Especialízate en Visión Artificial aplicada la Robótica y progresa en tu carrera profesional con este Experto Universitario”

Lejos de la ciencia ficción, este programa dirigido a profesionales de la informática está orientado a aportar al mismo todos los conocimientos necesarios para que sea capaz de proyectar cualquier idea a desarrollar en Inteligencia Artificial o trabajar en proyectos de robótica especialmente en el campo de los sistemas de percepción visual.

De esta forma, el equipo docente especializado en esta área guiará al alumnado por las bases algorítmicas que sustentan su funcionamiento, sus aplicaciones, ventajas y limitaciones. Para ello, aplicará durante los 6 meses de duración de esta enseñanza online, un enfoque teórico-práctico en la que a través de ejemplos encuentre entornos con robots, pero sin perder de vista la relevancia para entender las técnicas de aprendizaje automático que se deben emplear.

Pese a que la visión artificial es uno de los campos más complejos de la Robótica, el material multimedia que ofrece esta titulación facilitará su aprendizaje. Así, el alumnado será capaz de adquirir las principales técnicas de visión basadas en sistemas de aprendizaje, particularmente el uso de redes neuronales, que han revolucionado la forma en la que se usa la visión artificial en la actualidad. Asimismo, en este recorrido el alumno conocerá las herramientas más avanzadas para poder desarrollarse en el campo de la visión artificial para la Robótica, tanto a nivel teórico como práctico.

Una excelente ocasión para el egresado que desee progresar en su campo profesional de la mano de los mejores especialistas y con una enseñanza de calidad, que le posibilita el acceso a todo el contenido desde el primer día y un sistema Relearning, basado en la reiteración de contenido, que facilita a su vez al aprendizaje y la consolidación de conocimientos.

Únete a un programa 100% online y aplica en tus proyectos las técnicas avanzadas de Inteligencia Artificial sobre Agentes Inteligentes”

Este Experto Universitario en Sistemas de Percepción Visual de Robots con Aprendizaje Automático contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en ingeniería robótica
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Despliega todo tu potencial en este Experto Universitario y aprende de manera sencilla a identificar los nuevos campos de aplicación de redes neuronales generativas"

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que le proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del programa académico. Para ello, contará con la ayuda de un novedoso sistema de vídeos interactivos realizados por reconocidos expertos.

Este Experto Universitario te permitirá alcanzar un alto nivel de dominito de los algoritmos empleados en la creación de robots"

Una excelente oportunidad para que pongas en marcha tus proyectos en el área de la Robótica"

El plan de estudio de este Experto Universitario, que consta de 450 horas lectivas, está confeccionado en tres módulos en los que se tratará de forma exhaustiva la Inteligencia Artificial y su aplicación en robots y Softbots, desgranando especialmente todas las técnicas implicadas en el desarrollo de la visión artificial y las herramientas imprescindibles para su desarrollo. Los vídeos en detalle y el resto de material multimedia que encontrará el alumnado en la plataforma virtual complementarán este amplio programa.

Tienes Matricúlate en este Experto Universitario y adquiere un aprendizaje avanzado en Deep Learning mediante herramientas como Google IColab”

Módulo 1. Agentes inteligentes. Aplicación de la Inteligencia Artificial a robots y Softbots

1.1. Agentes Inteligentes e Inteligencia Artificial

1.1.1. Robots Inteligentes. Inteligencia Artificial
1.1.2. Agentes Inteligentes

1.1.2.1. Agentes hardware. Robots
1.1.2.2. Agentes software. Softbots

1.1.3. Aplicaciones a la Robótica

1.2. Conexión Cerebro-Algoritmo

1.2.1. Inspiración biológica de la Inteligencia Artificial
1.2.2. Razonamiento implementado en algoritmos. Tipología
1.2.3. Explicabilidad de los resultados en los algoritmos de Inteligencia Artificial
1.2.4. Evolución de los algoritmos hasta Deep Learning

1.3. Algoritmos de búsqueda en el espacio de soluciones

1.3.1. Elementos en la búsqueda en el espacio de soluciones
1.3.2. Algoritmos de búsqueda de soluciones en problemas de Inteligencia Artificial
1.3.3. Aplicaciones de algoritmos de búsqueda y optimización
1.3.4. Algoritmos de búsqueda aplicados a Aprendizaje Automático

1.4. Aprendizaje Automático

1.4.1. Aprendizaje automático
1.4.2. Algoritmos de Aprendizaje Supervisado
1.4.3. Algoritmos de Aprendizaje No Supervisado
1.4.4. Algoritmos de Aprendizaje por Refuerzo

1.5. Aprendizaje Supervisado

1.5.1. Métodos de Aprendizaje Supervisado
1.5.2. Árboles de decisión para clasificación
1.5.3. Máquinas de soporte de vectores
1.5.4. Redes neuronales artificiales
1.5.5. Aplicaciones del Aprendizaje Supervisado

1.6. Aprendizaje No supervisado

1.6.1. Aprendizaje No Supervisado
1.6.2. Redes de Kohonen
1.6.3. Mapas autoorganizativos
1.6.4. Algoritmo K-medias

1.7. Aprendizaje por Refuerzo

1.7.1. Aprendizaje por Refuerzo
1.7.2. Agentes basados en procesos de Markov
1.7.3. Algoritmos de Aprendizaje por Refuerzo
1.7.4. Aprendizaje por Refuerzo aplicado a Robótica

