Máster en Formación Permanente en Computación Cuantica e Inteligencia Artificial
100% Online
12 meses
2195€
Matricularme
Máster en Formación Permanente en Computación Cuantica e Inteligencia Artificial
    Máster en Formación Permanente en Computación Cuantica e Inteligencia Artificial

    Máster en Formación Permanente en Computación Cuantica e Inteligencia Artificial

    100% Online
    60 ECTS
    12 meses
    2195€
    Matricularme

    Presentación

    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.

    Universidades colaboradoras

    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.
    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.
    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. CALCULO NUMÉRICO PARA COMPUTACIÓN EN CIENCIA E INGENIERÍA

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LOS COMPUTADORES

    1. Introducción
    2. Conceptos básicos sobre computadores
    3. Componentes de un computador
    4. Software de un computador
    5. Parámetros característicos del computador digital
    6. Clasificación de los computadores
    7. Breve historia de los computadores
    8. Estudio de los computadores
    9. Computación Científica en supercomputadores

    UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A LA PROGRAMACIÓN Y HERRAMIENTAS DE CÁLCULO NUMÉRICO

    1. Introducción
    2. Resolución de problemas
    3. Lenguajes de programación
    4. Herramientas de cálculo numérico

    UNIDAD DIDÁCTICA 3. EL SISTEMA MATLAB

    1. Introducción
    2. Acceso a MATLAB
    3. Introducción de matrices
    4. Operaciones sobre matrices y componentes de matrices
    5. Expresiones y variables
    6. El espacio de trabajo
    7. Funciones para construir matrices
    8. Control de flujo programando en MATLAB
    9. Funciones escalares
    10. Funciones vectoriales
    11. Funciones matriciales
    12. Generación de submatrices
    13. Ficheros .M
    14. Entrada y salida de texto
    15. Medidas de eficiencia de algoritmos
    16. Formato de salida
    17. Gráficos en dos dimensiones
    18. Gráficos en tres dimensiones
    19. Elaboración de programas en MATLAB

    UNIDAD DIDÁCTICA 4. ARITMÉTICA DEL COMPUTADOR

    1. Introducción
    2. Representación interna de números
    3. Errores debidos a la representación interna de los números
    4. Errores en la realización de operaciones
    5. Algoritmos estables e inestables. Condicionamiento de un problema
    6. Ejercicios complementarios

    UNIDAD DIDÁCTICA 5. ECUACIONES ALGEBRAICAS DE UNA VARIABLE

    1. Introducción
    2. Método de bisección o bipartición
    3. Método de interpolación lineal o Regula Falsi
    4. Método de aproximaciones sucesivas o punto fijo
    5. Método de Newton-Raphson
    6. Método de la secante
    7. Criterios de convergencia para los métodos iterativos
    8. Dificultades a la hora de calcular las raíces de una función
    9. Cálculo de ceros de polinomios
    10. Ejercicios complementarios

    UNIDAD DIDÁCTICA 6. SISTEMAS DE ECUACIONES ALGEBRAICAS

    1. Introducción
    2. Métodos directos
    3. Métodos iterativos
    4. Comparación entre métodos iterativos y directos
    5. Introducción a los sistemas de ecuaciones algebraicas no lineales
    6. Ejercicios complementarios

    UNIDAD DIDÁCTICA 7. INTERPOLACIÓN Y APROXIMACIÓN

    1. Introducción
    2. Interpolación polinomial
    3. -Series de Taylor
    4. -Interpolación polinómica: forma de Vandermoide
    5. Aproximación por polinomios
    6. Introducción a la interpolación por funciones racionales
    7. Ejercicios complementarios

    UNIDAD DIDÁCTICA 8. DIFERENCIACIÓN E INTEGRACIÓN

    1. Introducción
    2. Diferenciación numérica
    3. Integración numérica
    4. Ejercicios complementarios

    MÓDULO 2. FÍSICA CUÁNTICA

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA FÍSICA CUÁNTICA

    1. La ciencia
    2. El Sistema Internacional de Unidades
    3. Física clásica
    4. Física moderna
    5. ¿Qué es la física cuántica?

