Máster en Inteligencia Artificial y Data Science
100% Online
12 meses
1695€
Matricularme

    Máster en Inteligencia Artificial y Data Science

    100% Online
    12 meses
    1695€
    Matricularme
    Seguridad y confianza en tus pagos online.

    Presentación

    Este Máster en Inteligencia Artificial y Data Science ofrece una visión profunda sobre cómo sacar el máximo partido al análisis de datos y al uso de tecnologías emergentes como la inteligencia artificial. A lo largo de la formación, se combinan conocimientos teóricos y prácticos sobre Machine Learning, Big Data, Python, PLN y visión artificial, orientados al diseño y la implementación de soluciones automatizadas para diversas industrias. Durante el desarrollo del máster aprenderás las principales aplicaciones de la inteligencia artificial, como visión artificial, chatbots y redes neuronales, obteniendo competencias clave en la creación, evaluación y despliegue de sistemas basados en IA en áreas como la inteligencia de negocios, la automatización y la gestión de datos.
    Qs World University Rankings

    Universidades colaboradoras

    Para qué te prepara
    El Máster en Inteligencia Artificial y Data Science te capacita para liderar proyectos de Machine Learning, Big Data e IA, aplicados en diversos sectores. Aprenderás a diseñar sistemas predictivos, gestionar datos masivos, implementar soluciones basadas en PLN, desarrollar aplicaciones en visión artificial y construir chatbots. Además, adquirirás habilidades en programación y optimización de procesos.
    Objetivos
    - Desarrollar competencias en análisis de datos y gestión de Big Data. - Entender las principales aplicaciones y usos de la inteligencia artificial en diferentes sectores. - Aprender a implementar modelos de Machine Learning y redes neuronales. - Dominar técnicas avanzadas en PLN, visión artificial y chatbots. - Aplicar conocimientos de Python en proyectos de Inteligencia Artificial. - Diseñar soluciones automatizadas para la Industria 4.0 mediante IA. - Evaluar y optimizar modelos predictivos y sistemas basados en IA.
    A quién va dirigido
    Este Máster en Inteligencia Artificial y Data Science está diseñado para profesionales de la ingeniería, del análisis de datos, programación y tecnologías de la información con interés en especializarse en Inteligencia Artificial, análisis de datos y Big Data. También es adecuado para titulados/as en disciplinas STEM para liderar proyectos innovadores en áreas tecnológicas
    Salidas Profesionales
    Al finalizar este Máster en Inteligencia Artificial y Data Science podrás desempeñar tus funciones como profesional en ciencia de datos, desarrollo de IA, análisis de Big Data o especialista en visión artificial y PLN. También podrás trabajar en sectores como la ciberseguridad, la Industria 4.0 o el diseño de chatbots y sistemas automatizados en equipos de innovación tecnológica.
    Temario

    MÓDULO 1. BIG DATA & BUSINESS INTELLIGENCE FUNDAMENTALS

    UNIDAD DIDÁCTICA 1.LA REVOLUCIÓN DE LOS DATOS MASIVOS: BIG DATA Y THICK DATA

    1. ¿Qué es Big Data?
    2. ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
    3. El gran auge del big data
    4. La importancia de almacenar y extraer información
    5. ¿Cual es el papel de las fuentes de datos?
    6. Soluciones novedosas gracias a la selección de datos
    7. Naturaleza de las fuentes de datos Big Data

    UNIDAD DIDÁCTICA 2. TOMA DE DECISIONES INTELIGENTES

    1. Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
    2. Fases en un proyecto de Big Data
    3. Big Data enfocado a los negocios
    4. Apoyo del Big Data en el proceso de toma de decisiones
    5. Toma de decisiones operativas

    UNIDAD DIDÁCTICA 3. CÓMO HACER CRECER UN NEGOCIO A TRAVÉS DEL BIG DATA Y SUS APLICACIONES

    1. Marketing estratégico y Big Data
    2. Open data
    3. Ejemplo de uso de Open Data
    4. IoT (Internet of Things-Internet de las cosas)

    UNIDAD DIDÁCTICA 4.BIG DATA EN DIFERENTES SECTORES

    1. Relación entre inteligencia artificial y big data
    2. IA y Big Data combinados
    3. El papel del Big Data en IA
    4. Big Data en salud
    5. Necesidad de Big Data en la asistencia sanitaria
    6. Retos del big data en salud
    7. Big Data y People Analytics en RRHH

    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 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. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO

    1. Introducción a la minería de datos y el aprendizaje automático
    2. Proceso KDD
    3. Modelos y Técnicas de Data Mining
    4. Áreas de aplicación
    5. Minería de Textos y Web Mining
    6. Data mining y marketing

