Máster de Formación Permanente en Inteligencia Artificial
100% Online
12 meses
2195€
Matricularme
Máster de Formación Permanente en Inteligencia Artificial
    Máster de Formación Permanente en Inteligencia Artificial

    Máster de Formación Permanente en Inteligencia Artificial

    100% Online
    60 ECTS
    12 meses
    2195€
    Matricularme
    Seguridad y confianza en tus pagos online.

    Presentación

    En el mundo actual impulsado por los avances tecnológicos, la inteligencia artificial (IA) se ha convertido en un campo crucial para la innovación y el desarrollo. Este Master en Inteligencia Artificial tiene como objetivo proporcionar una base sólida en los principios y técnicas fundamentales de la IA y el Machine learning. El uso de algoritmos y modelos de IA permite a las organizaciones obtener conocimientos valiosos de grandes volúmenes de datos, lo que resulta en una toma de decisiones más informada y eficiente. Desde el análisis predictivo hasta la automatización de tareas complejas, la IA está transformando diversas industrias, como la salud, las finanzas, el comercio electrónico, la fabricación, etc. Además, contarás con un equipo de profesionales especializados en la materia.
    Qs World University Rankings

    Universidades colaboradoras

    Para qué te prepara
    Este Master en Inteligencia Artificial te prepara para enfrentar los desafíos del futuro del trabajo, donde la IA está transformando rápidamente las industrias. Aprenderás a aplicar algoritmos y modelos de IA en problemas reales, desarrollarás habilidades en el procesamiento de lenguaje natural y la visión artificial, y estarás listo para construir chatbots inteligentes y otras aplicaciones prácticas de IA.
    Objetivos
    - Comprender los conceptos básicos de la inteligencia artificial y el aprendizaje automático. - Dominar el uso de algoritmos y modelos de IA en problemas reales. - Desarrollar habilidades en el procesamiento de lenguaje natural y la visión por computadora. - Diseñar y entrenar redes neuronales para tareas de clasificación y predicción. - Construir chatbots inteligentes y aplicaciones prácticas de IA. - Explorar las implicaciones éticas y sociales de la inteligencia artificial. - Aplicar métodos de optimización para mejorar el rendimiento y la eficiencia de los sistemas de IA.
    A quién va dirigido
    Este Master en Inteligencia Artificial está dirigido a estudiantes, profesionales y entusiastas de la tecnología interesados en la inteligencia artificial y su aplicación en diversas industrias. Este Master es ideal para aquellos que desean desarrollar habilidades en IA y estar preparados para las oportunidades laborales en este campo en auge.
    Salidas Profesionales
    Después de completar este Master en Inteligencia Artificial, estarás preparado para una variedad de salidas laborales en el campo de la inteligencia artificial. Podrás desempeñarte como ingeniero de IA, científico de datos, desarrollador de software, especialista en procesamiento de lenguaje natural, investigador en visión artificial y experto en chatbots.
    Temario

    MÓDULO 1. BIG DATA, BUSINESS INTELLIGENCE Y DATA SCIENCE

    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. 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 3. 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 4. 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 5. 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 6. 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 7. DATAWAREHOUSE O ALMACÉN 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 8. 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 9. 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 10. 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 11. PYTHON Y EL ANÁLISIS DE DATOS

    1. Introducción a Python
    2. ¿Qué necesitas?
    3. Librerías para el análisis de datos en Python
    4. MongoDB, Hadoop y Python. Dream Team del Big Data

    UNIDAD DIDÁCTICA 12. 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 13. 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 14. 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 2. 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 3. 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 4. 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. 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

    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 5. CHAT GPT E INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y CHAT GPT

    1. ¿Qué es Chat GPT?
    2. Cómo afecta la inteligencia artificial en Chat GPT?
    3. Versiones de Chat GPT y funcionalidades
    4. Usos de Chat GPT
    5. Beneficios de la IA y Chat GPT

    UNIDAD DIDÁCTICA 2. CHAT GPT Y SU FUNCIONAMIENTO

    1. ¿Cómo funciona Chat GPT?
    2. Diferencias entre Chat GPT y otros chatbots
    3. Procesamiento del Lenguaje Natural (PLN)
    4. Aprendizaje por transferencia
    5. Cómo entrenar un modelo de Chat GPT

    UNIDAD DIDÁCTICA 3. CREACIÓN DE UN CHATBOT BÁSICO CON CHAT GPT

    1. Elección de la plataforma de desarrollo
    2. Configuración del entorno de desarrollo
    3. Preparación de los datos de entrenamiento
    4. Entrenamiento del modelo de Chat GPT
    5. Integración del modelo en el chatbot
    6. Pruebas y mejora del modelo

    UNIDAD DIDÁCTICA 4. MEJORA DE LA INTERACCIÓN CON EL USUARIO

    1. Análisis de la conversación con el usuario
    2. Personalización de la conversación
    3. Uso de emojis y respuestas con imágenes
    4. Integración de voz y audio
    5. Respuestas multilingües

