El lloc web de la Fundació Politècnica de Catalunya utilitza cookies pròpies i de tercers per millorar l'experiència de navegació i amb finalitats estadístiques. Per obtenir més informació sobre les cookies podeu consultar la
política de cookies.
Configurar cookies
Permetre totes les cookies
INFORMACIÓ
Les cookies són petits arxius de text que els llocs web poden utilitzar perquè l'usuari en pugui fer un ús més eficient.
La llei estableix que podem emmagatzemar cookies al vostre dispositiu si són estrictament necessàries per al funcionament d'aquest lloc. Per a tots els altres tipus de cookies ens cal el vostre permís.
Aquest lloc web utilitza diferents tipus de cookies. En alguna ocasió, les cookies que apareixen a les nostres pàgines provenen de serveis de tercers.
En qualsevol moment, vostè podrà canviar o retirar el seu consentiment de la Declaració sobre ús de cookies al nostre lloc web.
Pot obtenir més informació sobre nosaltres, sobre com contactar-nos i sobre la nostra forma de processar dates personals a la nostra política de privacitat.
Si us plau, en el moment de contactar amb nosaltres en relació amb el vostre consentiment, feu-ne constar la identificació i la data.
DECLARACIÓ DE COOKIES
Requerides
:
Les cookies necessàries ajuden a fer els llocs web més accessibles i permeten les funcions bàsiques com la navegació o l'accés a les àrees segures del lloc web. El lloc web no pot funcionar sense aquestes cookies.
Nom
Proveïdor
Propòsit
Caducitat
Tipus
lang
www.fpc.upc.edu
Guardar l'idioma de visualització del web
2 anys
HTTP
politica_cookie
www.fpc.upc.edu
Guardar el consentiment general de les cookies en el domini actual.
1 any
HTTP
cookie_estadistiques
www.fpc.upc.edu
Guardar el consentiment de les cookies estadístiques en el domini actual.
1 any
HTTP
cookie_marketing
www.fpc.upc.edu
Guardar el consentiment de les cookies de marketing en el domini actual.
1 any
HTTP
PHPSESSID
www.fpc.upc.edu
Conserva l'estat de la sessió de l'usuari a les sol·licituds de pàgina.
Used to detect if the visitor has accepted the marketing and analytics category in the cookie banner. This cookie is necessary for GDPR-compliance of the website.
2 anys
HTTP
Estadístiques
:
Les cookies d'anàlisi ajuden a entendre als propietaris de llocs web com interactuen els visitants amb els llocs web mitjançant la recopilació i notificació d'informació de forma anònima.
Registers a unique ID that is used to generate statistical data on how the visitor uses the website.
1 dia
HTTP
Màrqueting
:
Les cookies de màrqueting s'utilitzen per rastrejar els visitants a través dels llocs web que visita. La intenció és mostrar anuncis que podrien ser rellevants i atractius per a l'usuari i per tant, valuosos per editors i anunciants tercers.
Nom
Proveïdor
Propòsit
Caducitat
Tipus
last_campaign
www.fpc.upc.edu
Guardar l'ultima campanya per el que l'usuari ha arribat al lloc web.
6 mesos
HTTP
campaign_XX
www.fpc.upc.edu
Guardar totes les campanyes pel que l'usuari ha arribat al lloc web.
Sets a unique ID for the visitor, that allows third party advertisers to target the visitor with relevant advertisement. This pairing service is provided by third party advertisement hubs, which facilitates real-time bidding for advertisers.
Machine i Deep Learning per a la Detecció d'Anomalies en Imatges i Sèries Temporals
Domina la IA per identificar anomalies i aporta solucions reals en àmbits clau com la salut, l'energia o la indústria.
Inici 30/09/2025
Durada 3 mesos
Modalitat Semipresencial
Preu 900€270€
Presentació
Continguts formatius
Metodologia d'aprenentatge
Equip docent
Finançat pel Ministeri de Ciència, Innovació i Universitats en el marc del Pla Microcreds. Subvenció aplicable a residents a Espanya entre 25 i 64 anys.
Aquest ajut i els descomptes UPC School no són acumulables.