    UNIDAD DIDÁCTICA 8. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL

    1. Aproximación al concepto de DataMart
    2. Bases de datos OLTP
    3. Bases de Datos OLAP
    4. MOLAP, ROLAP & HOLAP
    5. Herramientas para el desarrollo de cubos OLAP

    UNIDAD DIDÁCTICA 9. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS

    1. Visión General: ¿Por qué DataWarehouse?
    2. Estructura y Construcción
    3. Fases de implantación
    4. Características
    5. Data Warehouse en la nube

    UNIDAD DIDÁCTICA 10. 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 11. STORYTELLING

    1. ¿Qué es el Data Storytelling?
    2. Elementos clave del Data Storytelling
    3. ¿Por qué es importante el Data Storytelling?
    4. ¿Cómo hacer Data Storytelling?

    UNIDAD DIDÁCTICA 12. ECOSISTEMA HADOOP

    1. ¿Qué es Hadoop? Relación con Big Data
    2. Instalación y configuración de insfraestructura y ecosistema Hadoop
    3. Sistema de archivos HDFS
    4. MapReduce con Hadoop
    5. Apache Hive
    6. Apache Hue
    7. Apache Spark

    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. VISUALIZACIÓN DE DATOS

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS

    1. ¿Qué es la visualización de datos?
    2. Importancia y herramientas de la visualización de datos
    3. Visualización de datos: Principios básicos

    UNIDAD DIDÁCTICA 2. TABLEAU

    1. ¿Qué es Tableau? Usos y aplicaciones
    2. Tableau Server: Arquitectura y Componentes
    3. Instalación Tableau
    4. Espacio de trabajo y navegación
    5. Conexiones de datos en Tableau
    6. Tipos de filtros en Tableau
    7. Ordenación de datos, grupos, jerarquías y conjuntos
    8. Tablas y gráficos en Tableau

    UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)

    1. Fundamentos D3
    2. Instalación D3
    3. Funcionamiento D3
    4. SVG
    5. Tipos de datos en D3
    6. Diagrama de barras con D3
    7. Diagrama de dispersión con D3

    UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO)

    1. Visualización de datos
    2. Tipologías de gráficos
    3. Fuentes de datos
    4. Creación de informes

    UNIDAD DIDÁCTICA 5. QLIKVIEW

    1. Instalación y arquitectura
    2. Carga de datos
    3. Informes
    4. Transformación y modelo de datos
    5. Análisis de datos

    UNIDAD DIDÁCTICA 6. POWER BI

    1. Introducción a Power BI
    2. Instalación de Power BI
    3. Modelado de datos
    4. Visualización de datos
    5. Dashboards
    6. Uso compartido de datos

    UNIDAD DIDÁCTICA 7. CARTO

    1. CartoDB
    2. ¿Qué es CARTO?
    3. Carga y uso de datos. Tipos de análisis
    4. Programación de un visor con la librería CARTO.js
    5. Uso de ejemplos y ayudas de la documentación de la API

    MÓDULO 4. MÉTODOS ESTADÍSTICOS PARA INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1. ESTADÍSTICA

    1. Introducción, concepto y funciones de la estadística
    2. Estadística descriptiva
    3. Estadística inferencial
    4. Medición y escalas de medida
    5. Variables: clasificación y notación
    6. Distribución de frecuencias
    7. Representaciones gráficas
    8. Propiedades de la distribución de frecuencias
    9. Medidas de posición
    10. Medidas de dispersión
    11. Medidas de forma
    12. Curva de Lorenz, coeficiente de Gini e índice de Theil

    UNIDAD DIDÁCTICA 2. ANÁLISIS CONJUNTO DE VARIABLES

    1. Introducción al análisis conjunto de variables
    2. Asociación entre dos variables cualitativas
    3. Correlación entre dos variables cuantitativas
    4. Regresión lineal

    UNIDAD DIDÁCTICA 3. DISTRIBUCIONES DE PROBABILIDAD

    1. Conceptos previos de probabilidad
    2. Variables discretas de probabilidad
    3. Distribuciones discretas de probabilidad
    4. Distribución normal
    5. Distribuciones asociadas a la distribución normal

    UNIDAD DIDÁCTICA 4. ESTADÍSTICA INFERENCIAL

    1. Conceptos previos
    2. Métodos de muestreo
    3. Principales indicadores

    UNIDAD DIDÁCTICA 5. CONTRASTE DE HIPÓTESIS

    1. Introducción a las hipótesis estadísticas
    2. Contraste de hipótesis
    3. Contraste de hipótesis paramétrico
    4. Tipologías de error
    5. Contrastes no paramétricos

    UNIDAD DIDÁCTICA 6. REGRESIÓN LINEAL

    1. Introducción a los modelos de regresión
    2. Modelos de regresión: aplicabilidad
    3. Variables a introducir en el modelo de regresión
    4. Construcción del modelo de regresión
    5. Modelo de regresión lineal
    6. Modelo de regresión logística
    7. Factores de confusión
    8. Interpretación de los resultados de los modelos de regresión

