Specializing in Artificial Intelligence will give you the opportunity to improve your skills, as you will have greater control over everything that happens in your business"

¿Por qué estudiar en TECH?

TECH es la mayor escuela de negocio 100% online del mundo. Se trata de una Escuela de Negocios de élite, con un modelo de máxima exigencia académica. Un centro de alto rendimiento internacional y de entrenamiento intensivo en habilidades directivas.   

TECH es una universidad de vanguardia tecnológica, que pone todos sus recursos al alcance del alumno para ayudarlo a alcanzar el éxito empresarial”

En TECH Universidad Tecnológica

Innovación

La universidad ofrece un modelo de aprendizaje en línea que combina la última tecnología educativa con el máximo rigor pedagógico. Un método único con el mayor reconocimiento internacional que aportará las claves para que el alumno pueda desarrollarse en un mundo en constante cambio, donde la innovación debe ser la apuesta esencial de todo empresario.

“Caso de Éxito Microsoft Europa” por incorporar en los programas un novedoso sistema de multivídeo interactivo. 

Máxima exigencia

El criterio de admisión de TECH no es económico. No se necesita realizar una gran inversión para estudiar en esta universidad. Eso sí, para titularse en TECH, se podrán a prueba los límites de inteligencia y capacidad del alumno. El listón académico de esta institución es muy alto...

95% de los alumnos de TECH finaliza sus estudios con éxito.

Networking

En TECH participan profesionales de todos los países del mundo, de tal manera que el alumno podrá crear una gran red de contactos útil para su futuro. 

+100.000 directivos capacitados cada año, +200 nacionalidades distintas.

Empowerment

El alumno crecerá de la mano de las mejores empresas y de profesionales de gran prestigio e influencia. TECH ha desarrollado alianzas estratégicas y una valiosa red de contactos con los principales actores económicos de los 7 continentes.

+500 acuerdos de colaboración con las mejores empresas.

Talento

Este programa es una propuesta única para sacar a la luz el talento del estudiante en el ámbito empresarial. Una oportunidad con la que podrá dar a conocer sus inquietudes y su visión de negocio.

TECH ayuda al alumno a enseñar al mundo su talento al finalizar este programa.

Contexto multicultural

Estudiando en TECH el alumno podrá disfrutar de una experiencia única. Estudiará en un contexto multicultural. En un programa con visión global, gracias al cual podrá conocer la forma de trabajar en diferentes lugares del mundo, recopilando la información más novedosa y que mejor se adapta a su idea de negocio.

Los alumnos de TECH provienen de más de 200 nacionalidades.  

Aprende con los mejores

El equipo docente de TECH explica en las aulas lo que le ha llevado al éxito en sus empresas, trabajando desde un contexto real, vivo y dinámico. Docentes que se implican al máximo para ofrecer una especialización de calidad que permita al alumno avanzar en su carrera y lograr destacar en el ámbito empresarial.

Profesores de 20 nacionalidades diferentes.

TECH busca la excelencia y, para ello, cuenta con una serie de características que hacen de esta una universidad única:   

Análisis

En TECH se explora el lado crítico del alumno, su capacidad de cuestionarse las cosas, sus competencias en resolución de problemas y sus habilidades interpersonales.  

Excelencia académica

En TECH se pone al alcance del alumno la mejor metodología de aprendizaje online. La universidad combina el método Relearning (metodología de aprendizaje de posgrado con mejor valoración internacional) con el Estudio de Caso. Tradición y vanguardia en un difícil equilibrio, y en el contexto del más exigente itinerario académico.   

Economía de escala

TECH es la universidad online más grande del mundo. Tiene un portfolio de más de 10.000 posgrados universitarios. Y en la nueva economía, volumen + tecnología = precio disruptivo. De esta manera, se asegura de que estudiar no resulte tan costoso como en otra universidad. 

