Admisión abierta 2026-2027Rellenar solicitud

Máster en Ingeniería de Privacidad, federado y gráficos

Máster online de 1900 h: 12 módulos y 120 submódulos, de «Privacidad en sistemas de datos» a «Trabajo Fin de Máster», pasando por «Aprendizaje automático en grafos».

Mapa del programa · pulsa un módulo
Módulo 1 · Privacidad en sistemas de datos
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.

Privacidad en sistemas de datos

Saldrás manejando conceptos de privacidad e identificabilidad, datos personales, seudonimizados y anónimos y ataques de reidentificación y enlace. Es lo que se trabaja en «Privacidad en sistemas de datos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Privacidad diferencial

Saldrás manejando definición formal y presupuesto de privacidad, mecanismos de Laplace y gaussiano y composición y contabilidad. Es lo que se trabaja en «Privacidad diferencial», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aprendizaje federado

Saldrás manejando arquitectura cliente-servidor federada, algoritmo de promediado FedAvg y federado horizontal y vertical. Es lo que se trabaja en «Aprendizaje federado», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aprendizaje automático en grafos

Saldrás manejando embeddings de nodos con node2vec, redes convolucionales de grafos y graphSAGE y muestreo. Es lo que se trabaja en «Aprendizaje automático en grafos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Ataques y auditoría de privacidad

Saldrás manejando inferencia de pertenencia, inversión de modelos y extracción de datos de entrenamiento. Es lo que se trabaja en «Ataques y auditoría de privacidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Regulación y gobernanza

Saldrás manejando RGPD y tecnologías de mejora de la privacidad, evaluaciones de impacto de protección de datos y transferencias internacionales de datos. Es lo que se trabaja en «Regulación y gobernanza», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Evaluar riesgos de reidentificación en conjuntos de datos.
  • 02Aplicar técnicas de anonimización y privacidad diferencial.
  • 03Utilizar técnicas criptográficas para el aprendizaje seguro.
  • 04Entrenar modelos mediante aprendizaje federado.
  • 05Desarrollar modelos de aprendizaje automático sobre grafos.
  • 06Auditar fugas de privacidad en modelos entrenados.
  • 07Integrar los requisitos del RGPD en proyectos de datos e IA.

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

Privacidad en sistemas de datos

1.1Conceptos de privacidad e identificabilidad
1.2Datos personales, seudonimizados y anónimos
1.3Ataques de reidentificación y enlace
1.4Principios de privacidad desde el diseño
1.5Marco de privacidad según ISO/IEC 29100
1.6Riesgos de privacidad en el aprendizaje automático
1.7Datos en grafos y su sensibilidad
1.8Tecnologías de mejora de la privacidad
1.9Mapa de técnicas por caso de uso
1.10Caso práctico: riesgos de un dataset de clientes
Módulo 2 de 12 · 10 submódulos

Anonimización clásica

2.1Modelo de k-anonimato
2.2l-diversidad y t-proximidad
2.3Generalización y supresión
2.4Microagregación de registros
2.5Anonimización de series y trayectorias
2.6Anonimización de grafos sociales
2.7Medida de utilidad tras anonimizar
2.8Criterios de las autoridades europeas
2.9Herramientas de anonimización
2.10Laboratorio: k-anonimato con ARX
Módulo 3 de 12 · 10 submódulos

Privacidad diferencial

3.1Definición formal y presupuesto de privacidad
3.2Mecanismos de Laplace y gaussiano
3.3Composición y contabilidad
3.4Privacidad diferencial local
3.5Consultas y estadísticas privadas
3.6DP-SGD para redes neuronales
3.7Privacidad diferencial en grafos
3.8Elección de épsilon en la práctica
3.9Despliegues reales de privacidad diferencial
3.10Práctica: estadísticas privadas con OpenDP
Módulo 4 de 12 · 10 submódulos

Criptografía para el aprendizaje

4.1Cifrado homomórfico parcial y completo
4.2Computación multiparte segura
4.3Compartición de secretos
4.4Entornos de ejecución confiables
4.5Pruebas de conocimiento cero
4.6Intersección privada de conjuntos
4.7Coste computacional de cada técnica
4.8Librerías criptográficas disponibles
4.9Combinación de técnicas
4.10Laboratorio: inferencia cifrada con cifrado homomórfico
Módulo 5 de 12 · 10 submódulos

Aprendizaje federado

5.1Arquitectura cliente-servidor federada
5.2Algoritmo de promediado FedAvg
5.3Federado horizontal y vertical
5.4Datos no IID y heterogeneidad
5.5Eficiencia de comunicaciones
5.6Protocolos de agregación segura
5.7Federado con privacidad diferencial
5.8Ataques de envenenamiento y defensas
5.9Frameworks Flower y NVIDIA FLARE
5.10Taller: entrenamiento federado con Flower
Módulo 6 de 12 · 10 submódulos

Teoría y bases de datos de grafos

6.1Teoría de grafos y representaciones
6.2Medidas de centralidad
6.3Detección de comunidades
6.4Caminos y conectividad
6.5Grafos dirigidos, ponderados y heterogéneos
6.6Grafos dinámicos y temporales
6.7Bases de datos de grafos
6.8Lenguajes Cypher y GQL
6.9Grafos de conocimiento
6.10Práctica: análisis de una red con NetworkX y Neo4j
Módulo 7 de 12 · 10 submódulos

