La Universidad Internacional Menéndez Pelayo (UIMP) y la Asociación Española para la Inteligencia Artificial (AEPIA) han programado, en alianza académica, un Programa Oficial de Máster Universitario en Investigación en Inteligencia Artificial cuyo objetivo es dotar al estudiante de una formación en los paradigmas de mayor vigencia e interés en el ámbito de la inteligencia artificial y en su aplicación a la resolución de problemas.
El Máster proporciona una formación de postgrado especializada en aspectos avanzados científicos y tecnológicos de la inteligencia artificial para preparar titulados versátiles que puedan desarrollar posteriormente avances en el conocimiento del ámbito (investigación básica) o en su aplicación al desarrollo de nuevos productos o servicios o a la innovación sobre los ya existentes, en los cuales se utilicen métodos o técnicas de la inteligencia artificial. Se pretende, por tanto, formar titulados con posibilidad de fácil adaptación a diferentes entornos de trabajo y a diferentes perfiles de especialización.
El Programa está adaptado a los criterios establecidos por el Espacio Europeo de Educación Superior (EEES) y su carga lectiva se establece en créditos ECTS, que es el estándar adoptado por todas las universidades del EEES para garantizar la homogeneidad y la calidad de los estudios universitarios.
Acceso con título universitario oficial español o del Espacio Europeo de Educación Superior (EEES): La admisión en el Máster Universitario en Investigación en Inteligencia Artificial requiere estar en posesión de un título universitario oficial español u otro expedido por una institución de educación superior perteneciente a otro Estado integrante del EEES que faculte, en el país expedidor del título, para el acceso a enseñanzas de Máster Universitario, con especial preferencia por las siguientes titulaciones: Ingeniería Informática, Grado (o anterior licenciatura) en Matemática, Grado (o anterior licenciatura) en Física, Ingeniería Industrial e Ingeniería en Telecomunicaciones.
Se exigirá además que los solicitantes posean competencia demostrada en alguno de los siguientes lenguajes de programación: C, Java, Fortran, Python, Matlab o similar, siendo este un criterio de admisión excluyente.
Acceso con un título universitario ajeno al EEES: Podrán ser admitidos titulados conforme a sistemas educativos ajenos al EEES sin necesidad de homologación de sus títulos, previa acreditación de un nivel de formación equivalente a los correspondientes títulos universitarios oficiales españoles y que facultan en el país expedidor del título para el acceso a enseñanzas de posgrado. El acceso de estos estudiantes está condicionado a la resolución favorable del Rector.
La resolución del Rector no implicará, en ningún caso, la homologación del título previo de que esté en posesión el interesado, ni su reconocimiento a otros efectos que el de cursar las enseñanzas de Máster.
El Máster Universitario en Investigación en Inteligencia Artificial está especialmente dirigido a titulados en:
Ingeniería Informática.
Grado (o anterior licenciatura) en Matemáticas.
Grado (o anterior licenciatura) en Física.
Ingeniería Industrial.
Ingeniería en Telecomunicaciones.
Se exigirá además que los solicitantes posean competencia demostrada en alguno de los siguientes lenguajes de programación: C, Java, Fortran, Python, Matlab o similar, siendo este un criterio de admisión excluyente.
