Conviértete en un profesional con alta especialización en Ingeniería Artificial e Ingeniería del Conocimiento gracias a esta Maestría de TECH” 

Los avances tecnológicos en las últimas décadas han sido amplios desde el punto de vista de la Inteligencia Artificial y la Ingeniería del Conocimiento. Así, se encuentran progresos en el campo del Aprendizaje Profundo, en la detección temprana de enfermedades o la conducción automática de vehículos. La amplitud de posibilidades y la apertura de nuevas miras a través de estas áreas pronostican un futuro alentador para los profesionales que se desarrollen en la misma.  

En este sentido, los profesionales ingenieros tienen, ante sí, una oportunidad única de especializarse en un ámbito que reclama a perfiles con grandes habilidades de liderazgo, con capacidad para la innovación y conocimientos técnicos. En esta línea, se adentra esta Maestría de TECH.  

Se trata de un programa intensivo con contenido avanzado que llevará al alumnado a adquirir un aprendizaje de gran utilidad para su progresión profesional en el sector. De este modo, con un temario con una perspectiva teórico-práctica, el egresado profundizará en el diseño de algoritmos, la lógica computacional, el aprendizaje automático o la minería de datos, entre otros aspectos.  

Todo esto, a través de una extensa biblioteca de recursos didácticos conformados por vídeo resúmenes de cada tema, vídeos en detalle, lecturas especializadas y casos de estudio, a los que podrá acceder el estudiante, en cualquier momento del día. Asimismo, gracias al método Relearning, conseguirá una enseñanza eficaz, sin invertir largas horas de estudio y memorización. 

Sin duda, una oportunidad única de alcanzar las aspiraciones profesionales a través de una titulación cómoda y flexible de cursar. Y es que, el ingeniero tan solo necesita de un dispositivo digital con conexión a internet para visualizar, cuando lo desee el contenido alojado en la plataforma virtual. De esta manera, sin presencialidad, ni clases con horarios fijos, este programa se sitúa a la vanguardia académica. 

TECH brinda la oportunidad de obtener la Maestría en Inteligencia Artificial e Ingeniería del Conocimiento en un formato 100% en línea, con titulación directa y un programa diseñado para aprovechar cada tarea en la adquisición de competencias para desempeñar un papel relevante en la empresa. Pero, además, con este programa, el estudiante tendrá acceso al estudio de idiomas extranjeros y formación continuada de modo que pueda potenciar su etapa de estudio y logre una ventaja competitiva con los egresados de otras universidades menos orientadas al mercado laboral. 

Un camino creado para conseguir un cambio positivo a nivel profesional, relacionándose con los mejores y formando parte de la nueva generación de futuros ingenieros especialistas en IA e Ingeniería del Conocimiento capaces de desarrollar su labor en cualquier lugar del mundo. 

Gracias a esta titulación implementarás soluciones de automatización inteligente en la industria de la automatización” 

El temario de esta Maestría ha sido diseñado para ofrecer al alumnado una enseñanza de alto nivel, a través de numeroso material pedagógico y la flexibilidad horaria para acceder a él. Con esta comodidad, el egresado llevará a cabo un recorrido académico que le impulsará como profesional ingeniero especializado en Inteligencia Artificial e Ingeniería del Conocimiento. Una oportunidad única que proporciona TECH, la universidad digital más grande del mundo. 

El plan de estudios de este programa te llevará a convertirte en un profesional destacado en el campo de la IA” 

Plan de estudios

El plan de estudio de esta Maestría ha sido elaborado por un equipo docente especializado y con una amplia experiencia en proyectos de IA e ingeniería. De esta forma, el egresado tendrá la garantía de acceder a un temario que le proporciona una enseñanza de gran utilidad en su desempeño diario dentro de este sector.  

Además, a lo largo de los 10 módulos de los que consta esta titulación, dispondrá de contenido pensado desde su creación para que le permita enfrentarse con éxito ante los principales desafíos y complejidades que entraña esta nueva tecnología en alza. Una experiencia única, que adquiere además aun mayor atractivo gracias a las píldoras multimedia y a la información facilitada bajo el máximo rigor científico-técnico.  

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

Esta Maestría se ofrece 100% en línea, por lo que alumno podrá cursarla desde cualquier sitio, haciendo uso de una computadora, una tableta o simplemente mediante su smartphone.   

Además, podrá acceder a los contenidos tanto online como offline. Para hacerlo offline bastará con descargarse los contenidos de los temas elegidos, en el dispositivo y abordarlos sin necesidad de estar conectado a internet.   

El alumno podrá cursar la Maestría a través de sus 10 módulos, de forma autodirigida y asincrónica. Adaptamos el formato y la metodología para aprovechar al máximo el tiempo y lograr un aprendizaje a medida de las necesidades del alumno.  

