MÁSTER EN INTELIGENCIA ARTIFICIAL APLICADA
MÁSTER En línea

UNADE · Informatica

MÁSTER EN INTELIGENCIA ARTIFICIAL APLICADA

Ficha del Programa

Titulación MÁSTER
Modalidad En línea
Duración 600 horas
Idioma Español

Titulación UDIMA

Maestría con opción de un tercer título por la Universidad a Distancia de Madrid (UDIMA).

Este máster en Inteligencia Artificial Aplicada ofrece una formación completa y actualizada en los fundamentos, técnicas y herramientas que están transformando el mundo empresarial y tecnológico. A lo largo del programa, el alumno adquirirá una visión integral de la inteligencia artificial, desde sus bases teóricas hasta las aplicaciones más avanzadas en machine learning, Big Data y procesamiento del lenguaje natural.

El plan de estudios del máster en Inteligencia Artificial Aplicada aborda contenidos como:

  • Fundamentos y técnicas de la inteligencia artificial: razonamiento, lógica, representación del conocimiento, sistemas expertos, árboles de decisión y algoritmos genéticos.
  • Minería y análisis de datos: procesamiento y exploración de datos con herramientas como Jupyter Notebook para la resolución de casos prácticos.
  • Machine Learning: desarrollo de modelos de aprendizaje automático capaces de resolver problemas reales.
  • Redes neuronales y Deep Learning: diseño de arquitecturas basadas en redes convolucionales (CNN) y modelos de atención y Transformers.
  • Big Data y cloud computing: arquitectura, gestión de la información y virtualización de infraestructuras en la nube.
  • Procesamiento del lenguaje natural: aplicación de modelos generativos y grandes modelos de lenguaje (LLM) en el desarrollo de aplicaciones inteligentes.

Además de estos contenidos técnicos, el programa profundiza en los fundamentos de los autómatas y los lenguajes formales, la computación evolutiva y los principios de la ingeniería de software aplicados al diseño de sistemas inteligentes dentro de la Industria 4.0.

El máster en Inteligencia Artificial Aplicada culmina con el desarrollo de un proyecto final en el que el alumno integra todos los conocimientos adquiridos para resolver un problema real de forma estructurada y fundamentada.

Este máster está dirigido a estudiantes y recién titulados de informática, ingeniería, matemáticas, ciencia de datos o áreas afines, así como a profesionales del ámbito tecnológico —analistas de datos, desarrolladores e ingenieros— que deseen actualizar sus conocimientos e incorporar la inteligencia artificial a su actividad. También está pensado para cualquier persona interesada en comprender el funcionamiento y las aplicaciones de la inteligencia artificial, el aprendizaje automático y el Big Data, sin necesidad de contar con una especialización previa.

Estudiantes
Dirigido a estudiantes y recién titulados de áreas como informática, ingeniería, matemáticas, ciencia de datos o disciplinas afines que deseen adquirir una formación sólida en inteligencia artificial, aprendizaje automático, Big Data y tecnologías emergentes para impulsar su desarrollo académico y profesional.
Profesionales
Orientado a profesionales del ámbito tecnológico, analistas de datos, desarrolladores, ingenieros y perfiles TIC que busquen actualizar sus conocimientos, incorporar herramientas de inteligencia artificial a su actividad y especializarse en el diseño e implementación de sistemas inteligentes.
Público en general
Pensado para cualquier persona interesada en comprender el funcionamiento y las aplicaciones de la inteligencia artificial, el aprendizaje automático y el Big Data, sin necesidad de contar con una especialización previa, y que desee adquirir competencias con alta demanda en el mercado laboral.

  • Comprender los fundamentos de la inteligencia artificial, sus principales áreas de aplicación y su evolución, identificando el papel del razonamiento, la lógica y la representación del conocimiento en el desarrollo de sistemas inteligentes.

  • Analizar las principales técnicas y algoritmos de inteligencia artificial, incluyendo sistemas expertos, árboles de decisión, algoritmos genéticos, sistemas recomendadores y métodos de búsqueda, para su aplicación en distintos contextos.

  • Adquirir las competencias necesarias para el procesamiento, análisis y exploración de datos mediante técnicas de minería de datos, utilizando herramientas como Jupyter Notebook para la resolución de casos prácticos.

  • Desarrollar modelos de aprendizaje automático, diferenciando los distintos tipos de aprendizaje e implementando soluciones capaces de resolver problemas reales mediante técnicas de machine learning.

