Máster en IA, IoT y Big Data para la Transformación Digital
Descargar DossierPrecio 1.995 €
Resumen del curso
Descripción
Las empresas se encuentran en la actualidad inmersas en un proceso de digitalización sin precedentes. La implementación de tecnologías punteras como la inteligencia artificial, el internet de las cosas, o el big data en las empresas, han dejado de ser una utopía para formar parte del que se vislumbra como futuro empresarial a corto plazo.
Con el Master en IA, IOT y Big Data para la transformación digital, se conseguirán las competencias profesionales necesarias para abanderar el ascenso de las empresas a lo que se conoce como la industria 4.0.
Por ello, en un contexto laboral donde la demanda de profesionales altamente cualificados en la implementación de esta tecnología tiende a ser mayor, podrás anticiparte con la formación online de Euroinnova a un futuro profesional más que prometedor.
Objetivos
- Diseñar y controlar la implementación de un plan de transformación digital acorde a los nuevos modelos de negocio y el cliente digital.
- Familiarizarse con la figura del CTO, CIO, CDO y otras más que surgen de los nuevos ecosistemas digitales.
- Conocer el lenguaje de programación Python, así como herramientas de análisis de datos como MongoDB o Hadoop.
- Plasmar los datos de las empresas de forma interactiva con Power BI y tomar decisiones más acertadas.
- Hacer uso de la inteligencia artificial, machine learning o Deep learning para crear redes neuronales y algoritmos.
- Dirigir a las empresas hacia la industria 4.0 implementando la tecnología IoT, sistemas ciberfísicos o la computación en la nube.
¿Para qué te prepara?
La evolución de las empresas hacia la industria 4.0 surge de la importancia del análisis de los datos para una toma de decisiones acertada, la aparición de algoritmos que dotan de eficiencia a su actividad, o la mejora en la experiencia de usuario con experiencias más interactivas. La implementación de esta tecnología será posible con profesionales altamente cualificados con el Master en IA, IOT y Big Data para la transformación digital de Euroinnova.
¿A quién va dirigido?
El Master en IA, IOT y Big Data para la Transformación Digital está diseñado para diferentes perfiles profesionales como consecuencia de la polivalencia de esta tecnología. No obstante, los principales destinatarios serán aquellas personas que hayan finalizado sus estudios en ingeniería informática, telecomunicaciones, administración de empresas o económicas.
Salidas profesionales
Los nuevos ecosistemas digitales han dado lugar a nuevos perfiles profesionales como el CTO, CIO, CDO, Data Scientist, gerente de robots, consultor NLP, jefe de proyecto de Big Data, arquitecto de soluciones IoT, entre otros. Para acceder a ellos, se necesita acabar con éxito el master en IA, IOT y Big Data para la transformación digital que cualificará estos perfiles profesionales.
