Adquirir conocimientos en tecnologías cuánticas en este momento le hará líder de la programación en un futuro a corto plazo” 

Entrenar un modelo desde cero implica tener una gran cantidad de información catalogada previamente, aproximadamente unas 10.000 fotos de cada uno de los tipos a diferenciar. Esto requiere horas hasta conseguir unos buenos resultados. Para estos casos se puede partir de modelos previamente entrenados, a través del recurso Transfer Learning: esta Experto universitario examina qué modelos de redes están disponibles actualmente, para poder facilitar el entrenamiento del modelo aplicando dicha técnica.

Los egresados analizarán los principales casos de uso que existen para la visión por ordenador: clasificación, detección de objetos, identificación de objetos, seguimiento de objetos. Por ejemplo, Google utiliza estos algoritmos para poder realizar búsquedas a partir de imágenes; Facebook, por su parte, los utiliza para poder identificar y etiquetar de forma automática las personas que salen en una foto.

La Computación Cuántica ha avanzado rápidamente, tanto en la teoría como en la práctica en los últimos años y con ella, la esperanza del impacto potencial en aplicaciones reales. Un área clave de interés y donde la computación cuántica está resultando más eficiente es en el campo del Machine Learning y su aplicación en problemas reales proactivos, predictivos y prescriptivos.

Este programa analiza en qué situaciones se podría lograr una ventaja cuántica, en el contexto de la analítica avanzada y la inteligencia artificial. El objetivo de este Experto Universitario es mostrar qué beneficios pueden proporcionar las tecnologías cuánticas actuales y futuras al aprendizaje automático, centrándose en algoritmos que son un desafío para las computadoras digitales clásicas, como los modelos basados en Kernel, la optimización y las redes convolucionales.

Al tratarse de un Experto universitario 100% online, el alumnado no está condicionado por horarios fijos ni por la necesidad de trasladarse a otro lugar físico. Mediante un dispositivo con acceso a internet, podrá consultar el nutrido contenido que le ayudará a adquirir técnicas de computación cuántica para alcanzar la élite en el sector de la informática. Todo ello, en cualquier momento del día, compaginando, a su ritmo, su vida laboral y personal con la académica.

Esta capacitación le permitirá avanzar en su carrera de una manera cómoda”

Esta Experto universitario en Visión Artificial y Computación Cuántica contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Visión Artificial y Computación Cuántica 
• Los contenidos gráficos, esquemáticos y eminentemente prácticos, con los que está concebido, recogen información 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 

Estás ante un mercado emergente donde obtener un correcto conocimiento y asesoramiento de Computación Cuántica va a ser primordial, para aprovechar las evoluciones”

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 a los profesionales 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 los profesionales deberán tratar de resolver las distintas situaciones de práctica profesional que se les planteen a lo largo del curso académico. Para ello, contarán con la ayuda de un novedoso sistema de vídeo interactivo, realizado por reconocidos expertos.

Examinarás qué modelos de redes están disponibles actualmente para poder facilitarte el entrenamiento de tu modelo aplicando la técnica de Transfer Learning"

Verás los beneficios que pueden proporcionar las tecnologías cuánticas actuales y futuras al aprendizaje automático, centrándote en algoritmos"

Profesionales del sector han reunido en tres módulos los últimos avances en Visión Artificial y Computación Cuántica. esta Experto universitario recoge desde la construcción de redes neuronales convolucionales, los circuitos cuánticos y los algoritmos de Machine Learning clásicos, pasando por el concepto Transfer Learning y la programación de Computadores Cuánticos, entre otros. Para ello, este programa profundiza en el ámbito de aplicación de cada tecnología, entendiendo las ventajas competitivas que aportan.

Tendrás una visión global de las diferentes tecnologías protagonistas de la digitalización global y la capacidad de aplicarlas”

Módulo 1. I+D+I.A. Computer vision. Identificación y seguimiento de objetos

1.1. Visión por Ordenador

1.1.1. Computer Visión
1.1.2. Visión computacional
1.1.3. Interpretación de las máquinas de una imagen

1.2. Funciones de activación

1.2.1. Funciones de activación
1.2.2. Sigmoide
1.2.3. RELU
1.2.4. Tangente hiperbólica
1.2.5. Softmax

1.3. Construcción de redes neuronales convolucionales

1.3.1. Operación de convolución
1.3.2. Capa RELU
1.3.3. Pooling
1.3.4. Flattering
1.3.5. Full Connection

1.4. Proceso de la convolución

1.4.1. Funcionamiento de una Convolución
1.4.2. Código de la Convolución
1.4.3. Convolución. Aplicación

1.5. Transformaciones con imágenes

1.5.1. Transformaciones con imágenes
1.5.2. Transformaciones avanzadas
1.5.3. Transformaciones con imágenes. Aplicación
1.5.4. Transformaciones con imágenes. Use Case

1.6. Transfer Learning

1.6.1. Transfer Learning
1.6.2. Transfer Learning. Tipología
1.6.3. Redes profundas para aplicar Transfer Learning

1.7. Computer Visión. Use Case

1.7.1. Clasificación de imágenes
1.7.2. Detección de objetos
1.7.3. Identificación de objetos
1.7.4. Segmentación de objetos

1.8. Detección de objetos

1.8.1. Detección a partir de la convolución
1.8.2. R-CNN, búsqueda selectiva
1.8.3. Detección rápida con YOLO
1.8.4. Otras posibles soluciones

