MÓDULO 1. FUNDAMENTO DE ÉTICA EMPRESARIAL

1. UNIDAD DIDÁCTICA 1. LA ÉTICA EN EL CONTEXTO CORPORATIVO.
2. Definición de ética.
3. Normas.
4. Principios éticos.
5. Los códigos éticos.
7. UNIDAD DIDÁCTICA 2. EL PROCESO DE TOMA DE DECISIONES.
8. La toma de decisiones.
9. Tipos de decisiones.
10. Criterios de decisión. Ambientes.
11. Decisiones secuenciales. Árboles de decisión.
13. UNIDAD DIDÁCTICA 3. EL MÉTODO RACIONAL O DE OPTIMIZACIÓN EN LA TOMA DE DECISIONES.
14. Introducción.
15. Los métodos cuantitativos.
16. Esquemas resumen.
18. UNIDAD DIDÁCTICA 4. LA IMPLEMENTACIÓN DE LAS DECISIONES.
19. Procesos de la implementación.
20. Evaluación.
21. Resultados.
22. Consecuencias de la no implementación.

MÓDULO 2. BIG DATA, BUSINESS INTELLIGENCE Y DATA SCIENCE

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
2. ¿Qué es Big Data?
3. La era de las grandes cantidades de información: historia del big data
4. La importancia de almacenar y extraer información
5. Big Data enfocado a los negocios
6. Open data
7. Información pública
8. IoT (Internet of Things-Internet de las cosas)
10. UNIDAD DIDÁCTICA 2. FASES DE UN PROYECTO DE BIG DATA
11. Diagnóstico inicial
12. Diseño del proyecto
13. Proceso de implementación
14. Monitorización y control del proyecto
15. Responsable y recursos disponibles
16. Calendarización
17. Alcance y valoración económica del proyecto
19. UNIDAD DIDÁCTICA 3. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
20. Definiendo el concepto de Business Intelligence y sociedad de la información
21. Arquitectura de una solución Business Intelligence
22. Business Intelligence en los departamentos de la empresa
23. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
24. Sistemas Operacionales y Procesos ETL en un sistema de BI
25. Ventajas y Factores de Riesgos del Business Intelligence
27. UNIDAD DIDÁCTICA 4. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
28. Cuadros de Mando Integrales (CMI)
29. Sistemas de Soporte a la Decisión (DSS)
30. Sistemas de Información Ejecutiva (EIS)
32. UNIDAD DIDÁCTICA 5. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
33. Introducción a la minería de datos y el aprendizaje automático
34. Proceso KDD
35. Modelos y Técnicas de Data Mining
36. Áreas de aplicación
37. Minería de Textos y Web Mining
38. Data mining y marketing
40. UNIDAD DIDÁCTICA 6. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL
41. Aproximación al concepto de DataMart
42. Bases de datos OLTP
43. Bases de Datos OLAP
44. MOLAP, ROLAP & HOLAP
45. Herramientas para el desarrollo de cubos OLAP
47. UNIDAD DIDÁCTICA 7. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS
48. Visión General: ¿Por qué DataWarehouse?
49. Estructura y Construcción
50. Fases de implantación
51. Características
52. Data Warehouse en la nube
54. UNIDAD DIDÁCTICA 8. STORYTELLING
55. ¿Qué es el Data Storytelling?
56. Elementos clave del Data Storytelling
57. ¿Por qué es importante el Data Storytelling?
58. ¿Cómo hacer Data Storytelling?
60. UNIDAD DIDÁCTICA 9. INTRODUCCIÓN A LA CIENCIA DE DATOS
61. ¿Qué es la ciencia de datos?
62. Herramientas necesarias para el científico de datos
63. Data Science & Cloud Computing
64. Aspectos legales en Protección de Datos
66. UNIDAD DIDÁCTICA 10. WEKA Y DATA MINING
67. ¿Qué es Weka?
68. Técnicas de Data Mining en Weka
69. Interfaces de Weka
70. Selección de atributos
72. UNIDAD DIDÁCTICA 11. PYTHON Y EL ANÁLISIS DE DATOS
73. Introducción a Python
74. ¿Qué necesitas?
75. Librerías para el análisis de datos en Python
76. MongoDB, Hadoop y Python. Dream Team del Big Data
78. UNIDAD DIDÁCTICA 12. R COMO HERRAMIENTA PARA BIG DATA
79. Introducción a R
80. ¿Qué necesitas?
81. Tipos de datos
82. Estadística Descriptiva y Predictiva con R
83. Integración de R en Hadoop
85. UNIDAD DIDÁCTICA 13. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
86. Obtención y limpieza de los datos (ETL)
87. Inferencia estadística
88. Modelos de regresión
89. Pruebas de hipótesis
91. UNIDAD DIDÁCTICA 14. ANÁLISIS DE LOS DATOS
92. Inteligencia Analítica de negocios
93. La teoría de grafos y el análisis de redes sociales
94. Presentación de resultados

