Descripción
-
Tipología
Postítulo
-
Metodología
Online
-
Horas lectivas
450h
-
Duración
6 Meses
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
El progresivo avance de la tecnología ha propiciado que la Robótica forme parte del día a día del ser humano, siendo en ocasiones imperceptible el gran avance que ha supuesto la Robótica en la vida de las personas. Los robots autónomos han ganado peso, pero su desarrollo supone un conocimiento extenso donde el ingeniero es una de las piezas claves en su creación. Esta titulación 100% online ofrece al alumnado un extenso aprendizaje sobre la complejidad de los algoritmos en la inteligencia artificial, la movilidad y la autonomía de las máquinas. Todo ello con una metodología Relearning y una biblioteca de recursos multimedia que facilitad la cimentación sólida de conceptos.
Información importante
Documentación
- 142especializacion-sistemas-percepcion-visual-robots-aprendizaje.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
A tener en cuenta
Objetivos generales
Desarrollar los fundamentos matemáticos para el modelado cinemático y dinámico de robots
Profundizar en el uso de tecnologías específicas para la creación de arquitecturas para robots, modelado de robots y simulación
Generar conocimiento especializado sobre Inteligencia Artificial
Objetivos específicos
Módulo 1. Agentes inteligentes. Aplicando la Inteligencia Artificial
a robots y Softbots
Analizar la inspiración biológica de la Inteligencia Artificial y los agentes inteligentes
Evaluar la necesidad de algoritmos inteligentes en la sociedad actual
Determinar las aplicaciones de las técnicas avanzadas de Inteligencia Artificial sobre Agentes Inteligentes
Módulo 2. Técnicas de visión Artificial en Robótica: procesamiento
y análisis de imágenes
Analizar y entender la importancia de los sistemas de visión en la Robótica
Establecer las características de los distintos sensores de percepción para escoger los más adecuados según la aplicación
Determinar las técnicas que permiten extraer información a partir de datos de sensores
Módulo 3. Sistemas de percepción visual de robots con Aprendizaje Automático
Dominar las técnicas de aprendizaje automático más usadas hoy en día tanto a nivel académico como industrial
Profundizar en las arquitecturas de las redes neuronales para aplicarlas de forma efectiva en problemas reales
Reusar redes neuronales existentes en aplicaciones nuevas usando Transfer Learning
Este Experto Universitario proporciona al alumnado durante los 6 meses de duración una enseñanza online que le permitirá especializarse en un área donde será capaz de desarrollar implementaciones concretas de algoritmos de inteligencia artificial, aplicar las herramientas de procesamiento de información visual o desarrollar los fundamentos matemáticos para el modelado cinemático y dinámico de robots. Todo ello gracias a una amplia biblioteca de recursos multimedia y lecturas esenciales para dominar por completo esta área.
Este Experto Universitario en Sistemas de Percepción Visual de Robots con Aprendizaje Automático contiene el programa más completo y actualizado del mercado.
Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse de recibo su correspondiente título de Experto Universitario emitido por TECH Universidad Tecnológica.
El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Experto Universitario, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Título: Experto Universitario en Sistemas de Percepción Visual de Robots con Aprendizaje Automático
N.º Horas Oficiales: 450 h.
Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.
Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.
En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad
Opiniones
-
Muy buena opción para especializarse
← | →
Valoración del curso
Lo recomiendan
Valoración del Centro
Sebastián Loma-Osorio Jeria
Materias
- Personalidad1
1 alumnos indicaron haber adquirido esta competencia o habilidad
- Dinámica
11 alumnos indicaron haber adquirido esta competencia o habilidad
- Definición
- Constructivismo
- Corolarios
- Determinantes
- Estructura
11 alumnos indicaron haber adquirido esta competencia o habilidad
- Neuroticismo
- Extraversión
- Conducta
11 alumnos indicaron haber adquirido esta competencia o habilidad
Profesores
Felipe Ramón Fabresse
Ingeniero de Software Sénior en Acurable
Temario
Módulo 1. Agentes inteligentes. Aplicación de 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 inteligentes1.1.2.1. Agentes hardware. Robots
1.1.2.2. Agentes software.Softbots1.1.3. 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 Learning1.3. 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 Automático1.4. 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 refuerzo1.5. 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 supervisado1.6. 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-medias1.7. 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 Robótica1.8. 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 Learning1.9. 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 Gaussianos1.10. 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 robóticosMódulo 2. Técnicas de visión 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 matemáticas2.2. Sensores ópticos para la Robótica
2.2.1. Sensores ópticos pasivos
2.2.2. Sensores ópticos activos
2.2.3. Sensores no ópticos2.3. Adquisición de imágenes
2.3.1. Representación de imágenes
2.3.2. Espacio de colores
2.3.3. Proceso de digitalización2.4. Geometría de las imágenes
2.4.1. Modelos de lentes
2.4.2. Modelos de cámaras
2.4.3. Calibración de cámaras2.5. Herramientas matemáticas
2.5.1. Histograma de una imagen
2.5.2. Convolución
2.5.3. Transformada de Fourier2.6. Preprocesamiento de imágenes
2.6.1. Análisis de ruido
2.6.2. Suavizado de imágenes
2.6.3. Realce de imágenes2.7. Segmentación de imágenes
2.7.1. Técnicas basadas en contornos
2.7.3. Técnicas basadas en histograma
2.7.4. Operaciones morfológicas2.8. 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 características2.9. Sistemas de visión 3D
2.9.1. Percepción 3D
2.9.2. Correspondencia de características entre imágenes
2.9.3. Geometría de múltiples vistas2.10. Localización basada en Visión Artificial
2.10.1. El problema de la localización de robots
2.10.2. Odometría visual
2.10.3. Fusión sensorialMódulo 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 Decomposition3.2. 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 neuronales3.3. Redes neuronales profundas: estructuras, Backbones y Transfer Learning
3.3.1. Capas generadoras de Features
3.3.3.1. VGG
3.3.3.2. Densenet
3.3.3.3. ResNet
3.3.3.4. Inception
3.3.3.5. GoogLeNet3.3.2. Transfer Learning
3.3.3. Los datos. Preparación para el entrenamiento3.4. 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 estructuras3.5. 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 Understanding3.6. 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 Monocular3.7. 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 3D3.8. 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 visuales3.9. 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 AWS3.10. 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 TensorRTEspecialización en Sistemas de Percepción Visual de Robots con Aprendizaje Automático
$ 1.999.995 IVA inc. - Dinámica
Añade cursos similares
y compáralos para elegir mejor.
Formación por temas