Una titulación 100% online, flexible, que te permite acceder a su temario desde la comodidad de tu hogar” 

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. Arreglos o “arrays” 
1.6.2. Matrices. Poliedros 
1.6.3. Búsqueda y ordenación 
1.6.4. Cadenas. Funciones de entrada/salida o 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. Punteros y arreglos o “arrays” 
1.7.4. Punteros a cadenas 
1.7.5. Punteros a estructuras 
1.7.6. Indirección múltiple 
1.7.7. Punteros a funciones 
1.7.8. Paso de funciones, estructuras y arreglos 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 o TAD 

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

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 y TAD Cola 
2.3.6. 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. Matriz asociativa o Tabla hash 

2.7.1. Herramienta 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. Arreglos paralelos 
2.10.3. Tablas de símbolos 
2.10.4. Función try a una excepción 

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 
3.3.6. Ordenación rápida 

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 estructura de montículo o “heap” 

3.5.1. Los montículos o “heaps” 
3.5.2. El algoritmo de orden “heap sort” 
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 Voraces o “Greedy” 

3.7.1. La estrategia Voraz 
3.7.2. Elementos de la estrategia Voraz 
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 Voraces 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. La Técnica Vuelta Atrás o “Backtracking” 

3.10.1. Importancia 
3.10.2. La Vuelta Atrás 
3.10.3. 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 
4.1.2. Planteamiento y resolución de ecuaciones de recurrencia no homogéneas
4.1.3. 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 de tiempo polinomial no determinista o NP 

4.3.1. Características de la programación dinámica 
4.3.2. Técnica Vuelta atrás o “backtracking” 
4.3.3. Ramificación y poda

4.4. Optimización combinatoria 

4.4.1. Importancia 
4.4.2. Representación de problemas 
4.4.3. 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. Montañismo 
4.6.2. Recocido Simulado 
4.6.3. Técnica Búsqueda Tabú 
4.6.4. Técnica 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. Importancia 
4.8.2. Reglas del sistema formal de Hoare 
4.8.3. 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. Deducción natural 
5.2.2. Lenguaje formal 
5.2.3. 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. Importancia 
5.6.2. Lenguaje formal
5.6.3. 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. Formalización en lógica de predicados 
5.7.3. 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
5.10.3. Lógica 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 
6.3.4. Lenguaje de definición de dominio de planificación o PDDL 
6.3.5. Planificación como Búsqueda Heurística 

6.4. La Inteligencia Artificial en Juegos 

6.4.1. Teoría de Juegos 
6.4.2. Método Minimax y técnica de búsqueda “Poda Alfa-Beta” 
6.4.3. Simulación con método 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 

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: Aptitud Física 

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: elementos y componentes 
6.9.2. Ontologías de lenguaje en web e Infraestructura para la Descripción de Recursos 
6.9.3. Inferencia/razonamiento 
6.9.4. Datos enlazados 

6.10. Sistemas Expertos y Sistemas de Soporte a la Toma de Decisiones 

6.10.1. Importancia de los sistemas 
6.10.2. Sistemas expertos 
6.10.3. 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 y Esquemas 
7.6.2. Lenguaje de Ontología Web 
7.6.3. Protocolo y lenguaje de consulta 
7.6.4. Introducción a las diferentes herramientas para la creación de ontologías 
7.6.5. Instalación y uso de software Protégé 

7.7. La Web Semántica 

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

7.8. Otros modelos de representación del conocimiento 

7.8.1. Visión global 
7.8.2. Taxonomías 
7.8.3. Folksonomías 
7.8.4. Comparativa 
7.8.5. 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. 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. Sistema 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. Herramienta estadística 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 propagación hacia atrás 
8.6.4. Introducción a las redes neuronales recurrentes 

8.7. Métodos bayesianos 

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

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 
8.8.6. Medidas de bondad de ajuste

8.9. Análisis de Grupos 

8.9.1. Conceptos básicos 
8.9.2. Análisis de Grupos 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 

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 

9.2. El estándar para agentes: Fundación para Agentes Físicos Inteligentes (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 (Java Agent Development Framework) 

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

9.4. Programación básica con JADE 

9.4.1. La consola de gestión 
9.4.2. Creación básica de agentes
9.4.3. Paquetes de JADE 

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 

9.9. Reconocimiento de formas 

9.9.1. Extracción de características 
9.9.2. Algoritmos de clasificación 
9.9.3. Detección de contornos 

9.10. Procesamiento de lenguaje natural 

9.10.1. Características 
9.10.2. Reconocimiento automático del habla 
9.10.3. Lingüística computacional 

Módulo 10. Computación bioinspirada 

10.1. Introducción a la computación bioinspirada 

10.1.1. Importancia en Inteligencia artificial 
10.1.2. Concepto 
10.1.3. 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. Importancia 
10.3.2. Estructura general 
10.3.3. Implementaciones de los principales operadores

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

10.4.1. Importancia de los algoritmos genéricos 
10.4.2. Algoritmo de recombinación heterogénea y mutación cataclísmica o CHC 
10.4.3. 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. Importancia 
10.6.2. Modelos de evolución basados en estimación de distribuciones 
10.6.3. Programación genética

10.7. Programación evolutiva aplicada a problemas de aprendizaje 

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

10.8. Problemas multiobjetivo 

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

10.9. Redes neuronales I 

10.9.1. Importancia 
10.9.2. Introducción a las redes neuronales 
10.9.3. 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 

Los casos de estudio te proporcionan un enfoque teórico-práctico que te permitirá resolver problemas en el ámbito de la Ingeniería del Conocimiento”