Este Máster Título Propio 100% online te permitirá optimizar procesos de diseño y construcción mediante herramientas como el modelado generativo, la simulación predictiva y la eficiencia energética basada en IA” 

La Inteligencia Artificial (IA) está transformando rápidamente la arquitectura, ofreciendo nuevas herramientas para diseñar, planificar y construir edificios de manera más eficiente y sostenible. El uso de IA en la arquitectura se ha expandido, permitiendo a los arquitectos optimizar diseños a través de simulaciones avanzadas que consideran variables como la luz natural, la ventilación y el consumo energético. 

Así nace este Máster Título Propio, diseñado para capacitar a los arquitectos en el uso de tecnologías avanzadas para revolucionar el proceso de diseño y construcción. En este sentido, se analizará cómo la Inteligencia Artificial puede optimizar y transformar la práctica arquitectónica tradicional. A través del uso de herramientas, como AutoCAD y Fusion 360, así como la introducción al modelado generativo y diseño paramétrico, los profesionales podrán integrar estas innovaciones en sus proyectos. 

Asimismo, se profundizará en el uso de IA para la optimización de espacios y la eficiencia energética, elementos clave en la arquitectura contemporánea. Utilizando herramientas como Autodesk Revit y Google DeepMind, se podrán diseñar entornos más sostenibles mediante el análisis de datos y simulaciones energéticas avanzadas. Este enfoque también se complementará con la introducción de la planificación urbana inteligente, enfrentando las demandas del diseño sostenible en entornos cada vez más complejos y urbanos. 

Finalmente, los expertos abarcarán tecnologías punteras, como Grasshopper, MATLAB y herramientas de escaneo láser para desarrollar proyectos innovadores y sostenibles. Además, a través de la simulación y el modelado predictivo, podrán anticipar y resolver problemas estructurales y medioambientales antes de que ocurran. 

De este modo, TECH ha creado un detallado programa universitario totalmente en línea, que facilita a los egresados el acceso a los materiales educativos a través de cualquier dispositivo electrónico con conexión a Internet. Esto elimina la necesidad de desplazarse a un lugar físico y adaptarse a un horario específico. Adicionalmente, integra la revolucionaria metodología Relearning, que se fundamenta en la repetición de conceptos esenciales para mejorar la comprensión del contenido. 

Te posicionarás a la vanguardia de la industria, liderando proyectos innovadores y sostenibles que integren las últimas tecnologías, lo que aumentará tu competitividad y oportunidades en el mercado laboral global” 

Estos Máster Título Propio en Inteligencia Artificial en Arquitectura contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:  

• El desarrollo de casos prácticos presentados por expertos en Inteligencia Artificial 

• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información actualizada 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 

Indagarás en la importancia de la preservación del patrimonio cultural, utilizando la Inteligencia Artificial para conservar y revitalizar estructuras históricas, gracias a una amplia biblioteca de recursos multimedia” 

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 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 curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.   

Dominarás plataformas como Autodesk Revit, SketchUp y Google DeepMind, desarrollando habilidades para diseñar entornos más sostenibles y eficientes, de la mano de la mejor universidad digital del mundo, según Forbes” 

Trabajarás con herramientas como Grasshopper y Autodesk Fusion 360 para crear diseños adaptativos y sostenibles, explorando la integración de la robótica en la construcción y la personalización en la fabricación digital” 

El contenido del Master de Formación Permanente abarcará una amplia gama de temas diseñados para integrar la tecnología avanzada en el proceso arquitectónico. Así, los arquitectos se sumergirán en el uso de Inteligencia Artificial para mejorar el diseño arquitectónico, explorando herramientas como AutoCAD, Fusion 360 y Grasshopper para modelado generativo y diseño paramétrico. Además, el programa se enfocará en la optimización de la eficiencia energética y la planificación de espacios mediante análisis de datos y simulaciones, con software como Autodesk Revit y Google DeepMind. 

Crearás modelos arquitectónicos innovadores y creativos utilizando herramientas de simulación avanzada como MATLAB” 

Módulo 1. Fundamentos de la Inteligencia Artificial

1.1. Historia de la Inteligencia artificial 

1.1.1. ¿Cuándo se empieza a hablar de inteligencia artificial?
1.1.2. Referentes en el cine 
1.1.3. Importancia de la inteligencia artificial 
1.1.4. Tecnologías que habilitan y dan soporte a la inteligencia artificial 

1.2. La Inteligencia Artificial en juegos 

1.2.1. Teoría de Juegos 
1.2.2. Minimax y poda Alfa-Beta 
1.2.3. Simulación: Monte Carlo 

1.3. Redes de neuronas 

1.3.1. Fundamentos biológicos 
1.3.2. Modelo computacional 
1.3.3. Redes de neuronas supervisadas y no supervisadas 
1.3.4. Perceptrón simple 
1.3.5. Perceptrón multicapa 

1.4. Algoritmos genéticos 

1.4.1. Historia 
1.4.2. Base biológica 
1.4.3. Codificación de problemas 
1.4.4. Generación de la población inicial 
1.4.5. Algoritmo principal y operadores genéticos 
1.4.6. Evaluación de individuos: Fitness 

1.5. Tesauros, vocabularios, taxonomías 

1.5.1. Vocabularios 
1.5.2. Taxonomías 
1.5.3. Tesauros 
1.5.4. Ontologías 
1.5.5. Representación del conocimiento: web semántica 

1.6. Web semántica 

1.6.1. Especificaciones: RDF, RDFS y OWL 
1.6.2. Inferencia/razonamiento 
1.6.3. Linked Data 

1.7. Sistemas expertos y DSS 

1.7.1. Sistemas expertos 
1.7.2. Sistemas de soporte a la decisión 

1.8. Chatbots y Asistentes Virtuales

1.8.1. Tipos de asistentes: asistentes por voz y por texto
1.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades y flujo de diálogo 
1.8.3. Integraciones: web, Slack, Whatsapp, Facebook 
1.8.4. Herramientas de desarrollo de asistentes: Dialog Flow, Watson Assistant

1.9. Estrategia de implantación de IA 
1.10. Futuro de la inteligencia artificial

1.10.1. Entendemos cómo detectar emociones mediante algoritmos
1.10.2. Creación de una personalidad: lenguaje, expresiones y contenido
1.10.3. Tendencias de la inteligencia artificial
1.10.4. Reflexiones

Módulo 2. Tipos y Ciclo de Vida del Dato 

2.1. La Estadística

2.1.1. Estadística: estadística descriptiva, estadística inferencias
2.1.2. Población, muestra, individuo
2.1.3. Variables: definición, escalas de medida

2.2. Tipos de datos estadísticos

2.2.1. Según tipo

2.2.1.1. Cuantitativos: datos continuos y datos discretos
2.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales 

2.2.2. Según su forma 

2.2.2.1. Numérico
2.2.2.2. Texto 
2.2.2.3. Lógico

2.2.3. Según su fuente

2.2.3.1. Primarios
2.2.3.2. Secundarios

2.3. Ciclo de vida de los datos

2.3.1. Etapas del ciclo
2.3.2. Hitos del ciclo
2.3.3. Principios FAIR

2.4. Etapas iniciales del ciclo

2.4.1. Definición de metas
2.4.2. Determinación de recursos necesarios
2.4.3. Diagrama de Gantt
2.4.4. Estructura de los datos