    UNIDAD DIDÁCTICA 7. INTRODUCCIÓN A LA ESTADÍSTICA NO PARAMÉTRICA

    1. Estadística no paramétrica. Conceptos básicos
    2. Características de las pruebas
    3. Ventajas y desventajas del uso de métodos no paramétricos
    4. Identificación de las diferentes pruebas no paramétricas

    UNIDAD DIDÁCTICA 8. PRUEBAS NO PARAMÉTRICAS PARA UNA MUESTRA

    1. Pruebas no paramétricas para una muestra
    2. Chi-cuadrado o ji-cuadrado
    3. Prueba de Kolmogorov-Smirnov para una muestra
    4. Prueba binomial
    5. Prueba de rachas

    UNIDAD DIDÁCTICA 9. PRUEBAS NO PARAMÉTRICAS PARA DOS MUESTRAS RELACIONADAS

    1. Prueba de los signos
    2. Prueba del rango con signo de Wilcoxon
    3. Prueba de McNemar

    UNIDAD DIDÁCTICA 10. PRUEBAS NO PARAMÉTRICAS PARA K MUESTRAS RELACIONADAS

    1. Pruebas para k muestras relacionadas
    2. Prueba de Cochran
    3. Prueba de Friedman
    4. Coeficiente de concordancia de W de Kendall

    UNIDAD DIDÁCTICA 11. PRUEBAS NO PARAMÉTRICAS PARA DOS MUESTRAS INDEPENDIENTES

    1. Pruebas para dos muestras independientes
    2. Prueba U de Mann Whitney
    3. Prueba de Wald-Wolfowitz
    4. Prueba de reacciones extremas de Moses
    5. Prueba de Kolmogorov-Smirnov para dos muestras

    UNIDAD DIDÁCTICA 12. PRUEBAS NO PARAMÉTRICAS PARA K MUESTRAS INDEPENDIENTES

    1. Pruebas no paramétricas para K muestras independientes
    2. Prueba de la mediana
    3. Prueba H de Kruskal-Wallis
    4. Prueba de Jonckheere-Terpstra

    MÓDULO 5. PYTHON ESSENTIALS

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A PYTHON. INSTALACIÓN Y CONFIGURACIÓN DE ENTORNO DE DESARROLLO

    1. Introducción a Python
    2. Características y aplicaciones
    3. Instalación de Python
    4. Configuración de un entorno de desarrollo

    UNIDAD DIDÁCTICA 2. TIPOS DE DATOS, VARIABLES, OPERADORES Y EXPRESIONES

    1. Sintaxis básica de Python
    2. Variables y tipos de datos
    3. Operadores y expresiones
    4. Uso de comentarios

    UNIDAD DIDÁCTICA 3. CONTROL DEL FLUJO: BUCLES Y CONDICIONALES

    1. Introducción al control de flujo
    2. Estructuras condicionales (if, elif, else)
    3. Bucles (for y while)
    4. Control de bucles (break y continue)

    UNIDAD DIDÁCTICA 4. COLECCIONES DE DATOS: TUPLAS, CONJUNTOS, DICCIONARIOS, PILAS Y COLAS

    1. Listas y tuplas
    2. Conjuntos: colecciones únicas
    3. Diccionarios: pares clave-valor
    4. Pilas: concepto y operaciones
    5. Colas: implementación y uso

    UNIDAD DIDÁCTICA 5. FUNCIONES, RECURSIVIDAD Y PASO POR VALOR Y REFERENCIA

    1. Definición y llamada de funciones
    2. Parámetros y argumentos
    3. Retorno de valores
    4. Ámbito de las variables
    5. Módulos y organización del código

    UNIDAD DIDÁCTICA 6. CLASES Y OBJETOS

    1. Conceptos de programación orientada a objetos
    2. Creación de clases y objetos
    3. Atributos y métodos
    4. Encapsulación y visibilidad
    5. Constructores y destructores

    UNIDAD DIDÁCTICA 7. MANEJO DE FICHEROS, ENTRADAS Y SALIDAS

    1. Introducción a ficheros
    2. Lectura y escritura de archivos
    3. Manejo de rutas de archivos
    4. Entrada y salida estándar
    5. Formateo de texto

    UNIDAD DIDÁCTICA 8. HERENCIA, POLIMORFISMO Y MANEJO DE EXCEPCIONES

    1. Herencia y clases base
    2. Sobreescritura de métodos
    3. Polimorfismo e interfaces
    4. Excepciones y manejo de errores

