MÓDULO 1. 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 2. 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 3. 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 4. ANÁLISIS DE DATOS CON PYTHON

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
2. ¿Qué es el análisis de datos?
4. UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
5. Análisis de datos con NumPy
6. Pandas
7. Matplotlib
9. UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
10. Cómo usar loc en Pandas
11. Cómo eliminar una columna en Pandas
13. UNIDAD DIDÁCTICA 4. PIVOT TABLES
14. Pivot tables en pandas
16. UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
17. El grupo de pandas
19. UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
20. Python Pandas fusionando marcos de datos
22. UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
23. Matplotlib
24. Seaborn
26. UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
27. Aprendizaje automático
29. UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
30. Regresión lineal
31. Regresión logística
33. UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
34. Estructura de árbol
36. UNIDAD DIDÁCTICA 11. NAIVE BAYES
37. Algortimo de Naive bayes
38. Tipos de Naive Bayes
40. UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
41. Máquinas de vectores soporte (Support Vector Machine-SVM)
42. ¿Cómo funciona SVM?
43. Núcleos SVM
44. Construcción de clasificador en Scikit-learn
46. UNIDAD DIDÁCTICA 13. KNN
47. K-nearest Neighbors (KNN)
48. Implementación de Python del algoritmo KNN
50. UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
51. Análisis de componentes principales
53. UNIDAD DIDÁCTICA 15. RANDOM FOREST
54. Algorimto de Random Forest

MÓDULO 5. ÉTICA E INTELIGENCIA ARTIFICIAL

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 6. 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 7. CHAT GPT E INTELIGENCIA ARTIFICIAL

1. UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y CHAT GPT
2. 1.¿Qué es Chat GPT?
3. Cómo afecta la inteligencia artificial en Chat GPT?
4. Versiones de Chat GPT y funcionalidades
5. Usos de Chat GPT
6. Beneficios de la IA y Chat GPT
8. UNIDAD DIDÁCTICA 2. CHAT GPT Y SU FUNCIONAMIENTO
9. ¿Cómo funciona Chat GPT?
10. Diferencias entre Chat GPT y otros chatbots
11. Procesamiento del Lenguaje Natural (PLN)
12. Aprendizaje por transferencia
13. Cómo entrenar un modelo de Chat GPT
15. UNIDAD DIDÁCTICA 3. CREACIÓN DE UN CHATBOT BÁSICO CON CHAT GPT
16. Elección de la plataforma de desarrollo
17. Configuración del entorno de desarrollo
18. Preparación de los datos de entrenamiento
19. Entrenamiento del modelo de Chat GPT
20. Integración del modelo en el chatbot
21. Pruebas y mejora del modelo
23. UNIDAD DIDÁCTICA 4. MEJORA DE LA INTERACCIÓN CON EL USUARIO
24. Análisis de la conversación con el usuario
25. Personalización de la conversación
26. Uso de emojis y respuestas con imágenes
27. Integración de voz y audio
28. Respuestas multilingües
30. UNIDAD DIDÁCTICA 5. INTEGRACIÓN DE CHAT GPT EN UNA PÁGINA WEB O APLICACIÓN
31. Integración del chatbot en una página web
32. Integración del chatbot en una aplicación móvil
33. Personalización del aspecto del chatbot
34. Gestión de la seguridad y privacidad del usuario
36. UNIDAD DIDÁCTICA 6. MONETIZACIÓN DE UN CHATBOT
37. Modelos de negocio para chatbots
38. Monetización a través de publicidad
39. Monetización a través de suscripciones
40. Monetización a través de compras in-app
41. Análisis del rendimiento y la rentabilidad
43. UNIDAD DIDÁCTICA 7. ÉTICA Y RESPONSABILIDAD EN LA IA Y LOS CHATBOTS
44. Aspectos éticos y responsablidad en la IA
45. Sesgos en la IA y cómo evitarlos
46. Derechos y privacidad del usuario
47. Regulaciones y normativas sobre chatbots
48. Responsabilidad social y ambiental
50. UNIDAD DIDÁCTICA 8. APLICACIONES AVANZADAS DE CHAT GPT
51. Chatbots para atención al cliente
52. Chatbots para servicios financieros
53. Chatbots para servicios de salud
54. Chatbots para educación
55. Chatbots para entretenimiento y ocio
57. UNIDAD DIDÁCTICA 9. HERRAMIENTAS Y RECURSOS PARA DESARROLLAR CHATBOTS CON CHAT GPT
58. Plataformas de desarrollo de Chatbots
59. Librerías y frameworks para el desarrollo de IA
60. Bases de datos y almacenamiento
61. Recursos de formación y aprendizaje
62. Comunidades y grupos de apoyo para desarrolladores
64. UNIDAD DIDÁCTICA 10. CASOS DE USO APLICADOS CON CHAT GPT
65. Desarrollo de un Chatbot avanzado
66. Caso de estudio en atención al cliente
67. Caso de estudio en educación
68. Caso de estudio en salud
69. Caso de estudio en ocio