1.9. GAN. Redes Generativas Antagónicas, o Generative Adversarial Networks

1.9.1. Redes Generativas Adversales
1.9.2. Código para una GAN
1.9.3. GAN. Aplicación

1.10. Aplicación de modelos de Computer Vision

1.10.1. Organización de contenidos
1.10.2. Motores de búsqueda visual
1.10.3. Reconocimiento facial
1.10.4. Realidad aumentada
1.10.5. Conducción autónoma
1.10.6. Identificación de fallo en cada de montaje
1.10.7. Identificación de plagas
1.10.8. Salud 

Módulo 2. Quantum computing. Un nuevo modelo de computación

2.1. Computación Cuántica

2.1.1. Diferencias con la Computación Clásica
2.1.2. Necesidad de la Computación Cuántica
2.1.3. Ordenadores Cuánticos disponibles: naturaleza y tecnología

2.2. Aplicaciones de la Computación Cuántica

2.2.1. Aplicaciones de la computación cuántica frente a computación clásica
2.2.2. Contextos de uso
2.2.3. Aplicación en casos reales

2.3. Fundamentos Matemáticos de la computación cuántica

2.3.1. Complejidad computacional
2.3.2. Experimento de doble rendija. Partículas y ondas
2.3.3. El entrelazamiento

2.4. Fundamentos Geométricos de la Computación Cuántica

2.4.1. Qubit y espacio de Hilbert Bidimensional complejo
2.4.2. Formalismo General de Dirac
2.4.3. Estados de N-Qubits y espacio de Hilbert de dimensión 2n

2.5. Fundamentos Matemáticos Álgebra Lineal

2.5.1. El producto interno
2.5.2. Operadores hermitianos
2.5.3. Eigenvalues y Eigenvectors

2.6. Circuitos Cuánticos

2.6.1. Los estados de Bell y las matrices de Pauli
2.6.2. Puertas lógicas cuánticas
2.6.3. Puertas de control cuánticas

2.7. Algoritmos Cuánticos

2.7.1. Puertas cuánticas reversibles
2.7.2. Transformada de Fourier Cuántica
2.7.3. Teleportación Cuántica

2.8. Algoritmos que demuestran la Supremacía Cuántica

2.8.1. Algoritmo de Deutsch
2.8.2. Algoritmo de Shor
2.8.3. Algoritmo de Grover

2.9. Programación de Computadores Cuánticos

2.9.1. Mi primer programa en Qiskit (IBM)
2.9.2. Mi primer programa en Ocean (Dwave)
2.9.3. Mi primer programa en Cirq (Google)

2.10. Aplicación sobre Computadores Cuánticos

2.10.1. Creación de Puertas Lógicas

2.10.1.1. Creación de una Sumadora Digital Cuántica

2.10.2. Creación de Juegos Cuánticos
2.10.3. Comunicación secreta de claves entre Bob y Alice

Módulo 3. Quantum Machine Learning. La Inteligencia Artificial (I.A) del futuro

3.1. Algoritmos de Machine Learning Clásicos

3.1.1. Modelos descriptivos, predictivos, proactivos y prescriptivos
3.1.2. Modelos Supervisados y No Supervisados
3.1.3. Reducción de características, PCA, Matriz de Covarianza, SVM, Redes neuronales
3.1.4. La optimización en ML: El Descenso del Gradiente

3.2. Algoritmos de Deep Learning Clásicos

3.2.1. Redes de Boltzmann. La Revolución en Machine Learning
3.2.2. Modelos de Deep Learning. CNN, LSTM, GANs
3.2.3. Modelos Encoder-Decoder
3.2.4. Modelos de Análisis de Señales. Análisis de Fourier

3.3. Clasificadores Cuánticos

3.3.1. Generación de un clasificador cuántico
3.3.2. Codificación de los datos en estados cuánticos por amplitud
3.3.3. Codificación de los datos en estados cuánticos por fase/ángulo
3.3.4. Codificación de alto nivel

3.4. Algoritmos de Optimización

3.4.1. Quantum Approximate Optimization Algorithm (QAOA)
3.4.2. Variational Quantum Eigensolvers (VQE)
3.4.3. Quadratic Unconstrained Binary Optimization (QUBO)

3.5. Algoritmos de Optimización. Ejemplos

3.5.1. PCA con circuitos cuánticos
3.5.2. Optimización de paquetes de valores bursátiles
3.5.3. Optimización de rutas logísticas

3.6. Quantum Kernels Machine Learning

3.6.1. Variational quantum classifiers. QKA
3.6.2. Quantum Kernel Machine Learning
3.6.3. Clasificación basada en Quantum Kernel
3.6.4. Clustering basados en Quantum Kernel

3.7. Quantum Neural Networks

3.7.1. Redes Neuronales Clásicas y el Perceptrón
3.7.2. Redes Neuronales Cuánticas y el Perceptrón
3.7.3. Redes Neuronales Convolucionales Cuánticas

3.8. Algoritmos Avanzados de Deep Learning (DL)

3.8.1. Quantum Boltzmann Machines
3.8.2. General Adversarial Networks
3.8.3. Quantum Fourier transformation, quantum phase estimation and quantum matrix

3.9. Machine Learning. Use Case

3.9.1. Experimentación con VQC (Variational Quantum Classifier)
3.9.2. Experimentación con Quantum Neural Networks
3.9.3. Experimentación con GANs

3.10. Computación Cuántica y la Inteligencia Artificial

3.10.1. Capacidad Cuántica en Modelos de ML
3.10.2. Quantum Knowledge Graphs
3.10.3. El futuro de la Inteligencia Artificial Cuántica

Estás ante la mejor titulación para conocer los últimos avances en Visión Artificial y Computación Cuántica”