    UNIDAD DIDÁCTICA 2. ÁTOMOS, ELECTRONES Y FOTONES

    1. Nociones básicas sobre la estructura atómica
    2. Introducción al espectro electromagnético
    3. ¿Qué es el espectro electromagnético?
    4. Cuantos de energía. Postulado de Planck
    5. Principio de dualidad. Postulado de De Broglie
    6. Modelo atómico de Bohr

    UNIDAD DIDÁCTICA 3. EFECTO ELECTROMAGNÉTICO

    1. Introducción al efecto fotoeléctrico
    2. La luz como una onda
    3. Explicación de Albert Einstein
    4. El efecto Compton
    5. Frecuencia de la luz y la frecuencia umbral v0
    6. Tendencia de la amplitud de onda

    UNIDAD DIDÁCTICA 4. NÚMEROS CUÁNTICOS Y ORBITALES

    1. Dualidad onda-corpúsculo. Principio de incertidumbre de Heisenberg
    2. Modelo mecano-cuántico del átomo
    3. Estructura del átomo
    4. Configuración electrónica
    5. Números cuánticos y orbitales atómicos

    UNIDAD DIDÁCTICA 5. NÚCLEOS

    1. Núcleo atómico
    2. Masas nucleares
    3. Propiedades de la estructura nuclear
    4. Tamaño de los núcleos
    5. Ley de desintegración radiactiva
    6. Teoría cuántica de la desintegración radiactiva
    7. Desintegración nuclear

    UNIDAD DIDÁCTICA 6. EL CAMPO DE PUNTO CERO

    1. ¿Qué es el campo punto cero?
    2. Partículas virtuales
    3. Efecto Casimir

    UNIDAD DIDÁCTICA 7. APLICACIONES DE LA FÍSICA CUÁNTICA

    1. Introducción a las aplicaciones de la física cuántica
    2. Transistor
    3. El láser
    4. Otras aplicaciones de la física cuántica

    MÓDULO 3. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

    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

    MÓDULO 4. MACHINE LEARNING Y DEEP LEARNING

    UNIDAD DIDÁCTICA 1. 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 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING

    1. Introducción
    2. Algoritmos

    UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN

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

    UNIDAD DIDÁCTICA 4. CLASIFICACIÓN

    1. Clasificadores
    2. Algoritmos

    UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING

    1. Componentes
    2. Aprendizaje

    UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN

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

    UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

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

    UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES

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

    UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA

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

    UNIDAD DIDÁCTICA 10. REDES MULTICAPA

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

    UNIDAD DIDÁCTICA 11. 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. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)

    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. RECURSOS PARA EL PLN

    1. Introducción a Python
    2. ¿Qué necesitas?
    3. Librerías para el análisis de datos en Python
    4. PLN en Python con la librería NLTK
    5. 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

    MÓDULO 6. CHATBOTS E INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1 .¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?

    1. Introducción a la Inteligencia artificial
    2. El Test de Turing
    3. Agentes Inteligentes
    4. Aplicaciones de la inteligencia artificial

    UNIDAD DIDÁCTICA 2. ¿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 3. 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 4. 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 7. 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 8. 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 9. COMPUTACIÓN CUÁNTICA

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN CUÁNTICA

    1. Computación cuántica
    2. Circuitos cuánticos

    UNIDAD DIDÁCTICA 2. TECNOLOGÍA CUÁNTICA ACTUAL

    1. Desafíos y perspectivas de la tecnología cuántica

    UNIDAD DIDÁCTICA 3. ALGORITMO CUÁNTICOS

    1. Principales algoritmos utilizados
    2. Desarrollo de Hardware Cuántico

    UNIDAD DIDÁCTICA 4. COMUNICACIONES CUÁNTICAS

    1. Introducción a las comunicaciones cuánticas

    UNIDAD DIDÁCTICA 5. CRIPTOGRAFÍA CUÁNTICA

    1. ¿Qué es la criptografía cuántica?
    2. Criptografia post-cuántica

    UNIDAD DIDÁCTICA 6. SIMULACIÓN CUÁNTICA

    1. Fundamentos de la simulación cuántica
    2. Métodos de simulación cuántica

    UNIDAD DIDÁCTICA 7. COMPUTACIÓN CUÁNTICA ADIABÁTICA

    1. Presentación de la computación cuántica adiabática como un paradigma alternativo
    2. Modelos de Computación Cuántica Adiabática

    UNIDAD DIDÁCTICA 8. ALGORITMOS DE PASEO CUÁNTICO

    1. Definición y características de los paseos cuánticos
    2. Algoritmos de paseo cuántico

    UNIDAD DIDÁCTICA 9. ERRORES CUÁNTICOS Y CÓDIGOS CUÁNTICOS

    1. Errores cuánticos
    2. Fuentes de errores cuánticos
    3. Detección y corrección de errores cuánticos

    MÓDULO 10. PROYECTO FIN DE MASTER

    Titulación
    Titulación Universitaria:
    Diploma Universidad Católica de Murcia
    Solicitar información