Presentació
Edició
1a
Crèdits
3 ECTS
Tipus
Microcredencial
Modalitat
Semipresencial
Idioma d'impartició
Espanyol
Preu
900€270€(Finançat pel Ministeri de Ciència, Innovació i Universitats en el marc del Pla Microcreds. Subvenció aplicable a residents a Espanya entre 25 i 64 anys.) Observacions pagament de la matrícula i campanya 0,7%
Inscripció oberta fins l'inici del programa o fins l'exhauriment de places.
EEBE - Escola d'Enginyeria de Barcelona Est
Avda. Eduard Maristany, 16 08019 Barcelona
Per què aquest programa?
Aquesta microacreditació ofereix una formació especialitzada en tècniques deMachine Learning i Deep Learning per a la detecció d'anomalies, responent a les necessitats formatives de sectors com la biomedicina i l'energia eòlica. L'experiència d'aprenentatge combina teoria i pràctica per capacitar els participants en l'anàlisi de dades complexes, com imatges biomèdiques i sèries temporals, mitjançant la intel·ligència artificial.
El curs de Machine i Deep Learning per a la Detecció d'Anomalies a Imatges i Sèries Temporals prepara els participants per desenvolupar competències clau en l'àmbit de l'anàlisi de dades i la IA aplicada a la detecció d'anomalies.
Impulsat per:
«Pla de Recuperació, Transformació i Resiliència - Finançat per la Unió Europea - Next Generation EU». Component 21, inversió 6, C21.I06.P02.S04.S05. PROVISIONAL.SI01.
Objectius
Analitzar dades per identificar patrons i anomalies.
Dissenyar, entrenar i avaluar models de machine learning per detectar anomalies en imatges biomèdiques i sèries temporals.
Detectar anomalies aplicant tècniques de deep learning mitjançant arquitectures avançades com CNN i RNN.
Avaluar el rendiment amb mètriques adequades i interpretar els resultats per a la seva aplicació real.
Integrar solucions en entorns productius, desplegant models de detecció d'anomalies per garantir-ne l'eficiència operativa.
A qui va dirigit?
Professionals de diversos sectors que requereixen aplicar tècniques avançades de machine learning i deep learning per a la detecció d'anomalies. En particular, s'enfoca en els àmbits següents:
Biomedicina i Salut.
Energia Eòlica i Energies Renovables.
Indústria Manufacturera.
Continguts formatius
Introducció i problemes base:
Introducció general al curs i objectius.
Casos d'estudi.
Definició de metodologies d'aprenentatge:
Supervisat.
No supervisat.
Semi-supervisat.
Python i Google Colab:
Fonaments bàsics de Python:
Tipus de dades, estructures i control de flux.
Funcions i classes.
Maneig de llibreries essencials com NumPy, Pandes i Matplotlib.
Ús de Google Colab com a entorn de programació:
Configuració bàsica i accés a recursos al núvol.
Execució de notebooks i maneig de llibreries.
Processament de dades:
Adquisició de dades:
Fonts de dades obertes.
Extracció i càrrega de dades.
Processament i neteja:
Identificació i maneig de valors mancants.
Normalització i estandardització de dades.
Anàlisi exploratòria de dades:
Visualització de patrons.
Generació de resums estadístics.
Machine Learning:
Tècniques d'aprenentatge supervisat i no supervisat
Deep Learning:
Xarxes neuronals profundes:
Perceptró Multicapa (MLP).
Xarxes neuronals recurrents (LSTM, GRU).
Models avançats:
Convolutional Neural Networks (CNN).
Vision Transformers (ViT).
Transformers generals.
Projectes finals:
Aplicació de tècniques en casos reals.
Titulació
Microcredencial. Credencial digital d'Europass en Machine i Deep Learning per a la Detecció d'Anomalies en Imatges i Sèries Temporals emesa per la Universitat Politècnica de Catalunya.
Metodologia d'aprenentatge
La metodologia docent del programa facilita l'aprenentatge de l'estudiantat i l'assoliment de les competències necessàries.
Aprenentatge basat en problemes.