Temario
MÓDULO 1. TRANSFORMACIÓN DIGITAL
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL LA TRANSFORMACIÓN DIGITAL
- Introducción a la transformación digital
- Concepto de innovación
- Concepto de tecnología
- Tipología de la tecnología
- Punto de vista de la ventaja competitiva
- Según su disposición en la empresa
- Desde el punto de vista de un proyecto
- Otros tipos de tecnología
- La innovación tecnológica
- Competencias básicas de la innovación tecnológica
- El proceso de innovación tecnológica
- Herramientas para innovar
- Competitividad e innovación
UNIDAD DIDÁCTICA 2. LA SOCIEDAD 3.0
- Filosofía Web 3.0 y su impacto en el mundo empresarial
- Socialización de la Web
- Adaptación del mundo empresarial a las Nuevas tecnologías
UNIDAD DIDÁCTICA 3. NUEVO ECOSISTEMA DIGITAL
- Community Manager
- Chief Data Officer
- Data Protection Officer
- Data Scientist
- Otros perfiles
- Desarrollo de competencias informáticas
- El Papel del CEO como líder en la transformación
UNIDAD DIDÁCTICA 4. NUEVOS MODELOS DE NEGOCIO EN EL ENTORNO DIGITAL
- La transición digital del modelo de negocio tradicional
- Nuevos modelos de negocio
- Freemium
- Modelo Long Tail
- Modelo Nube y SaaS
- Modelo Suscripción
- Dropshipping
- Afiliación
- Infoproductos y E-Learning
- Otros
UNIDAD DIDÁCTICA 5. PLAN DE TRANSFORMACIÓN DIGITAL
- Diagnóstico de la madurez digital de la empresa
- Análisis de la innovación en la empresa
- Elaboración del roadmap
- Provisión de financiación y recursos tecnológicos
- Implementación del plan de transformación digital
- Seguimiento del plan de transformación digital
UNIDAD DIDÁCTICA 6. CASOS DE ÉXITO EN LA TRANSFORMACIÓN DIGITAL
- BBVA y la empresa inteligente
- DKV Salud y #MédicosfrentealCOVID
- El Corte Inglés
- Cepsa y su apuesta por los servicios cloud de AWS
UNIDAD DIDÁCTICA 7. EL NUEVO CLIENTE DIGITAL
- Rediseñando el customer experience
- La transformación de los canales de distribución: omnicanalidad
- Plan de marketing digital
- Buyer´s Journey
- Growth Hacking: estrategia de crecimiento
- El nuevo rol del marketing en el funnel de conversión
UNIDAD DIDÁCTICA 8. NUEVOS MERCADOS, NUEVAS OPORTUNIDADES
- Oportunidades de innovación derivadas de la globalización
- Como Inventar Mercados a través de la Innovación
- Etapas de desarrollo y ciclos de vida
- Incorporación al mercado
- Metodologías de desarrollo
UNIDAD DIDÁCTICA 9. LA INNOVACIÓN EN LOS PROCESOS ORGANIZATIVOS
- La transformación digital de la cadena de valor
- La industria 4.0
- Adaptación de la organización a través del talento y la innovación
- Modelos de proceso de innovación
- Gestión de innovación
- Sistema de innovación
- Como reinventar las empresas innovando en procesos
- Innovación en Procesos a través de las TIC
- El Comercio Electrónico: innovar en los canales de distribución
- Caso de estudio voluntario: La innovación según Steve Jobs
- Caso Helvex: el cambio continuo
- La automatización de las empresas: RPA, RBA y RDA
MÓDULO 2. BIG DATA, BUSINESS INTELLIGENCE Y DATA SCIENCE
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
- ¿Qué es Big Data?
- La era de las grandes cantidades de información: historia del Big Data
- La importancia de almacenar y extraer información
- Big Data enfocado a los negocios
- Open data
- Información pública
- IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FASES DE UN PROYECTO DE BIG DATA
- Diagnóstico inicial
- Diseño del proyecto
- Proceso de implementación
- Monitorización y control del proyecto
- Responsable y recursos disponibles
- Calendarización
- Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 3. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
- Definiendo el concepto de Business Intelligence y sociedad de la información
- Arquitectura de una solución Business Intelligence
- Business Intelligence en los departamentos de la empresa
- Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
- Sistemas Operacionales y Procesos ETL en un sistema de BI
- Ventajas y Factores de Riesgos del Business Intelligence
UNIDAD DIDÁCTICA 4. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
- Cuadros de Mando Integrales (CMI)
- Sistemas de Soporte a la Decisión (DSS)
- Sistemas de Información Ejecutiva (EIS)
UNIDAD DIDÁCTICA 5. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
- Introducción a la minería de datos y el aprendizaje automático
- Proceso KDD
- Modelos y Técnicas de Data Mining
- Áreas de aplicación
- Minería de Textos y Web Mining
- Data mining y marketing
UNIDAD DIDÁCTICA 6. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL
- Aproximación al concepto de DataMart
- Bases de datos OLTP
- Bases de Datos OLAP
- MOLAP, ROLAP & HOLAP
- Herramientas para el desarrollo de cubos OLAP
UNIDAD DIDÁCTICA 7. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS
- Visión General: ¿Por qué DataWarehouse?