En TECH tendrás acceso a los análisis de casos más rigurosos y actualizados del panorama académico” 

Este programa de TECH Universidad Tecnológica ha sido diseñado pensando en las necesidades de especialización de los profesionales de los negocios que desean ampliar sus conocimientos hacia la seguridad informática, un campo fundamental para poder controlar esas posibles amenazas que pueden suponer un gran riesgo para la empresa. De esta manera, el Maestría les permitirá adquirir esos conocimientos específicos que podrán aplicar a su práctica laboral. Y, para ello, usarán una metodología totalmente online que les permitirá compaginar su estudio con el resto de sus obligaciones diarias.  

Este programa será fundamental para detectar posibles ciberataques en tu empresa”    

Plan de estudios

El Maestría en Inteligencia Artificial e Ingeniería del Conocimiento de TECH Universidad Tecnológica es un programa intensivo que prepara a los alumnos para afrontar retos y decisiones empresariales en el ámbito de la seguridad informática. Su contenido está pensado para favorecer el desarrollo de las competencias directivas que permitan la toma de decisiones con un mayor rigor en entornos inciertos. 

A lo largo de 1.500 horas de estudio, el alumno enfrentará multitud de casos prácticos mediante el trabajo individual, lo que permitirá al alumnado adquirir las habilidades necesarias para desarrollarse con éxito en su práctica diaria. Se trata, por tanto, de una auténtica inmersión en situaciones reales de negocio.  

Este programa trata en profundidad diferentes áreas de la empresa y está diseñado para que los directivos entiendan la Inteligencia Artificial desde una perspectiva estratégica, internacional e innovadora. 

Un plan pensado especialmente para los alumnos, enfocado a su mejora profesional y que les prepara para alcanzar la excelencia en el ámbito de la dirección y la gestión de seguridad informática.

Un programa que entiende sus necesidades y las de su empresa mediante un contenido innovador basado en las últimas tendencias, y apoyado por la mejor metodología educativa y un claustro excepcional, que les otorgará competencias para resolver situaciones críticas de forma creativa y eficiente.

Este Maestría se desarrolla a lo largo de 12 meses y se divide en 10 módulos: 

Módulo 1. Fundamentos de programación
Módulo 2. Estructura de datos
Módulo 3. Algoritmia y complejidad
Módulo 4. Diseño avanzado de algoritmos
Módulo 5. Lógica computacional 
Módulo 6. Inteligencia Artificial e Ingeniería del Conocimiento
Módulo 7. Sistemas inteligentes 
Módulo 8. Aprendizaje automático y minería de datos 
Módulo 9. Sistemas multiagente y percepción computacional 
Módulo 10. Computación bioinspirada

¿Dónde, cuándo y cómo se imparte?

TECH ofrece la posibilidad de desarrollar este Maestría en Inteligencia Artificial e Ingeniería del Conocimiento de manera totalmente online. Durante los 12 meses que dura la especialización, el alumno podrá acceder a todos los contenidos de este programa en cualquier momento, lo que le permitirá autogestionar su tiempo de estudio. 

Módulo 1. Fundamentos de programación

1.1. Introducción a la programación 

1.1.1. Estructura básica de un ordenador 
1.1.2. Software 
1.1.3. Lenguajes de programación 
1.1.4. Ciclo de vida de una aplicación informática 

1.2. Diseño de algoritmos 

1.2.1. La resolución de problemas 
1.2.2. Técnicas descriptivas 
1.2.3. Elementos y estructura de un algoritmo 

1.3. Elementos de un programa 

1.3.1. Origen y características del lenguaje C++ 
1.3.2. El entorno de desarrollo 
1.3.3. Concepto de programa 
1.3.4. Tipos de datos fundamentales 
1.3.5. Operadores 
1.3.6. Expresiones 
1.3.7. Sentencias 
1.3.8. Entrada y salida de datos 