2.5. Recolección de datos

2.5.1. Metodología de recolección
2.5.2. Herramientas de recolección
2.5.3. Canales de recolección

2.6. Limpieza del dato

2.6.1. Fases de la limpieza de datos
2.6.2. Calidad del dato
2.6.3. Manipulación de datos (con R)

2.7. Análisis de datos, interpretación y valoración de resultados

2.7.1. Medidas estadísticas
2.7.2. Índices de relación
2.7.3. Minería de datos

2.8. Almacén del dato (Datawarehouse)

2.8.1. Elementos que lo integran
2.8.2. Diseño
2.8.3. Aspectos a considerar

2.9. Disponibilidad del dato

2.9.1. Acceso
2.9.2. Utilidad
2.9.3. Seguridad

2.10. Aspectos Normativos 

2.10.1. Ley de protección de datos
2.10.2. Buenas prácticas
2.10.3. Otros aspectos normativos

Módulo 3. El dato en la Inteligencia Artificial 

3.1. Ciencia de datos 

3.1.1. La ciencia de datos 
3.1.2. Herramientas avanzadas para el científico de datos 

3.2. Datos, información y conocimiento 

3.2.1. Datos, información y conocimiento
3.2.2. Tipos de datos 
3.2.3. Fuentes de datos 

3.3. De los datos a la información

3.3.1. Análisis de Datos 
3.3.2. Tipos de análisis 
3.3.3. Extracción de Información de un Dataset 

3.4. Extracción de información mediante visualización 

3.4.1. La visualización como herramienta de análisis 
3.4.2. Métodos de visualización
3.4.3. Visualización de un conjunto de datos 

3.5. Calidad de los datos 

3.5.1. Datos de calidad 
3.5.2. Limpieza de datos
3.5.3. Preprocesamiento básico de datos 

3.6. Dataset 

3.6.1. Enriquecimiento del Dataset 
3.6.2. La maldición de la dimensionalidad 
3.6.3. Modificación de nuestro conjunto de datos 

3.7. Desbalanceo

3.7.1. Desbalanceo de clases 
3.7.2. Técnicas de mitigación del desbalanceo 
3.7.3. Balanceo de un Dataset 

3.8. Modelos no supervisados

3.8.1. Modelo no supervisado 
3.8.2. Métodos 
3.8.3. Clasificación con modelos no supervisados 

3.9. Modelos supervisados 

3.9.1. Modelo supervisado 
3.9.2. Métodos 
3.9.3. Clasificación con modelos supervisados 

3.10. Herramientas y buenas prácticas 

3.10.1. Buenas prácticas para un científico de datos 
3.10.2. El mejor modelo
3.10.3. Herramientas útiles 

Módulo 4. Minería de Datos. Selección, preprocesamiento y transformación 

4.1. La inferencia estadística 

4.1.1. Estadística descriptiva vs. Inferencia estadística 
4.1.2. Procedimientos paramétricos 
4.1.3. Procedimientos no paramétricos 

4.2. Análisis exploratorio 

4.2.1. Análisis descriptivo
4.2.2. Visualización 
4.2.3. Preparación de datos 

4.3. Preparación de datos 

4.3.1. Integración y limpieza de datos
4.3.2. Normalización de datos 
4.3.3. Transformando atributos

4.4. Los valores perdidos 

4.4.1. Tratamiento de valores perdidos 
4.4.2. Métodos de imputación de máxima verosimilitud 
4.4.3. Imputación de valores perdidos usando aprendizaje automático 

4.5. El ruido en los datos

4.5.1. Clases de ruido y atributos 
4.5.2. Filtrado de ruido
4.5.3. El efecto del ruido 

4.6. La maldición de la dimensionalidad 

4.6.1. Oversampling 
4.6.2. Undersampling 
4.6.3. Reducción de datos multidimensionales 

4.7. De atributos continuos a discretos 

4.7.1. Datos continuos versus discretos 
4.7.2. Proceso de discretización 

4.8. Los datos

4.8.1. Selección de datos
4.8.2. Perspectivas y criterios de selección 
4.8.3. Métodos de selección

4.9. Selección de instancias 

4.9.1. Métodos para la selección de instancias 
4.9.2. Selección de prototipos 
4.9.3. Métodos avanzados para la selección de instancias 

4.10. Preprocesamiento de datos en entornos Big Data 

Módulo 5. Algoritmia y complejidad en Inteligencia Artificial 

5.1. Introducción a las estrategias de diseño de algoritmos 

5.1.1. Recursividad 
5.1.2. Divide y conquista 
5.1.3. Otras estrategias 

5.2. Eficiencia y análisis de los algoritmos 

5.2.1. Medidas de eficiencia 
5.2.2. Medir el tamaño de la entrada 
5.2.3. Medir el tiempo de ejecución 
5.2.4. Caso peor, mejor y medio 
5.2.5. Notación asintónica 
5.2.6. Criterios de Análisis matemático de algoritmos no recursivos 
5.2.7. Análisis matemático de algoritmos recursivos 
5.2.8. Análisis empírico de algoritmos 

5.3. Algoritmos de ordenación 

5.3.1. Concepto de ordenación 
5.3.2. Ordenación de la burbuja 
5.3.3. Ordenación por selección 
5.3.4. Ordenación por inserción 
5.3.5. Ordenación por mezcla (Merge_Sort) 
5.3.6. Ordenación rápida (Quick_Sort) 

5.4. Algoritmos con árboles 

5.4.1. Concepto de árbol 
5.4.2. Árboles binarios 
5.4.3. Recorridos de árbol 
5.4.4. Representar expresiones 
5.4.5. Árboles binarios ordenados 
5.4.6. Árboles binarios balanceados 

5.5. Algoritmos con Heaps 

5.5.1. Los Heaps 
5.5.2. El algoritmo Heapsort 
5.5.3. Las colas de prioridad 

5.6. Algoritmos con grafos 

5.6.1. Representación 
5.6.2. Recorrido en anchura 
5.6.3. Recorrido en profundidad 
5.6.4. Ordenación topológica 

5.7. Algoritmos Greedy 

5.7.1. La estrategia Greedy 
5.7.2. Elementos de la estrategia Greedy 
5.7.3. Cambio de monedas 
5.7.4. Problema del viajante 
5.7.5. Problema de la mochila 

5.8. Búsqueda de caminos mínimos 

5.8.1. El problema del camino mínimo 
5.8.2. Arcos negativos y ciclos 
5.8.3. Algoritmo de Dijkstra 

5.9. Algoritmos Greedy sobre grafos 

5.9.1. El árbol de recubrimiento mínimo 
5.9.2. El algoritmo de Prim 
5.9.3. El algoritmo de Kruskal 
5.9.4. Análisis de complejidad 