1.8. Redes neuronales artificiales y Deep Learning

1.8.1. Redes neuronales artificiales. Tipología
1.8.2. Aplicaciones de redes neuronales
1.8.3. Transformación del Machine Learning al Deep Learning
1.8.4. Aplicaciones de Deep Learning

1.9. Inferencia probabilística

1.9.1. Inferencia probabilística
1.9.2. Tipos de inferencia y definición del método
1.9.3. Inferencia bayesiana como caso de estudio
1.9.4. Técnicas de inferencia no paramétricas
1.9.5. Filtros Gaussianos

1.10. De la teoría a la práctica: desarrollando un agente inteligente robótico

1.10.1. Inclusión de módulos de Aprendizaje Supervisado en un agente robótico
1.10.2. Inclusión de módulos de Aprendizaje por Refuerzo en un agente robótico
1.10.3. Arquitectura de un agente robótico controlado por Inteligencia Artificial
1.10.4. Herramientas profesionales para la implementación del agente inteligente
1.10.5. Fases de la implementación de algoritmos de IA en agentes robóticos

Módulo 2. Técnicas de Visión Artificial en Robótica: procesamiento y análisis de imágenes

2.1. La Visión por Computador

2.1.1. La Visión por Computador
2.1.2. Elementos de un sistema de Visión por Computador
2.1.3. Herramientas matemáticas

2.2. Sensores ópticos para la Robótica

2.2.1. Sensores ópticos pasivos
2.2.2. Sensores ópticos activos
2.2.3. Sensores no ópticos

2.3. Adquisición de imágenes

2.3.1. Representación de imágenes
2.3.2. Espacio de colores
2.3.3. Proceso de digitalización

2.4. Geometría de las imágenes

2.4.1. Modelos de lentes
2.4.2. Modelos de cámaras
2.4.3. Calibración de cámaras

2.5. Herramientas matemáticas

2.5.1. Histograma de una imagen
2.5.2. Convolución
2.5.3. Transformada de Fourier

2.6. Preprocesamiento de imágenes

2.6.1. Análisis de ruido
2.6.2. Suavizado de imágenes
2.6.3. Realce de imágenes

2.7. Segmentación de imágenes

2.7.1. Técnicas basadas en contornos
2.7.3. Técnicas basadas en histograma
2.7.4. Operaciones morfológicas

2.8. Detección de características en la imagen

2.8.1. Detección de puntos de interés
2.8.2. Descriptores de características
2.8.3. Correspondencias entre características

2.9. Sistemas de visión 3D

2.9.1. Percepción 3D
2.9.2. Correspondencia de características entre imágenes
2.9.3. Geometría de múltiples vistas

2.10. Localización basada en Visión Artificial

2.10.1. El problema de la localización de robots
2.10.2. Odometría visual
2.10.3. Fusión sensorial

Módulo 3. Sistemas de percepción visual de robots con aprendizaje automático

3.1. Métodos de Aprendizaje No Supervisados aplicados a la Visión Artificial

3.1.1. Clustering
3.1.2. PCA
3.1.3. Nearest Neighbors
3.1.4. Similarity and matrix decomposition

3.2. Métodos de Aprendizaje Supervisados aplicados a la Visión Artificial

3.2.1. Concepto “Bag of words”
3.2.2. Máquina de soporte de vectores
3.2.3. Latent Dirichlet Allocation
3.2.4. Redes neuronales

3.3. Redes Neuronales Profundas: estructuras, Backbones y Transfer Learning

3.3.1. Capas generadoras de Features

3.3.3.1. VGG
3.3.3.2. Densenet
3.3.3.3. ResNet
3.3.3.4. Inception
3.3.3.5. GoogLeNet

3.3.2. Transfer Learning
3.3.3. Los datos. Preparación para el entrenamiento

3.4. Visión Artificial con Aprendizaje Profundo I: detección y segmentación

3.4.1. YOLO y SSD diferencias y similitudes
3.4.2. Unet
3.4.3. Otras estructuras

3.5. Visión Artificial con aprendizaje profundo II: Generative Adversarial Networks

3.5.1. Superresolución de imágenes usando GAN
3.5.2. Creación de Imágenes realistas
3.5.3. Scene understanding

3.6. Técnicas de aprendizaje para la localización y mapeo en la Robótica Móvil

3.6.1. Detección de cierre de bucle y relocalización
3.6.2. Magic Leap. Super Point y Super Glue
3.6.3. Depth from Monocular

3.7. Inferencia bayesiana y modelado 3D

3.7.1. Modelos bayesianos y aprendizaje “clásico”
3.7.2. Superficies implícitas con procesos gaussianos (GPIS)
3.7.3. Segmentación 3D usando GPIS
3.7.4. Redes neuronales para el modelado de superficies 3D

3.8. Aplicaciones End-to-End de las Redes Neuronales Profundas

3.8.1. Sistema end-to-end. Ejemplo de identificación de personas
3.8.2. Manipulación de objetos con sensores visuales
3.8.3. Generación de movimientos y planificación con sensores visuales

3.9. Tecnologías en la nube para acelerar el desarrollo de algoritmos de Deep Learning

3.9.1. Uso de GPU para el Deep Learning
3.9.2. Desarrollo ágil con Google IColab
3.9.3. GPUs remotas, Google Cloud y AWS

3.10. Despliegue de Redes Neuronales en aplicaciones reales

3.10.1. Sistemas embebidos
3.10.2. Despliegue de Redes Neuronales. Uso
3.10.3. Optimizaciones de redes en el despliegue, ejemplo con T

Domina el uso de Python y Tensorflow, herramientas clave en el campo de la Robótica. Clic e inscríbete ya”