  3. Recogida, almacenamiento y procesamiento de datos IoT
  4. Analítica e inteligencia artificial aplicada a IoT

UNIDAD DIDÁCTICA 5. INTEGRACIÓN E INTEROPERABILIDAD DE ECOSISTEMAS IOT

  1. Protocolos y API para la integración de dispositivos con sistemas empresariales
  2. Interoperabilidad con sistemas empresariales: ERP, CRM y plataformas de terceros
  3. Estándares abiertos de interoperabilidad: OPC-UA y Web of Things

UNIDAD DIDÁCTICA 6. CIBERSEGURIDAD EN IOT

  1. Riesgos y superficie de ataque en ecosistemas IoT
  2. Identidad, autenticación y control de acceso
  3. Cifrado y comunicaciones seguras
  4. Seguridad de dispositivos, redes y plataformas
  5. Actualizaciones y gestión segura del ciclo de vida
  6. Marcos, estándares y buenas prácticas de seguridad IoT/OT: IEC 62443

UNIDAD DIDÁCTICA 7. GESTIÓN DEL CICLO DE VIDA DE DISPOSITIVOS IOT

  1. Aprovisionamiento e incorporación de dispositivos
  2. Configuración y gestión remota
  3. Monitorización y diagnóstico
  4. Actualizaciones over-the-air (OTA)
  5. Gestión de flotas y mantenimiento
  6. Interoperabilidad, escalabilidad y retirada segura de dispositivos

UNIDAD DIDÁCTICA 8. APLICACIONES SECTORIALES DEL IOT

  1. IoT en manufactura: mantenimiento predictivo y monitorización de activos
  2. Automatización y optimización de procesos industriales
  3. IoT en movilidad, energía y Smart Cities
  4. IoT en agricultura, salud y hogar conectado
  5. Casos de uso y modelos de negocio basados en IoT

MÓDULO 8. MLOPS, EDGE COMPUTING Y CLOUD: DESPLIEGUE DE SOLUCIONES DE IA E IOT

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL CICLO DE VIDA MLOPS: DEL MODELO AL PRODUCTO

  1. Fases del ciclo de vida de un proyecto de IA en producción
  2. Roles y herramientas en un equipo de MLOps
  3. Diferencias entre desarrollo experimental y despliegue productivo

UNIDAD DIDÁCTICA 2. DESPLIEGUE Y MONITORIZACIÓN DE MODELOS DE MACHINE LEARNING EN PRODUCCIÓN

  1. Estrategias de despliegue de modelos: batch, streaming y tiempo real
  2. Monitorización del rendimiento y detección de degradación (model drift)
  3. Versionado de modelos y trazabilidad

UNIDAD DIDÁCTICA 3. EDGE COMPUTING: PROCESAMIENTO DE DATOS EN EL DISPOSITIVO FRENTE A LA NUBE

  1. Fundamentos del edge computing y arquitecturas híbridas edge-cloud
  2. Criterios para decidir entre procesamiento local y en la nube
  3. Casos de uso de edge computing en IA e IoT industrial

UNIDAD DIDÁCTICA 4. PLATAFORMAS CLOUD PARA IA E IOT

  1. AWS IoT Core y servicios de IA en AWS
  2. Azure IoT Hub y Azure Machine Learning
  3. Google Cloud IoT y Vertex AI

UNIDAD DIDÁCTICA 5. MICROSOFT FABRIC Y HERRAMIENTAS CLOUD-NATIVE PARA EL GOBIERNO DEL DATO

  1. Arquitectura y componentes de Microsoft Fabric
  2. Integración de datos en entornos cloud-native
  3. Gobierno, calidad y linaje del dato en la nube

UNIDAD DIDÁCTICA 6. GEMELOS DIGITALES (DIGITAL TWINS)

  1. Concepto y arquitectura de un gemelo digital
  2. Aplicaciones industriales de los gemelos digitales
  3. Integración de gemelos digitales con plataformas IoT y de IA

UNIDAD DIDÁCTICA 7. AUTOMATIZACIÓN DE PIPELINES DE DATOS E IA

  1. Fundamentos de CI/CD aplicado a modelos de IA
  2. Automatización de reentrenamiento y validación de modelos
  3. Herramientas de orquestación de pipelines

UNIDAD DIDÁCTICA 8. ESCALABILIDAD, COSTE Y SOSTENIBILIDAD DE INFRAESTRUCTURAS DE IA EN LA NUBE

  1. Optimización de costes en infraestructuras cloud de IA
  2. Escalado de cargas de trabajo de IA e IoT
  3. Impacto energético y sostenibilidad del cómputo en la nube

MÓDULO 9. ANÁLISIS DE DATOS CON PYTHON

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS

  1. ¿Qué es el análisis de datos?

UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB

  1. Análisis de datos con NumPy
  2. Pandas
  3. Matplotlib

UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS

  1. Cómo usar loc en Pandas
  2. Cómo eliminar una columna en Pandas

UNIDAD DIDÁCTICA 4. PIVOT TABLES

  1. Pivot tables en pandas

UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN

  1. El grupo de pandas

UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES

  1. Python Pandas fusionando marcos de datos

UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN

  1. Matplotlib
  2. Seaborn

UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING

  1. Aprendizaje automático

UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

  1. Regresión lineal
  2. Regresión logística

UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES

  1. Estructura de árbol

UNIDAD DIDÁCTICA 11. NAIVE BAYES

  1. Algoritmo de Naive bayes
  2. Tipos de Naive Bayes

UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)

  1. Máquinas de vectores soporte (Support Vector Machine-SVM)
  2. ¿Cómo funciona SVM?
  3. Núcleos SVM
  4. Construcción de clasificador en Scikit-learn

UNIDAD DIDÁCTICA 13. KNN

  1. K-nearest Neighbors (KNN)
  2. Implementación de Python del algoritmo KNN

UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)

  1. Análisis de componentes principales

UNIDAD DIDÁCTICA 15. RANDOM FOREST

  1. Algoritmo de Random Forest

MÓDULO 10. INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y DEEP LEARNING

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL

  1. Concepto, evolución y aplicaciones de la inteligencia artificial
  2. Principales enfoques de la IA: simbólica, conexionista y basada en datos
  3. Sistemas expertos y evolución hacia la IA moderna
  4. Tipos y capacidades de los sistemas de inteligencia artificial
  5. IA generativa y nuevos paradigmas de inteligencia artificial
  6. Aplicaciones, oportunidades y limitaciones de la IA

UNIDAD DIDÁCTICA 2. DATOS Y APRENDIZAJE AUTOMÁTICO

  1. Fundamentos del machine learning
  2. Aprendizaje supervisado, no supervisado y por refuerzo
  3. Datos de entrenamiento, validación y prueba
  4. Preparación y transformación de datos
  5. Selección y construcción de variables (features)
  6. Algoritmos de aprendizaje automático y criterios de selección

UNIDAD DIDÁCTICA 3. ALGORITMOS DE APRENDIZAJE SUPERVISADO

  1. Regresión y predicción
  2. Clasificación y principales algoritmos
  3. Árboles de decisión y métodos ensemble
  4. Máquinas de vectores soporte (SVM)

UNIDAD DIDÁCTICA 4. ALGORITMOS DE APRENDIZAJE NO SUPERVISADO

  1. Clustering: K-means, jerárquico y DBSCAN
  2. Reducción de dimensionalidad: PCA y t-SNE
  3. Detección de anomalías

UNIDAD DIDÁCTICA 5. APRENDIZAJE POR REFUERZO

  1. Fundamentos del aprendizaje por refuerzo: agente, entorno, recompensa y política
  2. Métodos de aprendizaje por refuerzo: de Q-learning a los métodos basados en política
  3. Exploración frente a explotación y principales retos del aprendizaje por refuerzo
  4. Aplicaciones del aprendizaje por refuerzo: juegos, robótica y sistemas de recomendación

UNIDAD DIDÁCTICA 6. EVALUACIÓN Y DESARROLLO DE MODELOS DE MACHINE LEARNING

  1. Entrenamiento y evaluación de modelos
  2. Métricas de evaluación y selección según el problema
  3. Validación cruzada y partición de los datos
  4. Sobreajuste, infraajuste y regularización
  5. Optimización e hiperparámetros
  6. Interpretación y comparación de modelos