5.10. Backtracking 

5.10.1. El Backtracking 
5.10.2. Técnicas alternativas 

Módulo 6. Sistemas inteligentes 

6.1. Teoría de agentes 

6.1.1. Historia del concepto 
6.1.2. Definición de agente 
6.1.3. Agentes en Inteligencia Artificial 
6.1.4. Agentes en ingeniería de Software 

6.2. Arquitecturas de agentes 

6.2.1. El proceso de razonamiento de un agente 
6.2.2. Agentes reactivos 
6.2.3. Agentes deductivos 
6.2.4. Agentes híbridos 
6.2.5. Comparativa 

6.3. Información y conocimiento 

6.3.1. Distinción entre datos, información y conocimiento 
6.3.2. Evaluación de la calidad de los datos 
6.3.3. Métodos de captura de datos 
6.3.4. Métodos de adquisición de información 
6.3.5. Métodos de adquisición de conocimiento 

6.4. Representación del conocimiento 

6.4.1. La importancia de la representación del conocimiento 
6.4.2. Definición de representación del conocimiento a través de sus roles 
6.4.3. Características de una representación del conocimiento 

6.5. Ontologías 

6.5.1. Introducción a los metadatos 
6.5.2. Concepto filosófico de ontología 
6.5.3. Concepto informático de ontología 
6.5.4. Ontologías de dominio y ontologías de nivel superior 
6.5.5. ¿Cómo construir una ontología? 

6.6. Lenguajes para ontologías y Software para la creación de ontologías 

6.6.1. Tripletas RDF, Turtle y N 
6.6.2. RDF Schema 
6.6.3. OWL 
6.6.4. SPARQL 
6.6.5. Introducción a las diferentes herramientas para la creación de ontologías 
6.6.6. Instalación y uso de Protégé 

6.7. La web semántica 

6.7.1. El estado actual y futuro de la web semántica 
6.7.2. Aplicaciones de la web semántica 

6.8. Otros modelos de representación del conocimiento 

6.8.1. Vocabularios 
6.8.2. Visión global 
6.8.3. Taxonomías 
6.8.4. Tesauros 
6.8.5. Folksonomías 
6.8.6. Comparativa 
6.8.7. Mapas mentales 

6.9. Evaluación e integración de representaciones del conocimiento 

6.9.1. Lógica de orden cero 
6.9.2. Lógica de primer orden 
6.9.3. Lógica descriptiva 
6.9.4. Relación entre diferentes tipos de lógica 
6.9.5. Prolog: programación basada en lógica de primer orden 

6.10. Razonadores semánticos, sistemas basados en conocimiento y Sistemas Expertos 

6.10.1. Concepto de razonador 
6.10.2. Aplicaciones de un razonador 
6.10.3. Sistemas basados en el conocimiento 
6.10.4. MYCIN, historia de los Sistemas Expertos 
6.10.5. Elementos y Arquitectura de Sistemas Expertos 
6.10.6. Creación de Sistemas Expertos 

Módulo 7. Aprendizaje automático y minería de datos 

7.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático 

7.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento 
7.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento 
7.1.3. Etapas de los procesos de descubrimiento del conocimiento 
7.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento 
7.1.5. Características de los buenos modelos de aprendizaje automático 
7.1.6. Tipos de información de aprendizaje automático 
7.1.7. Conceptos básicos de aprendizaje 
7.1.8. Conceptos básicos de aprendizaje no supervisado 

7.2. Exploración y preprocesamiento de datos 

7.2.1. Tratamiento de datos 
7.2.2. Tratamiento de datos en el flujo de análisis de datos 
7.2.3. Tipos de datos 
7.2.4. Transformaciones de datos 
7.2.5. Visualización y exploración de variables continuas 
7.2.6. Visualización y exploración de variables categóricas 
7.2.7. Medidas de correlación 
7.2.8. Representaciones gráficas más habituales 
7.2.9. Introducción al análisis multivariante y a la reducción de dimensiones 

7.3. Árboles de decisión 

7.3.1. Algoritmo ID 
7.3.2. Algoritmo C 
7.3.3. Sobreentrenamiento y poda 
7.3.4. Análisis de resultados 

7.4. Evaluación de clasificadores 

7.4.1. Matrices de confusión 
7.4.2. Matrices de evaluación numérica 
7.4.3. Estadístico de Kappa 
7.4.4. La curva ROC 

7.5. Reglas de clasificación 

7.5.1. Medidas de evaluación de reglas 
7.5.2. Introducción a la representación gráfica 
7.5.3. Algoritmo de recubrimiento secuencial 

7.6. Redes neuronales 

7.6.1. Conceptos básicos 
7.6.2. Redes de neuronas simples 
7.6.3. Algoritmo de Backpropagation 
7.6.4. Introducción a las redes neuronales recurrentes 

7.7. Métodos bayesianos 

7.7.1. Conceptos básicos de probabilidad 
7.7.2. Teorema de Bayes 
7.7.3. Naive Bayes 
7.7.4. Introducción a las redes bayesianas 

7.8. Modelos de regresión y de respuesta continua 

7.8.1. Regresión lineal simple 
7.8.2. Regresión lineal múltiple 
7.8.3. Regresión logística 
7.8.4. Árboles de regresión 
7.8.5. Introducción a las máquinas de soporte vectorial (SVM) 
7.8.6. Medidas de bondad de ajuste 

7.9. Clustering 

7.9.1. Conceptos básicos 
7.9.2. Clustering jerárquico 
7.9.3. Métodos probabilistas 
7.9.4. Algoritmo EM 
7.9.5. Método B-Cubed 
7.9.6. Métodos implícitos 

7.10. Minería de textos y procesamiento de lenguaje natural (NLP) 

7.10.1. Conceptos básicos 
7.10.2. Creación del corpus 
7.10.3. Análisis descriptivo 
7.10.4. Introducción al análisis de sentimientos 

Módulo 8. Las redes neuronales, base de Deep Learning 

8.1. Aprendizaje Profundo 

8.1.1. Tipos de aprendizaje profundo 
8.1.2. Aplicaciones del aprendizaje profundo 
8.1.3. Ventajas y desventajas del aprendizaje profundo 

8.2. Operaciones 

8.2.1. Suma 
8.2.2. Producto 
8.2.3. Traslado 

8.3. Capas 

8.3.1. Capa de entrada 
8.3.2. Capa oculta 
8.3.3. Capa de salida 

8.4. Unión de Capas y Operaciones 

8.4.1. Diseño de arquitecturas 
8.4.2. Conexión entre capas 
8.4.3. Propagación hacia adelante 

8.5. Construcción de la primera red neuronal 

8.5.1. Diseño de la red 
8.5.2. Establecer los pesos 
8.5.3. Entrenamiento de la red 

8.6. Entrenador y Optimizador 

8.6.1. Selección del optimizador 
8.6.2. Establecimiento de una función de pérdida 
8.6.3. Establecimiento de una métrica 