    UNIDAD DIDÁCTICA 9. GUI CON TKINTER

    1. Introducción a interfaces gráficas
    2. Configuración de Tkinter
    3. Creación de widgets y ventanas
    4. Manejo de eventos y callbacks

    UNIDAD DIDÁCTICA 10. SQLITE PARA LA ADMINISTRACIÓN DE BASES DE DATOS

    1. Introducción a bases de datos SQLite
    2. Creación y conexión a bases de datos
    3. Consultas SQL básicas
    4. Inserción, actualización y eliminación de datos

    UNIDAD DIDÁCTICA 11. FUNCIONES AVANZADAS

    1. Metaprogramación
    2. Funciones lambda
    3. Iteradores
    4. Decoradores
    5. Generadores y expresiones generadoras

    UNIDAD DIDÁCTICA 12. TESTING Y DOCUMENTACIÓN

    1. Importancia del testing y la documentación
    2. Uso de pruebas unitarias
    3. Documentación de código con docstrings
    4. Generación de documentación automática

    MÓDULO 6. INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1. RESOLUCIÓN DE PROBLEMAS EMPRESARIALES MEDIANTE INTELIGENCIA ARTIFICIAL (IA) Y MACHINE LEARNING (ML)

    1. Identificar soluciones de IA y ML para problemas empresariales
    2. Formular un problema de aprendizaje automático
    3. Seleccionar Enfoques para el Aprendizaje Automático

    UNIDAD DIDÁCTICA 2. PREPARACIÓN DE DATOS EN INTELIGENCIA ARTIFICIAL

    1. Recopilar datos
    2. Transformar datos
    3. Diseñar características
    4. Trabajar con datos no estructurados

    UNIDAD DIDÁCTICA 3. ENTRENAMIENTO, EVALUACIÓN Y AJUSTE DE UN MODELO DE APRENDIZAJE AUTOMÁTICO

    1. Entrenar un modelo de aprendizaje automático
    2. Evaluar y ajustar un modelo de aprendizaje automático

    UNIDAD DIDÁCTICA 4. CONSTRUCCIÓN DE MODELOS DE REGRESIÓN LINEAL

    1. Construir Modelos de Regresión Utilizando Álgebra Lineal
    2. Construcción de modelos de regresión lineal regularizados
    3. Construcción de modelos de regresión lineal iterativos

    UNIDAD DIDÁCTICA 5. CONSTRUCCIÓN DE MODELOS DE PREVISIÓN

    1. Construcción de modelos de series temporales univariantes
    2. Construcción de modelos de series temporales multivariantes

    UNIDAD DIDÁCTICA 6. CONSTRUCCIÓN DE MODELOS DE CLASIFICACIÓN MEDIANTE REGRESIÓN LOGÍSTICA Y K-NEAREST NEIGHBORS

    1. Entrenar modelos de clasificación binaria mediante regresión logística
    2. Entrenar modelos de clasificación binaria mediante k-Nearest Neighbors
    3. Entrenar modelos de clasificación multiclase
    4. Evaluación de modelos de clasificación
    5. Ajuste de modelos de clasificación

    UNIDAD DIDÁCTICA 7. CONSTRUCCIÓN DE MODELOS DE AGRUPACIÓN

    1. Construir Modelos de Agrupación k-Means
    2. Construcción de modelos de agrupación jerárquica

    UNIDAD DIDÁCTICA 8. CONSTRUCCIÓN DE ÁRBOLES DE DECISIÓN Y BOSQUES ALEATORIOS

    1. Construcción de modelos de árboles de decisión
    2. Construcción de modelos de bosques aleatorios

    UNIDAD DIDÁCTICA 9. CONSTRUCCIÓN DE MÁQUINAS DE VECTORES DE SOPORTE (SVM)

    1. Construcción de modelos SVM para clasificación
    2. Construcción de modelos SVM para regresión

    UNIDAD DIDÁCTICA 10. CONSTRUCCIÓN DE REDES NEURONALES ARTIFICIALES

    1. Construir Perceptrones Multicapa (MLP)
    2. Construir redes neuronales convolucionales (CNN)
    3. Construir redes neuronales recurrentes (RNN)

    UNIDAD DIDÁCTICA 11. OPERACIONALIZACIÓN DE MODELOS DE APRENDIZAJE AUTOMÁTICO

    1. Despliegue de modelos de aprendizaje automático
    2. Automatizar el Proceso de Aprendizaje Automático con MLOps
    3. Integrar Modelos en Sistemas de Aprendizaje Automático

    UNIDAD DIDÁCTICA 12. MANTENIMIENTO DE OPERACIONES DE APRENDIZAJE AUTOMÁTICO

    1. Proteger los pipelines de aprendizaje automático
    2. Mantener modelos en producción

    MÓDULO 7. 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. Desafíos 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 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)
    Titulación
    Solicitar información