1.4. Sentencias de control 

1.4.1. Sentencias 
1.4.2. Bifurcaciones 
1.4.3. Bucles 

1.5. Abstracción y modularidad: funciones

1.5.1. Diseño modular 
1.5.2. Concepto de función y utilidad 
1.5.3. Definición de una función 
1.5.4. Flujo de ejecución en la llamada de una función 
1.5.5. Prototipo de una función 
1.5.6. Devolución de resultados 
1.5.7. Llamada a una función: parámetros 
1.5.8. Paso de parámetros por referencia y por valor 
1.5.9. Ámbito identificador 

1.6. Estructuras de datos estáticas 

1.6.1. Arrays 
1.6.2. Matrices. Poliedros 
1.6.3. Búsqueda y ordenación 
1.6.4. Cadenas. Funciones de E/S para cadenas 
1.6.5. Estructuras. Uniones 
1.6.6. Nuevos tipos de datos 

1.7. Estructuras de datos dinámicas: punteros 

1.7.1. Concepto. Definición de puntero 
1.7.2. Operadores y operaciones con punteros 
1.7.3. Arrays de punteros 
1.7.4. Punteros y Arrays 
1.7.5. Punteros a cadenas 
1.7.6. Punteros a estructuras 
1.7.7. Indirección múltiple 
1.7.8. Punteros a funciones 
1.7.9. Paso de funciones, estructuras y Arrays como parámetros de funciones 

1.8. Ficheros 

1.8.1. Conceptos básicos 
1.8.2. Operaciones con ficheros 
1.8.3. Tipos de ficheros 
1.8.4. Organización de los ficheros 
1.8.5. Introducción a los ficheros C++ 
1.8.6. Manejo de ficheros 

1.9. Recursividad

1.9.1. Definición de recursividad 
1.9.2. Tipos de recursión 
1.9.3. Ventajas e inconvenientes 
1.9.4. Consideraciones 
1.9.5. Conversión recursivo-iterativa 
1.9.6. La pila de recursión 

1.10. Prueba y documentación 

1.10.1. Pruebas de programas 
1.10.2. Prueba de la caja blanca 
1.10.3. Prueba de la caja negra 
1.10.4. Herramientas para realizar las pruebas 
1.10.5. Documentación de programas

Módulo 2. Estructura de datos  

2.1. Introducción a la programación en C++ 

2.1.1. Clases, constructores, métodos y atributos 
2.1.2. Variables 
2.1.3. Expresiones condicionales y bucles 
2.1.4. Objetos 

2.2. Tipos abstractos de datos (TAD) 

2.2.1. Tipos de datos 
2.2.2. Estructuras básicas y TAD 
2.2.3. Vectores y Arrays 

2.3. Estructuras de datos lineales 

2.3.1. TAD Lista. Definición 
2.3.2. Listas enlazadas y doblemente enlazadas 
2.3.3. Listas ordenadas 
2.3.4. Listas en C++ 
2.3.5. TAD Pila 
2.3.6. TAD Cola 
2.3.7. Pila y Cola en C++ 

2.4. Estructuras de datos jerárquicas 

2.4.1. TAD Árbol 
2.4.2. Recorridos 
2.4.3. Árboles n-arios 
2.4.4. Árboles binarios 
2.4.5. Árboles binarios de búsqueda 

2.5. Estructuras de datos jerárquicas: árboles complejos 

2.5.1. Árboles perfectamente equilibrados o de altura mínima 
2.5.2. Árboles multicamino 
2.5.3. Referencias bibliográficas 

2.6. Montículos y cola de prioridad 

2.6.1. TAD Montículos 
2.6.2. TAD Cola de prioridad 

2.7. Tablas hash 

2.7.1. TAD Tabla hash 
2.7.2. Funciones hash 
2.7.3. Función hash en tablas hash 
2.7.4. Redispersión 
2.7.5. Tablas hash abiertas 

