El sitio web de la Fundació Politècnica de Catalunya utiliza cookies propias y de terceros para mejorar la experiencia de navegación y con fines estadísticos. Para obtener más información sobre las cookies puede consultar la
política de cookies.
Configurar cookies
Permitir todas las cookies
INFORMACIÓN
Las cookies son pequeños archivos de texto que las páginas web pueden utilizar para hacer más eficiente la experiencia del usuario.
La ley afirma que podemos almacenar cookies en su dispositivo si son estrictamente necesarias para el funcionamiento de esta página. Para todos los demás tipos de cookies necesitamos su permiso.
Esta página utiliza tipos diferentes de cookies. Algunas cookies son colocadas por servicios de terceros que aparecen en nuestras páginas.
En cualquier momento puede cambiar o retirar su consentimiento desde la Declaración de cookies en nuestro sitio web.
Obtenga más información sobre quiénes somos, cómo puede contactarnos y cómo procesamos los datos personales en nuestra política de privacidad.
Al contactarnos respecto a su consentimiento, por favor, indique su identificación y la fecha de su consentimiento.
DECLARACIÓN DE COOKIES
Necesarias
:
Las cookies necesarias ayudan a hacer una página web utilizable activando funciones básicas como la navegación en la página y el acceso a áreas seguras de la página web. La página web no puede funcionar adecuadamente sin estas cookies.
Nombre
Proveedor
Propósito
Caducidad
Tipo
lang
www.fpc.upc.edu
Guardar el idioma de visualización de la web
2 años
HTTP
politica_cookie
www.fpc.upc.edu
Guardar el consentimiento general de cookies en el dominio actual.
1 año
HTTP
cookie_estadistiques
www.fpc.upc.edu
Guardar el consentimiento de cookies estadísticas en el dominio actual.
1 año
HTTP
cookie_marketing
www.fpc.upc.edu
Guardar el consentimiento de cookies de marketing en el dominio actual.
1 año
HTTP
PHPSESSID
www.fpc.upc.edu
Conserva el estado de la sesión del usuario en las solicitudes de página.
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 años
HTTP
Estadísticas
:
Las cookies estadísticas ayudan a los propietarios de páginas web a comprender cómo interactúan los visitantes con las páginas web reuniendo y proporcionando información de forma anónima.
Registers a unique ID that is used to generate statistical data on how the visitor uses the website.
1 dia
HTTP
Marketing
:
Las cookies de marketing se utilizan para rastrear a los visitantes en las páginas web. La intención es mostrar anuncios relevantes y atractivos para el usuario individual, y por lo tanto, más valiosos para los editores y terceros anunciantes.
Nombre
Proveedor
Propósito
Caducidad
Tipo
last_campaign
www.fpc.upc.edu
Guardar la última campaña por lo que el usuario ha llegado al sitio web.
6 meses
HTTP
campaign_XX
www.fpc.upc.edu
Guardar todas las campañas por lo que el usuario ha llegado al sitio 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 y Deep Learning para la Detección de Anomalías en Imágenes y Series Temporales
Domina la IA para identificar anomalías y aporta soluciones reales en ámbitos clave como la salud, la energía o la industria.
Inicio 30/09/2025
Duración 3 meses
Modalidad Semipresencial
Precio 900€270€
Presentación
Contenidos formativos
Metodología de aprendizaje
Equipo docente
Financiado por el Ministerio de Ciencia, Innovación y Universidades en el marco del Plan Microcreds. Subvención aplicable a residentes en España entre 25 y 64 años.
Esta ayuda y los descuentos de UPC School no son acumulables.
Presentación
Edición
1ª
Créditos
3 ECTS
Tipo
Microcredencial
Modalidad
Semipresencial
Idioma de impartición
Español
Precio
900€270€(Financiado por el Ministerio de Ciencia, Innovación y Universidades en el marco del Plan Microcreds. Subvención aplicable a residentes en España entre 25 y 64 años.) Observaciones pago de la matrícula y campaña 0,7%
Inscripción abierta hasta el inicio del programa o hasta agotar plazas.