  • Aplicar principios de ingeniería de software al diseño y desarrollo de sistemas inteligentes, integrando tecnologías propias de la Industria 4.0, la robótica, la visión computacional y la representación del conocimiento.

  • Comprender los conceptos fundamentales del Big Data, su arquitectura, gestión de la información y principales ámbitos de aplicación en entornos empresariales y tecnológicos.

  • Conocer los fundamentos teóricos de los autómatas y los lenguajes formales, comprendiendo su importancia en la computación, el diseño de lenguajes y la teoría de la computabilidad.

  • Analizar los principios y aplicaciones de la computación evolutiva, empleando técnicas heurísticas y algoritmos inspirados en procesos naturales para la resolución de problemas complejos.

  • Diseñar e implementar modelos basados en redes neuronales artificiales, incluyendo redes convolucionales (CNN) y arquitecturas basadas en mecanismos de atención y Transformers para tareas de aprendizaje profundo.

  • Comprender los fundamentos de la virtualización y el cloud computing, gestionando infraestructuras virtualizadas y servicios en la nube orientados a entornos empresariales y al despliegue de soluciones de inteligencia artificial.

  • Aplicar técnicas de procesamiento del lenguaje natural para el análisis y comprensión del lenguaje humano, utilizando modelos generativos y grandes modelos de lenguaje en el desarrollo de aplicaciones inteligentes.

  • Integrar los conocimientos adquiridos a lo largo del programa mediante el desarrollo de un proyecto final, aplicando metodologías, herramientas y tecnologías de inteligencia artificial para resolver un problema real de forma estructurada y fundamentada.

Plan de Estudios

Asignatura 1. Introducción a la Inteligencia Artificial.

  • Tema 1. Introducción a la IA

  • Tema 2. Interacción del razonamiento, la lógica y la adquisición del conocimiento

  • Tema 3. Innovaciones en agentes inteligentes

  • Tema 4. Aprendizaje automático con árboles de decisión

Asignatura 2. Técnicas de Inteligencia Artificial.

  • Tema 1. Inteligencia artificial, aprendizaje automatico y mineria de datos

  • Tema 2. Busqueda en inteligencia artificial

  • Tema 3. Sistemas expertos basados en reglas

  • Tema 4. Incertidumbre e imprecision en sistemas expertos basados en reglas

  • Tema 5. Arboles para la toma de decisiones

  • Tema 6. Algoritmos de aprendizaje de reglas

  • Tema 7. Clasificacion no supervisada

  • Tema 8. Sistemas recomendadores

  • Tema 9. Sistemas neuronales

  • Tema 10. Algoritmos geneticos

  • Tema 11. Casos de estudio

Asignatura 3. Minería de Datos.

  • Tema 1. Minería de datos

  • Tema 2. Procesamiento de datos

  • Tema 3. Métodos para el análisis de datos

  • Tema 4. Exploración de datos: patrones, ética y herramientas

Asignatura 4. Aprendizaje de Máquina.

  • Tema 1. Bases del aprendizaje de máquina

  • Tema 2. Tipos de aprendizaje

  • Tema 3. Implementación

  • Tema 4. Proyecto del aprendizaje máquina

Asignatura 5.
Ingeniería de Software para Sistemas Inteligentes.

  • Tema 1. Contexto de la industria 4.0

  • Tema 2. Robótica inteligente e inteligencia artificial

  • Tema 3. Visión computacional

  • Tema 4. Representación del Conocimiento y Ontologías

Asignatura 6. Introducción al Big Data.

  • Tema 1. ¿Qué es el Big Data?

  • Tema 2. Conceptos y oportunidades del Big Data.

  • Tema 3. Gestión de la información en entornos Big Data

  • Tema 4. Sectores para la aplicación del Big Data.

Asignatura 7.
Autómatas y Lenguajes Formales.

  • Tema 1. ¿Qué son los autómatas y su unión con los Lenguajes Formales?

  • Tema 2. Autómatas finitos deterministas y no deterministas

  • Tema 3. Expresiones regulares

  • Tema 4. Máquinas de Turing

Asignatura 8. Computación Evolutiva.

  • Tema 1. Antecedentes históricos

  • Tema 2. Técnicas heurísticas

  • Tema 3. Paradigmas principales

  • Tema 4. Computación evolutiva en el contexto de la Inteligencia Artificial

Asignatura 9. Redes Neuronales.

  • Tema 1. Introducción a las redes neuronales

  • Tema 2. Modelos Neuronales

  • Tema 3. Paradigmas

  • Tema 4. Aprendizaje Supervisado y Redes Neuronales

Asignatura 10. Virtualización y Cloud Computing.