MÓDULO 3. VISUALIZACIÓN DE DATOS

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS
2. ¿Qué es la visualización de datos?
3. Importancia y herramientas de la visualización de datos
4. Visualización de datos: Principios básicos
6. UNIDAD DIDÁCTICA 2. TABLEAU
7. ¿Qué es Tableau? Usos y aplicaciones
8. Tableau Server: Arquitectura y Componentes
9. Instalación Tableau
10. Espacio de trabajo y navegación
11. Conexiones de datos en Tableau
12. Tipos de filtros en Tableau
13. Ordenación de datos, grupos, jerarquías y conjuntos
14. Tablas y gráficos en Tableau
16. UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)
17. Fundamentos D3
18. Instalación D3
19. Funcionamiento D3
20. SVG
21. Tipos de datos en D3
22. Diagrama de barras con D3
23. Diagrama de dispersión con D3
25. UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO)
26. Visualización de datos
27. Tipologías de gráficos
28. Fuentes de datos
29. Creación de informes
31. UNIDAD DIDÁCTICA 5. QLIKVIEW
32. Instalación y arquitectura
33. Carga de datos
34. Informes
35. Transformación y modelo de datos
36. Análisis de datos
38. UNIDAD DIDÁCTICA 6. POWER BI
39. Introducción a Power BI
40. Instalación de Power BI
41. Modelado de datos
42. Visualización de datos
43. Dashboards
44. Uso compartido de datos
46. UNIDAD DIDÁCTICA 7. CARTO
47. CartoDB
48. ¿Qué es CARTO?
49. Carga y uso de datos. Tipos de análisis
50. Programación de un visor con la librería CARTO.js
51. Uso de ejemplos y ayudas de la documentación de la API

MÓDULO 4. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2

1. UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R
2. Introducción a Gplot
3. El paquete ggplot2
5. UNIDAD DIDÁCTICA 2. EJES
6. Cambiar títulos de eje
7. Aumentar el espacio entre ejes y títulos de ejes
8. Cambiar la estética de los títulos de Axis
9. Cambiar la estética del texto del eje
10. Texto del eje de rotación
11. Eliminar texto de eje y marcas
12. Eliminar títulos de eje
13. Límite del rango del eje
14. Forzar el trazado para que comience en el origen
15. Ejes con la misma escala
16. Usar una función para modificar etiquetas
18. UNIDAD DIDÁCTICA 3. TÍTULOS
19. Añade un título
20. Ajustar la posición de los títulos
21. Use una fuente no tradicional en su título
22. Cambiar espaciado en texto de varias líneas
24. UNIDAD DIDÁCTICA 4. LEYENDAS
25. Trabajando con leyendas
26. Apaga la leyenda
27. Eliminar títulos de leyenda
28. Cambiar la posición de la leyenda
29. Cambiar la dirección de la leyenda
30. Cambiar el estilo del título de la leyenda
31. Cambiar título de leyenda
32. Cambiar el orden de las claves de leyenda
33. Cambiar etiquetas de leyenda
34. Cambiar cuadros de fondo en la leyenda
35. Cambiar el tamaño de los símbolos de leyenda
36. Dejar una capa fuera de la leyenda
37. Adición manual de elementos de leyenda
38. Usar otros estilos de leyenda
40. UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA
41. Cambiar el color de fondo del panel
42. Cambiar líneas de cuadrícula
43. Cambiar el espaciado de las líneas de cuadrícula
44. Cambiar el color de fondo de la trama
46. UNIDAD DIDÁCTICA 6. MÁRGENES
47. Trabajar con márgenes
49. UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES
50. Trabajar con gráficos de paneles múltiples
51. Crear múltiplos pequeños basados en una variable
52. Permitir que los ejes deambulen libremente
53. Uso facet_wrapcon dos variables
54. Modificar el estilo de los textos de la tira
55. Crear un panel de diferentes parcelas
57. UNIDAD DIDÁCTICA 8. COLORES
58. Trabajar con colores
59. Especificar colores individuales
60. Asignar colores a las variables
61. Variables Cualitativas
62. Seleccionar manualmente colores cualitativos
63. Utilice paletas de colores cualitativas integradas
64. Use paletas de colores cualitativos de paquetes de extensión
65. Variables Cuantitativas
66. La paleta de colores Viridis
67. Usar paletas de colores cuantitativas de paquetes de extensión
68. Modificar paletas de colores después
70. UNIDAD DIDÁCTICA 9. TEMAS
71. Cambiar el estilo de trazado general
72. Cambiar la fuente de todos los elementos de texto
73. Cambiar el tamaño de todos los elementos de texto
74. Cambiar el tamaño de todos los elementos de línea y rectángulo
75. Crea tu propio tema
76. Actualizar el tema actual
78. UNIDAD DIDÁCTICA 10. LÍNEAS
79. Agregar líneas horizontales o verticales a un gráfico
80. Agregar una línea dentro de un gráfico
81. Agregar líneas curvas y flechas a un gráfico
83. UNIDAD DIDÁCTICA 11. TEXTO
84. Agregue etiquetas
85. Agregar anotaciones de texto
86. Use Markdown y HTML Rendering para anotaciones
88. UNIDAD DIDÁCTICA 12. COORDENADAS
89. Voltear una parcela
90. arreglar un eje
91. Invertir un eje
92. Transformar un eje
93. Circularizar una parcela
95. UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS
96. Alternativas a un diagrama de caja
97. Crear una representación de alfombra en un gráfico
98. Crear una matriz de correlación
99. Crear un gráfico de contorno
100. Crear un mapa de calor
101. Crear un diagrama de cresta
103. UNIDAD DIDÁCTICA 14. CINTAS
104. Trabajar con cintas (AUC, CI, etc.)
106. UNIDAD DIDÁCTICA 15. SUAVIZADOS
107. Predeterminado: agregar un suavizado LOESS o GAM
109. UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS
110. Trabajar con gráficos interactivos