8.7. Aplicación de los Principios de las Redes Neuronales 

8.7.1. Funciones de activación 
8.7.2. Propagación hacia atrás 
8.7.3. Ajuste de los parámetros 

8.8. De las neuronas biológicas a las artificiales 

8.8.1. Funcionamiento de una neurona biológica 
8.8.2. Transferencia de conocimiento a las neuronas artificiales 
8.8.3. Establecer relaciones entre ambas 

8.9. Implementación de MLP (Perceptrón multicapa) con Keras 

8.9.1. Definición de la estructura de la red 
8.9.2. Compilación del modelo 
8.9.3. Entrenamiento del modelo 

8.10. Hiperparámetros de Fine tuning de Redes Neuronales 

8.10.1. Selección de la función de activación 
8.10.2. Establecer el Learning rate 
8.10.3. Ajuste de los pesos 

Módulo 9. Entrenamiento de redes neuronales profundas 

9.1. Problemas de Gradientes 

9.1.1. Técnicas de optimización de gradiente 
9.1.2. Gradientes Estocásticos 
9.1.3. Técnicas de inicialización de pesos 

9.2. Reutilización de capas preentrenadas 

9.2.1. Entrenamiento de transferencia de aprendizaje 
9.2.2. Extracción de características 
9.2.3. Aprendizaje profundo 

9.3. Optimizadores 

9.3.1. Optimizadores de descenso de gradiente estocástico 
9.3.2. Optimizadores Adam y RMSprop 
9.3.3. Optimizadores de momento 

9.4. Programación de la tasa de aprendizaje 

9.4.1. Control de tasa de aprendizaje automático 
9.4.2. Ciclos de aprendizaje 
9.4.3. Términos de suavizado 

9.5. Sobreajuste 

9.5.1. Validación cruzada 
9.5.2. Regularización 
9.5.3. Métricas de evaluación 

9.6. Directrices Prácticas 

9.6.1. Diseño de modelos 
9.6.2. Selección de métricas y parámetros de evaluación 
9.6.3. Pruebas de hipótesis 

9.7. Transfer Learning 

9.7.1. Entrenamiento de transferencia de aprendizaje 
9.7.2. Extracción de características 
9.7.3. Aprendizaje profundo 

9.8. Data Augmentation 

9.8.1. Transformaciones de imagen 
9.8.2. Generación de datos sintéticos 
9.8.3. Transformación de texto 

9.9. Aplicación Práctica de Transfer Learning 

9.9.1. Entrenamiento de transferencia de aprendizaje 
9.9.2. Extracción de características 
9.9.3. Aprendizaje profundo 

9.10. Regularización 

9.10.1. L y L 
9.10.2. Regularización por máxima entropía 
9.10.3. Dropout 

Módulo 10. Personalización de Modelos y entrenamiento con TensorFlow 

10.1. TensorFlow 

10.1.1. Uso de la biblioteca TensorFlow 
10.1.2. Entrenamiento de modelos con TensorFlow 
10.1.3. Operaciones con gráficos en TensorFlow 

10.2. TensorFlow y NumPy 

10.2.1. Entorno computacional NumPy para TensorFlow 
10.2.2. Utilización de los arrays NumPy con TensorFlow 
10.2.3. Operaciones NumPy para los gráficos de TensorFlow 

10.3. Personalización de modelos y algoritmos de entrenamiento 

10.3.1. Construcción de modelos personalizados con TensorFlow 
10.3.2. Gestión de parámetros de entrenamiento 
10.3.3. Utilización de técnicas de optimización para el entrenamiento 

10.4. Funciones y gráficos de TensorFlow 

10.4.1. Funciones con TensorFlow 
10.4.2. Utilización de gráficos para el entrenamiento de modelos 
10.4.3. Optimización de gráficos con operaciones de TensorFlow 

10.5. Carga y preprocesamiento de datos con TensorFlow 

10.5.1. Carga de conjuntos de datos con TensorFlow 
10.5.2. Preprocesamiento de datos con TensorFlow 
10.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos 

10.6. La API tfdata 

10.6.1. Utilización de la API tfdata para el procesamiento de datos 
10.6.2. Construcción de flujos de datos con tfdata 
10.6.3. Uso de la API tfdata para el entrenamiento de modelos 

10.7. El formato TFRecord 

10.7.1. Utilización de la API TFRecord para la serialización de datos 
10.7.2. Carga de archivos TFRecord con TensorFlow 
10.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos 

10.8. Capas de preprocesamiento de Keras 

10.8.1. Utilización de la API de preprocesamiento de Keras 
10.8.2. Construcción de pipelined de preprocesamiento con Keras 
10.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos 

10.9. El proyecto TensorFlow Datasets 

10.9.1. Utilización de TensorFlow Datasets para la carga de datos 
10.9.2. Preprocesamiento de datos con TensorFlow Datasets 
10.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos 

10.10. Construcción de una Aplicación de Deep Learning con TensorFlow 

10.10.1. Aplicación Práctica 
10.10.2. Construcción de una aplicación de Deep Learning con TensorFlow 
10.10.3. Entrenamiento de un modelo con TensorFlow 
10.10.4. Utilización de la aplicación para la predicción de resultados 

Módulo 11. Deep Computer Vision con Redes Neuronales Convolucionales 

11.1. La Arquitectura Visual Cortex 

11.1.1. Funciones de la corteza visual 
11.1.2. Teorías de la visión computacional 
11.1.3. Modelos de procesamiento de imágenes 

11.2. Capas convolucionales 

11.2.1. Reutilización de pesos en la convolución 
11.2.2. Convolución D 
11.2.3. Funciones de activación 

11.3. Capas de agrupación e implementación de capas de agrupación con Keras 

11.3.1. Pooling y Striding 
11.3.2. Flattening 
11.3.3. Tipos de Pooling 

11.4. Arquitecturas CNN 

11.4.1. Arquitectura VGG 
11.4.2. Arquitectura AlexNet 
11.4.3. Arquitectura ResNet 

11.5. Implementación de una CNN ResNet- usando Keras 

11.5.1. Inicialización de pesos 
11.5.2. Definición de la capa de entrada 
11.5.3. Definición de la salida 

11.6. Uso de modelos preentrenados de Keras 

11.6.1. Características de los modelos preentrenados 
11.6.2. Usos de los modelos preentrenados 
11.6.3. Ventajas de los modelos preentrenados 

11.7. Modelos preentrenados para el aprendizaje por transferencia 

11.7.1. El Aprendizaje por transferencia 
11.7.2. Proceso de aprendizaje por transferencia 
11.7.3. Ventajas del aprendizaje por transferencia 

11.8. Clasificación y Localización en Deep Computer Vision 

11.8.1. Clasificación de imágenes 
11.8.2. Localización de objetos en imágenes 
11.8.3. Detección de objetos 

11.9. Detección de objetos y seguimiento de objetos 

11.9.1. Métodos de detección de objetos 
11.9.2. Algoritmos de seguimiento de objetos 
11.9.3. Técnicas de rastreo y localización 