MÓDULO 8. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS
2. ¿Qué es la inteligencia artificial?
3. Hardware y software unidos por la Inteligencia Artificial
4. Inteligencia Artificial y Visión Artificial
5. Arduino: introducción
7. UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON
8. Instalación de Arduino
9. Configurando tu Arduino para Python
11. UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON
12. Control de Arduino
14. UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON
15. Manejo de entradas
16. Entradas analógicas
18. UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS
19. Salidas analógicas
20. Valores analógicos en Arduino
22. UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING
23. Introducción al machine learning
24. Aprendizaje supervisado
25. Aprendizaje no supervisado
27. UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN
28. Redes neuronales y deep learning
29. Series Temporales
31. UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS
32. Funciones y parámetros
33. Variables y constantes especializadas
34. Estructura de control
36. UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO
37. Introducción
38. ¿Qué son los datos de entrenamiento de IA?
39. ¿Por qué se requieren datos de entrenamiento de IA?
40. ¿Cuántos datos son adecuados?
41. ¿Qué afecta la calidad de los datos en el entrenamiento?
43. UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS
44. Crear red neural paso a paso
45. Redes neuronales: Aprendizaje
46. Otras redes neuronales

MÓDULO 9. INTELIGENCIA ARTIFICIAL Y MECATRÓNICA

1. UNIDAD DIDÁCTICA 1. MECATRÓNICA E INTELIGENCIA ARTIFICIAL: POSIBILIDADES
2. Inteligencia Artificial: introducción
3. Inteligencia de los seres vivos
4. Inteligencia Artificial
5. Dominios de aplicación
6. El campo de la mecatrónica
7. Las posibilidades de la Inteligencia Artificial
8. Mecatrónica e Inteligencia Artificial
10. UNIDAD DIDÁCTICA 2. SISTEMAS EXPERTOS
11. ¿Qué es un sistema experto en polígonos?
12. Estructura de un sistema experto
13. Inferencia: tipos
14. Construcción de sistemas expertos
16. UNIDAD DIDÁCTICA 3. LÓGICA DIFUSA
17. Introducción a la lógica difusa
18. Conjuntos difusos y grados de pertenencia
19. Operadores sobre los conjuntos difusos
20. Creación de reglas
21. Fuzzificación y defuzzificación
23. UNIDAD DIDÁCTICA 4. BÚSQUEDA DE RUTAS
24. Introducción a la búsqueda de rutas
25. Rutas y grafos
26. Algoritmos exhaustivos de búsqueda de rutas e "inteligentes"
27. Implementación
29. UNIDAD DIDÁCTICA 5. ALGORITMOS GENÉTICOS
30. ¿Qué son los algoritmos genéticos?
31. Evolución biológica y artificial
32. Elección de la representación
33. Evaluación, selección y supervivencia
34. Reproducción: crossover y mutación
35. Dominios de aplicación
37. UNIDAD DIDÁCTICA 6. REDES NEURONALES
38. Introducción a las redes neuronales
39. Origen biológico
40. La neurona formal
41. Perceptrón
42. Redes feed-forward
43. Aprendizaje
44. Otras redes

MÓDULO 10. 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 11. 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 imagen
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 12. PROYECTO FIN DE MÁSTER (PFM)