Saltar al contenido
En colaboración con
Formación online Hasta el 100% Bonificado

Máster en Computación Cuantica e Inteligencia Artificial + 60 Créditos ECTS

Duración total 1500 horas
Créditos 60 ECTS
Modalidad Online
Convocatoria Abierta
Descargar Dossier

Precio 2.295 €

Solicitar información

Resumen del curso

Descripción

Con este Master de Computación Cuántica e Inteligencia Artificial aprenderás que la computación cuántica ha irrumpido en el ámbito corporativo, tecnológico y científico como una rama de la informática que supone una evolución respecto a la informática tradicional. Mediante esta teoría se podrán desarrollar superordenadores con una mayor capacidad de almacenaje y con más posibilidades de crear algoritmos más eficientes.

La computación cuántica unida a la inteligencia artificial supone superar los límites de la informática como se había conocido hasta ahora. No es extraño, por lo tanto, que se requiera en la actualidad y aún más en el futuro, contar con profesionales especializados en el master en computación cuántica e inteligencia artificial, para obtener el mayor rendimiento.

Objetivos

  • Aprender a crear algoritmos más eficientes haciendo uso de la computación cuántica y de sistemas de cómputo numérico como Matlab.
  • Estudiar las diferentes aplicaciones de la física cuántica en el ámbito de la tecnología, la medicina, el transporte, la energía o la electricidad.
  • Conocer el nexo de unión entre el Big Data y la inteligencia artificial para desarrollar algoritmos para las máquinas.
  • Manejar TensorFlow para generar aprendizaje automático y el lenguaje de programación Python para desarrollar aplicaciones.
  • Desarrollar chatbots con ChatterBot y Python o con Chatfuel para Facebook Messenger.

¿Para qué te prepara?

A lo largo del Master en Computación Cuántica e Inteligencia Artificial, se conseguirá dominar herramientas de una u otra área como Matlab, TensorFlow, Python, o Chatterbot, entre otros. De esta forma, ser podrá sacar el máximo provecho de las posibilidades que esta nueva forma de hacer informática aporta a diferentes áreas de aplicación y elevar a las empresas hacia otro nivel de la mano de la inteligencia artificial.

¿A quién va dirigido?

El Master en Computación Cuántica e Inteligencia Artificial se dirige principalmente a aquellas personas formadas en estadística, matemáticas, informática o telecomunicaciones. No obstante, las innumerables aplicaciones de la inteligencia artificial lo hacen apto también para otros perfiles como la economía o la administración de empresas, entre otros.

Salidas profesionales

Finalizado el Master en computación cuántica e inteligencia artificial, habilitará para ocupar puestos como desarrollador o investigador de algoritmos para finanzas, para aplicarlos a la inteligencia artificial, química, la optimización, la inteligencia artificial aplicada a la industria, el análisis de datos, el marketing o la investigación evidenciándose así, el carácter polivalente del master.