11.10. Segmentación semántica 

11.10.1. Aprendizaje profundo para segmentación semántica 
11.10.2. Detección de bordes 
11.10.3. Métodos de segmentación basados en reglas 

Módulo 12. Procesamiento del lenguaje natural (NLP) con Redes Naturales Recurrentes (RNN) y Atención 

12.1. Generación de texto utilizando RNN 

12.1.1. Entrenamiento de una RNN para generación de texto 
12.1.2. Generación de lenguaje natural con RNN 
12.1.3. Aplicaciones de generación de texto con RNN 

12.2. Creación del conjunto de datos de entrenamiento 

12.2.1. Preparación de los datos para el entrenamiento de una RNN 
12.2.2. Almacenamiento del conjunto de datos de entrenamiento 
12.2.3. Limpieza y transformación de los datos 
12.2.4. Análisis de Sentimiento 

12.3. Clasificación de opiniones con RNN 

12.3.1. Detección de temas en los comentarios 
12.3.2. Análisis de sentimiento con algoritmos de aprendizaje profundo 

12.4. Red de codificador-decodificador para la traducción automática neuronal 

12.4.1. Entrenamiento de una RNN para la traducción automática 
12.4.2. Uso de una red encoder-decoder para la traducción automática 
12.4.3. Mejora de la precisión de la traducción automática con RNN 

12.5. Mecanismos de atención 

12.5.1. Aplicación de mecanismos de atención en RNN 
12.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos 
12.5.3. Ventajas de los mecanismos de atención en las redes neuronales 

12.6. Modelos Transformers 

12.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural 
12.6.2. Aplicación de los modelos Transformers para visión 
12.6.3. Ventajas de los modelos Transformers 

12.7. Transformers para visión 

12.7.1. Uso de los modelos Transformers para visión 
12.7.2. Preprocesamiento de los datos de imagen 
12.7.3. Entrenamiento de un modelo Transformers para visión 

12.8. Librería de Transformers de Hugging Face 

12.8.1. Uso de la librería de Transformers de Hugging Face 
12.8.2. Aplicación de la librería de Transformers de Hugging Face 
12.8.3. Ventajas de la librería de Transformers de Hugging Face 

12.9. Otras Librerías de Transformers. Comparativa 

12.9.1. Comparación entre las distintas librerías de Transformers 
12.9.2. Uso de las demás librerías de Transformers 
12.9.3. Ventajas de las demás librerías de Transformers 

12.10. Desarrollo de una Aplicación de NLP con RNN y Atención. Aplicación Práctica 

12.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN y atención 
12.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación 
12.10.3. Evaluación de la aplicación práctica 

Módulo 13. Autoencoders, GANs, y Modelos de Difusión 

13.1. Representaciones de datos eficientes 

13.1.1. Reducción de dimensionalidad 
13.1.2. Aprendizaje profundo 
13.1.3. Representaciones compactas 

13.2. Realización de PCA con un codificador automático lineal incompleto 

13.2.1. Proceso de entrenamiento 
13.2.2. Implementación en Python 
13.2.3. Utilización de datos de prueba 

13.3. Codificadores automáticos apilados 

13.3.1. Redes neuronales profundas 
13.3.2. Construcción de arquitecturas de codificación 
13.3.3. Uso de la regularización 

13.4. Autocodificadores convolucionales 

13.4.1. Diseño de modelos convolucionales 
13.4.2. Entrenamiento de modelos convolucionales 
13.4.3. Evaluación de los resultados 

13.5. Eliminación de ruido de codificadores automáticos 

13.5.1. Aplicación de filtros 
13.5.2. Diseño de modelos de codificación 
13.5.3. Uso de técnicas de regularización 

13.6. Codificadores automáticos dispersos 

13.6.1. Incrementar la eficiencia de la codificación 
13.6.2. Minimizando el número de parámetros 
13.6.3. Utilización de técnicas de regularización 

13.7. Codificadores automáticos variacionales 

13.7.1. Utilización de optimización variacional 
13.7.2. Aprendizaje profundo no supervisado 
13.7.3. Representaciones latentes profundas 

13.8. Generación de imágenes MNIST de moda 

13.8.1. Reconocimiento de patrones 
13.8.2. Generación de imágenes 
13.8.3. Entrenamiento de redes neuronales profundas 

13.9. Redes adversarias generativas y modelos de difusión 

13.9.1. Generación de contenido a partir de imágenes 
13.9.2. Modelado de distribuciones de datos 
13.9.3. Uso de redes adversarias 

13.10. Implementación de los Modelos 

13.10.1. Aplicación Práctica 
13.10.2. Implementación de los modelos 
13.10.3. Uso de datos reales 
13.10.4. Evaluación de los resultados 

Módulo 14. Computación bioinspirada

14.1. Introducción a la computación bioinspirada 

14.1.1. Introducción a la computación bioinspirada 

14.2. Algoritmos de adaptación social 

14.2.1. Computación bioinspirada basada en colonia de hormigas 
14.2.2. Variantes de los algoritmos de colonias de hormigas 
14.2.3. Computación basada en nubes de partículas 

14.3. Algoritmos genéticos 

14.3.1. Estructura general 
14.3.2. Implementaciones de los principales operadores 

14.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos 

14.4.1. Algoritmo CHC 
14.4.2. Problemas multimodales 

14.5. Modelos de computación evolutiva (I) 

14.5.1. Estrategias evolutivas 
14.5.2. Programación evolutiva 
14.5.3. Algoritmos basados en evolución diferencial 

14.6. Modelos de computación evolutiva (II) 

14.6.1. Modelos de evolución basados en estimación de distribuciones (EDA) 
14.6.2. Programación genética 

14.7. Programación evolutiva aplicada a problemas de aprendizaje 

14.7.1. Aprendizaje basado en reglas 
14.7.2. Métodos evolutivos en problemas de selección de instancias 

14.8. Problemas multiobjetivo 

14.8.1. Concepto de dominancia 
14.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo 

14.9. Redes neuronales (I) 

14.9.1. Introducción a las redes neuronales 
14.9.2. Ejemplo práctico con redes neuronales 

14.10. Redes neuronales (II) 

14.10.1. Casos de uso de las redes neuronales en la investigación médica 
14.10.2. Casos de uso de las redes neuronales en la economía 
14.10.3. Casos de uso de las redes neuronales en la visión artificial 

Módulo 15. Inteligencia Artificial: estrategias y aplicaciones

15.1. Servicios financieros 

15.1.1. Las implicaciones de la Inteligencia Artificial (IA) en los servicios financieros.Oportunidades y desafíos
15.1.2. Casos de uso
15.1.3. Riesgos potenciales relacionados con el uso de IA 
15.1.4. Potenciales desarrollos / usos futuros de la IA 

15.2. Implicaciones de la Inteligencia Artificial en el servicio sanitario

15.2.1. Implicaciones de la IA en el sector sanitario. Oportunidades y desafíos
15.2.2. Casos de uso 

15.3. Riesgos Relacionados con el uso de la IA en el servicio sanitario 

15.3.1. Riesgos potenciales relacionados con el uso de IA 
15.3.2. Potenciales desarrollos / usos futuros de la IA

15.4. Retail

15.4.1. Implicaciones de la IA en Retail. Oportunidades y desafíos
15.4.2. Casos de uso
15.4.3. Riesgos potenciales relacionados con el uso de IA
15.4.4. Potenciales desarrollos / usos futuros de la IA 