- Estructura y Construcción
- Fases de implantación
- Características
- Data Warehouse en la nube
UNIDAD DIDÁCTICA 8. STORYTELLING
- ¿Qué es el Data Storytelling?
- Elementos clave del Data Storytelling
- ¿Por qué es importante el Data Storytelling?
- ¿Cómo hacer Data Storytelling?
UNIDAD DIDÁCTICA 9.INTRODUCCIÓN A LA CIENCIA DE DATOS
- ¿Qué es la ciencia de datos?
- Herramientas necesarias para el científico de datos
- Data Science & Cloud Computing
- Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 10. WEKA Y DATA MINING
- ¿Qué es Weka?
- Técnicas de Data Mining en Weka
- Interfaces de Weka
- Selección de atributos
UNIDAD DIDÁCTICA 11. PYTHON Y EL ANÁLISIS DE DATOS
- Introducción a Python
- ¿Qué necesitas?
- Librerías para el análisis de datos en Python
- MongoDB, Hadoop y Python. Dream Team del Big Data
UNIDAD DIDÁCTICA 12. R COMO HERRAMIENTA PARA BIG DATA
- Introducción a R
- ¿Qué necesitas?
- Tipos de datos
- Estadística Descriptiva y Predictiva con R
- Integración de R en Hadoop
UNIDAD DIDÁCTICA 13. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Modelos de regresión
- Pruebas de hipótesis
UNIDAD DIDÁCTICA 14. ANÁLISIS DE LOS DATOS
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
MÓDULO 3. ANÁLISIS DE DATOS CON PYTHON
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
- ¿Qué es el análisis de datos?
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
- Análisis de datos con NumPy
- Pandas
- Matplotlib
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
- Cómo usar loc en Pandas
- Cómo eliminar una columna en Pandas
UNIDAD DIDÁCTICA 4. PIVOT TABLES
- Pivot tables en pandas
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
- El grupo de pandas
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
- Python Pandas fusionando marcos de datos
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
- Matplotlib
- Seaborn
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
- Aprendizaje automático
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
- Regresión lineal
- Regresión logística
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
- Estructura de árbol
UNIDAD DIDÁCTICA 11. NAIVE BAYES
- Algoritmo de Naive bayes
- Tipos de Naive Bayes
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
- Máquinas de vectores soporte (Support Vector Machine-SVM)
- ¿Cómo funciona SVM?
- Núcleos SVM
- Construcción de clasificador en Scikit-learn
UNIDAD DIDÁCTICA 13. KNN
- K-nearest Neighbors (KNN)
- Implementación de Python del algoritmo KNN
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
- Análisis de componentes principales
UNIDAD DIDÁCTICA 15. RANDOM FOREST
- Algoritmo de Random Forest
MÓDULO 4. VISUALIZACIÓN DE DATOS
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS
- ¿Qué es la visualización de datos?
- Importancia y herramientas de la visualización de datos
- Visualización de datos: Principios básicos
UNIDAD DIDÁCTICA 2. TABLEAU
- ¿Qué es Tableau? Usos y aplicaciones
- Tableau Server: Arquitectura y Componentes
- Instalación Tableau
- Espacio de trabajo y navegación
- Conexiones de datos en Tableau
- Tipos de filtros en Tableau
- Ordenación de datos, grupos, jerarquías y conjuntos
- Tablas y gráficos en Tableau
UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)
- Fundamentos D3
- Instalación D3
- Funcionamiento D3
- SVG
- Tipos de datos en D3
- Diagrama de barras con D3
- Diagrama de dispersión con D3
UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO)
- Visualización de datos
- Tipologías de gráficos
- Fuentes de datos
- Creación de informes
UNIDAD DIDÁCTICA 5. QLIKVIEW
- Instalación y arquitectura
- Carga de datos
- Informes
- Transformación y modelo de datos
- Análisis de datos
UNIDAD DIDÁCTICA 6. POWER BI
- Introducción a Power BI
- Instalación de Power BI
- Modelado de datos
- Visualización de datos
- Dashboards
- Uso compartido de datos
UNIDAD DIDÁCTICA 7. CARTO
- CartoDB
- ¿Qué es CARTO?