MÓDULO 5. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
2. Introducción a la inteligencia artificial
3. Historia
4. La importancia de la IA
6. UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
7. Tipos de inteligencia artificial
9. UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
10. Algoritmos aplicados a la inteligencia artificial
12. UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
13. Relación entre inteligencia artificial y big data
14. IA y Big Data combinados
15. El papel del Big Data en IA
16. Tecnologías de IA que se están utilizando con Big Data
18. UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
19. Sistemas expertos
20. Estructura de un sistema experto
21. Inferencia: Tipos
22. Fases de construcción de un sistema
23. Rendimiento y mejoras
24. Dominios de aplicación
25. Creación de un sistema experto en C#
26. Añadir incertidumbre y probabilidades
28. UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
29. Futuro de la inteligencia artificial
30. Impacto de la IA en la industria
31. El impacto económico y social global de la IA y su futuro

MÓDULO 6. MACHINE LEARNING Y DEEP LEARNING

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
2. Introducción
3. Clasificación de algoritmos de aprendizaje automático
4. Ejemplos de aprendizaje automático
5. Diferencias entre el aprendizaje automático y el aprendizaje profundo
6. Tipos de algoritmos de aprendizaje automático
7. El futuro del aprendizaje automático
9. UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
10. Introducción
11. Algoritmos
13. UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
14. Introducción
15. Filtrado colaborativo
16. Clusterización
17. Sistemas de recomendación híbridos
19. UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
20. Clasificadores
21. Algoritmos
23. UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
24. Componentes
25. Aprendizaje
27. UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
28. Introducción
29. El proceso de paso de DSS a IDSS
30. Casos de aplicación
32. UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
33. Aprendizaje profundo
34. Entorno de Deep Learning con Python
35. Aprendizaje automático y profundo
37. UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES
38. Redes neuronales
39. Redes profundas y redes poco profundas
41. UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA
42. Perceptrón de una capa y multicapa
43. Ejemplo de perceptrón
45. UNIDAD DIDÁCTICA 10. REDES MULTICAPA
46. Tipos de redes profundas
47. Trabajar con TensorFlow y Python
49. UNIDAD DIDÁCTICA 11. ESTRATEGIAS DE APRENDIZAJE
50. Entrada y salida de datos
51. Entrenar una red neuronal
52. Gráficos computacionales
53. Implementación de una red profunda
54. El algoritmo de propagación directa
55. Redes neuronales profundas multicapa