15.5. Industria 

15.5.1. Implicaciones de la IA en la Industria. Oportunidades y desafíos 
15.5.2. Casos de uso 

15.6. Riesgos potenciales relacionados con el uso de IA en la Industria 

15.6.1. Casos de uso 
15.6.2. Riesgos potenciales relacionados con el uso de IA 
15.6.3. Potenciales desarrollos / usos futuros de la IA

15.7. Administración Pública

15.7.1. Implicaciones de la IA en la Administración Pública. Oportunidades y desafíos 
15.7.2. Casos de uso
15.7.3. Riesgos potenciales relacionados con el uso de IA
15.7.4. Potenciales desarrollos / usos futuros de la IA

15.8. Educación

15.8.1. Implicaciones de la IA en la educación. Oportunidades y desafíos 
15.8.2. Casos de uso
15.8.3. Riesgos potenciales relacionados con el uso de IA
15.8.4. Potenciales desarrollos / usos futuros de la IA 

15.9. Silvicultura y agricultura

15.9.1. Implicaciones de la IA en la silvicultura y la agricultura. Oportunidades y desafíos
15.9.2. Casos de uso 
15.9.3. Riesgos potenciales relacionados con el uso de IA 
15.9.4. Potenciales desarrollos / usos futuros de la IA

15.10. Recursos Humanos

15.10.1. Implicaciones de la IA en los Recursos Humanos. Oportunidades y desafíos 
15.10.2. Casos de uso
15.10.3. Riesgos potenciales relacionados con el uso de IA
15.10.4. Potenciales desarrollos / usos futuros de la IA

Módulo 16. Diseño Asistido por IA en la Práctica Arquitectónica 

16.1. Aplicaciones avanzadas de AutoCAD con IA 

16.1.1. Integración de AutoCAD con herramientas de IA para diseño avanzado 
16.1.2. Automatización de tareas repetitivas en el diseño arquitectónico con IA 
16.1.3. Estudio de casos donde AutoCAD asistido por IA ha optimizado proyectos arquitectónicos 

16.2. Modelado generativo avanzado con Fusion 360 

16.2.1. Técnicas avanzadas de modelado generativo aplicadas a proyectos complejos 
16.2.2. Uso de Fusion 360 para la creación de diseños arquitectónicos innovadores 
16.2.3. Ejemplos de aplicación del modelado generativo en arquitectura sostenible y adaptativa 

16.3. Optimización de diseños con IA en Optimus 

16.3.1. Estrategias de optimización de diseños arquitectónicos utilizando algoritmos de IA en Optimus 
16.3.2. Análisis de sensibilidad y exploración de soluciones óptimas en proyectos reales 
16.3.3. Revisión de casos de éxito en la industria que emplean Optimus para la optimización basada en IA 

16.4. Diseño paramétrico y fabricación digital con Geomagic Wrap 

16.4.1. Avances en diseño paramétrico con integración de IA usando Geomagic Wrap 
16.4.2. Aplicaciones prácticas de fabricación digital en arquitectura 
16.4.3. Proyectos destacados de arquitectura que utilizan diseño paramétrico asistido por IA para innovaciones estructurales 

16.5. Diseño adaptativo y sensible al contexto con Sensores IA 

16.5.1. Implementación de diseño adaptativo utilizando IA y datos en tiempo real 
16.5.2. Ejemplos de arquitectura efímera y entornos urbanos diseñados con IA 
16.5.3. Análisis de cómo el diseño adaptativo influye en la sustentabilidad y eficiencia de proyectos arquitectónicos 

16.6. Simulación y análisis predictivo en CATIA para arquitectos 

16.6.1. Uso avanzado de CATIA para simulación en arquitectura 
16.6.2. Modelado del comportamiento estructural y optimización del rendimiento energético mediante IA 
16.6.3. Implementación de análisis predictivos en proyectos arquitectónicos significativos 

16.7. Personalización y UX en Diseño con IBM Watson Studio 

16.7.1. Herramientas de IA de IBM Watson Studio para personalización en arquitectura 
16.7.2. Diseño centrado en el usuario utilizando análisis de IA 
16.7.3. Estudio de casos de uso de IA para la personalización de espacios y productos arquitectónicos 

16.8. Colaboración y diseño colectivo potenciado por IA 

16.8.1. Plataformas colaborativas impulsadas por IA para proyectos de diseño 
16.8.2. Metodologías de IA que fomentan la creatividad y la innovación colectiva 
16.8.3. Casos de éxito y desafíos en el diseño colaborativo asistido por IA 

16.9. Ética y Responsabilidad en el diseño asistido por IA 

16.9.1. Debates éticos en el uso de IA en diseño arquitectónico 
16.9.2. Estudio sobre sesgos y equidad en algoritmos de IA aplicados al diseño 
16.9.3. Regulaciones y normativas vigentes para un diseño responsable con IA 

16.10. Desafíos y futuro del diseño asistido por IA 

16.10.1. Tendencias emergentes y tecnologías de vanguardia en IA para arquitectura 
16.10.2. Análisis del impacto futuro de la IA en la profesión arquitectónica 
16.10.3. Prospectivas sobre innovaciones y desarrollos futuros en el diseño asistido por IA

Módulo 17. Optimización de espacios y eficiencia energética con IA 

17.1. Optimización de espacios con Autodesk Revit y IA 

17.1.1. Uso de Autodesk Revit y IA para la optimización espacial y la eficiencia energética 
17.1.2. Técnicas avanzadas para mejorar la eficiencia energética en diseños arquitectónicos 
17.1.3. Casos de estudio de proyectos exitosos que combinan Autodesk Revit con IA 

17.2. Análisis de datos y métricas de eficiencia energética con SketchUp y Trimble 

17.2.1. Aplicación de SketchUp y herramientas de Trimble para análisis energético detallado 
17.2.2. Desarrollo de métricas de rendimiento energético utilizando IA 
17.2.3. Estrategias para establecer objetivos de eficiencia energética en proyectos arquitectónicos 

17.3. Diseño bioclimático y orientación solar optimizada por IA 

17.3.1. Estrategias de diseño bioclimático asistido por IA para maximizar la eficiencia energética 
17.3.2. Ejemplos de edificios que utilizan diseño orientado por IA para optimizar el confort térmico 
17.3.3. Aplicaciones prácticas de IA en la orientación solar y diseño pasivo 

17.4. Tecnologías y materiales sostenibles asistidos por IA con Cityzenit 

17.4.1. Innovación en materiales sostenibles apoyados por análisis de IA 
17.4.2. Utilización de IA para el desarrollo y aplicación de materiales reciclados y de bajo impacto ambiental 
17.4.3. Estudio de proyectos que emplean sistemas de energía renovable integrados con IA 