- Carga y uso de datos. Tipos de análisis
- Programación de un visor con la librería CARTO.js
- Uso de ejemplos y ayudas de la documentación de la API
MÓDULO 5. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)
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
UNIDAD DIDÁCTICA 7. 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 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
- Introducción
- Algoritmos
UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 10. CLASIFICACIÓN
- Clasificadores
- Algoritmos
UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING
- Componentes
- Aprendizaje
UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES
- Redes neuronales
- Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
UNIDAD DIDÁCTICA 16. REDES MULTICAPA
- Tipos de redes profundas
- Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 17. 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 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL PROCESAMIENTO DEL LENGUAJE NATURAL
- Concepto, evolución y aplicaciones del PLN
- Principales tareas del procesamiento del lenguaje
- Del PLN basado en reglas a los modelos basados en aprendizaje automático
- Representación del lenguaje: tokens, vectores y embeddings
- PLN multilingüe y retos del lenguaje natural
- Aplicaciones actuales del PLN
UNIDAD DIDÁCTICA 2. MODELOS DE LENGUAJE Y TRANSFORMERS
- Concepto y evolución de los modelos de lenguaje
- De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
- Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
- Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
- Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
- Criterios de selección de un modelo de lenguaje según la tarea de PLN
UNIDAD DIDÁCTICA 3. TÉCNICAS Y APLICACIONES DEL PLN
- Procesamiento y preparación de textos
- Clasificación y análisis de textos
- Extracción de información y reconocimiento de entidades
- Análisis de sentimientos y opiniones
- Generación, resumen y traducción automática
- Búsqueda semántica y recuperación de información
UNIDAD DIDÁCTICA 4. CHATBOTS E INTELIGENCIA ARTIFICIAL CONVERSACIONAL
- Evolución de los sistemas conversacionales
- Concepto y arquitectura de un chatbot
- Chatbots basados en reglas, intención y modelos de lenguaje
- LLM como motor de sistemas conversacionales
- Contexto, memoria y gestión del diálogo
- Voicebots y asistentes conversacionales
- Limitaciones y retos de los sistemas conversacionales
UNIDAD DIDÁCTICA 5. DISEÑO Y DESARROLLO DE SISTEMAS CONVERSACIONALES
- Diseño de experiencias conversacionales
- Definición de objetivos, usuarios y casos de uso
- Prompting y diseño de instrucciones
- Integración de modelos de lenguaje mediante API
- Embeddings y bases de datos vectoriales
- RAG (Retrieval-Augmented Generation)
- Evaluación y mejora de sistemas conversacionales
UNIDAD DIDÁCTICA 6. HERRAMIENTAS Y PLATAFORMAS PARA EL DESARROLLO DE SISTEMAS CONVERSACIONALES
- Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
- Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
- Plataformas no-code y low-code para chatbots
- Despliegue e integración en canales: web, WhatsApp y redes sociales
- Pruebas, monitorización y mantenimiento de un chatbot en producción
UNIDAD DIDÁCTICA 7. AGENTES DE IA Y SISTEMAS CONVERSACIONALES AVANZADOS
- Concepto y evolución de los agentes de IA
- Agentes basados en modelos de lenguaje
- Uso de herramientas y conexión con sistemas externos
- Memoria, planificación y ejecución de tareas
- Sistemas multimodales: texto, voz, imagen y vídeo
- Aplicaciones empresariales de agentes y asistentes de IA
UNIDAD DIDÁCTICA 8. SEGURIDAD, ÉTICA Y APLICACIONES DEL PLN Y LA IA CONVERSACIONAL
- Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
- Alucinaciones y limitaciones de los modelos de lenguaje
- Sesgos, privacidad y protección de datos
- Seguridad de los sistemas conversacionales
- Evaluación, supervisión y control de sistemas de IA
- Diseño responsable de experiencias conversacionales
- Tendencias y evolución de la IA conversacional
MÓDULO 7. 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 8. IOT Y SISTEMAS CIBERFÍSICOS EN LA INDUSTRIA 4.0 Y SMART BUILDING
UNIDAD DIDÁCTICA 1. INTERNET DE LAS COSAS
- Contexto Internet de las Cosas (IoT)
- ¿Qué es IoT?
