Máster en Computación Cuantica e Inteligencia Artificial + 60 Créditos ECTS
Descargar DossierPrecio 2.295 €
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
- 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. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
- ¿Qué es PLN?
- ¿Qué incluye el PLN?
- Ejemplos de uso de PLN
- Futuro del PLN
UNIDAD DIDÁCTICA 2. RECURSOS PARA EL PLN
- Introducción a Python
- ¿Qué necesitas?
- Librerías para el análisis de datos en Python
- 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
- Aspectos introductorios del análisis semántico
- Lenguaje semántico para PLN
- Análisis pragmático
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
- Aspectos introductorios
- Pasos en la extracción de información
- Ejemplo PLN
- Ejemplo PLN con entrada de texto en inglés
MÓDULO 3. CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1 .¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
- Introducción a la Inteligencia artificial
- El Test de Turing
- Agentes Inteligentes
- Aplicaciones de la inteligencia artificial
UNIDAD DIDÁCTICA 2. ¿QUÉ ES UN CHATBOT?
- Aspectos introductorios
- ¿Qué es un chatbot?
- ¿Cómo funciona un chatbot?
- VoiceBots
- Desafios para los Chatbots
UNIDAD DIDÁCTICA 3. RELACIÓN ENTRE IA Y CHATBOTS
- Chatbots y el papel de la Inteligencia Artificial (IA)
- Usos y beneficios de los chatbots
- Diferencia entre bots, chatbots e IA
UNIDAD DIDÁCTICA 4. ÁMBITOS DE APLICACIÓN CHATBOTS
- Áreas de aplicación de Chatbots
- Desarrollo de un chatbot con ChatterBot y Python
- 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
- 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 5. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS
- ¿Qué es la inteligencia artificial?
- Hardware y software unidos por la Inteligencia Artificial
- Inteligencia Artificial y Visión Artificial
- Arduino: introducción
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON
- Instalación de Arduino
- Configurando tu Arduino para Python
UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON
- Control de Arduino
UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON
- Manejo de entradas
- Entradas analógicas
UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS
- Salidas analógicas
- Valores analógicos en Arduino
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING
- Introducción al machine learning
- Aprendizaje supervisado
- Aprendizaje no supervisado
UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN
- Redes neuronales y deep learning
- Series Temporales
UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS
- Funciones y parámetros
- Variables y constantes especializadas
- Estructura de control
UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO
- Introducción
- ¿Qué son los datos de entrenamiento de IA?
- ¿Por qué se requieren datos de entrenamiento de IA?
- ¿Cuántos datos son adecuados?
- ¿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
- Crear red neural paso a paso
- Redes neuronales: Aprendizaje
- Otras redes neuronales
MÓDULO 6. MACHINE LEARNING Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. 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 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
- Introducción
- Algoritmos
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
- Clasificadores
- Algoritmos
UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
- Componentes
- Aprendizaje
UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES
- Redes neuronales
- Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
UNIDAD DIDÁCTICA 10. REDES MULTICAPA
- Tipos de redes profundas
- Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 11. 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 7. COMPUTACIÓN CUÁNTICA
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN CUÁNTICA
- Computación cuántica
- Circuitos cuánticos
UNIDAD DIDÁCTICA 2. TECNOLOGÍA CUÁNTICA ACTUAL
- Desafíos y perspectivas de la tecnología cuántica
UNIDAD DIDÁCTICA 3. ALGORITMO CUÁNTICOS
- Principales algoritmos utilizados
- Desarrollo de Hardware Cuántico
UNIDAD DIDÁCTICA 4. COMUNICACIONES CUÁNTICAS
- Introducción a las comunicaciones cuánticas
UNIDAD DIDÁCTICA 5. CRIPTOGRAFÍA CUÁNTICA
- ¿Qué es la criptografía cuántica?
- Criptografia post-cuántica
UNIDAD DIDÁCTICA 6. SIMULACIÓN CUÁNTICA
- Fundamentos de la simulación cuántica
- Métodos de simulación cuántica
UNIDAD DIDÁCTICA 7. COMPUTACIÓN CUÁNTICA ADIABÁTICA
- Presentación de la computación cuántica adiabática como un paradigma alternativo
- Modelos de Computación Cuántica Adiabática
UNIDAD DIDÁCTICA 8. ALGORITMOS DE PASEO CUÁNTICO
- Definición y características de los paseos cuánticos
- Algoritmos de paseo cuántico
UNIDAD DIDÁCTICA 9. ERRORES CUÁNTICOS Y CÓDIGOS CUÁNTICOS
- Errores cuánticos
- Fuentes de errores cuánticos
- Detección y corrección de errores cuánticos
MÓDULO 8. FÍSICA CUÁNTICA
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA FÍSICA CUÁNTICA
- La ciencia
- El Sistema Internacional de Unidades
- Física clásica
- Física moderna
- ¿Qué es la física cuántica?
UNIDAD DIDÁCTICA 2. ÁTOMOS, ELECTRONES Y FOTONES
- Nociones básicas sobre la estructura atómica
- Introducción al espectro electromagnético
- ¿Qué es el espectro electromagnético?
- Cuantos de energía. Postulado de Planck
- Principio de dualidad. Postulado de De Broglie
- Modelo atómico de Bohr
UNIDAD DIDÁCTICA 3. EFECTO ELECTROMAGNÉTICO
- Introducción al efecto fotoeléctrico
- La luz como una onda
- Explicación de Albert Einstein
- El efecto Compton
- Frecuencia de la luz y la frecuencia umbral v0
- Tendencia de la amplitud de onda
UNIDAD DIDÁCTICA 4. NÚMEROS CUÁNTICOS Y ORBITALES
- Dualidad onda-corpúsculo. Principio de incertidumbre de Heisenberg
- Modelo mecano-cuántico del átomo
- Estructura del átomo
- Configuración electrónica
- Números cuánticos y orbitales atómicos
UNIDAD DIDÁCTICA 5. NÚCLEOS
- Núcleo atómico
- Masas nucleares
- Propiedades de la estructura nuclear
- Tamaño de los núcleos
- Ley de desintegración radiactiva
- Teoría cuántica de la desintegración radiactiva
- Desintegración nuclear
UNIDAD DIDÁCTICA 6. EL CAMPO DE PUNTO CERO
- ¿Qué es el campo punto cero?
- Partículas virtuales
- Efecto Casimir
UNIDAD DIDÁCTICA 7. APLICACIONES DE LA FÍSICA CUÁNTICA
- Introducción a las aplicaciones de la física cuántica
- Transistor
- El láser
- 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.