MÓDULO I: INTRODUCCIÓN A LA INVESTIGACIÓN
CURSO 1
Introducción a la investigación
Desde INTRODUCCIÓN A LA INVESTIGACIÓN para llegar a ESPECIALIDAD EN APRENDIZAJE Y CIENCIA DE DATOS
MÓDULO II: FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
CURSO 1
Resolución de problemas con metaheurísticos
Ciencia de datos y aprendizaje automático
MÓDULO III: APRENDIZAJE Y CIENCIA DE DATOS
CURSO 1
Métodos supervisados
Métodos no supervisados y detección de anomalías
Datos temporales y complejos
Big Data: Herramientas para el procesamiento de datos masivos
OPTATIVAS
CURSO 1
Procesamiento del lenguaje natural
Big Data: Herramientas para el procesamiento de datos masivos
Tecnologías semánticas avanzadas
Búsqueda heurística avanzada
OPTATIVAS COMPETENCIA
CURSO 1
Técnicas avanzadas de representación del conocimiento y razonamiento
Sistemas multi-agente
Web semántica y datos enlazados
Recuperación y extracción de información, grafos y redes sociales
Razonamiento automático
Planificación automática
Razonamiento con restricciones
Desde INTRODUCCIÓN A LA INVESTIGACIÓN para llegar a ESPECIALIDAD EN INTELIGENCIA EN LA WEB
MÓDULO II: FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
CURSO 1
Técnicas avanzadas de representación del conocimiento y razonamiento
Procesamiento del lenguaje natural
MÓDULO III: INTELIGENCIA EN LA WEB
CURSO 1
Web semántica y datos enlazados
Tecnologías semánticas avanzadas
Sistemas de recomendación
Recuperación y extracción de información, grafos y redes sociales
OPTATIVAS
CURSO 1
Ciencia de datos y aprendizaje automático
Métodos supervisados
Métodos no supervisados y detección de anomalías
Datos temporales y complejos
Big Data: Herramientas para el procesamiento de datos masivos
Razonamiento automático
Planificación automática
Razonamiento con restricciones
OPTATIVAS COMPETENCIA
CURSO 1
Resolución de problemas con metaheurísticos
Sistemas multi-agente
Búsqueda heurística avanzada
Desde INTRODUCCIÓN A LA INVESTIGACIÓN para llegar a ESPECIALIDAD EN RAZONAMIENTO Y PLANIFICACIÓN
MÓDULO II: FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
CURSO 1
Técnicas avanzadas de representación del conocimiento y razonamiento
Sistemas multi-agente
MÓDULO V: RAZONAMIENTO Y PLANIFICACIÓN
CURSO 1
Razonamiento automático
Planificación automática
Búsqueda heurística avanzada
Razonamiento con restricciones
OPTATIVAS
CURSO 1
Resolución de problemas con metaheurísticos
Procesamiento del lenguaje natural
Web semántica y datos enlazados
Recuperación y extracción de información, grafos y redes sociales
OPTATIVAS COMPETENCIA
CURSO 1
Ciencia de datos y aprendizaje automático
Métodos supervisados
Métodos no supervisados y detección de anomalías
Datos temporales y complejos
Big Data: Herramientas para el procesamiento de datos masivos
Tecnologías semánticas avanzadas
Sistemas de recomendación
Desde INTRODUCCIÓN A LA INVESTIGACIÓN para llegar a ESPECIALIDAD EN GENERALISTA
MÓDULO II: FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
CURSO 1
Técnicas avanzadas de representación del conocimiento y razonamiento
Resolución de problemas con metaheurísticos
Ciencia de datos y aprendizaje automático
Procesamiento del lenguaje natural
Sistemas multi-agente
OPTATIVAS
CURSO 1
Métodos supervisados
Métodos no supervisados y detección de anomalías
Datos temporales y complejos
Big Data: Herramientas para el procesamiento de datos masivos
Web semántica y datos enlazados
Tecnologías semánticas avanzadas
Sistemas de recomendación
Recuperación y extracción de información, grafos y redes sociales
Razonamiento automático
Planificación automática
Búsqueda heurística avanzada
Razonamiento con restricciones
Desde ESPECIALIDAD EN APRENDIZAJE Y CIENCIA DE DATOS para llegar a FIN ESPECIALIDAD EN APRENDIZAJE Y CIENCIA DE DATOS
MÓDULO VI: TRABAJO DE FIN DE MÁSTER
CURSO 1
Trabajo de fin de Máster
Desde ESPECIALIDAD EN INTELIGENCIA EN LA WEB para llegar a FIN ESPECIALIDAD EN INTELIGENCIA EN LA WEB
MÓDULO VI: TRABAJO DE FIN DE MÁSTER
CURSO 1
Trabajo de fin de Máster
Desde ESPECIALIDAD EN RAZONAMIENTO Y PLANIFICACIÓN para llegar a FIN ESPECIALIDAD EN RAZONAMIENTO Y PLANIFICACIÓN
MÓDULO VI: TRABAJO DE FIN DE MÁSTER
CURSO 1
Trabajo de fin de Máster
Desde ESPECIALIDAD EN GENERALISTA para llegar a FIN ESPECIALIDAD EN GENERALISTA
MÓDULO VI: TRABAJO DE FIN DE MÁSTER
CURSO 1
Trabajo de fin de Máster
Entender los conceptos, los métodos y las aplicaciones de la inteligencia artificial.
Evaluar nuevas herramientas computacionales y de gestión del conocimiento en el ámbito de la Inteligencia Artificial.
Gestionar de manera inteligente los datos, la información y su representación.
Describir problemas de investigación mediante la redacción precisa de los objetivos a lograr, las hipótesis a utilizar, las técnicas a aplicar, las conjeturas a formular y las limitaciones a considerar.
Evaluar las hipótesis de investigación propuestas en un trabajo científico que permitan su validación o su refutación.
