Especialización en Smart Cities e Inteligencia Artificial (IA)

Módulo 1. Smart Cities como Herramientas de Innovación

1.1. De las Ciudades a las Ciudades Inteligentes

1.1.1. De las Ciudades a las Ciudades Inteligentes
1.1.2. Las Ciudades en el tiempo y las Culturas en las Ciudades
1.1.3. Evolución de los Modelos de Ciudad

1.2. Tecnologías

1.2.1. Plataformas tecnológicas de aplicación
1.2.2. Interfaces servicios/ciudadano
1.2.3. Tipologías tecnológicas

1.3. Ciudad como sistema complejo

1.3.1. Componentes de una ciudad
1.3.2. Interacciones entre componentes
1.3.3. Aplicaciones: servicios y productos en la ciudad

1.4. Gestión inteligente de la seguridad

1.4.1. Estado actual
1.4.2. Entornos tecnológicos de gestión en la ciudad
1.4.3. Futuro: las Smart Cities en el futuro

1.5. Gestión inteligente de la limpieza

1.5.1. Modelos de aplicación en los servicios inteligentes de limpieza
1.5.2. Sistemas: aplicación de los servicios inteligentes de limpieza
1.5.3. Futuro de los servicios inteligentes de limpieza

1.6. Gestión inteligente del tráfico

1.6.1. Evolución del tráfico: complejidad y factores que dificultan su gestión
1.6.2. Problemática
1.6.3. E-Movilidad
1.6.4. Soluciones

1.7. Ciudad sostenible

1.7.1. Energía
1.7.2. El ciclo del agua
1.7.3. Plataforma de gestión

1.8. Gestión Inteligente del Ocio

1.8.1. Modelos de negocio
1.8.2. Evolución del ocio urbano
1.8.3. Servicios asociados

1.9. Gestión de grandes eventos sociales

1.9.1. Movimientos
1.9.2. Aforos
1.9.3. Salud

1.10. Conclusiones de presente y futuro en Smart Cities

1.10.1. Plataformas tecnológicas y problemática
1.10.2. Tecnologías, integración en entornos heterogéneos
1.10.3. Aplicaciones prácticas en diferentes modelos de ciudad

Módulo 2. I+D+I.A. NLP/NLU Embeddings y Transformers

2.1. Natural Language Processing (NLP)

2.1.1. Natural Language Processing. Usos de NLP
2.1.2. Nautral Language Processiing (NLP). Librerías
2.1.3. Stoppers en la Aplicación de NLP

2.2. Natural Lenguage Understanding/Natural Lenguage Generation (NLU/NLG)

2.2.1. NLG IA NLP/NLU Embeddings y Transformers
2.2.2. NLU/NLG. Usos
2.2.3. NLP/NLG. Diferencias

2.3. Word Embedings

2.3.1. Word Embedings
2.3.2. Word Embedings. Usos
2.3.3. Word2vec. Librería

2.4. Embedings. Aplicación Práctica

2.4.1. Código de word2vec
2.4.2. Word2vec. Casos reales
2.4.3. Corpus para Uso de Word2vec. Ejemplos

2.5. Transformers

2.5.1. Transformers
2.5.2. Modelos creados con Transformers
2.5.3. Pros y contras de los Transformers

2.6. Análisis de Sentimiento

2.6.1. Análisis de Sentimiento
2.6.2. Aplicación Práctica del Análisis de Sentimiento
2.6.3. Usos del Análisis de Sentimiento

2.7. GPT Open AI

2.7.1. GPT Open AI
2.7.2. GPT 2. Modelo de Libre Disposición
2.7.3. GPT 3. Modelo de Pago

2.8. Comunidad Hugging Face

2.8.1. Comunidad Hugging Face
2.8.2. Comunidad Hugging Face. Posibilidades
2.8.3. Comunidad Hugging Face. Ejemplos

2.9. Caso Barcelona Super Computing

2.9.1. Caso BSC
2.9.2. Modelo MARIA
2.9.3. Corpus existente
2.9.4. Importancia de tener un corpus grande de lengua española

2.10. Aplicaciones Prácticas

2.10.1. Resumen automático
2.10.2. Traducción de textos
2.10.3. Análisis de sentimiento
2.10.4. Reconocimiento del habla

Módulo 3. I+D+I.A. Computer Vision. Identificación y Seguimiento de Objetos

3.1. Visión por ordenador

3.1.1. Computer Vision
3.1.2. Visión computacional
3.1.3. Interpretación de las máquinas de una Imagen

3.2. Funciones de Activación

3.2.1. Funciones de Activación
3.2.2. Sigmoide
3.2.3. ReLU
3.2.4. Tangente Hiperbólica
3.2.5. Softmax

3.3. Construcción de Redes Neuronales Convolucionales

3.3.1. Operación de Convolución
3.3.2. Capa ReLU
3.3.3. Pooling
3.3.4. Flattering
3.3.5. Full Connection

3.4. Proceso de la Convolución

3.4.1. Funcionamiento de una Convolución
3.4.2. Código de la Convolución
3.4.3. Convolución. Aplicación

3.5. Transformaciones con imágenes

3.5.1. Transformaciones con Imágenes
3.5.2. Transformaciones Avanzadas
3.5.3. Transformaciones con Imágenes. Aplicación
3.5.4. Transformaciones con Imágenes. Use Case

3.6. Transfer Learning

3.6.1. Transfer Learning
3.6.2. Transfer Learning. Tipología
3.6.3. Redes Profundas para aplicar Transfer Learning

3.7. Computer Vision. Use Case

3.7.1. Clasificación de imágenes
3.7.2. Detección de objetos
3.7.3. Identificación de objetos
3.7.4. Segmentación de objetos

3.8. Detección de objetos

3.8.1. Detección a partir de la Convolución
3.8.2. R-CNN, búsqueda selectiva
3.8.3. Detección rápida con YOLO
3.8.4. Otras posibles soluciones

3.9. GAN. Redes Generativas Antagónicas o Generative Adversarial Networks

3.9.1. Redes Generativas Adversales
3.9.2. Código para una GAN
3.9.3. GAN. Aplicación

3.10. Aplicación de Modelos de Computer Vision

3.10.1. Organización de contenidos
3.10.2. Motores de búsqueda visual
3.10.3. Reconocimiento facial
3.10.4. Realidad aumentada
3.10.5. Conducción Autónoma
3.10.6. Identificación de fallo en cada montaje
3.10.7. Identificación de plagas
3.10.8. Salud