UNIDAD DIDÁCTICA 7. REDES NEURONALES Y DEEP LEARNING

  1. Fundamentos de las redes neuronales artificiales
  2. Perceptrón y redes neuronales multicapa
  3. Funciones de activación y arquitectura de una red
  4. Entrenamiento, descenso de gradiente y retropropagación
  5. Sobreajuste y técnicas de regularización en redes profundas
  6. Fundamentos y aplicaciones del deep learning

UNIDAD DIDÁCTICA 8. ARQUITECTURAS DE REDES NEURONALES PROFUNDAS

  1. Redes neuronales convolucionales (CNN)
  2. Redes recurrentes y modelos para datos secuenciales (RNN y LSTM)
  3. Transformers frente a las arquitecturas secuenciales anteriores
  4. Arquitecturas generativas: autoencoders y redes generativas antagónicas (GAN)

UNIDAD DIDÁCTICA 9. APLICACIONES Y TRANSFERENCIA DE APRENDIZAJE EN DEEP LEARNING

  1. Aplicaciones del deep learning en visión artificial
  2. Aplicaciones del deep learning en procesamiento del lenguaje natural
  3. Transferencia de aprendizaje y modelos preentrenados

UNIDAD DIDÁCTICA 10. APLICACIÓN, IMPACTO Y USO RESPONSABLE DE LA IA

  1. Sistemas de recomendación y soporte a la decisión
  2. Casos de uso de IA en diferentes sectores
  3. Sesgos, explicabilidad y transparencia
  4. Privacidad, seguridad, ética y gobernanza de la IA
  5. Impacto económico y social de la inteligencia artificial

MÓDULO 11. VISIÓN ARTIFICIAL CON PYTHON Y OPENCV APLICADA A LA INDUSTRIA 4.0

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA VISIÓN ARTIFICIAL INDUSTRIAL

  1. Concepto, evolución y aplicaciones de la visión artificial
  2. Componentes y funcionamiento de un sistema de visión artificial
  3. Captura, procesamiento e interpretación de imágenes

UNIDAD DIDÁCTICA 2. MODALIDADES Y APLICACIÓN DE LA VISIÓN ARTIFICIAL EN LA INDUSTRIA 4.0

  1. Visión 2D, 3D y sistemas multiespectrales
  2. Ventajas, limitaciones y retos de la visión artificial industrial
  3. Integración de la visión artificial en la Industria 4.0

UNIDAD DIDÁCTICA 3. SISTEMAS DE CAPTURA Y ADQUISICIÓN DE IMÁGENES

  1. Cámaras y sensores para visión industrial
  2. Ópticas, resolución y campo de visión
  3. Iluminación y condiciones de captura
  4. Sistemas de visión 3D
  5. Selección y configuración del sistema de adquisición
  6. Integración de cámaras y sistemas de visión en entornos industriales

UNIDAD DIDÁCTICA 4. PROCESAMIENTO DE IMÁGENES CON PYTHON Y OPENCV

  1. Python y OpenCV para visión artificial
  2. Lectura, visualización y gestión de imágenes y vídeo
  3. Transformaciones geométricas y espacios de color
  4. Filtrado, reducción de ruido y mejora de imágenes
  5. Umbralización y operaciones morfológicas
  6. Segmentación, detección de bordes y extracción de características

UNIDAD DIDÁCTICA 5. DETECCIÓN DE FORMAS Y CARACTERÍSTICAS EN IMÁGENES

  1. Histogramas y análisis de características de imagen
  2. Detección de contornos, formas y objetos
  3. Detección de líneas, círculos y puntos de interés

UNIDAD DIDÁCTICA 6. RECONOCIMIENTO Y EXTRACCIÓN DE INFORMACIÓN EN IMÁGENES

  1. Reconocimiento y comparación de patrones
  2. Template matching y técnicas de correspondencia
  3. Extracción de información y reconocimiento de texto (OCR)

UNIDAD DIDÁCTICA 7. APLICACIONES DE VISIÓN ARTIFICIAL EN LA INDUSTRIA

  1. Inspección y control de calidad
  2. Detección de defectos y anomalías
  3. Medición, posicionamiento y guiado de procesos
  4. Identificación, lectura de códigos y trazabilidad
  5. Visión artificial aplicada a robótica y automatización
  6. Integración de sistemas de visión con procesos industriales

