Curso Gratuito Master en Computación Cuantica e Inteligencia Artificial

Información gratuita

Nombre y apellidos

Email

Teléfono

Situación laboral

País

Provincia

Acepto la Política de Privacidad, el Aviso Legal y la Política de Cookies de cursosgratuitos.es

Curso 100% Bonificable si eres trabajador contratado en el régimen general y envías la documentación de matrícula (en el caso de ser estudiante, desempleado, autónomo, funcionario o jubilado puedes realizar este curso de forma parcialmente subvencionada)

Busca otros cursos gratuitos

Para qué te prepara:

A lo largo del Master en Computación Cuántica e Inteligencia Artificial, se conseguirá dominar herramientas de una u otra área como Matlab, TensorFlow, Python, o Chatterbot, entre otros. De esta forma, ser podrá sacar el máximo provecho de las posibilidades que esta nueva forma de hacer informática aporta a diferentes áreas de aplicación y elevar a las empresas hacia otro nivel de la mano de la inteligencia artificial.

A quién va dirigido:

El Master en Computación Cuántica e Inteligencia Artificial se dirige principalmente a aquellas personas formadas en estadística, matemáticas, informática o telecomunicaciones. No obstante, las innumerables aplicaciones de la inteligencia artificial lo hacen apto también para otros perfiles como la economía o la administración de empresas, entre otros.

Titulación:

TITULACIÓN expedida por EUROINNOVA INTERNATIONAL ONLINE EDUCATION, miembro de la AEEN (Asociación Española de Escuelas de Negocios) y CLADEA (Consejo Latinoamericano de Escuelas de Administración)

Objetivos:

- Aprender a crear algoritmos más eficientes haciendo uso de la computación cuántica y de sistemas de cómputo numérico como Matlab. - Estudiar las diferentes aplicaciones de la física cuántica en el ámbito de la tecnología, la medicina, el transporte, la energía o la electricidad. - Conocer el nexo de unión entre el Big Data y la inteligencia artificial para desarrollar algoritmos para las máquinas. - Manejar TensorFlow para generar aprendizaje automático y el lenguaje de programación Python para desarrollar aplicaciones. - Desarrollar chatbots con ChatterBot y Python o con Chatfuel para Facebook Messenger.

Salidas Laborales:

Finalizado el Master en computación cuántica e inteligencia artificial, habilitará para ocupar puestos como desarrollador o investigador de algoritmos para finanzas, para aplicarlos a la inteligencia artificial, química, la optimización, la inteligencia artificial aplicada a la industria, el análisis de datos, el marketing o la investigación evidenciándose así, el carácter polivalente del master.

Resumen:

Con este Master de Computación Cuántica e Inteligencia Artificial aprenderás que la computación cuántica ha irrumpido en el ámbito corporativo, tecnológico y científico como una rama de la informática que supone una evolución respecto a la informática tradicional. Mediante esta teoría se podrán desarrollar superordenadores con una mayor capacidad de almacenaje y con más posibilidades de crear algoritmos más eficientes. La computación cuántica unida a la inteligencia artificial supone superar los límites de la informática como se había conocido hasta ahora. No es extraño, por lo tanto, que se requiera en la actualidad y aún más en el futuro, contar con profesionales especializados en el master en computación cuántica e inteligencia artificial, para obtener el mayor rendimiento.

Metodología:

Entre el material entregado en este curso se adjunta un documento llamado Guía del Alumno dónde aparece un horario de tutorías telefónicas y una dirección de e-mail dónde podrá enviar sus consultas, dudas y ejercicios. Además recibirá los materiales didácticos que incluye el curso para poder consultarlos en cualquier momento y conservarlos una vez finalizado el mismo.La metodología a seguir es ir avanzando a lo largo del itinerario de aprendizaje online, que cuenta con una serie de temas y ejercicios. Para su evaluación, el alumno/a deberá completar todos los ejercicios propuestos en el curso. La titulación será remitida al alumno/a por correo una vez se haya comprobado que ha completado el itinerario de aprendizaje satisfactoriamente.

Temario:

MÓDULO 1. CALCULO NUMÉRICO PARA COMPUTACIÓN EN CIENCIA E INGENIERÍA

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LOS COMPUTADORES
  1. Introducción
  2. Conceptos básicos sobre computadores
  3. Componentes de un computador
  4. Software de un computador
  5. Parámetros característicos del computador digital
  6. Clasificación de los computadores
  7. Breve historia de los computadores
  8. Estudio de los computadores
  9. Computación Científica en supercomputadores
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A LA PROGRAMACIÓN Y HERRAMIENTAS DE CÁLCULO NUMÉRICO
  1. Introducción
  2. Resolución de problemas
  3. Lenguajes de programación
  4. Herramientas de cálculo numérico
UNIDAD DIDÁCTICA 3. EL SISTEMA MATLAB
  1. Introducción
  2. Acceso a MATLAB
  3. Introducción de matrices
  4. Operaciones sobre matrices y componentes de matrices
  5. Expresiones y variables
  6. El espacio de trabajo
  7. Funciones para construir matrices
  8. Control de flujo programando en MATLAB
  9. Funciones escalares
  10. Funciones vectoriales
  11. Funciones matriciales
  12. Generación de submatrices
  13. Ficheros .M
  14. Entrada y salida de texto
  15. Medidas de eficiencia de algoritmos
  16. Formato de salida
  17. Gráficos en dos dimensiones
  18. Gráficos en tres dimensiones
  19. Elaboración de programas en MATLAB
UNIDAD DIDÁCTICA 4. ARITMÉTICA DEL COMPUTADOR
  1. Introducción
  2. Representación interna de números
  3. Errores debidos a la representación interna de los números
  4. Errores en la realización de operaciones
  5. Algoritmos estables e inestables. Condicionamiento de un problema
  6. Ejercicios complementarios
UNIDAD DIDÁCTICA 5. ECUACIONES ALGEBRAICAS DE UNA VARIABLE
  1. Introducción
  2. Método de bisección o bipartición
  3. Método de interpolación lineal o Regula Falsi
  4. Método de aproximaciones sucesivas o punto fijo
  5. Método de Newton-Raphson
  6. Método de la secante
  7. Criterios de convergencia para los métodos iterativos
  8. Dificultades a la hora de calcular las raíces de una función
  9. Cálculo de ceros de polinomios
  10. Ejercicios complementarios
UNIDAD DIDÁCTICA 6. SISTEMAS DE ECUACIONES ALGEBRAICAS
  1. Introducción
  2. Métodos directos
  3. Métodos iterativos
  4. Comparación entre métodos iterativos y directos
  5. Introducción a los sistemas de ecuaciones algebraicas no lineales
  6. Ejercicios complementarios
UNIDAD DIDÁCTICA 7. INTERPOLACIÓN Y APROXIMACIÓN
  1. Introducción
  2. Interpolación polinomial
  3. -Series de Taylor
  4. -Interpolación polinómica: forma de Vandermoide
  5. Aproximación por polinomios
  6. Introducción a la interpolación por funciones racionales
  7. Ejercicios complementarios
UNIDAD DIDÁCTICA 8. DIFERENCIACIÓN E INTEGRACIÓN
  1. Introducción
  2. Diferenciación numérica
  3. Integración numérica
  4. Ejercicios complementarios

MÓDULO 2. FÍSICA CUÁNTICA

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA FÍSICA CUÁNTICA
  1. La ciencia
  2. El Sistema Internacional de Unidades
  3. Física clásica
  4. Física moderna
  5. ¿Qué es la física cuántica?
UNIDAD DIDÁCTICA 2. ÁTOMOS, ELECTRONES Y FOTONES
  1. Nociones básicas sobre la estructura atómica
  2. Introducción al espectro electromagnético
  3. ¿Qué es el espectro electromagnético?
  4. Cuantos de energía. Postulado de Planck
  5. Principio de dualidad. Postulado de De Broglie
  6. Modelo atómico de Bohr
UNIDAD DIDÁCTICA 3. EFECTO ELECTROMAGNÉTICO
  1. Introducción al efecto fotoeléctrico
  2. La luz como una onda
  3. Explicación de Albert Einstein
  4. El efecto Compton
  5. Frecuencia de la luz y la frecuencia umbral v0
  6. Tendencia de la amplitud de onda
UNIDAD DIDÁCTICA 4. NÚMEROS CUÁNTICOS Y ORBITALES
  1. Dualidad onda-corpúsculo. Principio de incertidumbre de Heisenberg
  2. Modelo mecano-cuántico del átomo
  3. Estructura del átomo
  4. Configuración electrónica
  5. Números cuánticos y orbitales atómicos
UNIDAD DIDÁCTICA 5. NÚCLEOS
  1. Núcleo atómico
  2. Masas nucleares
  3. Propiedades de la estructura nuclear
  4. Tamaño de los núcleos
  5. Ley de desintegración radiactiva
  6. Teoría cuántica de la desintegración radiactiva
  7. Desintegración nuclear
UNIDAD DIDÁCTICA 6. EL CAMPO DE PUNTO CERO
  1. ¿Qué es el campo punto cero?
  2. Partículas virtuales
  3. Efecto Casimir
UNIDAD DIDÁCTICA 7. APLICACIONES DE LA FÍSICA CUÁNTICA
  1. Introducción a las aplicaciones de la física cuántica
  2. Transistor
  3. El láser
  4. Otras aplicaciones de la física cuántica

