Maestría en Industria 4.0 & Inteligencia Artificial

La estructura y materias del Master en Inteligencia Artificial e Industria 4.0 está organizada de la siguiente manera:

Módulo 1. Industria 4.0

• Industria 4.0 y proceso de implantación
• Agentes y departamentos implicados en la implantación de la industria 4.0
• Diseño y desarrollo de un plan de transformación digital
• Proyecto

Módulo 2. Inteligencia Artificial en la industria conectada

• Inteligencia artificial para la industria 4.0
• Machine Learning y redes neuronales
• Visión artificial OCR-OCV
• Proyecto

Módulo 3. Robótica aplicada a la industria 4.0

• Robótica en la industria 4.0
• Cobots: Robots colaborativos. Programación básica
• Vehículos de guiado autónomo (VGAs)
• Proyecto

Módulo 4. IoT y sistemas de comunicación

• IoT: Sistema basado en microcontroladores y Linux
• Sistemas SCADA, MES y CMMS y su evolución Cloud Computing
• Protocolos de industria 4.0 (OPC-UA, MQTT, CoaP, TCP)
• Proyecto

Módulo 5. Blockchain aplicado a la industria 4.0

• Introducción al Blockchain
• Implicaciones del Blockchain en la industria 4.0
• La interacción entre Blockchain y las tecnologías de la industria 4.0
• Proyecto

Módulo 6. Otras tecnologías de aplicación

• Realidad aumentada y virtual, vehículos aéreos no tripulados
• Fabricación aditiva y Wearables
• Ciberseguridad en las redes y sistemas ciber-físicos
• Proyecto

Módulo 7. Fundamentos de IA y Machine Learning

• Introducción a la IA y Machine Learning
• Algoritmos de regresión. Evaluación y métricas
• Ecosistemas de Machine Learning en la nube
• Proyecto

Módulo 8. Aprendizaje supervisado I

• Clasificación binaria, multiclase y métricas. Curva ROC
• Clasificación con Naive Bayes
• Clasificación con Support Vector Machine (SVM)
• Proyecto

Módulo 9. Aprendizaje supervisado II

• Clasificación con KNN, regresión logística y softmax
• Regresión y clasificación con árboles de decisión
• Combinación de clasificadores: ensembles y random forests
• Proyecto

Módulo 10. Aprendizaje NO Supervisado

• Reducción de dimensionalidad en los datos: PCA
• Algoritmos de agrupamiento: Kmedias y jerárquico
• Técnicas de detección de anomalías
• Proyecto

Módulo 11. Redes neuronales y Deep Learning

• Hitos del Deep Learning y fundamentos de las redes neuronales
• Frameworks de Deep Learning. TensorFlow
• Tipos de Redes Neuronales y ajuste de modelos de Deep Learning
• Proyecto

Módulo 12. Redes Neuronales Convolucionales (CNNs)

• Fundamentos de las CNNs: kernels, convolución, pooling, etc.
• Modelos pre-entrenados: Transfer Learning y Fine-Tuning
• Deep Learning en producción
• Proyecto

Módulo 13. Sistemas de recomendación

• Personalización guiada por IA y datos. Filtrado colaborativo
• Recomendaciones basadas en contenido, contexto e híbridas
• Aplicaciones, tendencias y retos de los sistemas de recomendación
• Proyecto

Módulo 14. Procesamiento del Lenguaje Natural

• Modelos lógicos de PLN
• Modelos Probabilísticos de PLN
• Uso de la PLN
• Proyecto

Proyecto de Fin de Master

*El temario y las masterclass podrán sufrir modificaciones motivadas por la actualización y mejora de los mismos.