- Elementos que componen el ecosistema IoT
- Arquitectura IoT
- Dispositivos y elementos empleados
- Ejemplos de uso
- Retos y líneas de trabajo futuras
UNIDAD DIDÁCTICA 2. SISTEMAS CIBERFÍSICOS
- Contexto Sistemas Ciberfísicos (CPS)
- Características CPS
- Componentes CPS
- Ejemplos de uso
- Retos y líneas de trabajo futuras
UNIDAD DIDÁCTICA 3. CONCEPTOS Y EQUIPOS UTILIZADOS EN AUTOMATIZACIÓN INDUSTRIAL
- Conceptos previos
- Objetivos de la automatización
- Grados de automatización
- Clases de automatización
- Equipos para la automatización industrial
- Diálogo Hombre-máquina, HMI y SCADA
UNIDAD DIDÁCTICA 4. INDUSTRIA 4.0
- ¿Qué es la Industria 4.0?
- Sensores y captación de información
- Ciclo de vida de los productos en la Industria 4.0
- Modelos de negocio basados en la industria 4.0
- IoT industrial
UNIDAD DIDÁCTICA 5. SEGURIDAD INFORMÁTICA EN LA INDUSTRIA 4.0
- Industria 4.0
- Necesidades en ciberseguridad en la Industria 4.0
- Ciberseguridad en Sistemas de Control Industrial (IC)
- Amenazas y riesgos en los entornos IC
- Mecanismo de defensa frente a ataques en entornos IC
UNIDAD DIDÁCTICA 6. BIM
- Introducción
- Filosofía BIM
- Sector AEC
- Exigencias del mercado
- Del BIM al CIM
- Software BIM
UNIDAD DIDÁCTICA 7. QUE ES EL SMART BUILDING
- El concepto de Smart Building
- El crecimiento del Smart Building desde su inicio
- El mercado del Smart Building en España
UNIDAD DIDÁCTICA 8. ÁREAS EN LAS QUE SE APLICA EL SMART BUILDING
- Climatización
- Iluminación
- Seguridad
- Telecomunicaciones
- Eficiencia energética
- Monitorización
MÓDULO 9. TECNOLOGÍAS APLICADAS A INTERNET DE LAS COSAS (IOT)
UNIDAD DIDÁCTICA 1. SISTEMAS EMBEBIDOS EN IOT
- ¿Qué es un sistema embebido?