MÓDULO 3. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
  1. Introducción a la inteligencia artificial
  2. Historia
  3. La importancia de la IA
UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
  1. Tipos de inteligencia artificial
UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
  1. Algoritmos aplicados a la inteligencia artificial
UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Tecnologías de IA que se están utilizando con Big Data
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
  1. Sistemas expertos
  2. Estructura de un sistema experto
  3. Inferencia: Tipos
  4. Fases de construcción de un sistema
  5. Rendimiento y mejoras
  6. Dominios de aplicación
  7. Creación de un sistema experto en C#
  8. Añadir incertidumbre y probabilidades
UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
  1. Futuro de la inteligencia artificial
  2. Impacto de la IA en la industria
  3. El impacto económico y social global de la IA y su futuro

MÓDULO 4. MACHINE LEARNING Y DEEP LEARNING

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
  1. Introducción
  2. Algoritmos
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
  1. Clasificadores
  2. Algoritmos
UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
  1. Componentes
  2. Aprendizaje
UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación
UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA
  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón
UNIDAD DIDÁCTICA 10. REDES MULTICAPA
  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 11. ESTRATEGIAS DE APRENDIZAJE
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa

MÓDULO 5. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN
UNIDAD DIDÁCTICA 2. RECURSOS PARA EL PLN
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. PLN en Python con la librería NLTK
  5. Otras herramientas para PLN
UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)
UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés

MÓDULO 6. CHATBOTS E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1 .¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
  1. Introducción a la Inteligencia artificial
  2. El Test de Turing
  3. Agentes Inteligentes
  4. Aplicaciones de la inteligencia artificial
UNIDAD DIDÁCTICA 2. ¿QUÉ ES UN CHATBOT?
  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafios para los Chatbots
UNIDAD DIDÁCTICA 3. RELACIÓN ENTRE IA Y CHATBOTS
  1. Chatbots y el papel de la Inteligencia Artificial (IA)
  2. Usos y beneficios de los chatbots
  3. Diferencia entre bots, chatbots e IA
UNIDAD DIDÁCTICA 4. ÁMBITOS DE APLICACIÓN CHATBOTS
  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 7. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS
  1. ¿Qué es la inteligencia artificial?
  2. Hardware y software unidos por la Inteligencia Artificial
  3. Inteligencia Artificial y Visión Artificial
  4. Arduino: introducción
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON
  1. Instalación de Arduino
  2. Configurando tu Arduino para Python
UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON
  1. Control de Arduino
UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON
  1. Manejo de entradas
  2. Entradas analógicas
UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS
  1. Salidas analógicas
  2. Valores analógicos en Arduino
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING
  1. Introducción al machine learning
  2. Aprendizaje supervisado
  3. Aprendizaje no supervisado
UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN
  1. Redes neuronales y deep learning
  2. Series Temporales
UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS
  1. Funciones y parámetros
  2. Variables y constantes especializadas
  3. Estructura de control
UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO
  1. Introducción
  2. ¿Qué son los datos de entrenamiento de IA?
  3. ¿Por qué se requieren datos de entrenamiento de IA?
  4. ¿Cuántos datos son adecuados?
  5. ¿Qué afecta la calidad de los datos en el entrenamiento?
UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS
  1. Crear red neural paso a paso
  2. Redes neuronales: Aprendizaje
  3. Otras redes neuronales

MÓDULO 8. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV

UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES
  1. La visión artificial: definiciones y aspectos principales
UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL
  1. Ópticas
  2. Iluminación
  3. Cámaras
  4. Sistemas 3D
  5. Sensores
  6. Equipos compactos
  7. Metodologías para la selección del hardware
UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL
  1. Algoritmos
  2. Software
  3. Segmentación e interpretación de imágenes
  4. Metodologías para la selección del software
UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0
  1. Aplicaciones clásicas: discriminación, detección de fallos…
  2. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)
UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV
UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo
UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES
  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen
UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING
  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching
UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR
  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color
UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas
UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO
  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)

MÓDULO 9. COMPUTACIÓN CUÁNTICA

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN CUÁNTICA
UNIDAD DIDÁCTICA 2. TECNOLOGÍA CUÁNTICA ACTUAL
UNIDAD DIDÁCTICA 3. ALGORITMO CUÁNTICOS
UNIDAD DIDÁCTICA 4. COMUNICACIONES CUÁNTICAS
UNIDAD DIDÁCTICA 5. CRIPTOGRAFÍA CUÁNTICA
UNIDAD DIDÁCTICA 6. SIMULACIÓN CUÁNTICA
UNIDAD DIDÁCTICA 7. COMPUTACIÓN CUÁNTICA ADIABÁTICA
UNIDAD DIDÁCTICA 8. ALGORITMOS DE PASEO CUÁNTICO
UNIDAD DIDÁCTICA 9. ERRORES CUÁNTICOS Y CÓDIGOS CUÁNTICOS