  • Tema 1. Introduccion al cloud computing

  • Tema 2. Cloud computing aplicado a la gestion empresarial

  • Tema 3. Suite de producto vmware vsphere

  • Tema 4. Virtualizacion de servidores en la nube

  • Tema 5. Virtualizacion de aplicaciones

Asignatura 11. Procesamiento de Leguaje Natural

  • Tema 1. Del lenguaje humano al código: la revolución del PNL

  • Tema 2. Aplicaciones del procesamiento del lenguaje natural

  • Tema 3. Análisis Lexical

  • Tema 4. Análisis sintáctico

Asignatura 12. Seminario de Titulación.

Itinerario Académico

Asignatura 1. Introducción a la Inteligencia Artificial.

  • Tema 1. Introducción a la IA

  • Tema 2. Interacción del razonamiento, la lógica y la adquisición del conocimiento

  • Tema 3. Innovaciones en agentes inteligentes

  • Tema 4. Aprendizaje automático con árboles de decisión

Asignatura 2. Técnicas de Inteligencia Artificial.

  • Tema 1. Inteligencia artificial, aprendizaje automatico y mineria de datos

  • Tema 2. Busqueda en inteligencia artificial

  • Tema 3. Sistemas expertos basados en reglas

  • Tema 4. Incertidumbre e imprecision en sistemas expertos basados en reglas

  • Tema 5. Arboles para la toma de decisiones

  • Tema 6. Algoritmos de aprendizaje de reglas

  • Tema 7. Clasificacion no supervisada

  • Tema 8. Sistemas recomendadores

  • Tema 9. Sistemas neuronales

  • Tema 10. Algoritmos geneticos

  • Tema 11. Casos de estudio

Asignatura 3. Minería de Datos.

  • Tema 1. Minería de datos

  • Tema 2. Procesamiento de datos

  • Tema 3. Métodos para el análisis de datos

  • Tema 4. Exploración de datos: patrones, ética y herramientas

Asignatura 4. Aprendizaje de Máquina.

  • Tema 1. Bases del aprendizaje de máquina

  • Tema 2. Tipos de aprendizaje

  • Tema 3. Implementación

  • Tema 4. Proyecto del aprendizaje máquina

Asignatura 5.
Ingeniería de Software para Sistemas Inteligentes.

  • Tema 1. Contexto de la industria 4.0

  • Tema 2. Robótica inteligente e inteligencia artificial

  • Tema 3. Visión computacional

  • Tema 4. Representación del Conocimiento y Ontologías

Asignatura 6. Introducción al Big Data.

  • Tema 1. ¿Qué es el Big Data?

  • Tema 2. Conceptos y oportunidades del Big Data.

  • Tema 3. Gestión de la información en entornos Big Data

  • Tema 4. Sectores para la aplicación del Big Data.

Asignatura 7.
Autómatas y Lenguajes Formales.

  • Tema 1. ¿Qué son los autómatas y su unión con los Lenguajes Formales?

  • Tema 2. Autómatas finitos deterministas y no deterministas

  • Tema 3. Expresiones regulares

  • Tema 4. Máquinas de Turing

Asignatura 8. Computación Evolutiva.

  • Tema 1. Antecedentes históricos

  • Tema 2. Técnicas heurísticas

  • Tema 3. Paradigmas principales

  • Tema 4. Computación evolutiva en el contexto de la Inteligencia Artificial

Asignatura 9. Redes Neuronales.

  • Tema 1. Introducción a las redes neuronales

  • Tema 2. Modelos Neuronales

  • Tema 3. Paradigmas

  • Tema 4. Aprendizaje Supervisado y Redes Neuronales

Asignatura 10. Virtualización y Cloud Computing.

  • Tema 1. Introduccion al cloud computing

  • Tema 2. Cloud computing aplicado a la gestion empresarial

  • Tema 3. Suite de producto vmware vsphere

  • Tema 4. Virtualizacion de servidores en la nube

  • Tema 5. Virtualizacion de aplicaciones

Asignatura 11. Procesamiento de Leguaje Natural

  • Tema 1. Del lenguaje humano al código: la revolución del PNL

  • Tema 2. Aplicaciones del procesamiento del lenguaje natural

  • Tema 3. Análisis Lexical

  • Tema 4. Análisis sintáctico

Asignatura 12. Seminario de Titulación.

Volver al catálogo