Temario

MÓDULO 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. QUÉ ES LA INTELIGENCIA ARTIFICIAL Y CÓMO SE ORGANIZA EL CAMPO
  1. Definiciones de inteligencia artificial: actuar como humanos frente a actuar racionalmente
  2. El agente inteligente: percepción, entorno y racionalidad
  3. Tipos de agentes: reactivos, basados en objetivos, en utilidad y que aprenden
  4. IA débil, IA general y superinteligencia: dónde está hoy la frontera
  5. 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
  1. Los orígenes: Turing, la cibernética y la conferencia de Dartmouth
  2. La IA simbólica y los inviernos de la IA
  3. Del auge de los sistemas expertos a los métodos estadísticos
  4. Hitos recientes que explican la adopción actual de la IA
  5. Ciclos de expectativas: cómo evaluar con criterio las promesas de la IA
UNIDAD DIDÁCTICA 3. RESOLUCIÓN DE PROBLEMAS MEDIANTE BÚSQUEDA Y OPTIMIZACIÓN
  1. Formulación de problemas como espacio de estados
  2. Búsqueda no informada y búsqueda heurística: del recorrido en anchura al algoritmo A*
  3. Búsqueda en entornos competitivos: minimax y poda alfa-beta
  4. Búsqueda local y metaheurísticas: ascenso de colinas y recocido simulado
  5. Algoritmos genéticos e inteligencia de enjambre aplicados a la optimización
UNIDAD DIDÁCTICA 4. REPRESENTACIÓN DEL CONOCIMIENTO
  1. Lógica proposicional y de predicados para representar conocimiento
  2. Reglas de producción, redes semánticas y marcos
  3. Ontologías y grafos de conocimiento: diseño y usos en la empresa
  4. IA neurosimbólica: cómo se combinan razonamiento simbólico y aprendizaje
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS BASADOS EN REGLAS
  1. Arquitectura de un sistema experto: base de conocimiento, motor de inferencia e interfaz
  2. Estrategias de inferencia: encadenamiento hacia delante y hacia atrás
  3. Ingeniería del conocimiento: adquisición y validación con personas expertas
  4. Construcción de un sistema experto con un motor de reglas
  5. Dominios de aplicación y límites de los sistemas expertos
UNIDAD DIDÁCTICA 6. RAZONAMIENTO CON INCERTIDUMBRE Y TOMA DE DECISIONES
  1. Probabilidad y teorema de Bayes como base del razonamiento incierto
  2. Redes bayesianas para modelar relaciones causales y diagnósticos
  3. Lógica difusa para decidir con información imprecisa
  4. Procesos de decisión de Markov: decisiones secuenciales con recompensas
  5. Fundamentos del aprendizaje por refuerzo: políticas, recompensas y Q-learning
MÓDULO 2. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)
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. RECURSOS PARA EL PLN
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. PLN en Python con la librería NLTK
  5. 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
MÓDULO 3. CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1 .¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
  1. Introducción a la Inteligencia artificial
  2. El Test de Turing
  3. Agentes Inteligentes
  4. Aplicaciones de la inteligencia artificial
UNIDAD DIDÁCTICA 2. ¿QUÉ ES UN CHATBOT?
  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafios para los Chatbots
UNIDAD DIDÁCTICA 3. 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 4. 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 4. 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 5. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS
  1. ¿Qué es la inteligencia artificial?
  2. Hardware y software unidos por la Inteligencia Artificial
  3. Inteligencia Artificial y Visión Artificial
  4. Arduino: introducción
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON
  1. Instalación de Arduino
  2. Configurando tu Arduino para Python
UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON
  1. Control de Arduino
UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON
  1. Manejo de entradas
  2. Entradas analógicas
UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS
  1. Salidas analógicas
  2. Valores analógicos en Arduino
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING
  1. Introducción al machine learning
  2. Aprendizaje supervisado
  3. Aprendizaje no supervisado
UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN
  1. Redes neuronales y deep learning
  2. Series Temporales
UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS
  1. Funciones y parámetros
  2. Variables y constantes especializadas
  3. Estructura de control
UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO
  1. Introducción
  2. ¿Qué son los datos de entrenamiento de IA?
  3. ¿Por qué se requieren datos de entrenamiento de IA?
  4. ¿Cuántos datos son adecuados?
  5. ¿Qué afecta la calidad de los datos en el entrenamiento?
UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS
  1. Crear red neural paso a paso
  2. Redes neuronales: Aprendizaje
  3. Otras redes neuronales
MÓDULO 6. MACHINE LEARNING Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
  1. Introducción
  2. Algoritmos
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
  1. Clasificadores
  2. Algoritmos
UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
  1. Componentes
  2. Aprendizaje
UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación
UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA
  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón
UNIDAD DIDÁCTICA 10. REDES MULTICAPA
  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 11. ESTRATEGIAS DE APRENDIZAJE
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa
MÓDULO 7. COMPUTACIÓN CUÁNTICA
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN CUÁNTICA
  1. Computación cuántica
  2. Circuitos cuánticos
UNIDAD DIDÁCTICA 2. TECNOLOGÍA CUÁNTICA ACTUAL
  1. Desafíos y perspectivas de la tecnología cuántica
UNIDAD DIDÁCTICA 3. ALGORITMO CUÁNTICOS
  1. Principales algoritmos utilizados
  2. Desarrollo de Hardware Cuántico
UNIDAD DIDÁCTICA 4. COMUNICACIONES CUÁNTICAS
  1. Introducción a las comunicaciones cuánticas
UNIDAD DIDÁCTICA 5. CRIPTOGRAFÍA CUÁNTICA
  1. ¿Qué es la criptografía cuántica?
  2. Criptografia post-cuántica
UNIDAD DIDÁCTICA 6. SIMULACIÓN CUÁNTICA
  1. Fundamentos de la simulación cuántica
  2. Métodos de simulación cuántica
UNIDAD DIDÁCTICA 7. COMPUTACIÓN CUÁNTICA ADIABÁTICA
  1. Presentación de la computación cuántica adiabática como un paradigma alternativo
  2. Modelos de Computación Cuántica Adiabática
UNIDAD DIDÁCTICA 8. ALGORITMOS DE PASEO CUÁNTICO
  1. Definición y características de los paseos cuánticos
  2. Algoritmos de paseo cuántico
UNIDAD DIDÁCTICA 9. ERRORES CUÁNTICOS Y CÓDIGOS CUÁNTICOS
  1. Errores cuánticos
  2. Fuentes de errores cuánticos
  3. Detección y corrección de errores cuánticos
MÓDULO 8. FÍSICA CUÁNTICA
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA FÍSICA CUÁNTICA
  1. La ciencia
  2. El Sistema Internacional de Unidades
  3. Física clásica
  4. Física moderna
  5. ¿Qué es la física cuántica?
UNIDAD DIDÁCTICA 2. ÁTOMOS, ELECTRONES Y FOTONES
  1. Nociones básicas sobre la estructura atómica
  2. Introducción al espectro electromagnético
  3. ¿Qué es el espectro electromagnético?
  4. Cuantos de energía. Postulado de Planck
  5. Principio de dualidad. Postulado de De Broglie
  6. Modelo atómico de Bohr
UNIDAD DIDÁCTICA 3. EFECTO ELECTROMAGNÉTICO
  1. Introducción al efecto fotoeléctrico
  2. La luz como una onda
  3. Explicación de Albert Einstein
  4. El efecto Compton
  5. Frecuencia de la luz y la frecuencia umbral v0
  6. Tendencia de la amplitud de onda
UNIDAD DIDÁCTICA 4. NÚMEROS CUÁNTICOS Y ORBITALES
  1. Dualidad onda-corpúsculo. Principio de incertidumbre de Heisenberg
  2. Modelo mecano-cuántico del átomo
  3. Estructura del átomo
  4. Configuración electrónica
  5. Números cuánticos y orbitales atómicos
UNIDAD DIDÁCTICA 5. NÚCLEOS
  1. Núcleo atómico
  2. Masas nucleares
  3. Propiedades de la estructura nuclear
  4. Tamaño de los núcleos
  5. Ley de desintegración radiactiva
  6. Teoría cuántica de la desintegración radiactiva
  7. Desintegración nuclear
UNIDAD DIDÁCTICA 6. EL CAMPO DE PUNTO CERO
  1. ¿Qué es el campo punto cero?
  2. Partículas virtuales
  3. Efecto Casimir
UNIDAD DIDÁCTICA 7. APLICACIONES DE LA FÍSICA CUÁNTICA
  1. Introducción a las aplicaciones de la física cuántica
  2. Transistor
  3. El láser
  4. Otras aplicaciones de la física cuántica
MÓDULO 9. 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.

Formulario de solicitud de información