2.8. Grafos 

2.8.1. TAD Grafo 
2.8.2. Tipos de grafo 
2.8.3. Representación gráfica y operaciones básicas 
2.8.4. Diseño de grafos 

2.9. Algoritmos y conceptos avanzados sobre grafos 

2.9.1. Problemas sobre grafos 
2.9.2. Algoritmos sobre caminos 
2.9.3. Algoritmos de búsqueda o recorridos 
2.9.4. Otros algoritmos 

2.10. Otras estructuras de datos 

2.10.1. Conjuntos 
2.10.2. Arrays paralelos 
2.10.3. Tablas de símbolos 
2.10.4. Tries   

Módulo 3. Algoritmia y complejidad 

3.1. Introducción a las estrategias de diseño de algoritmos 

3.1.1. Recursividad 
3.1.2. Divide y conquista 
3.1.3. Otras estrategias 

3.2. Eficiencia y análisis de los algoritmos 

3.2.1. Medidas de eficiencia 
3.2.2. Medir el tamaño de la entrada 
3.2.3. Medir el tiempo de ejecución 
3.2.4. Caso peor, mejor y medio 
3.2.5. Notación asintónica 
3.2.6. Criterios de análisis matemático de algoritmos no recursivos 
3.2.7. Análisis matemático de algoritmos recursivos 
3.2.8. Análisis empírico de algoritmos 

3.3. Algoritmos de ordenación 

3.3.1. Concepto de ordenación 
3.3.2. Ordenación de la burbuja 
3.3.3. Ordenación por selección 
3.3.4. Ordenación por inserción 
3.3.5. Ordenación por mezcla (Merge_Sort) 
3.3.6. Ordenación rápida (Quick_Sort) 

3.4. Algoritmos con árboles 

3.4.1. Concepto de árbol 
3.4.2. Árboles binarios 
3.4.3. Recorridos de árbol 
3.4.4. Representar expresiones 
3.4.5. Árboles binarios ordenados 
3.4.6. Árboles binarios balanceados 

3.5. Algoritmos con Heaps 

3.5.1. Los Heaps 
3.5.2. El algoritmo Heapsort 
3.5.3. Las colas de prioridad 

3.6. Algoritmos con grafos 

3.6.1. Representación 
3.6.2. Recorrido en anchura 
3.6.3. Recorrido en profundidad 
3.6.4. Ordenación topológica 

3.7. Algoritmos Greedy 

3.7.1. La estrategia Greedy 
3.7.2. Elementos de la estrategia Greedy 
3.7.3. Cambio de monedas 
3.7.4. Problema del viajante 
3.7.5. Problema de la mochila 

3.8. Búsqueda de caminos mínimos 

3.8.1. El problema del camino mínimo 
3.8.2. Arcos negativos y ciclos 
3.8.3. Algoritmo de Dijkstra 

3.9. Algoritmos greedy sobre grafos 

3.9.1. El árbol de recubrimiento mínimo 
3.9.2. El algoritmo de Prim 
3.9.3. El algoritmo de Kruskal 
3.9.4. Análisis de complejidad 

3.10. Backtracking 

3.10.1. El Backtracking 
3.10.2. Técnicas alternativas  

Módulo 4. Diseño Avanzado De Algoritmos

4.1. Análisis de algoritmos recursivos y tipo divide y conquista 

4.1.1. Planteamiento y resolución de ecuaciones de recurrencia homogéneas y no homogéneas
4.1.2. Descripción general de la estrategia divide y conquista 

4.2. Análisis amortizado 

4.2.1. El análisis agregado 
4.2.2. El método de contabilidad 
4.2.3. El método del potencial 

4.3. Programación dinámica y algoritmos para problemas NP 

4.3.1. Características de la programación dinámica 
4.3.2. Vuelta atrás: backtracking 
4.3.3. Ramificación y poda 

4.4. Optimización combinatoria 

4.4.1. Representación de problemas 
4.4.2. Optimización en 1D 

4.5. Algoritmos de aleatorización 

4.5.1. Ejemplos de algoritmos de aleatorización 
4.5.2. El teorema Buffon 
4.5.3. Algoritmo de Monte Carlo 
4.5.4. Algoritmo Las Vegas 