Fechas de realización
Fecha de inicio: 30/09/2025
Fecha de fin: 16/12/2025
EEBE - Escola d'Enginyeria de Barcelona Est
Avda. Eduard Maristany, 16 08019 Barcelona
¿Por qué este programa?
Esta microacreditación ofrece una formación especializada en técnicas de Machine Learningy Deep Learning para la detección de anomalías, respondiendo a las necesidades formativas de sectores como la biomedicina y la energía eólica. La experiencia de aprendizaje combina teoría y práctica para capacitar a los participantes en el análisis de datos complejos, como imágenes biomédicas y series temporales, mediante la inteligencia artificial.
El curso de Machine Learning y Deep Learning para la Detección de Anomalías en Imágenes y Series Temporales prepara a los participantes para desarrollar competencias clave en el ámbito del análisis de datos y la IA aplicada a la detección de anomalías.
Impulsado por:
«Plan de Recuperación, Transformación y Resiliencia - Financiado por la Unión Europea - Next Generation EU». Componente 21, inversión 6, C21.I06.P02.S04.S05. PROVISIONAL.SI01.
Objetivos
Analizar datos para identificar patrones y anomalías.
Diseñar, entrenar y evaluar modelos de machine learning para detectar anomalías en imágenes biomédicas y series temporales.
Detectar anomalías aplicando técnicas de deep learning, mediante arquitecturas avanzadas como CNN y RNN.
Evaluar el rendimiento con métricas adecuadas e interpretar resultados para su aplicación real.
Integrar soluciones en entornos productivos, desplegando modelos de detección de anomalías para su eficiencia operativa.
¿A quién va dirigido?
Profesionales de diversos sectores que requieren aplicar técnicas avanzadas de machine learning y deep learning para la detección de anomalías. En particular, se enfoca en los siguientes ámbitos:
Biomedicina y Salud.
Energía Eólica y Energías Renovables.
Industria Manufacturera.
Contenidos formativos
Introducción y problemas base:
Introducción general al curso y objetivos.
Casos de estudio.
Definición de metodologías de aprendizaje:
Supervisado.
No supervisado.
Semi-supervisado.
Python y Google Colab:
Fundamentos básicos de Python:
Tipos de datos, estructuras y control de flujo.
Funciones y clases.
Manejo de librerías esenciales como NumPy, Pandas y Matplotlib.
Uso de Google Colab como entorno de programación:
Configuración básica y acceso a recursos en la nube.
Ejecución de notebooks y manejo de librerías.
Procesamiento de datos:
Adquisición de datos:
Fuentes de datos abiertas.
Extracción y carga de datos.
Procesamiento y limpieza:
Identificación y manejo de valores faltantes.
Normalización y estandarización de datos.
Análisis exploratorio de datos.
Visualización de patrones.
Generación de resúmenes estadísticos.
Aprendizaje automático (Machine Learning):
Técnicas de aprendizaje supervisado y no supervisado.
Aprendizaje profundo (Deep Learning):
Redes neuronales profundas:
Perceptrón Multicapa (MLP).
Redes neuronales recurrentes (LSTM, GRU).
Modelos avanzados:
Convolutional Neural Networks (CNN).
Vision Transformers (ViT).
Transformers generales.
Proyectos finales:
Aplicación de técnicas en casos reales.
Titulación
Microcredencial. Credencial digital de Europass en Machine y Deep Learning para la Detección de Anomalías en Imágenes y Series Temporales emitida por la Universitat Politècnica de Catalunya.
Metodología de aprendizaje
La metodología docente del programa facilita el aprendizaje del estudiantado y la consecución de las competencias necesarias.
Aprendizaje basado en problemas.
Aprendizaje basado en proyectos.
Sesiones expositivas de contenidos.
Estudio de caso.
