TEMARIO
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 y Proyecto.
Inteligencia Artificial en la industria conectada: Inteligencia artificial para la industria 4.0, Machine Learning y redes neuronales, Visión artificial OCR-OCV y Proyecto.
Robótica aplicada a la industria 4.0: Robótica en la industria 4.0, Cobots: Robots colaborativos. Programación básica, Vehículos de guiado autónomo (VGAs) y Proyecto.
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) y Proyecto.
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 y Proyecto.
Otras tecnologías de aplicación: Realidad aumentada y virtual, vehículos aéreos no tripulados, Fabricación aditiva y Wearables, Ciberseguridad en las redes y sistemas ciber-físicos y Proyecto.
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 y Proyecto.
Aprendizaje supervisado I: Clasificación binaria, multiclase y métricas. Curva ROC, Clasificación con Naive Bayes, Clasificación con Support Vector Machine (SVM) y Proyecto.
Aprendizaje supervisado II: Clasificación con KNN, regresión logística y softmax, Regresión y clasificación con árboles de decisión, Combinación de clasificadores: ensembles y random forests y Proyecto.
Aprendizaje NO Supervisado: Reducción de dimensionalidad en los datos: PCA, Algoritmos de agrupamiento: Kmedias y jerárquico, Técnicas de detección de anomalías y Proyecto.
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 y Proyecto.
Redes Neuronales Convolucionales (CNNs): Fundamentos de las CNNs: kernels, convolución, pooling, etc., Modelos pre-entrenados: Transfer Learning y Fine-Tuning, Deep Learning en producción y Proyecto.
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 y Proyecto.
Procesamiento del Lenguaje Natural: Modelos lógicos de PLN, Modelos Probabilísticos de PLN, Uso
de la PLN y Proyecto.
Proyecto de Fin de Máster