Programa en Inteligencia Artificial

El Programa de Experto en Inteligencia Artificial se desarrollará desde el 15 de junio hasta el 23 de julio (módulo 1), y desde el 1 de septiembre hasta el 9 de octubre (módulo 2) en el campus de San Sebastián de la Universidad de Navarra.

Los alumnos que deseen obtener el Título Propio en Inteligencia Artificial cursarán ambos itinerarios.

Al ser un programa diseñado para ingenieros, los estudiantes parten con una base de conocimientos en algoritmia, bases de datos, programación estadística o control, y ello permitirá profundizar, presuponiendo los aspectos más básicos de la Inteligencia Artificial.

Es un programa presencial, siempre y cuando las autoridades sanitarias lo permitan. En caso contrario se hará bajo una modalidad online. Existirá la posibilidad de continuar con la modalidad online cuando se permita que sea presencial. Combina la formación teórica con la práctica, que se caracteriza por su enfoque industrial y su estrecha colaboración con empresas y centros de investigación.

Perfil

Dirigido a graduados de ingeniería de cualquier especialidad que quieran profundizar en las técnicas, métodos y herramientas necesarias para desarrollar proyectos de Inteligencia Artificial.

Duración

15 de junio-23 de julio (módulo 1)

1 de septiembre-9 de octubre (módulo 2)

Precio

5.000 euros

Créditos

24 ECTS

Plan de estudios

  • Módulo 1: Analítica de datos - Data analytics

    Ciencia de datos en Python (3 ECTS)

    Contenidos
    • Introducción a la programación en Python: Python, Anaconda, Jupyter Notebooks, Spyder, etc.
    • Estadística básica y visualización de datos con Python. Módulos Matplotlib y Seaborn
    • Estadística inferencial: Test de hipótesis, ANOVAS. Módulo Scipy de Python.
    • Estadística inferencial: Regresión lineal. Módulo Scipy de Python.
    • Estadística inferencial: Regresión logística. Módulo Scipy de Python.
    • Web-Scrapping con Python

    Machine Learning I (4 ECTS)

    • Introduction: supervised and unsupervised learning
    • Supervised learning o Types: regression and classification o Performance evaluation:

    - ROC, PRC, AUC, F-score, etc.
    - Cross-validation (train, validation and test, LOOCV, K-fold CV)

    o Feature selection and feature engineering: filters, wrappers, embedded methods.
    o Algorithms:

    - Linear regression (including gradient descent, normal equations, maximum likelihood)
    - Weighted linear regression
    - Logistic regression (including newton’s method)
    - LASSO

    • Unsupervised learning

    o k-means clustering
    o Expectation maximization (EM) and gaussian mixture models (GMM)
    o Dimensionality reduction and multivariate analysis  SVD, PCA, ICA, FA, CCA, etc.

    Deep Learning (3 ECTS)

    Contenidos:
    • Introducción al Deep Learning y a los sistemas cognitivos
    • Funciones de pérdida y tensores
    • Backpropagation y learning rate
    • Frameworks de Deep Learning y Jupyter Notebooks
    • Optimizadores
    • Entrenamiento de redes neuronales.
    • Convolución, deconvolución y pooling
    • Arquitecturas de Deep Learning
    • Fully Convolutional Networks
    • Casos prácticos: detección y clasificación de objetos, segmentación de imágenes y DeepFake

    Cloud Computing (2 ECTS)

    Contenidos:
    • Introducción y visión general de tecnologías para la computación
    • Cloud computing: virtualización, proveedores de cloud, servicios disponibles, AWS, GCP • Frameworks Big Data: Volumen, Velocidad y Variedad de Datos. Ecosistema de herramientas Apache Hadoop, Uso de servicios Big Data en la nube.

  • Módulo 2: Inteligencia Artificial aplicada

    Machine Learning II (4 ECTS)

    Contenidos:
    • Unsupervised learning o Hierarchical clustering
    • Supervised learning o Exponential Family. Generalized Linear Models.

     Ordinary least squares.
     Logistic regression.
     Softmax regression. o Generative Learning Algorithms
     Gaussian Discriminant Analysis.
     Naive Bayes.
     Laplace smoothing. o Support Vector Machines (SVM)
     Lagrange duality
     Kernels.  Regularization.
     SMO algorithm.

    o Ensemble Methods
     bagging, boosting, stacking
     applications to trees (CART y Random Forests)

    • Bayesian statistics and regularization

    • Learning theory o Bias/Variance trade-off

    • Time series modeling

    • Reinforcement learning

    Visión artificial (3 ECTS)

    Contenidos:
    Introducción: ¿Qué es la visión artificial? ¿Qué es una cámara? ¿Cómo se forma una imagen? Tipos de datos (RGB, RGB-D, nubes de puntos)
    • Procesamiento de imágenes, filtros y convoluciones
    • Geometría proyectiva
    • Gradientes y optimización
    • Redes neuronales
    • Redes neuronales convolucionales
    • Hardware y software
    • CPU vs GPU (¿qué es una GPU?)
    • Pytorch, Tensorflow, etc.
    • Entrenando Redes Neuronales
    • Arquitecturas de redes

    Robótica perceptual y navegación autónoma (3 ECTS)

    Contenidos:
    • Introducción a la robótica: tipos de robots, sensores, etc.
    • Poses: matrices de transformación, cuaternios, grupos de Lie etc.
    • Navegación: algoritmos de motion planning (A*, D*, RRT,)
    • Localización: filtro de Kalman, SLAM, UWB
    • Visión artificial: formación de imágenes, geometría de múltiples cámaras, SfM, visual SLAM
    • ROS (Robotic Operating System)
    • Digital Twin (Unity)
    • Imitation learning and reinforced learning
    • Prácticas: reconstrucción 3D del entorno y geolocalización usando robots móviles (AGVs)

     

    Procesado del Lenguaje Natural (2 ECTS)

    Contenidos:
    • Aplicaciones del Procesamiento del Lenguaje Natural
    • Análisis léxico: segmentación de textos
    • Etiquetación
    • Traducción automática
    • Sentiment analysis
    • Generación de lenguaje natural

Metodología

Idioma

Se impartirá principalmente en español. El 20% de los contenidos serán en inglés.

Colaboración con empresas

El programa se desarrollará en colaboración con empresas como CAF, IBM y Gestamp.

Trabajo junto a investigadores expertos en Inteligencia Artificial

Los estudiantes del programa trabajarán con investigadores del centro tecnológico Ceit y del Instituto de Ciencia de los Datos e Inteligencia Artificial de la Universidad de Navarra.

Aviso

La Universidad de Navarra utiliza cookies propias y de terceros para mejorar sus servicios, elaborar información estadística y analizar de forma agregada los hábitos de navegación de los visitantes de su página web. Esta información se comparte con terceros cuya relación se incluye en la Política de cookies. Al clicar en “Aceptar” o si continúa navegando, acepta el uso de estas cookies, pudiendo revocar su decisión cuando lo desee.

Aceptar