4.6. Búsqueda local y con candidatos 

4.6.1. Garcient Ascent 
4.6.2. Hill Climbing 
4.6.3. Simulated Annealing 
4.6.4. Tabu Search 
4.6.5. Búsqueda con candidatos 

4.7. Verificación formal de programas 

4.7.1. Especificación de abstracciones funcionales 
4.7.2. El lenguaje de la lógica de primer orden 
4.7.3. El sistema formal de Hoare 

4.8. Verificación de programas iterativos 

4.8.1. Reglas del sistema formal de Hoare 
4.8.2. Concepto de invariante de iteraciones 

4.9. Métodos numéricos 

4.9.1. El método de la bisección 
4.9.2. El método de Newton Raphson 
4.9.3. El método de la secante 

4.10. Algoritmos paralelos 

4.10.1. Operaciones binarias paralelas 
4.10.2. Operaciones paralelas con grafos 
4.10.3. Paralelismo en divide y vencerás 
4.10.4. Paralelismo en programación dinámica  

Módulo 5. Lógica computacional 

5.1. Justificación de la lógica 

5.1.1. Objeto del estudio de la lógica 
5.1.2. ¿Para qué sirve la lógica? 
5.1.3. Componentes y tipos de razonamiento 
5.1.4. Componentes de un cálculo lógico 
5.1.5. Semántica 
5.1.6. Justificación de la existencia de una lógica 
5.1.7. ¿Cómo comprobar que una lógica es adecuada? 

5.2. Cálculo de deducción natural de enunciados 

5.2.1. Lenguaje formal 
5.2.2. Mecanismo deductivo 

5.3. Estrategias de formalización y deducción para la lógica proposicional 

5.3.1. Estrategias de formalización 
5.3.2. El razonamiento natural 
5.3.3. Leyes y reglas 
5.3.4. Deducción axiomática y deducción natural 
5.3.5. El cálculo de la deducción natural 
5.3.6. Reglas primitivas del cálculo proposicional 

5.4. Semántica de la lógica proposicional 

5.4.1. Tablas de verdad 
5.4.2. Equivalencia 
5.4.3. Tautologías y contradicciones 
5.4.4. Validación de sentencias proposicionales 
5.4.5. Validación mediante tablas de verdad 
5.4.6. Validación mediante árboles semánticos 
5.4.7. Validación mediante refutación 

5.5. Aplicaciones de la lógica proposicional: circuitos lógicos 

5.5.1. Las puertas básicas 
5.5.2. Circuitos 
5.5.3. Modelos matemáticos de los circuitos 
5.5.4. Minimización 
5.5.5. La segunda forma canónica y la forma mínima en producto de sumas 
5.5.6. Otras puertas 

5.6. Cálculo de deducción natural de predicados 

5.6.1. Lenguaje formal 
5.6.2. Mecanismo deductivo 

5.7. Estrategias de formalización para la lógica de predicados 

5.7.1. Introducción a la formalización en lógica de predicados 
5.7.2. Estrategias de formalización con cuantificadores 

5.8. Estrategias de deducción para la lógica de predicados 

5.8.1. Razón de una omisión 
5.8.2. Presentación de las nuevas reglas 
5.8.3. La lógica de predicados como cálculo de deducción natural 

5.9. Aplicaciones de la lógica de predicados: introducción a la programación lógica 

5.9.1. Presentación informal 
5.9.2. Elementos del Prolog 
5.9.3. La reevaluación y el corte 

5.10. Teoría de conjuntos, lógica de predicados y su semántica 

5.10.1. Teoría intuitiva de conjuntos 
5.10.2. Introducción a la semántica de predicados  

Módulo 6. Inteligencia Artificial e Ingeniería del Conocimiento

6.1. Introducción a la Inteligencia Artificial y a la Ingeniería del Conocimiento 

6.1.1. Breve historia de la Inteligencia Artificial 
6.1.2. La Inteligencia Artificial hoy en día 
6.1.3. Ingeniería del Conocimiento 