Aprenentatge basat en projectes.
Sessions expositives de continguts.
Estudi de cas.
Criteris d'avaluació
Assistència
Es requereix com a mínim el 80% d'assistència a les hores lectives.
Elaboració de treballs
Estudis sobre una temàtica determinada, individual o grupal, on s'avalua la qualitat i la profunditat dels treballs, entre d'altres.
Campus virtual
L'estudiantat d'aquest microcredencial tindrà accés al campus virtual My_Tech_Space, una eficaç plataforma de treball i comunicació entre l'alumnat, el professorat, la direcció i la coordinació del programa. My_Tech_Space permet obtenir la documentació de cada sessió formativa abans de l'inici, treballar en equip, fer consultes als professors, visualitzar notes, etc.
Equip docent
Direcció Acadèmica
Vidal Segui, Yolanda
info
Veure perfil a futur.upc
/ Veure perfil a Linkedin
/ Veure perfil a Orcid
/ Veure perfil a Google Scholar Doctora en Matemàtica Aplicada per la UPC, on és professora agregada i directora del grup de recerca Wind Turbine Condition Monitoring, integrat dins CoDAlab ' Control, Dades i Intel·ligència Artificial. Especialista en IA aplicada al monitoratge d'aerogeneradors, ha liderat 4 projectes competitius amb col·laboracions destacades amb centres tecnològics (Ikerlan) i empreses del sector eòlic. Membre sènior de l'IEEE, és autora de més de 65 articles en revistes indexades, 11 llibres, 1 patent i més de 125 comunicacions a congressos. El 2024 va rebre el 1r Premi de Ciència Oberta de la UPC.
Professorat
Barrera Llanga, Kevin Ivan
info
Veure perfil a futur.upc
/ Veure perfil a Linkedin
/ Veure perfil a Orcid
/ Veure perfil a Google Scholar Doctor en Automàtica, Robòtica i Visió per Computador per la Universitat Politècnica de Catalunya (UPC). Màster en Enginyeria Mecatrònica per la Universitat Politècnica de València (UPV). Enginyer a Mecatrònica (ESPE). Forma part del grup de recerca Control, Dades i Intel·ligència Artificial (CoDALab) i del grup local d'IA d'IEEE Espanya. Professor a la UPC, on coordina l'assignatura de Computer Vision, ia la Universitat Oberta de Catalunya (UOC), on imparteix l'assignatura de Deep Learning. Investiga la IA aplicada al diagnòstic hematològic i fallades industrials.
Encalada-Davila, Angel
info
Veure perfil a LinkedinVeure perfil a OrcidVeure perfil a Google Scholar Estudiant del doctorat d'Enginyeria Civil a University College Dublin (UCD), Irlanda. Màster d'Enginyeria Mecatrònica per la Universitat d'Oviedo, Espanya. Grau universitari en Enginyeria Mecatrònica per lEscola Superior Politècnica del Litoral (ESPOL), Equador. Fins avui són cinc anys d'experiència en IA aplicada en energia eòlica, incloent monitoratge de la salut estructural (SHM) i monitoratge de la condició (CM). A més, dos anys d'experiència al sector privat, entre la banca financera i el sector aqüícola. Compte amb més de 10 articles de revista Q1 i de conferència.
Vidal Segui, Yolanda
info
Veure perfil a futur.upc
/ Veure perfil a Linkedin
/ Veure perfil a Orcid
/ Veure perfil a Google Scholar Doctora en Matemàtica Aplicada per la UPC, on és professora agregada i directora del grup de recerca Wind Turbine Condition Monitoring, integrat dins CoDAlab ' Control, Dades i Intel·ligència Artificial. Especialista en IA aplicada al monitoratge d'aerogeneradors, ha liderat 4 projectes competitius amb col·laboracions destacades amb centres tecnològics (Ikerlan) i empreses del sector eòlic. Membre sènior de l'IEEE, és autora de més de 65 articles en revistes indexades, 11 llibres, 1 patent i més de 125 comunicacions a congressos. El 2024 va rebre el 1r Premi de Ciència Oberta de la UPC.