    UNIDAD DIDÁCTICA 5. INTEGRACIÓN DE CHAT GPT EN UNA PÁGINA WEB O APLICACIÓN

    1. Integración del chatbot en una página web
    2. Integración del chatbot en una aplicación móvil
    3. Personalización del aspecto del chatbot
    4. Gestión de la seguridad y privacidad del usuario

    UNIDAD DIDÁCTICA 6. MONETIZACIÓN DE UN CHATBOT

    1. Modelos de negocio para chatbots
    2. Monetización a través de publicidad
    3. Monetización a través de suscripciones
    4. Monetización a través de compras in-app
    5. Análisis del rendimiento y la rentabilidad

    UNIDAD DIDÁCTICA 7. ÉTICA Y RESPONSABILIDAD EN LA IA Y LOS CHATBOTS

    1. Aspectos éticos y responsabilidad en la IA
    2. Sesgos en la IA y cómo evitarlos
    3. Derechos y privacidad del usuario
    4. Regulaciones y normativas sobre chatbots
    5. Responsabilidad social y ambiental

    UNIDAD DIDÁCTICA 8. APLICACIONES AVANZADAS DE CHAT GPT

    1. Chatbots para atención al cliente
    2. Chatbots para servicios financieros
    3. Chatbots para servicios de salud
    4. Chatbots para educación
    5. Chatbots para entretenimiento y ocio

    UNIDAD DIDÁCTICA 9. HERRAMIENTAS Y RECURSOS PARA DESARROLLAR CHATBOTS CON CHAT GPT

    1. Plataformas de desarrollo de Chatbots
    2. Librerías y frameworks para el desarrollo de IA
    3. Bases de datos y almacenamiento
    4. Recursos de formación y aprendizaje
    5. Comunidades y grupos de apoyo para desarrolladores

    UNIDAD DIDÁCTICA 10. CASOS DE USO APLICADOS CON CHAT GPT

    1. Desarrollo de un Chatbot avanzado
    2. Caso de estudio en atención al cliente
    3. Caso de estudio en educación
    4. Caso de estudio en salud
    5. Caso de estudio en ocio

    MÓDULO 6. 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 7. IOT (INTERNET DE LAS COSAS) Y SISTEMAS CIBERFÍSICOS EN LA INDUSTRIA 4.0

    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. SISTEMAS CIBERFÍSICOS

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

    UNIDAD DIDÁCTICA 3. CONCEPTOS Y EQUIPOS UTILIZADOS EN AUTOMATIZACIÓN INDUSTRIAL

    1. Conceptos previos
    2. Objetivos de la automatización
    3. Grados de la automatización
    4. Clases de automatización
    5. Equipos para la automatización industrial
    6. Diálogo Hombre-máquina, HMI y SCADA

    UNIDAD DIDÁCTICA 4. INDUSTRIA 4.0

    1. ¿Qué es la Industria 4.0?
    2. Sensores y captación de información
    3. Ciclo de vida de los productos en la Industria 4.0
    4. Modelos de negocio basados en la industria 4.0
    5. IoT industrial

    UNIDAD DIDÁCTICA 5. VIGILANCIA TECNOLÓGICA

    1. Tipos de vigilancia tecnológica
    2. Aspectos esenciales de la vigilancia tecnológica
    3. Búsqueda de información
    4. Implantación de la vigilancia tecnológica

    UNIDAD DIDÁCTICA 6. ESTUDIO DE LA TENDENCIA TECNOLÓGICA

    1. Introducción
    2. Concepto y nociones esenciales de la prospectiva tecnológica
    3. Tipología de técnicas para la prospectiva tecnológica
    4. Requisitos de implantación

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

    UNIDAD DIDÁCTICA 1. MARKETING, MERCHANDISING Y PUBLICIDAD EN IOB

    1. Internet of Behavior

    UNIDAD DIDÁCTICA 2. CIENCIAS COGNITIVAS DEL COMPORTAMIENTO

    1. Ciencia cognitiva

    UNIDAD DIDÁCTICA 3. NEUROPSICOLOGÍA Y CÓMO CAPTAR LA ATENCIÓN DE UN USUARIO

    1. Neuropsicología

    UNIDAD DIDÁCTICA 4. PRODUCTOS Y CONTENIDOS PERSONALIZADOS GRACIAS AL INTERNET OF BEHAVIORS (IOB)

    1. Personalización IOB

    UNIDAD DIDÁCTICA 5. VISIÓN POR COMPUTADORA Y ANÁLISIS FACIAL

    1. La visión Artificial

    UNIDAD DIDÁCTICA 6. PROCESAMIENTO AUTOMÁTICO DE IDIOMAS

    1. Procesamiento del lenguaje natural

    UNIDAD DIDÁCTICA 7. ANÁLISIS DE COMPORTAMIENTO Y SEGURIDAD OPERACIONAL

    1. Análisis de comportamiento

    UNIDAD DIDÁCTICA 8. DEL BIG DATA AL ANÁLISIS DE SENTIMIENTOS

    1. Análisis de opinión

    MÓDULO 9. 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 imagen

    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 10. PROYECTO FIN DE MÁSTER

    Titulación
    Titulación Universitaria:
    Diploma Universidad Católica de Murcia
    Solicitar información