Aprendizaje automático en grafos

7.1Embeddings de nodos con node2vec
7.2Redes convolucionales de grafos
7.3GraphSAGE y muestreo
7.4Redes de atención en grafos
7.5Predicción de enlaces
7.6Clasificación de grafos
7.7Grafos heterogéneos con tipos
7.8Escalado a grandes grafos
7.9PyTorch Geometric y DGL
7.10Laboratorio: clasificación de nodos con GNN
Módulo 8 de 12 · 10 submódulos

Privacidad y federado en grafos

8.1Ataques de inferencia sobre GNN
8.2Inferencia de pertenencia y de enlaces
8.3GNN con privacidad diferencial
8.4Aprendizaje federado de grafos
8.5Subgrafos distribuidos entre organizaciones
8.6Grafos de conocimiento federados
8.7Desaprendizaje en modelos de grafos
8.8Evaluación de fugas
8.9Casos en finanzas y salud
8.10Práctica: GNN federada sobre subgrafos
Módulo 9 de 12 · 10 submódulos

Ataques y auditoría de privacidad

9.1Inferencia de pertenencia
9.2Inversión de modelos
9.3Extracción de datos de entrenamiento
9.4Fugas en modelos de lenguaje
9.5Auditoría empírica de privacidad diferencial
9.6Técnicas de desaprendizaje automático
9.7Memorización en modelos
9.8Herramientas de auditoría
9.9Informe de riesgos
9.10Taller: ataque de inferencia de pertenencia y mitigación
Módulo 10 de 12 · 10 submódulos

Datos sintéticos y compartición segura

10.1Generación de datos sintéticos
10.2Sintéticos con privacidad diferencial
10.3Evaluación de fidelidad y privacidad
10.4Generación de grafos sintéticos
10.5Espacios de datos europeos
10.6Salas limpias de datos
10.7Gobernanza de compartición
10.8Contratos y acuerdos de datos
10.9Casos en salud y banca
10.10Laboratorio: datos sintéticos privados con SDV
Módulo 11 de 12 · 10 submódulos

Regulación y gobernanza

11.1RGPD y tecnologías de mejora de la privacidad
11.2Evaluaciones de impacto de protección de datos
11.3Transferencias internacionales de datos
11.4Reglamento de Gobernanza de Datos
11.5Espacio Europeo de Datos de Salud
11.6Ley de IA y gobernanza de datos
11.7Normas ISO/IEC 27701 y 27559
11.8Auditoría y certificación
11.9Responsabilidad proactiva del responsable
11.10Caso práctico: EIPD de un proyecto de aprendizaje federado
Módulo 12 de 12 · 10 submódulos

Trabajo Fin de Máster

12.1Definición del caso de uso sensible
12.2Análisis de riesgos de privacidad
12.3Selección de técnicas de protección
12.4Diseño de la arquitectura
12.5Implementación del prototipo
12.6Evaluación de utilidad y privacidad
12.7Análisis de cumplimiento normativo
12.8Conclusiones sobre utilidad y privacidad
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.

Ataques de reidentificación y enlace
Módulo 1 · Privacidad en sistemas de datos
Práctica: estadísticas privadas con OpenDP
Módulo 3 · Privacidad diferencial
Federado con privacidad diferencial
Módulo 5 · Aprendizaje federado
Redes de atención en grafos
Módulo 7 · Aprendizaje automático en grafos
Inferencia de pertenencia
Módulo 9 · Ataques y auditoría de privacidad

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

Reglamento (UE) 2016/679 (RGPD)ISO/IEC 27701ISO/IEC 29100ISO/IEC 20889ISO/IEC 27559Reglamento (UE) 2022/868 (Gobernanza de Datos)Reglamento (UE) 2025/327 (Espacio Europeo de Datos de Salud)Reglamento (UE) 2024/1689 (Ley de IA)

Cuerpo docente y expertos

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 Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de privacidad
Ingeniero de aprendizaje federado
Científico de datos de grafos
Delegado de protección de datos técnico
Investigador en IA confiable
Arquitecto de compartición de datos

Para quién es

Ingeniero de privacidad
Ingeniero de aprendizaje federado
Científico de datos de grafos
Delegado de protección de datos técnico
Investigador en IA confiable
Arquitecto de compartición de datos
Titulados en ingeniería o ciencias que busquen entrar en salud

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 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.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿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 Flower, OpenDP, ARX, PyTorch Geometric, Neo4j, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de anonimización de conjuntos de datos personales, entrenamiento federado entre organizaciones, auditoría de fugas en redes neuronales de grafos. La evaluación es continua por módulo más el TFM final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Privacidad en sistemas de datos» y cierra con «Trabajo Fin de Máster».

Se trabajan Reglamento (UE) 2016/679 (RGPD), ISO/IEC 27701, ISO/IEC 29100, ISO/IEC 20889, ISO/IEC 27559 y Reglamento (UE) 2022/868 (Gobernanza de Datos).

Los perfiles más directos son Ingeniero de privacidad, Ingeniero de aprendizaje federado, Científico de datos de grafos, Delegado de protección de datos técnico y Investigador en IA confiable.

En un pago son 4.984 €, sobre una tarifa de 6.230 €. A plazos, una entrada de 2.486 € y 12 cuotas de 312 €, 6.230 € 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 Flower, OpenDP, ARX, PyTorch Geometric, Neo4j. 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.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20264.984 € Matricularme
Contactar con Seium
Pago al contado4.984 €ahorras 1.246 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.