17.5. Planificación urbana y eficiencia energética con WattPredictor y AI 

17.5.1. Estrategias de IA para la eficiencia energética en diseño urbano 
17.5.2. Implementación de WattPredictor para optimizar el uso de energía en espacios públicos 
17.5.3. Casos de éxito en ciudades que utilizan IA para mejorar la sostenibilidad urbana 

17.6. Gestión Inteligente de la energía con Google DeepMind’s Energy 

17.6.1. Aplicaciones de tecnologías de DeepMind para la gestión energética 
17.6.2. Implementación de IA para la optimización del consumo energético en edificaciones grandes 
17.6.3. Evaluación de casos donde la IA ha transformado la gestión energética en comunidades y edificios 

17.7. Certificaciones y normativas de eficiencia energética asistidas por IA 

17.7.1. Uso de IA para asegurar el cumplimiento de normativas de eficiencia energética (LEED, BREEAM) 
17.7.2. Herramientas de IA para la auditoría y certificación energética de proyectos 
17.7.3. Impacto de las regulaciones en la arquitectura sostenible apoyada por IA 

17.8. Evaluación del ciclo de vida y huella ambiental con Enernoc 

17.8.1. Integración de IA para análisis de ciclo de vida de los materiales de construcción 
17.8.2. Uso de Enernoc para evaluar la huella de carbono y la sostenibilidad 
17.8.3. Proyectos modelo que utilizan IA para evaluaciones ambientales avanzadas 

17.9. Educación y concienciación sobre eficiencia energética con Verdigris 

17.9.1. Rol de IA en la educación y sensibilización sobre eficiencia energética 
17.9.2. Uso de Verdigris para enseñar prácticas sostenibles a arquitectos y diseñadores 
17.9.3. Iniciativas y programas educativos que utilizan IA para promover un cambio cultural hacia la sostenibilidad 

17.10. Futuro de la optimización de espacios y eficiencia energética con ENBALA 

17.10.1. Exploración de desafíos futuros y la evolución de las tecnologías de eficiencia energética 
17.10.2. Tendencias emergentes en IA para la optimización espacial y energética 
17.10.3. Perspectivas sobre cómo la IA continuará transformando la arquitectura y el diseño urbano

Módulo 18. Diseño paramétrico y fabricación digital 

18.1. Avances en diseño paramétrico y fabricación digital con Grasshopper 

18.1.1. Uso de Grasshopper para crear diseños paramétricos complejos 
18.1.2. Integración de IA en Grasshopper para automatizar y optimizar el diseño 
18.1.3. Proyectos emblemáticos que utilizan diseño paramétrico para soluciones innovadoras 

18.2. Optimización Algorítmica en Diseño con Generative Design 

18.2.1. Aplicación de Generative Design para la optimización algorítmica en arquitectura 
18.2.2. Uso de IA para generar soluciones de diseño eficientes y novedosas 
18.2.3. Ejemplos de cómo Generative Design ha mejorado la funcionalidad y estética de proyectos arquitectónicos 

18.3. Fabricación digital y robótica en construcción con KUKA PRC 

18.3.1. Implementación de tecnologías de robótica como KUKA PRC en la fabricación digital 
18.3.2. Ventajas de la fabricación digital en la precisión, velocidad y reducción de costos 
18.3.3. Casos de estudio de fabricación digital que destacan la integración exitosa de robótica en arquitectura 

18.4. Diseño y fabricación adaptables con Autodesk Fusion 360 

18.4.1. Uso de Fusion 360 para diseñar sistemas arquitectónicos adaptables 
18.4.2. Implementación de IA en Fusion 360 para la personalización en masa 
18.4.3. Proyectos innovadores que demuestran el potencial de adaptabilidad y personalización 

18.5. Sostenibilidad en diseño paramétrico con Topology Optimization 

18.5.1. Aplicación de técnicas de optimización topológica para mejorar la sostenibilidad 
18.5.2. Integración de IA para optimizar el uso de materiales y la eficiencia energética 
18.5.3. Ejemplos de cómo la optimización topológica ha mejorado la sostenibilidad de proyectos arquitectónicos 

18.6. Interactividad y adaptabilidad espacial con Autodesk Fusion 360 

18.6.1. Integración de sensores y datos en tiempo real para crear entornos arquitectónicos interactivos 
18.6.2. Uso de Autodesk Fusion 360 en la adaptación del diseño en respuesta a cambios ambientales o de uso 
18.6.3. Ejemplos de proyectos arquitectónicos que utilizan interactividad espacial para mejorar la experiencia del usuario 

18.7. Eficiencia en el diseño paramétrico 

18.7.1. Aplicación de diseño paramétrico para optimizar la sostenibilidad y la eficiencia energética de los edificios 
18.7.2. Uso de simulaciones y análisis de ciclo de vida integrados con IA para mejorar la toma de decisiones ecológicas 
18.7.3. Casos de proyectos sostenibles donde el diseño paramétrico ha sido crucial 

18.8. Personalización masiva y fabricación digital con Magic (Materialise) 

18.8.1. Exploración del potencial de personalización masiva mediante diseño paramétrico y fabricación digital 
18.8.2. Aplicación de herramientas como Magic para personalizar diseño en arquitectura y diseño interior 
18.8.3. Proyectos destacados que muestran la fabricación digital en la personalización de espacios y mobiliario 

18.9. Colaboración y diseño colectivo usando Ansys Granta 

18.9.1. Utilización de Ansys Granta para facilitar la colaboración y la toma de decisiones en diseño distribuido 
18.9.2. Metodologías para mejorar la innovación y eficiencia en proyectos de diseño colaborativo 
18.9.3. Ejemplos de cómo la colaboración mejorada por IA puede conducir a resultados innovadores y sostenibles 

18.10. Desafíos y futuro de la fabricación digital y diseño paramétrico 

18.10.1. Identificación de desafíos emergentes en diseño paramétrico y fabricación digital 
18.10.2. Tendencias futuras y el rol de la IA en la evolución de estas tecnologías 
18.10.3. Discusión sobre cómo la innovación continua afectará la práctica arquitectónica y el diseño en el futuro

Módulo 19. Simulación y modelado predictivo con IA 

19.1. Técnicas avanzadas de simulación con MATLAB en Arquitectura 

19.1.1. Uso de MATLAB para simulaciones avanzadas en Arquitectura 
19.1.2. Integración de modelos predictivos y análisis de datos grandes 
19.1.3. Casos de estudio donde MATLAB ha sido fundamental en la simulación arquitectónica 

19.2. Análisis estructural avanzado con ANSYS 

19.2.1. Implementación de ANSYS para simulaciones estructurales avanzadas en proyectos arquitectónicos 
19.2.2. Integración de modelos predictivos para evaluar la seguridad y durabilidad estructural 
19.2.3. Proyectos que destacan el uso de simulaciones estructurales en la arquitectura de alto rendimiento 

