MÓDULO 1. 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 2. 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 3. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)

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. RECURSOS PARA EL PLN
8. Introducción a Python
9. ¿Qué necesitas?
10. Librerías para el análisis de datos en Python
11. PLN en Python con la librería NLTK
12. Otras herramientas para PLN
14. UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
15. Principios del análisis sintáctico
16. Gramática libre de contexto
17. Analizadores sintácticos (Parsers)
19. UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
20. Aspectos introductorios del análisis semántico
21. Lenguaje semántico para PLN
22. Análisis pragmático
24. UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
25. Aspectos introductorios
26. Pasos en la extracción de información
27. Ejemplo PLN
28. Ejemplo PLN con entrada de texto en inglés

MÓDULO 4. CHATBOTS E INTELIGENCIA ARTIFICIAL

1. UNIDAD DIDÁCTICA 1 .¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
2. Introducción a la Inteligencia artificial
3. El Test de Turing
4. Agentes Inteligentes
5. Aplicaciones de la inteligencia artificial
7. UNIDAD DIDÁCTICA 2. ¿QUÉ ES UN CHATBOT?
8. Aspectos introductorios
9. ¿Qué es un chatbot?
10. ¿Cómo funciona un chatbot?
11. VoiceBots
12. Desafios para los Chatbots
14. UNIDAD DIDÁCTICA 3. RELACIÓN ENTRE IA Y CHATBOTS
15. Chatbots y el papel de la Inteligencia Artificial (IA)
16. Usos y beneficios de los chatbots
17. Diferencia entre bots, chatbots e IA
19. UNIDAD DIDÁCTICA 4. ÁMBITOS DE APLICACIÓN CHATBOTS
20. Áreas de aplicación de Chatbots
21. Desarrollo de un chatbot con ChatterBot y Python
22. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 5. DATA SCIENCE Y PROGRAMACIÓN ESTADÍSTICA CON PYTHON Y R

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
2. ¿Qué es la ciencia de datos?
3. Herramientas necesarias para el científico de datos
4. Data Science & Cloud Compunting
5. Aspectos legales en Protección de Datos
7. UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
8. Introducción
9. El modelo relacional
10. Lenguaje de consulta SQL
11. MySQL. Una base de datos relacional
13. UNIDAD DIDÁCTICA 3. PYTHON Y EL ANÁLISIS DE DATOS
14. Introducción a Python
15. ¿Qué necesitas?
16. Librerías para el análisis de datos en Python
17. MongoDB, Hadoop y Python. Dream Team del Big Data
19. UNIDAD DIDÁCTICA 4. R COMO HERRAMIENTA PARA BIG DATA
20. Introducción a R
21. ¿Qué necesitas?
22. Tipos de datos
23. Estadística Descriptiva y Predictiva con R
24. Integración de R en Hadoop
26. UNIDAD DIDÁCTICA 5. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
27. Obtención y limpieza de los datos (ETL)
28. Inferencia estadística
29. Modelos de regresión
30. Pruebas de hipótesis
32. UNIDAD DIDÁCTICA 6. ANÁLISIS DE LOS DATOS
33. Inteligencia Analítica de negocios
34. La teoría de grafos y el análisis de redes sociales
35. Presentación de resultados

MÓDULO 6. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS
2. UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON
3. UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON
4. UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON
5. UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS
6. UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING
7. UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN
8. UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS
9. UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO
10. UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS

MÓDULO 7. VISIÓN ARTIFICIAL Y SU APLICACIÓN EN LA INDUSTRIA 4.0

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)

MÓDULO 8. PROGRAMACIÓN DE VISIÓN ARTIFICIAL CON PYTHON Y OPENCV

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
2. Descripción general OpenCV
3. Instalación OpenCV para Python en Windows
4. Instalación OpenCV para Python en Linux
5. Anaconda y OpenCV
7. UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
8. Manejo de archivos
9. Leer una imagen con OpenCV
10. Mostrar imagen con OpenCV
11. Guardar una imagen con OpenCV
12. Operaciones aritméticas en imágenes usando OpenCV
13. Funciones de dibujo
15. UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES
16. Redimensión de imágenes
17. Erosión de imágenes
18. Desenfoque de imágenes
19. Bordeado de imágenes
20. Escala de grises en imágenes
21. Escalado, rotación, desplazamiento y detección de bordes
22. Erosión y dilatación de imágenes
23. Umbrales simples
24. Umbrales adaptativos
25. Umbral de Otsu
26. Contornos de imágenes
27. Incrustación de imágenes
28. Intensidad en imágenes
29. Registro de imágenes
30. Extracción de primer plano
31. Operaciones morfológicas en imágenes
32. Pirámide de imágen
34. UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING
35. Analizar imágenes usando histogramas
36. Ecualización de histogramas
37. Template matching
38. Detección de campos en documentos usando Template matching
40. UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR
41. Espacios de color en OpenCV
42. Cambio de espacio de color
43. Filtrado de color
44. Denoising de imágenes en color
45. Visualizar una imagen en diferentes espacios de color
47. UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
48. Detección de líneas
49. Detección de círculos
50. Detectar esquinas (Método Shi-Tomasi)
51. Detectar esquinas (método Harris)
52. Encontrar círculos y elipses
53. Detección de caras y sonrisas
55. UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO
56. Vecino más cercano (K-Nearest Neighbour)
57. Agrupamiento de K-medias (K-Means Clustering)

MÓDULO 9. IOT (INTERNET DE LAS COSAS) Y SISTEMAS CIBERFÍSICOS EN LA INDUSTRIA 4.0

1. UNIDAD DIDÁCTICA 1. INTERNET DE LAS COSAS
2. Contexto Internet de las Cosas (IoT)
3. ¿Qué es IoT?
4. Elementos que componen el ecosistema IoT
5. Arquitectura IoT
6. Dispositivos y elementos empleados
7. Ejemplos de uso
8. Retos y líneas de trabajo futuras
10. UNIDAD DIDÁCTICA 2. SISTEMAS CIBERFÍSICOS
11. Contexto Sistemas Ciberfísicos (CPS)
12. Características CPS
13. Componentes CPS
14. Ejemplos de uso
15. Retos y líneas de trabajo futuras

MÓDULO 10. PROYECTO FIN DE MÁSTER