Matricúlate en este Máster Semipresencial y prepárate concienzudamente para la revolución de la Inteligencia Artificial e Ingeniería del Conocimiento, dominando sus herramientas desde ya”

Desde hace décadas, el interés del ser humano por transmitir su conocimiento y sus capacidades a los sistemas tecnológicos ha sido el precursor de sistemas complejos como son los que componen la Inteligencia Artificial y la Ingeniería del Conocimiento. A pesar de que se trata de un campo con un margen de crecimiento exponencial, lo cierto es que ya hoy en día es posible encontrar aparatos que piensan o actúan como las personas, automatizando actividades como la toma de decisiones, la resolución de problemas o el aprendizaje. Un ejemplo de ello bastante extendido es la detección facial de los móviles o los asistentes virtuales de voz como Siri o Alexa.

Y es que sus múltiples aplicaciones, así como las posibilidades que surgen del desarrollo de esta ciencia la convierten en la tecnología esencial de las próximas décadas. Debido a esto, y con el fin de que el egresado pueda especializarse de manera autónoma e intensiva en este campo en expansión, TECH ha desarrollado este Máster Semipresencial. Se trata de un programa diseñado por expertos en Ingeniería Informática que recoge los aspectos más novedosos de este sector, profundizando en cada uno de los apartados que el informático deberá dominar para gestionar con éxito la dirección de proyectos de computación, aprendizaje automático, sistemas inteligentes o de diseño avanzado de algoritmos.

Todo ello a través de 1.500 horas de capacitación teórica 100% online que incluye, no solo el temario más exhaustivo y dinámico del sector, sino material adicional de gran calidad y en diferentes formatos, para que pueda ahondar en cada apartado que considere más importante y relevante. Pero eso no es todo, ya que, tras la superación de este periodo, el egresado contará con la posibilidad de realizar una estancia práctica de 3 semanas en un centro de prestigio en el que podrá participar activamente en las actividades que se estén desarrollando en ese momento, así como trabajar y aprender de auténticos profesionales de la Ingeniería Artificial con una amplia y dilatada trayectoria laboral en este campo.

Una titulación con la cual, en tan solo 12 meses, habrás logrado dominar la teoría y la práctica de la Ingeniería Artificial” 

Este Máster Semipresencial en Inteligencia Artificial e Ingeniería del Conocimiento contiene el programa más completo y actualizado del mercado. Las características más destacadas del curso son:

• Desarrollo de más de 100 casos presentados por profesionales de la Informática expertos en dirección de proyectos, análisis y diseño de sistemas multiagente
• Sus contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos, recogen una información científica y asistencial sobre aquellas disciplinas informáticas indispensables para el ejercicio profesional
• Conocimiento exhaustivo de la Inteligencia Artificial y sus múltiples aplicaciones basadas en algoritmos genéticos
• Creación de sistemas inteligentes basados en el lenguaje para la ontología utilizando los principales softwares y herramientas que existen en la actualidad
• Todo esto se complementará con lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• Disponibilidad de los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet.
• Además, podrás realizar una estancia de prácticas en uno de las mejores empresas de Informática

TECH trabaja cada año con decenas de miles de alumnos que, tras culminar programas como este, han logrado encontrar el camino que los ha guiado hasta el éxito profesional. ¿Quieres conseguirlo tú también?”

En esta propuesta de Máster, de carácter profesionalizante y modalidad semipresencial, el programa está dirigido a la actualización de profesionales de la informática que desarrollan sus funciones en el sector de la ingeniería especializada en Inteligencia Artificial e Ingeniería del conocimiento, y que requieren un alto nivel de cualificación. Los contenidos están basados en las últimas evidencias del sector, y orientados de manera didáctica para integrar el saber teórico en la práctica informática, y los elementos teórico-prácticos facilitarán la actualización del conocimiento y permitirán la toma de decisiones en la gestión y dirección de proyectos. 

Gracias a su contenido multimedia elaborado con la última tecnología educativa, permitirán al especialista disfrutar de 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 está basado en el Aprendizaje Basado en Problemas, mediante el cual deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del mismo. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos. 

Un programa con el que adquirirás los conocimientos más exhaustivos sobre la algoritmia, dominando los árboles, heaps, grafos y greedy a pesar de su complejidad”

El periodo de capacitación teórica tendrá lugar de manera 100% online, para que puedas organizarte y establecer tu propio horario”

Con el objetivo de ofrecer siempre las titulaciones más completas, TECH ha elaborado el plan de estudios de este Máster Semipresencial teniendo en cuenta el criterio de un equipo de expertos versados en la Ingeniería Informática. De esta manera, ha sido posible conformar un temario basado en la actualidad inmediata de este sector, en el cual están incluidas, además, horas de material adicional de gran calidad y presentados en diferentes formatos. Se trata de vídeos al detalle, artículos de investigación, resúmenes dinámicos, simulación de casos reales y lecturas complementarias con las que el egresado podrá profundizar en cada aspecto que considere más relevante o interesante para su desarrollo profesional.

Un programa que se adapta a ti, a tus necesidades, a tus intereses y a tus exigencias. Un Máster Semipresencial que, sin duda, marcará un antes y un después en tu carrera profesional” 

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
8.4.4. 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

Ahondarás en la satisfacibilidad booleana y de restricciones a través de la planificación automática y PDDL como búsqueda heurística o con SAT”