19.3. Modelado de uso del espacio y dinámica humana con AnyLogic 

19.3.1. Uso de AnyLogic para modelar la dinámica del uso del espacio y la movilidad humana 
19.3.2. Aplicación de IA para predecir y mejorar la eficiencia del uso del espacio en entornos urbanos y arquitectónicos 
19.3.3. Casos de estudio que muestran cómo la simulación influye en la planificación urbana y arquitectónica 

19.4. Modelado predictivo con TensorFlow en la planificación urbana 

19.4.1. Implementación de TensorFlow para modelar dinámicas urbanas y comportamiento estructural 
19.4.2. Uso de IA para predecir resultados futuros en el diseño de ciudades 
19.4.3. Ejemplos de cómo el modelado predictivo influye en la planificación y diseño urbanos 

19.5. Modelado predictivo y diseño generativo con GenerativeComponents 

19.5.1. Utilización de GenerativeComponents para fusionar modelado predictivo y diseño generativo 
19.5.2. Aplicación de algoritmos de aprendizaje automático para crear diseños innovadores y eficientes 
19.5.3. Ejemplos de proyectos arquitectónicos que han optimizado su diseño utilizando estas tecnologías avanzadas 

19.6. Simulación de impacto ambiental y sostenibilidad con COMSOL 

19.6.1. Aplicación de COMSOL para simulaciones ambientales en proyectos de gran escala 
19.6.2. Uso de IA para analizar y mejorar el impacto ambiental de edificaciones 
19.6.3. Proyectos que muestran cómo la simulación contribuye a la sostenibilidad 

19.7. Simulación de comportamiento ambiental con COMSOL 

19.7.1. Aplicación de COMSOL Multiphysics para simulaciones de comportamiento ambiental y térmico 
19.7.2. Uso de IA para optimizar el diseño basado en simulaciones de luz natural y acústica 
19.7.3. Ejemplos de implementaciones exitosas que han mejorado la sustentabilidad y el confort 

19.8. Innovación en simulación y modelado predictivo 

19.8.1. Exploración de tecnologías emergentes y su impacto en la simulación y modelado 
19.8.2. Discusión sobre cómo la IA está cambiando las capacidades de simulación en arquitectura 
19.8.3. Evaluación de herramientas futuras y sus posibles aplicaciones en el diseño arquitectónico 

19.9. Simulación de procesos constructivos con CityEngine 

19.9.1. Aplicación de CityEngine para simular secuencias de construcción y optimizar el flujo de trabajo en obra 
19.9.2. Integración de IA para modelar logísticas de construcción y coordinar actividades en tiempo real 
19.9.3. Casos prácticos que muestran la mejora en la eficiencia y seguridad en la construcción gracias a simulaciones avanzadas 

19.10. Desafíos y futuro de la simulación y modelado predictivo 

19.10.1. Evaluación de los desafíos actuales en simulación y modelado predictivo en Arquitectura 
19.10.2. Tendencias emergentes y el futuro de estas tecnologías en la práctica arquitectónica 
19.10.3. Discusión sobre el impacto de la innovación continua en simulación y modelado predictivo en la arquitectura y la construcción

Módulo 20. Preservación del Patrimonio y Restauración con IA 

20.1. Tecnologías de IA en la restauración del patrimonio con Photogrammetry 

20.1.1. Uso de fotogrametría y IA para la documentación y restauración precisa del patrimonio 
20.1.2. Aplicaciones prácticas en la restauración de edificios históricos 
20.1.3. Proyectos destacados que combinan técnicas avanzadas y respeto por la autenticidad 

20.2. Análisis predictivo para la conservación con Laser Scanning 

20.2.1. Implementación de escaneo láser y análisis predictivo en la conservación del patrimonio 
20.2.2. Uso de IA para detectar y prevenir el deterioro en estructuras históricas 
20.2.3. Ejemplos de cómo estas tecnologías han mejorado la precisión y eficacia en la conservación 

20.3. Gestión de patrimonio cultural con Virtual Reconstruction 

20.3.1. Aplicación de técnicas de reconstrucción virtual asistidas por IA 
20.3.2. Estrategias para la gestión y preservación digital del patrimonio 
20.3.3. Casos de éxito en la utilización de reconstrucción virtual para la educación y preservación 

20.4. Conservación preventiva y mantenimiento asistido por IA 

20.4.1. Uso de tecnologías de IA para desarrollar estrategias de conservación preventiva y mantenimiento de edificios históricos 
20.4.2. Implementación de sistemas de monitoreo basados en IA para la detección temprana de problemas estructurales 
20.4.3. Ejemplos de cómo la IA contribuye a la conservación a largo plazo del patrimonio cultural 

20.5. Documentación digital y BIM en la preservación del patrimonio 

20.5.1. Aplicación de técnicas de documentación digital avanzadas, incluyendo BIM y realidad aumentada, asistidas por IA. 
20.5.2. Uso de modelos BIM para la gestión eficiente del patrimonio y la restauración 
20.5.3. Casos de estudio sobre la integración de documentación digital en proyectos de restauración 

20.6. Gestión y políticas de preservación asistidas por IA 

20.6.1. Uso de herramientas basadas en IA para la gestión y formulación de políticas en la preservación del patrimonio 
20.6.2. Estrategias para integrar IA en la toma de decisiones relacionadas con la conservación 
20.6.3. Discusión sobre cómo la IA puede mejorar la colaboración entre instituciones para la preservación del patrimonio 

20.7. Ética y responsabilidad en la restauración y preservación con IA 

20.7.1. Consideraciones éticas en la aplicación de IA en la restauración del patrimonio 
20.7.2. Debate sobre el equilibrio entre innovación tecnológica y respeto por la autenticidad histórica 
20.7.3. Ejemplos de cómo la IA puede ser usada de manera responsable en la restauración del patrimonio 

20.8. Innovación y futuro en la preservación del patrimonio con IA 

20.8.1. Perspectivas sobre las tecnologías emergentes de IA y su aplicación en la preservación del patrimonio 
20.8.2. Evaluación del potencial de la IA para transformar la restauración y conservación 
20.8.3. Discusión sobre el futuro de la preservación del patrimonio en una era de rápida innovación tecnológica 

20.9. Educación y sensibilización sobre el patrimonio cultural con GIS 

20.9.1. Importancia de la educación y sensibilización pública en la preservación del patrimonio cultural 
20.9.2. Uso de sistemas de información geográfica (GIS) para promover la valoración y el conocimiento del patrimonio 
20.9.3. Iniciativas exitosas de educación y divulgación que utilizan tecnología para enseñar sobre el patrimonio cultural 

20.10. Desafíos y futuro de la preservación del patrimonio y restauración 

20.10.1. Identificación de los desafíos actuales en la preservación del patrimonio cultural 
20.10.2. Rol de la innovación tecnológica y la IA en las prácticas futuras de conservación y restauración 
20.10.3. Perspectivas sobre cómo la tecnología transformará la preservación del patrimonio en las próximas décadas

Profundizarás en el uso de técnicas de fabricación digital y la robótica aplicada a la construcción, así como en la preservación del patrimonio arquitectónico, a través de los mejores materiales didácticos del mercado académico”