Criterios de evaluación
Asistencia
Se requiere como mínimo el 80% de asistencia a las horas lectivas.
Elaboración de trabajos
Estudios sobre una temática determinada, individual o grupal, en los que se evalúa la calidad y profundidad de los trabajos, entre otros aspectos.
Campus virtual
El estudiantado de este microcredencial tendrá acceso al campus virtual My_Tech_Space, una eficaz plataforma de trabajo y comunicación entre el alumnado, profesores, dirección y coordinación del programa. My_Tech_Space permite obtener la documentación de cada sesión formativa antes de su inicio, trabajar en equipo, hacer consultas a los profesores, visualizar notas, etc.
Equipo docente
Dirección Académica
Vidal Segui, Yolanda
info
Ver perfil en futur.upc
/ Ver perfil en Linkedin
/ Ver perfil en Orcid
/ Ver perfil en Google Scholar Doctora en Matemática Aplicada por la UPC, donde es profesora agregada y directora del grupo de investigación Wind Turbine Condition Monitoring, integrado en CoDAlab ' Control, Datos e Inteligencia Artificial. Especialista en IA aplicada a la monitorización de aerogeneradores, ha liderado 4 proyectos competitivos con colaboraciones destacadas con centros tecnológicos (Ikerlan) y empresas del sector eólico. Miembro senior del IEEE, es autora de más de 65 artículos en revistas indexadas, 11 libros, 1 patente y más de 125 comunicaciones en congresos. En 2024 recibió el 1er Premio de Ciencia Abierta de la UPC.
Profesorado
Barrera Llanga, Kevin Ivan
info
Ver perfil en futur.upc
/ Ver perfil en Linkedin
/ Ver perfil en Orcid
/ Ver perfil en Google Scholar Doctor en Automática, Robótica y Visión por Computador por la Universitat Politècnica de Catalunya (UPC). Máster en Ingeniería Mecatrónica por la Universitat Politècnica de València (UPV). Ingeniero en Mecatrónica (ESPE). Forma parte del grupo de investigación Control, Dades i Intel·ligència Artificial (CoDALab) y del grupo local de IA de IEEE España. Profesor en la UPC, donde coordina la asignatura de Computer Vision, y en la Universitat Oberta de Catalunya (UOC), donde imparte la asignatura de Deep Learning. Investiga la IA aplicada al diagnóstico hematológico y a fallos industriales.
Encalada-Davila, Angel
info
Ver perfil en LinkedinVer perfil en OrcidVer perfil en Google Scholar Estudiante del doctorado de Ingeniería Civil en University College Dublin (UCD), Irlanda. Máster en Ingeniería Mecatrónica por la Universidad de Oviedo, España. Grado universitario en Ingeniería Mecatrónica por la Escuela Superior Politécnica del Litoral (ESPOL), Ecuador. Hasta la fecha son cinco años de experiencia en IA aplicada en energía eólica, incluyendo monitoreo de la salud estructural (SHM) y monitoreo de la condición (CM). Además dos años de experiencia en el sector privado, entre la banca financiera y el sector acuícola. Cuenta con más de 10 artículos de revista Q1 y de conferencia.
Vidal Segui, Yolanda
info
Ver perfil en futur.upc
/ Ver perfil en Linkedin
/ Ver perfil en Orcid
/ Ver perfil en Google Scholar Doctora en Matemática Aplicada por la UPC, donde es profesora agregada y directora del grupo de investigación Wind Turbine Condition Monitoring, integrado en CoDAlab ' Control, Datos e Inteligencia Artificial. Especialista en IA aplicada a la monitorización de aerogeneradores, ha liderado 4 proyectos competitivos con colaboraciones destacadas con centros tecnológicos (Ikerlan) y empresas del sector eólico. Miembro senior del IEEE, es autora de más de 65 artículos en revistas indexadas, 11 libros, 1 patente y más de 125 comunicaciones en congresos. En 2024 recibió el 1er Premio de Ciencia Abierta de la UPC.
