Máster en Inteligencia Artificial

El Máster en Inteligencia Artificial te sumerge en un campo en pleno auge, donde la demanda de expertos crece exponencialmente. En un mundo impulsado por los datos y la automatización, la IA se sitúa como la clave para transformar industrias y potenciar la innovación. Este máster ofrece una formación exhaustiva en áreas como Big Data, Machine Learning y Deep Learning, proporcionándote las habilidades necesarias para liderar proyectos innovadores. Aprenderás a manejar herramientas como Python y TensorFlow, y a aplicar técnicas de Data Science para resolver problemas complejos. La modalidad online te permite acceder a un contenido actualizado y de calidad, adaptado a tus necesidades. Ser parte de este máster es una oportunidad única para posicionarte a la vanguardia de la tecnología, mejorar tu perfil profesional y contribuir al desarrollo de soluciones que impacten positivamente en la sociedad. ¡Atrévete a liderar el futuro con la Inteligencia Artificial!
Duración
12 meses
Quiero una beca
Máster en Inteligencia Artificial

A quién va dirigido

El Máster en Inteligencia Artificial está dirigido a profesionales y titulados del sector tecnológico que busquen profundizar en áreas clave como Big Data, Data Science, Machine Learning y Deep Learning. Este programa avanzado es ideal para quienes desean adquirir una comprensión exhaustiva de herramientas como Python, SQL, y técnicas de análisis de datos, además de explorar el Internet of Behaviors (IoB).

Aprenderás a

El Máster en Inteligencia Artificial te prepara para enfrentar desafíos complejos en el ámbito del análisis y procesamiento de datos masivos, aprovechando tecnologías avanzadas como Big Data e IoT. Aprenderás a implementar soluciones de Data Science utilizando herramientas como Python y SQL, esencial para la creación de modelos de Machine Learning y Deep Learning. Adquirirás habilidades para desarrollar sistemas inteligentes capaces de realizar tareas automatizadas, como el procesamiento de lenguaje natural y la visión artificial, aplicables en sectores como el marketing digital y la industria 4.0.

Campo Laboral

- Científico de datos en empresas tecnológicas y startups - Ingeniero de machine learning en sectores de salud y finanzas - Desarrollador de inteligencia artificial en vehículos autónomos - Especialista en visión por computadora para la industria 4.0 - Analista de Big Data en marketing digital y análisis de comportamiento - Consultor en proyectos de IoT y smart cities - Arquitecto de sistemas de recomendación personalizados
Plan de estudios

MÓDULO 1. BIG DATA INTRODUCTION

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. FUENTES DE DATOS

  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data

UNIDAD DIDÁCTICA 3. OPEN DATA

  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data

UNIDAD DIDÁCTICA 4. 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 5. 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 de 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 6. 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 7. BIG DATA Y MARKETING

  1. Apoyo del Big Data en el proceso de toma de decisiones
  2. Toma de decisiones operativas
  3. Marketing estratégico y Big Data
  4. Nuevas tendencias en management

UNIDAD DIDÁCTICA 8. DEL BIG DATA AL LINKED OPEN DATA

  1. Concepto de web semántica
  2. Linked Data Vs Big Data
  3. Lenguaje de consulta SPARQL

UNIDAD DIDÁCTICA 9. 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

MÓDULO 2. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS

  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos

UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES

  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional

UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE

  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL

UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB

  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB: Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB

UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING

  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos

UNIDAD DIDÁCTICA 6. PENTAHO

  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO

UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA

  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop

UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS

  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis

UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS

  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

MÓDULO 3. ANÁLISIS DE DATOS CON PYTHON

  1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
  2. ¿Qué es el análisis de datos?
  3. UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
  4. Análisis de datos con NumPy
  5. Pandas
  6. Matplotlib
  7. UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
  8. Cómo usar loc en Pandas
  9. Cómo eliminar una columna en Pandas
  10. Eliminar una columna
  11. UNIDAD DIDÁCTICA 4. PIVOT TABLES
  12. Pivot tables en pandas
  13. UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
  14. El grupo de pandas
  15. UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
  16. Python Pandas fusionando marcos de datos
  17. UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
  18. Matplotlib
  19. Seaborn
  20. UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
  21. Aprendizaje automático
  22. UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
  23. Regresión lineal
  24. Regresión logística
  25. UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
  26. Estructura de árbol
  27. UNIDAD DIDÁCTICA 11. NAIVE BAYES
  28. Algoritmo de Naive bayes
  29. Tipos de Naive Bayes
  30. UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
  31. Máquinas de vectores soporte (Support Vector Machine-SVN)
  32. ¿Cómo funciona SVM?
  33. Núcleos SVM
  34. Construcción de clasificador en Scikit-learn
  35. UNIDAD DIDÁCTICA 13. KNN
  36. K-nearest Neighbors (KNN)
  37. Implementación de Python del algoritmo KNN
  38. UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
  39. Análisis de componentes principales
  40. UNIDAD DIDÁCTICA 15. RANDOM FOREST
  41. Algoritmo de random forest

MÓDULO 4. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

  1. Introducción a la inteligencia artificial
  2. Historia
  3. La importancia de la IA

UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL

  1. Tipos de inteligencia artificial

UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL

  1. Algoritmos aplicados a la inteligencia artificial

UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA

  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Tecnologías de IA que se están utilizando con Big Data

UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS

  1. Sistemas expertos
  2. Estructura de un sistema experto
  3. Inferencia: Tipos
  4. Fases de construcción de un sistema
  5. Rendimiento y mejoras
  6. Dominios de aplicación
  7. Creación de un sistema experto en C#
  8. Añadir incertidumbre y probabilidades

UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL

  1. Futuro de la inteligencia artificial
  2. Impacto de la IA en la industria
  3. El impacto económico y social global de la IA y su futuro

UNIDAD DIDÁCTICA 7. 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 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING

  1. Introducción
  2. Algoritmos

UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN

  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos

UNIDAD DIDÁCTICA 10. CLASIFICACIÓN

  1. Clasificadores
  2. Algoritmos

UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING

  1. Componentes
  2. Aprendizaje

UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN

  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación

UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo

UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES

  1. Redes neuronales
  2. Redes profundas y redes poco profundas

UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA

  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón

UNIDAD DIDÁCTICA 16. REDES MULTICAPA

  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python

UNIDAD DIDÁCTICA 17. 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 5. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

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. PLN EN PYTHON

  1. PLN en Python con la librería NLTK
  2. 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

UNIDAD DIDÁCTICA 6. ¿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 7. 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 8. 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 6. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV

UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES

  1. La visión artificial: definiciones y aspectos principales

UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL

  1. Ópticas
  2. Iluminación
  3. Cámaras
  4. Sistemas 3D
  5. Sensores
  6. Equipos compactos
  7. Metodologías para la selección del hardware

UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL

  1. Algoritmos
  2. Software
  3. Segmentación e interpretación de imágenes
  4. Metodologías para la selección del software

UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0

  1. Aplicaciones clásicas: discriminación, detección de fallos…
  2. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)

UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV

  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV

UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS

  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo

UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES

  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen

UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING

  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching

UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR

  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color

UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS

  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas

UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO

  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)

MÓDULO 7. IOT: INTERNET DE LAS COSAS

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. TECNOLOGÍAS APLICADAS A INTERNET DE LAS COSAS

  1. La relación entre M2M e IoT
  2. IoT y Smart Cities
  3. Los sistemas inteligentes de transporte
  4. Smart Home

UNIDAD DIDÁCTICA 3. DISPOSITIVOS Y APLICACIONES IOT

  1. Dispositivos e IoT
  2. Interfaces
  3. Impresión 3D

UNIDAD DIDÁCTICA 4. SEGURIDAD EN IOT

  1. La seguridad TIC
  2. Tipos de seguridad TIC
  3. Vulnerabilidades de IoT
  4. Necesidades de seguridad específicas de IoT

UNIDAD DIDÁCTICA 5. SISTEMAS ENERGÉTICOS BASADOS EN IOT

  1. La importancia de la eficiencia energética
  2. Las fuentes de consumo
  3. IoT como gran aliado de las energías renovables
  4. Microrredes

UNIDAD DIDÁCTICA 6. SISTEMAS CIBERFÍSICOS

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

UNIDAD DIDÁCTICA 7. INTERNET DE LAS COSAS CON ARDUINO

  1. Introducción a Arduino
  2. Características
  3. Objetivos
  4. Una vuelta por el pasado
  5. El microcontrolador
  6. Componentes hardware

MÓDULO 8. 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 9. CIENCIAS DEL COMPORTAMIENTO , BIG DATA, INTELIGENCIA ARTIFICIAL E INTERNET OF BEHAVIORS (IOB)

  1. UNIDAD DIDÁCTICA 1. MARKETING, MERCHANDISING Y PUBLICIDAD EN IOB
  2. Internet of Behavior
  3. UNIDAD DIDÁCTICA 2. CIENCIAS COGNITIVAS DEL COMPORTAMIENTO
  4. Ciencia cognitiva
  5. UNIDAD DIDÁCTICA 3. NEUROPSICOLOGÍA Y CÓMO CAPTAR LA ATENCIÓN DE UN USUARIO
  6. Neuropsicología
  7. UNIDAD DIDÁCTICA 4. PRODUCTOS Y CONTENIDOS PERSONALIZADOS GRACIAS AL INTERNET OF BEHAVIORS (IOB)
  8. Personalización IOB
  9. UNIDAD DIDÁCTICA 5. VISIÓN POR COMPUTADORA Y ANÁLISIS FACIAL
  10. La visión Artificial
  11. UNIDAD DIDÁCTICA 6. PROCESAMIENTO AUTOMÁTICO DE IDIOMAS
  12. Procesamiento del lenguaje natural
  13. UNIDAD DIDÁCTICA 7. ANÁLISIS DE COMPORTAMIENTO Y SEGURIDAD OPERACIONAL
  14. Análisis de comportamiento
  15. UNIDAD DIDÁCTICA 8. DEL BIG DATA AL ANÁLISIS DE SENTIMIENTOS
  16. Análisis de opinión
También te puede interesar

Maestría en Ciencia de Datos

RVOE SEP: M-017/2023 (16/05/2023)
Más detalles

Maestría en Inteligencia Artificial

RVOE SEP: M-015/2023 (16/05/2023)
Más detalles

Maestría en Seguridad Informática

RVOE SEP: M-016/2023 (16/05/2023)
Más detalles

Maestría en Sistemas Computacionales

RVOE SEP: M-018/2023 (16/05/2023)
Más detalles

Máster en Ingeniería Informática

Más detalles
Programa de estudios