Máster en Ingeniería de Series Temporales, Señales y Detección de Anomalías
Máster online de 1900 h: 12 módulos y 120 submódulos, de «Naturaleza de las anomalías» a «Trabajo Fin de Máster», pasando por «Análisis espectral y tiempo-frecuencia».
Mapa del programa · pulsa un módulo
Módulo 1 · Naturaleza de las anomalías
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Naturaleza de las anomalías
Saldrás manejando anomalías puntuales, contextuales y colectivas, novedad, valores atípicos y cambios de régimen y anomalías en series univariantes y multivariantes. Es lo que se trabaja en «Naturaleza de las anomalías», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Métodos estadísticos clásicos
Saldrás manejando puntuaciones z y métodos robustos con MAD, gráficos de control Shewhart y gráficos CUSUM y EWMA. Es lo que se trabaja en «Métodos estadísticos clásicos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Métodos basados en distancia y densidad
Saldrás manejando vecinos más próximos y distancia k-NN, factor local de anomalía LOF y isolation Forest y árboles de aislamiento. Es lo que se trabaja en «Métodos basados en distancia y densidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Análisis espectral y tiempo-frecuencia
Saldrás manejando espectros y bandas características, transformada de Fourier de tiempo corto y wavelets continuas y discretas. Es lo que se trabaja en «Análisis espectral y tiempo-frecuencia», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Explicación y diagnóstico
Saldrás manejando atribución de anomalías a variables, contribuciones en PCA y T² y SHAP para detectores. Es lo que se trabaja en «Explicación y diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Aplicaciones sectoriales
Saldrás manejando ciberseguridad e intrusiones de red, fraude en transacciones y monitorización de infraestructuras. Es lo que se trabaja en «Aplicaciones sectoriales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Caracterizar los distintos tipos de anomalías en series temporales.
02Preprocesar señales de sensores para su análisis.
03Aplicar métodos estadísticos y de detección de cambios.
04Desarrollar detectores basados en aprendizaje profundo.
05Evaluar detectores con métricas adecuadas por evento.
06Explicar y priorizar anomalías para su diagnóstico.
07Desplegar sistemas de detección en tiempo real.
Plan de estudios
12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.
1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos
Naturaleza de las anomalías
1.1Anomalías puntuales, contextuales y colectivas
1.2Novedad, valores atípicos y cambios de régimen
1.3Anomalías en series univariantes y multivariantes
1.4Etiquetado escaso y aprendizaje no supervisado
1.5Coste de falsos positivos y negativos
1.6Casos en industria, finanzas y redes
1.7Taxonomía de métodos de detección
1.8Conjuntos de datos de referencia
1.9Problemas de evaluación en la literatura
1.10Caso práctico: definición del problema en una red eléctrica
Módulo 2 de 12 · 10 submódulos
Preprocesado de series y señales
2.1Valores faltantes e imputación temporal
2.2Remuestreo y alineación de sensores
2.3Eliminación de tendencia y estacionalidad
2.4Filtrado de ruido
2.5Normalización por régimen operativo
2.6Segmentación de series
2.7Representaciones simbólicas SAX
2.8Reducción de dimensionalidad
2.9Detección de sensores congelados y saturados
2.10Laboratorio: limpieza de datos de sensores de planta
Módulo 3 de 12 · 10 submódulos
Métodos estadísticos clásicos
3.1Puntuaciones z y métodos robustos con MAD
3.2Gráficos de control Shewhart
3.3Gráficos CUSUM y EWMA
3.4Residuos de modelos ARIMA
3.5Descomposición STL y residuos
3.6Pruebas de Grubbs y ESD generalizada
3.7Control estadístico multivariante
3.8Análisis de componentes principales y estadísticos Q
3.9Supuestos y limitaciones
3.10Práctica: detección con CUSUM en una línea de proceso
Módulo 4 de 12 · 10 submódulos
Detección de cambios
4.1Detección de puntos de cambio fuera de línea
4.2Algoritmo PELT y segmentación binaria
4.3Métodos bayesianos en línea
4.4Prueba de razón de verosimilitud
4.5Cambios en media, varianza y espectro
4.6Detección de deriva de sensores
4.7Penalizaciones y selección de modelo
4.8Cambios en series multivariantes
4.9Validación de puntos de cambio
4.10Laboratorio: puntos de cambio con la librería ruptures
Módulo 5 de 12 · 10 submódulos
Métodos basados en distancia y densidad
5.1Vecinos más próximos y distancia k-NN
5.2Factor local de anomalía LOF
5.3Isolation Forest y árboles de aislamiento
5.4One-Class SVM con núcleos gaussianos
5.5Matrix Profile y discords
5.6Agrupamiento con DBSCAN
5.7Distancias DTW entre subsecuencias
5.8Escalabilidad a grandes volúmenes
5.9Selección de hiperparámetros sin etiquetas
5.10Práctica: Matrix Profile para anomalías en ECG
Módulo 6 de 12 · 10 submódulos
Aprendizaje profundo para anomalías
6.1Autoencoders y error de reconstrucción
6.2Autoencoders variacionales y probabilidad de reconstrucción
6.3LSTM de predicción y error residual
6.4Redes generativas adversarias
6.5Transformers para anomalías
6.6Redes de grafos para sensores interrelacionados
6.7Aprendizaje contrastivo para representaciones normales
6.8Puntuación y umbralización
6.9Robustez frente a contaminación de entrenamiento
6.10Laboratorio: autoencoder LSTM sobre telemetría
Módulo 7 de 12 · 10 submódulos
Análisis espectral y tiempo-frecuencia
7.1Espectros y bandas características