- Hardware
- Software
- Funcionamiento de los sistemas embebidos
- Ciclo de vida de desarrollo de software
UNIDAD DIDÁCTICA 2. SENSORES ELECTRÓNICOS PARA IOT
- Sensores para IoT
- Sensores de temperatura
- Sensor de proximidad
- Sensor de presión
- Sensor de calidad del agua
- Sensor de calidad del agua
- Sensor de gas
- Sensor de humo
- Sensores IR(infrarojos)
- Sensores de nivel
- Sensores de imagen
- Sensores de detección de movimiento
- Sensores de acelerómetro
- Sensores de giroscopio
- Sensores de humedad
- Sensores ópticos
UNIDAD DIDÁCTICA 3. REDES, TIPOLOGÍAS Y SU APLICACIÓN EN IOT
- Arquitectura IoT
- Capas de la arquitectura IoT
- Tipos de redes IoT
- Seguridad en redes IoT
UNIDAD DIDÁCTICA 4. TECNOLOGÍA INALAMBRICA EN IOT
- Tecnología inalámbrica para IoT
- 2G/3G/4G/5G Móvil
- 802.15.4
- 6LoWPAN Direcciones Nodos
- Bluetooth
- LoRaWan
- LTE Cat 0/1
- NB-IoT
- SIGFOX
- Weightless
- Wi-Fi
- WirelessHART
- Zigbee
- Z-Wave
UNIDAD DIDÁCTICA 5. SISTEMAS DE COMUNICACIÓN EN IOT
- Diseño lógico de IoT
- Bloques funcionales de IoT
- Modelos de comunicación de IoT y relación
- Modelos de comunicación de IoT y arquitectura
- API de comunicación de IoT
UNIDAD DIDÁCTICA 6. SECTORES Y APLICACIONES PARA IOT
- Aplicación de IoT
- Agricultura inteligente
- Vehículos inteligentes
- Hogar inteligente
- Control inteligente de la contaminación
- Smart Healthcare
- Ciudades Inteligentes
- Smart Retail
- Business Analytics
- Wearables
- Automatización industrial
- Ejemplo de aplicación
- Principales aplicaciones de IoT
MÓDULO 10. INTRODUCCIÓN A INTERNET OF BEHAVIORS (IOB)
UNIDAD DIDÁCTICA 1. CONCEPTO DE INTERNET OF BEHAVIORS (IOB). RELACIÓN CON IOT, IA, BIG DATA, MACHINE LEARNING Y DEEP LEARNING
- Introducción al IoB
- Beneficios de IoB
- Internet de las cosas (IoT)
- Deep Learning
- Machine Learning
- IA
- Big Data
- Selección de datos de IoB
UNIDAD DIDÁCTICA 2. HISTORIA DE IOB: DESDE EL PRIMER SENSOR HASTA LA VIGILANCIA MASIVA
- Orígenes de Internet
- Productos de IoB en uso o en desarrollo
- Potenciales beneficios de IoB
- Problemas de IoB
- El futuro del IoB
UNIDAD DIDÁCTICA 3. ÁMBITOS Y MERCADOS DE APLICACIÓN DEL IOB: SALUD, SEGURIDAD, PUBLICIDAD, SEGUROS, INDUSTRIAS,…
- Recopilación de datos y análisis del comportamiento
- Uso de IoB en varios sectores
- IoB para satisfacer las necesidades de los clientes
- Estrategias de IoB
- Atributos de calidad relacionados con IoB
- Pasos de trabajo con IoB
- Aplicaciones de IoB
UNIDAD DIDÁCTICA 4. TIPOS DE SENSORES PARA IOB: RFID, CÓDIGOS QR, TARJETAS,…
- Funcionalidades de los sensores IoB
- Red de sensores inalámbricos
- RFID
- Códigos QR
- Tarjetas
UNIDAD DIDÁCTICA 5. ÉTICA DEL IOB: BENEFICIOS Y DAÑOS SOCIOCULTURALES
- Ética de la sociedad de información
- Políticas de ética corporativa
- Estudios de caso
- Influencia en el comportamiento del consumidor
- Riesgos morales de la nueva tecnología
UNIDAD DIDÁCTICA 6. LEGISLACIÓN ACERCA DEL IOB. RGPD / CNIL
- Legislación acerca del IoB
- Protección de datos
- RGPD
- Responsabilidad de tratamiento de datos personales
- Reglas de privacidad de datos
- CNIL
- Consentimiento y control del usuario
MÓDULO 11. PROYECTO FIN DE MÁSTER
Descubre cuánto puede invertir tu empresa en formación sin coste
Como cliente o asociado de AFT, puedes solicitar información personalizada sobre tu crédito Fundae y la formación disponible para tu equipo.