Sé el experto ingeniero en Robótica que toda empresa desea tener en su equipo. Matricúlate ahora”

Todo robot autónomo capaz de navegar debe proporcionar los mecanismos que den respuesta a preguntas fundamentales como: ¿dónde estoy?, ¿dónde quiero ir? y ¿cómo llego a ese lugar? Esta Experto universitario proporciona al ingeniero el conocimiento y las herramientas tecnológicas actuales empleadas para dar respuesta a estas preguntas y propulsar su carrera profesional en este campo. 

Debido a las altas capacidades y la complejidad de los algoritmos de inteligencia artificial es fundamental dominar esta materia para poder enfrentarse con éxito a esta tecnología. El equipo docente especializado encargado de impartir esta enseñanza acompañará al alumnado en este recorrido para que logre con solvencia sus objetivos profesionales.

Este programa impartido en su totalidad en modalidad online abarcará uno de los aspectos claves en el área de la autonomía de los robots, la visión artificial. Las diferentes arquitecturas, usos de las redes neuronales profundas, los problemas de visión 2D y 3D tendrán su amplio espacio en esta titulación universitaria.

Una excelente oportunidad para el profesional de la ingeniería que desee una especialización en una industria en auge y con amplias salidas laborales. Todo ello con un sistema de aprendizaje que facilita la adquisición de una especialización y compatibilizarla a su vez con las responsabilidades personales gracias a la ausencia de horarios fijos para acceder a todo el contenido de la titulación. Así, el alumnado tan solo necesita un dispositivo con conexión a internet para conectarse a la plataforma y empezar en cualquier hora del día en una enseñanza universitaria que impulsará su trayectoria profesional.

Especialízate y alcanza el éxito en la industria de la Robótica. Da el paso e inscríbete’’

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

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

Tienes la oportunidad de progresar en un campo en auge. Matricúlate y perfecciona tus conocimientos en Inteligencia Artificial”

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.

La biblioteca de recursos multimedia de esta Experto universitario te proporciona un contenido vanguardista y de gran utilidad para tu carrera profesional"

Adquiere un aprendizaje que se llevará a realizar de modo óptimo el despliegue de Redes Neuronales en Aplicaciones Reales"

El equipo docente implicado en la elaboración de este programa 100% online ha confeccionado un plan de estudio donde el alumnado se sumergirá en la aplicación de la Inteligencia Artificial a robots y Softbots y en la mejora de la percepción visual de los robots a través de las principales técnicas y herramientas empleadas para lograr un Aprendizaje Automático. Los vídeos en detalle de cada tema aportado por los profesionales que imparten esta enseñanza facilitarán el aprendizaje. Asimismo, el alumnado dispondrá de todo el temario desde el inicio de la titulación lo que le permitirá la distribución de la carga lectiva según sus necesidades.

Matricúlate ya y aprende en esta Experto universitario con los mejores especialistas en Robótica”

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

1.1. Agentes inteligentes e Inteligencia Artificial

1.1.1. Robots inteligentes.Inteligencia Artificial
1.1.2. Agentes inteligentes

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

1.1.3. Aplicaciones a la Robótica

1.2. Conexión cerebro-algoritmo

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

1.3. Algoritmos de búsqueda en el espacio de soluciones

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

1.4. Aprendizaje Automático

1.4.1. Aprendizaje automático
1.4.2. Algoritmos de aprendizaje supervisado
1.4.3. Algoritmos de aprendizaje no supervisado
1.4.4. Algoritmos de aprendizaje por refuerzo

1.5. Aprendizaje supervisado

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

1.6. Aprendizaje no supervisado

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

1.7. Aprendizaje por refuerzo

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

1.8. Redes neuronales artificiales y Deep Learning

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

1.9. Inferencia probabilística

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

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

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

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

2.1. La visión por computador

2.1.1. La visión por computador
2.1.2. Elementos de un sistema de visión por computador
2.1.3. Herramientas matemáticas

2.2. Sensores ópticos para la Robótica

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

2.3. Adquisición de imágenes

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

2.4. Geometría de las imágenes

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

2.5. Herramientas matemáticas

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

2.6. Preprocesamiento de imágenes

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

2.7. Segmentación de imágenes

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

2.8. Detección de características en la imagen

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

2.9. Sistemas de visión 3D

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

2.10. Localización basada en Visión Artificial

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

Módulo 3. Sistemas de percepción visual de robots con Aprendizaje Automático

3.1. Métodos de aprendizaje no supervisados aplicados a la Visión Artificial

3.1.1. Clustering
3.1.2. PCA
3.1.3. Nearest Neighbors
3.1.4. Similarity and Matrix Decomposition

3.2. Métodos de aprendizaje supervisados aplicados a la Visión Artificial

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

3.3. Redes neuronales profundas: estructuras, Backbones y Transfer Learning

3.3.1. Capas generadoras de Features

3.3.1.1. VGG
3.3.1.2. Densenet
3.3.1.3. ResNet
3.3.1.4. Inception
3.3.1.5. GoogLeNet

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

3.4. Visión Artificial con aprendizaje profundo I: detección y segmentación

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

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

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

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

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

3.7. Inferencia bayesiana y modelado 3D

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

3.8. Aplicaciones End-to-End de las redes neuronales profundas

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

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

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

3.10. Despliegue de redes neuronales en aplicaciones reales

3.10.1. Sistemas embebidos
3.10.2. Despliegue de redes neuronales. Uso
3.10.3. Optimizaciones de redes en el despliegue, ejemplo con TensorRT

Distribuye la carga lectiva según tus necesidades. Accede a todo el temario desde el primer día y descárgate el contenido para visualizarlo cuando lo desees”