MÓDULO 7. INTELIGENCIA ARTIFICIAL Y ÉTICA

1. UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y FUNDAMENTOS ÉTICOS
2. Ética normativa y ética aplicada
3. Historia y caracteres de la ética de la inteligencia artificial
4. Ética realista y ética ficción
5. Inteligencia artificial como objeto y sujeto
6. Singularidad tecnológica y futuro de la especie humana
7. Machine ethics. Nuevos entes autónomos y estatus moral
8. Controversias éticas de la aplicación de la inteligencia artificial
9. Bioética e inteligencia artificial
10. Democracia e inteligencia artificial
12. UNIDAD DIDÁCTICA 2. ÉTICA DE GOBERNANZA E INTELIGENCIA ARTIFICIAL
13. Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial
14. Papel de la UE en la gobernanza de la inteligencia artificial
15. Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo
16. Elaboración de un plan de gobernanza
18. UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL CONFIABLE. EXPLICABILIDAD Y SESGO
19. Principios de la inteligencia artificial responsable
20. Aspectos de diseño éticos para Machine Learning
21. Inteligencia artificial explicable (XAI). Hacia la IA responsable
22. Imparcialidad de Datos (Fairness). Control del sesgo en los modelos
23. Escenarios con modelos de IA de alto riesgo
24. Auditabilidad en los sistemas de inteligencia artificial
25. Sandbox normativo piloto del futuro reglamentario de IA en España
26. Transparencia en modelos de Machine Learning
27. Análisis de herramientas software para medir la imparcialidad
29. UNIDAD DIDÁCTICA 4. ÉTICA DE LA INTELIGENCIA ARTIFICIAL
30. Metodología de la ética en la inteligencia artificial
31. Agentes artificiales morales
32. Moralidad artificial desde un enfoque funcionalista
33. Objeciones acerca de agencias morales artificiales
34. Responsabilidad y Derechos de los robots
36. UNIDAD DIDÁCTICA 5. FILOSOFÍA POLÍTICA DE LA INTELIGENCIA ARTIFICIAL
37. Introducción a la filosofía política de la inteligencia artificial
38. Empleo e inteligencia artificial
39. Relaciones humanas e inteligencia artificial
40. Funciones de los Estados e inteligencia artificial
41. Educación e inteligencia artificial
42. Salud e inteligencia artificial
43. Movilidad e inteligencia artificial
44. Articulación entre ética y política sobre la inteligencia artificial
45. Globalización e inteligencia artificial
47. UNIDAD DIDÁCTICA 6. INTELIGENCIA ARTIFICIAL, SOSTENIBILIDAD Y ÉTICA MEDIOAMBIENTAL
48. Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS)
49. Estrategia Europea de transición hacia una economía sostenible
50. Cambio climático global
51. Mejora de eficiencia en procesos organizativos con IA.
52. Mejora de eficiencia en prácticas individuales con IA.
53. Ética ambiental e inteligencia artificial
55. UNIDAD DIDÁCTICA 7. ÉTICA DE LA GUERRA E INTELIGENCIA ARTIFICIAL
56. Armas autónomas
57. Intervenciones militares teledirigidas
58. Ética de la guerra
60. UNIDAD DIDÁCTICA 8. TECNOLOGÍA, ÉTICA Y DERECHO DE LA REALIDAD VIRTUAL
61. El metaverso
62. Gemelos digitales humanos
63. Creación de universos paralelos en 3D
65. UNIDAD DIDÁCTICA 9. ÉTICA DE LA INTELIGENCIA ARTIFICIAL INTERACTIVA Y ROBÓTICA SOCIAL
66. Sistemas autónomos en el ámbito laboral
67. Inteligencia artificial para la mejora de calidad de vida en ciudades. Mejora del impacto medioambiental
68. Combinación de smart cities, internet de las cosas y big data
69. Inteligencia artificial y cuidado personal y sexual
70. Análisis ético de la incorporación de la robótica en la vida humana
72. UNIDAD DIDÁCTICA 10. INTELIGENCIA ARTIFICIAL, MEJORA HUMANA Y TRANSHUMANISMO
73. Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas
74. Optimizar las capacidades humanas con inteligencia artificial
75. Debate académico sobre transhumanismo y poshumanismo