7.2Transformada de Fourier de tiempo corto
7.3Wavelets continuas y discretas
7.4Descomposición en modos empíricos
7.5Análisis de envolvente
7.6Cepstrum y detección de periodicidades
7.7Coherencia entre canales
7.8Características espectrales para detectores
7.9Firmas de fallo en maquinaria
7.10Taller: detección espectral de fallos en rodamientos
Módulo 8 de 12 · 10 submódulos
Evaluación y umbralización
8.1Métricas punto a punto frente a por evento
8.2Precisión, exhaustividad y F1 ajustada
8.3Curvas ROC y PR
8.4Métricas de rango y tiempo de detección
8.5Selección de umbrales sin etiquetas
8.6Teoría de valores extremos para umbrales
8.7Validación con anomalías inyectadas
8.8Comparación justa de métodos
8.9Interpretación para expertos de dominio
8.10Práctica: protocolo de evaluación sobre benchmark público
Módulo 9 de 12 · 10 submódulos
Explicación y diagnóstico
9.1Atribución de anomalías a variables
9.2Contribuciones en PCA y T²
9.3SHAP para detectores
9.4Clasificación de tipos de anomalía
9.5Del aviso al diagnóstico
9.6Reglas expertas y sistemas híbridos
9.7Bucle de realimentación con operadores
9.8Gestión de alarmas según ISA-18.2
9.9Racionalización de alarmas
9.10Caso práctico: priorización de alarmas en una planta química
Módulo 10 de 12 · 10 submódulos
Despliegue en tiempo real
10.1Detección en línea y streaming
10.2Ventanas deslizantes y latencia
10.3Actualización incremental de modelos
10.4Deriva de concepto en detectores
10.5Integración con SCADA y sistemas de alarma
10.6Detección en el borde
10.7Arquitectura de servicios de detección
10.8Monitorización del detector
10.9Pruebas con datos repetidos
10.10Taller: servicio de detección en streaming
Módulo 11 de 12 · 10 submódulos
Aplicaciones sectoriales
11.1Ciberseguridad e intrusiones de red
11.2Fraude en transacciones
11.3Monitorización de infraestructuras
11.4Salud y señales fisiológicas
11.5Calidad en procesos industriales
11.6Telemetría de satélites y aeronaves
11.7Redes de distribución de agua
11.8Monitorización de salud estructural en puentes
11.9Lecciones de proyectos reales
11.10Caso práctico: detección de fugas en red de agua
Módulo 12 de 12 · 10 submódulos
Trabajo Fin de Máster
12.1Definición del caso y los datos
12.2Análisis exploratorio de las señales
12.3Preprocesado y características
12.4Comparación de detectores
12.5Umbralización y evaluación
12.6Explicación de anomalías
12.7Propuesta de despliegue
12.8Conclusiones y recomendaciones de despliegue
12.9Memoria del TFM
12.10Defensa ante tribunal
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 meses previstos
¿Qué nivel tienes ya?
Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.
Conjuntos de datos de referencia
Módulo 1 · Naturaleza de las anomalías
Descomposición STL y residuos
Módulo 3 · Métodos estadísticos clásicos
Factor local de anomalía LOF
Módulo 5 · Métodos basados en distancia y densidad
Firmas de fallo en maquinaria
Módulo 7 · Análisis espectral y tiempo-frecuencia
Reglas expertas y sistemas híbridos
Módulo 9 · Explicación y diagnóstico
Marca los cinco conceptos y te damos tu resultado.
Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.
Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.
¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 1900 horas · 12 a 18 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
·Nivel de español suficiente para seguir lectura de normativa técnica.
Cómo se estudia
Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.
Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es Python con PyOD, ruptures, STUMPY, MATLAB Signal Processing Toolbox, Merlion, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de detección de fallos en señales de vibración, identificación de fraude en transacciones, detección de fugas en redes de distribución. La evaluación es continua por módulo más el TFM final.
Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Naturaleza de las anomalías» y cierra con «Trabajo Fin de Máster».
Se trabajan ANSI/ISA-18.2, IEC 62682, ISO 7870-2, ISO 13379-1, ISO 17359 y ISO 16079-2.
Los perfiles más directos son Científico de datos de series temporales, Ingeniero de procesamiento de señales, Analista de monitorización de procesos, Ingeniero de fiabilidad y Analista de ciberseguridad con IA.
En un pago son 3.864 €, sobre una tarifa de 4.830 €. A plazos, una entrada de 1.926 € y 12 cuotas de 242 €, 4.830 € en total, sin intereses: lo mismo que la tarifa.
Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.
El programa son 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con Python con PyOD, ruptures, STUMPY, MATLAB Signal Processing Toolbox, Merlion. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.
Diploma propio de SEIUM al superar la evaluación continua y el Trabajo Fin de Máster. Es formación propia, no un título oficial del Ministerio.
Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.
Inicio de clases: 21 de diciembre de 20263.864 €Matricularme
Antes de decidir
¿Qué sacarías tú de este máster?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el máster acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 1900 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Científico de datos de series temporales
Ingeniero de procesamiento de señales
Analista de monitorización de procesos
En industria de procesos, energía y banca.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.