UNIDAD DIDÁCTICA 8. MACHINE LEARNING APLICADO A LA VISIÓN ARTIFICIAL

  1. Fundamentos del aprendizaje automático aplicado a imágenes
  2. Clasificación y reconocimiento de imágenes
  3. Extracción y selección de características
  4. Clustering y detección de patrones
  5. Evaluación y validación de modelos
  6. Aplicaciones de machine learning en inspección industrial

UNIDAD DIDÁCTICA 9. DEEP LEARNING Y VISIÓN ARTIFICIAL AVANZADA

  1. Redes neuronales convolucionales aplicadas a visión
  2. Clasificación de imágenes mediante deep learning
  3. Detección y localización de objetos
  4. Segmentación semántica y segmentación de instancias
  5. Modelos preentrenados de visión artificial: ImageNet y transfer learning aplicado a visión
  6. YOLO y otros modelos modernos de detección
  7. Visión clásica frente a deep learning: selección del enfoque adecuado

UNIDAD DIDÁCTICA 10. DESARROLLO E IMPLANTACIÓN DE SOLUCIONES DE VISIÓN ARTIFICIAL

  1. Diseño de un sistema de visión artificial industrial
  2. Selección de hardware, software y modelos de IA
  3. Desarrollo y prueba de soluciones con Python y OpenCV
  4. Integración con sistemas industriales y edge computing
  5. Evaluación del rendimiento y fiabilidad del sistema
  6. Mantenimiento, monitorización y mejora de modelos
  7. Seguridad, privacidad y uso responsable de la visión artificial

MÓDULO 12. IOT Y SISTEMAS CIBERFÍSICOS EN LA INDUSTRIA 4.0 Y SMART BUILDING

UNIDAD DIDÁCTICA 1. 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 2. SISTEMAS CIBERFÍSICOS

  1. Contexto Sistemas Ciberfísicos (CPS)
  2. Características CPS
  3. Componentes CPS
  4. Ejemplos de uso
  5. Retos y líneas de trabajo futuras

UNIDAD DIDÁCTICA 3. CONCEPTOS Y EQUIPOS UTILIZADOS EN AUTOMATIZACIÓN INDUSTRIAL

  1. Conceptos previos
  2. Objetivos de la automatización
  3. Grados de automatización
  4. Clases de automatización
  5. Equipos para la automatización industrial
  6. Diálogo Hombre-máquina, HMI y SCADA

UNIDAD DIDÁCTICA 4. INDUSTRIA 4.0

  1. ¿Qué es la Industria 4.0?
  2. Sensores y captación de información
  3. Ciclo de vida de los productos en la Industria 4.0
  4. Modelos de negocio basados en la industria 4.0
  5. IoT industrial

UNIDAD DIDÁCTICA 5. SEGURIDAD INFORMÁTICA EN LA INDUSTRIA 4.0

  1. Industria 4.0
  2. Necesidades en ciberseguridad en la Industria 4.0
  3. Ciberseguridad en Sistemas de Control Industrial (IC)
  4. Amenazas y riesgos en los entornos IC
  5. Mecanismo de defensa frente a ataques en entornos IC

UNIDAD DIDÁCTICA 6. BIM

  1. Introducción
  2. Filosofía BIM
  3. Sector AEC
  4. Exigencias del mercado
  5. Del BIM al CIM
  6. Software BIM

UNIDAD DIDÁCTICA 7. QUE ES EL SMART BUILDING

  1. El concepto de Smart Building
  2. El crecimiento del Smart Building desde su inicio
  3. El mercado del Smart Building en España

UNIDAD DIDÁCTICA 8. ÁREAS EN LAS QUE SE APLICA EL SMART BUILDING

  1. Climatización
  2. Iluminación
  3. Seguridad
  4. Telecomunicaciones
  5. Eficiencia energética
  6. Monitorización

MÓDULO 13. PROYECTO FIN DE MASTER

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 del Máster en IA, IoT y Big Data para la Transformación Digital

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." Superando el examen oficial obtendrás la Certificación IT Specialist Certificación Artificial Intelligence. Educa Edtech es centro certificador, tramita el acceso al Examen Oficial IT Specialist Certificación Artifical Intelligence.
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.

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 IA, IoT y Big Data para la Transformación Digital

Icono de modalidad 100% Online
Icono de duración 12 Meses
Icono de flexibilidad horaria Flexibilidad horaria
Precio
1995€ 1596€
1995€ 1596€
Matricularme