MÓDULO 8. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
2. ¿Qué es PLN?
3. ¿Qué incluye el PLN?
4. Ejemplos de uso de PLN
5. Futuro del PLN
7. UNIDAD DIDÁCTICA 2. PLN EN PYTHON
8. PLN en Python con la librería NLTK
9. Otras herramientas para PLN
11. UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
12. Principios del análisis sintáctico
13. Gramática libre de contexto
14. Analizadores sintácticos (Parsers)
16. UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
17. Aspectos introductorios del análisis semántico
18. Lenguaje semántico para PLN
19. Análisis pragmático
21. UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
22. Aspectos introductorios
23. Pasos en la extracción de información
24. Ejemplo PLN
25. Ejemplo PLN con entrada de texto en inglés
27. UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?
28. Aspectos introductorios
29. ¿Qué es un chatbot?
30. ¿Cómo funciona un chatbot?
31. VoiceBots
32. Desafios para los Chatbots
34. UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS
35. Chatbots y el papel de la Inteligencia Artificial (IA)
36. Usos y beneficios de los chatbots
37. Diferencia entre bots, chatbots e IA
39. UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS
40. Áreas de aplicación de Chatbots
41. Desarrollo de un chatbot con ChatterBot y Python
42. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 9. CIENCIAS DEL COMPORTAMIENTO, BIG DATA, INTELIGENCIA ARTIFICIAL E INTERNET OF BEHAVIORS (IOB)

1. UNIDAD DIDÁCTICA 1. MARKETING, MERCHANDISING Y PUBLICIDAD EN IOB
2. Internet of Behavior
4. UNIDAD DIDÁCTICA 2. CIENCIAS COGNITIVAS DEL COMPORTAMIENTO
5. Ciencia cognitiva
7. UNIDAD DIDÁCTICA 3. NEUROPSICOLOGÍA Y CÓMO CAPTAR LA ATENCIÓN DE UN USUARIO
8. Neuropsicología
10. UNIDAD DIDÁCTICA 4. PRODUCTOS Y CONTENIDOS PERSONALIZADOS GRACIAS AL INTERNET OF BEHAVIORS (IOB)
11. Personalización IOB
13. UNIDAD DIDÁCTICA 5. VISIÓN POR COMPUTADORA Y ANÁLISIS FACIAL
14. La visión Artificial
16. UNIDAD DIDÁCTICA 6. PROCESAMIENTO AUTOMÁTICO DE IDIOMAS
17. Procesamiento del lenguaje natural
19. UNIDAD DIDÁCTICA 7. ANÁLISIS DE COMPORTAMIENTO Y SEGURIDAD OPERACIONAL
20. Análisis de comportamiento
22. UNIDAD DIDÁCTICA 8. DEL BIG DATA AL ANÁLISIS DE SENTIMIENTOS
23. Análisis de opinión

MÓDULO 10. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV

1. UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES
2. La visión artificial: definiciones y aspectos principales
4. UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL
5. Ópticas
6. Iluminación
7. Cámaras
8. Sistemas 3D
9. Sensores
10. Equipos compactos
11. Metodologías para la selección del hardware
13. UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL
14. Algoritmos
15. Software
16. Segmentación e interpretación de imágenes
17. Metodologías para la selección del software
19. UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0
20. Aplicaciones clásicas: discriminación, detección de fallos?
21. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)
23. UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
24. Descripción general OpenCV
25. Instalación OpenCV para Python en Windows
26. Instalación OpenCV para Python en Linux
27. Anaconda y OpenCV
29. UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
30. Manejo de archivos
31. Leer una imagen con OpenCV
32. Mostrar imagen con OpenCV
33. Guardar una imagen con OpenCV
34. Operaciones aritméticas en imágenes usando OpenCV
35. Funciones de dibujo
37. UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES
38. Redimensión de imágenes
39. Erosión de imágenes
40. Desenfoque de imágenes
41. Bordeado de imágenes
42. Escala de grises en imágenes
43. Escalado, rotación, desplazamiento y detección de bordes
44. Erosión y dilatación de imágenes
45. Umbrales simples
46. Umbrales adaptativos
47. Umbral de Otsu
48. Contornos de imágenes
49. Incrustación de imágenes
50. Intensidad en imágenes
51. Registro de imágenes
52. Extracción de primer plano
53. Operaciones morfológicas en imágenes
54. Pirámide de imágen
56. UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING
57. Analizar imágenes usando histogramas
58. Ecualización de histogramas
59. Template matching
60. Detección de campos en documentos usando Template matching
62. UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR
63. Espacios de color en OpenCV
64. Cambio de espacio de color
65. Filtrado de color
66. Denoising de imágenes en color
67. Visualizar una imagen en diferentes espacios de color
69. UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
70. Detección de líneas
71. Detección de círculos
72. Detectar esquinas (Método Shi-Tomasi)
73. Detectar esquinas (método Harris)
74. Encontrar círculos y elipses
75. Detección de caras y sonrisas
77. UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO
78. Vecino más cercano (K-Nearest Neighbour)
79. Agrupamiento de K-medias (K-Means Clustering)

MÓDULO 11. PROYECTO FIN DE MÁSTER