6.2. Búsqueda 

6.2.1. Conceptos comunes de búsqueda 
6.2.2. Búsqueda no informada 
6.2.3. Búsqueda informada 

6.3. Satisfacibilidad booleana, satisfacibilidad de restricciones y planificación automática 

6.3.1. Satisfacibilidad booleana 
6.3.2. Problemas de satisfacción de restricciones 
6.3.3. Planificación automática y PDDL 
6.3.4. Planificación como búsqueda heurística 
6.3.5. Planificación con SAT 

6.4. La Inteligencia Artificial en juegos 

6.4.1. Teoría de juegos 
6.4.2. Minimax y poda Alfa-Beta 
6.4.3. Simulación: Monte Carlo 

6.5. Aprendizaje supervisado y no supervisado 

6.5.1. Introducción al Aprendizaje Automático 
6.5.2. Clasificación 
6.5.3. Regresión 
6.5.4. Validación de resultados 
6.5.5. Agrupación (Clustering) 

6.6. Redes de neuronas 

6.6.1. Fundamentos biológicos 
6.6.2. Modelo computacional 
6.6.3. Redes de neuronas supervisadas y no supervisadas 
6.6.4. Perceptrón simple 
6.6.5. Perceptrón multicapa 

6.7. Algoritmos genéticos 

6.7.1. Historia 
6.7.2. Base biológica 
6.7.3. Codificación de problemas 
6.7.4. Generación de la población inicial 
6.7.5. Algoritmo principal y operadores genéticos 
6.7.6. Evaluación de individuos: Fitness 

6.8. Tesauros, vocabularios, taxonomías 

6.8.1. Vocabularios 
6.8.2. Taxonomías 
6.8.3. Tesauros 
6.8.4. Ontologías 

6.9. Representación del conocimiento: web semántica 

6.9.1. Web Semántica 
6.9.2. Especificaciones: RDF, RDFS y OWL 
6.9.3. Inferencia/razonamiento 
6.9.4. Linked Data 

6.10. Sistemas expertos y DSS 

6.10.1. Sistemas expertos 
6.10.2. Sistemas de soporte a la decisión  

Módulo 7. Sistemas inteligentes  

7.1. Teoría de agentes 

7.1.1. Historia del concepto 
7.1.2. Definición de agente 
7.1.3. Agentes en Inteligencia Artificial 
7.1.4. Agentes en ingeniería de software 

7.2. Arquitecturas de Agentes 

7.2.1. El proceso de razonamiento de un agente 
7.2.2. Agentes reactivos 
7.2.3. Agentes deductivos 
7.2.4. Agentes híbridos 
7.2.5. Comparativa 

7.3. Información y conocimiento 

7.3.1. Distinción entre datos, información y conocimiento 
7.3.2. Evaluación de la calidad de los datos 
7.3.3. Métodos de captura de datos 
7.3.4. Métodos de adquisición de información 
7.3.5. Métodos de adquisición de conocimiento 

7.4. Representación del conocimiento 

7.4.1. La importancia de la representación del conocimiento 
7.4.2. Definición de representación del conocimiento a través de sus roles 
7.4.3. Características de una representación del conocimiento 

7.5. Ontologías 

7.5.1. Introducción a los metadatos 
7.5.2. Concepto filosófico de ontología 
7.5.3. Concepto informático de ontología 
7.5.4. Ontologías de dominio y ontologías de nivel superior 
7.5.5. Cómo construir una ontología 

7.6. Lenguajes para ontologías y software para la creación de ontologías 

7.6.1. Tripletas RDF, Turtle y N3 
7.6.2. RDF Schema 
7.6.3. OWL 
7.6.4. SPARQL 
7.6.5. Introducción a las diferentes herramientas para la creación de ontologías 
7.6.6. Instalación y uso de Protégé 

7.7. La web semántica 

7.7.1. El estado actual y futuro de la web semántica 
7.7.2. Aplicaciones de la web semántica 

7.8. Otros modelos de representación del conocimiento 

7.8.1. Vocabularios 
7.8.2. Visión global 
7.8.3. Taxonomías 
7.8.4. Tesauros 
7.8.5. Folksonomías 
7.8.6. Comparativa 
7.8.7. Mapas mentales 

7.9. Evaluación e integración de representaciones del conocimiento 

7.9.1. Lógica de orden cero 
7.9.2. Lógica de primer orden 
7.9.3. Lógica descriptiva 
7.9.4. Relación entre diferentes tipos de lógica 
7.9.5. Prolog: programación basada en lógica de primer orden 

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

7.10.1. Concepto de razonador 
7.10.2. Aplicaciones de un razonador 
7.10.3. Sistemas basados en el conocimiento 
7.10.4. MYCIN, historia de los sistemas expertos 
7.10.5. Elementos y Arquitectura de Sistemas Expertos 
7.10.6. Creación de Sistemas Expertos  

Módulo 8. Aprendizaje automático y minería de datos 

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

8.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento 
8.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento 
8.1.3. Etapas de los procesos de descubrimiento del conocimiento 
8.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento 
8.1.5. Características de los buenos modelos de aprendizaje automático 
8.1.6. Tipos de información de aprendizaje automático 
8.1.7. Conceptos básicos de aprendizaje 
8.1.8. Conceptos básicos de aprendizaje no supervisado 

8.2. Exploración y preprocesamiento de datos 

8.2.1. Tratamiento de datos 
8.2.2. Tratamiento de datos en el flujo de análisis de datos 
8.2.3. Tipos de datos 
8.2.4. Transformaciones de datos 
8.2.5. Visualización y exploración de variables continuas 
8.2.6. Visualización y exploración de variables categóricas 
8.2.7. Medidas de correlación 
8.2.8. Representaciones gráficas más habituales 
8.2.9. Introducción al análisis multivariante y a la reducción de dimensiones 

8.3. Árboles de decisión 

8.3.1. Algoritmo ID3 
8.3.2. Algoritmo C4.5 
8.3.3. Sobreentrenamiento y poda 
8.3.4. Análisis de resultados 

8.4. Evaluación de clasificadores 

8.4.1. Matrices de confusión 
8.4.2. Matrices de evaluación numérica 
8.4.3. Estadístico de Kappa 
8.4.5. La curva ROC 

8.5. Reglas de clasificación 

8.5.1. Medidas de evaluación de reglas 
8.5.2. Introducción a la representación gráfica 
8.5.3. Algoritmo de recubrimiento secuencial 

8.6. Redes neuronales 

8.6.1. Conceptos básicos 
8.6.2. Redes de neuronas simples 
8.6.3. Algoritmo de Backpropagation 
8.6.4. Introducción a las redes neuronales recurrentes

8.7. Métodos bayesianos 

8.7.1. Conceptos básicos de probabilidad 
8.7.2. Teorema de Bayes 
8.7.3. Naive Bayes 
8.7.4. Introducción a las redes bayesianas 

8.8. Modelos de regresión y de respuesta continua 

8.8.1. Regresión lineal simple 
8.8.2. Regresión lineal múltiple 
8.8.3. Regresión logística 
8.8.4. Árboles de regresión 
8.8.5. Introducción a las máquinas de soporte vectorial (SVM) 
8.8.6. Medidas de bondad de ajuste 

8.9. Clustering 

8.9.1. Conceptos básicos 
8.9.2. Clustering jerárquico 
8.9.3. Métodos probabilistas 
8.9.4. Algoritmo EM 
8.9.5. Método B-Cubed 
8.9.6. Métodos implícitos 

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

8.10.1. Conceptos básicos 
8.10.2. Creación del corpus 
8.10.3. Análisis descriptivo 
8.10.4. Introducción al análisis de sentimientos  

Módulo 9. Sistemas multiagente y percepción computacional 

9.1. Agentes y sistemas multiagente 

9.1.1. Concepto de agente 
9.1.2. Arquitecturas 
9.1.3. Comunicación y coordinación 
9.1.4. Lenguajes de programación y herramientas 
9.1.5. Aplicaciones de los agentes 
9.1.6. La FIPA 

9.2. El estándar para agentes: FIPA 

9.2.1. La comunicación entre los agentes 
9.2.2. La gestión de los agentes 
9.2.3. La arquitectura abstracta 
9.2.4. Otras especificaciones 

9.3. La plataforma JADE 

9.3.1. Los agentes software según JADE 
9.3.2. Arquitectura 
9.3.3. Instalación y ejecución 
9.3.4. Paquetes JADE 

9.4. Programación básica con JADE 

9.4.1. La consola de gestión 
9.4.2. Creación básica de agentes 

9.5. Programación avanzada con JADE 

9.5.1. Creación avanzada de agentes 
9.5.2. Comunicación entre agentes 
9.5.3. Descubrimiento de agentes 

9.6. Visión artificial 

9.6.1. Procesamiento y análisis digital de imágenes 
9.6.2. Análisis de imágenes y visión artificial 
9.6.3. Procesamiento de imágenes y visión humana 
9.6.4. Sistema de capturas de imágenes 
9.6.5. Formación de la imagen y percepción 

9.7. Análisis de imágenes digitales 

9.7.1. Etapas del proceso de análisis de imágenes 
9.7.2. Preprocesado 
9.7.3. Operaciones básicas 
9.7.4. Filtrado espacial 

9.8. Transformación de imágenes digitales y segmentación de imágenes 

9.8.1. Transformadas de Fourier 
9.8.2. Filtrado en frecuencias 
9.8.3. Conceptos básicos 
9.8.4. Umbralización 
9.8.5. Detección de contornos 

9.9. Reconocimiento de formas 

9.9.1. Extracción de características 
9.9.2. Algoritmos de clasificación 
9.10. Procesamiento de lenguaje natural 
9.10.1. Reconocimiento automático del habla 
9.10.2. Lingüística computacional 

Módulo 10. Computación bioinspirada 

10.1. Introducción a la computación bioinspirada 

10.1.1. Introducción a la computación bioinspirada 

10.2. Algoritmos de adaptación social 

10.2.1. Computación bioinspirada basada en colonia de hormigas 
10.2.2. Variantes de los algoritmos de colonias de hormigas 
10.2.3. Computación basada en nubes de partículas 

10.3. Algoritmos genéticos 

10.3.1. Estructura general 
10.3.2. Implementaciones de los principales operadores 

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

10.4.1. Algoritmo CHC 
10.4.2. Problemas multimodales 

10.5. Modelos de computación evolutiva (I) 

10.5.1. Estrategias evolutivas 
10.5.2. Programación evolutiva 
10.5.3. Algoritmos basados en evolución diferencial 

10.6. Modelos de computación evolutiva (II) 

10.6.1. Modelos de evolución basados en estimación de distribuciones (EDA) 
10.6.2. Programación genética 

10.7. Programación evolutiva aplicada a problemas de aprendizaje 

10.7.1. Aprendizaje basado en reglas 
10.7.2. Métodos evolutivos en problemas de selección de instancias 

10.8. Problemas multiobjetivo 

10.8.1. Concepto de dominancia 
10.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo 

10.9. Redes neuronales (I) 

10.9.1. Introducción a las redes neuronales 
10.9.2. Ejemplo práctico con redes neuronales 
10.10. Redes neuronales (II) 

10.10.1. Casos de uso de las redes neuronales en la investigación médica 

10.10.2. Casos de uso de las redes neuronales en la economía 
10.10.3. Casos de uso de las redes neuronales en la visión artificial  

Este programa te abrirá las puertas a un nuevo mundo profesional”