Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Datasets Desequilibrados y Métricas para VRU

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «El desequilibrio en datos de VRU» a «Proyecto de dataset de VRU», pasando por «Métricas de detección y sus límites».

Mapa del programa · pulsa un módulo
Módulo 1 · El desequilibrio en datos de VRU
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

El desequilibrio en datos de VRU

Saldrás manejando distribución de clases en datasets de conducción, cola larga de categorías raras y desequilibrio de escenarios y condiciones. Es lo que se trabaja en «El desequilibrio en datos de VRU», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Recogida y curación de datos

Saldrás manejando diseño de campañas de adquisición, minería de escenarios raros en flota y active learning para seleccionar datos. Es lo que se trabaja en «Recogida y curación de datos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Anotación y control de calidad

Saldrás manejando guías de anotación para VRU, oclusión, truncamiento y atributos y anotación 3D y seguimiento. Es lo que se trabaja en «Anotación y control de calidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Métricas de detección y sus límites

Saldrás manejando precisión, recall y curva PR, mAP y su sensibilidad al desequilibrio y log-average miss rate. Es lo que se trabaja en «Métricas de detección y sus límites», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Evaluación por subgrupos y equidad

Saldrás manejando definición de subgrupos de evaluación, disparidad de rendimiento por colectivo y métricas de equidad aplicadas. Es lo que se trabaja en «Evaluación por subgrupos y equidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Datos, IA y conformidad

Saldrás manejando reglamento de Inteligencia Artificial de la UE, calidad de datos según ISO/PAS 8800 y requisitos de datos en SOTIF. Es lo que se trabaja en «Datos, IA y conformidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Diagnosticar el desequilibrio de clases y escenarios en datasets de VRU.
  • 02Planificar estrategias de recogida y curación de datos.
  • 03Gestionar la anotación y su control de calidad.
  • 04Aplicar técnicas de reequilibrado y datos sintéticos.
  • 05Seleccionar métricas adecuadas a datos desequilibrados.
  • 06Evaluar el rendimiento por subgrupos y su equidad.
  • 07Documentar datasets conforme a la normativa de IA y de datos.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

El desequilibrio en datos de VRU

1.1Distribución de clases en datasets de conducción
1.2Cola larga de categorías raras
1.3Desequilibrio de escenarios y condiciones
1.4Sesgos por edad, estatura y vestimenta
1.5Impacto en la seguridad del sistema
1.6Clases raras: sillas de ruedas y carritos
1.7Análisis exploratorio de etiquetas
1.8Documentación con datasheets
1.9Desequilibrio geográfico entre ciudades
1.10Caso práctico: auditoría de un dataset público
Módulo 2 de 8 · 10 submódulos

Recogida y curación de datos

2.1Diseño de campañas de adquisición
2.2Minería de escenarios raros en flota
2.3Active learning para seleccionar datos
2.4Búsqueda por similitud con embeddings
2.5Deduplicación y limpieza
2.6Anonimización de rostros y matrículas
2.7Licencias y gobernanza de datos
2.8Versionado de datasets
2.9Disparadores de captura en el vehículo
2.10Práctica: selección activa de muestras
Módulo 3 de 8 · 10 submódulos

Anotación y control de calidad

3.1Guías de anotación para VRU
3.2Oclusión, truncamiento y atributos
3.3Anotación 3D y seguimiento
3.4Acuerdo entre anotadores
3.5Detección de errores de etiqueta
3.6Etiquetado semiautomático
3.7Coste y productividad de la anotación
3.8Auditoría de calidad
3.9Etiquetas ambiguas y casos dudosos
3.10Laboratorio: medición del acuerdo entre anotadores
Módulo 4 de 8 · 10 submódulos

Técnicas de reequilibrado

4.1Sobremuestreo y submuestreo
4.2Muestreo por clase y por instancia
4.3Pérdida focal y pérdidas ponderadas
4.4Pérdidas específicas para cola larga
4.5Copy-paste y aumentación por objetos
4.6Datos sintéticos de VRU
4.7Avatares y simulación de peatones
4.8Riesgo de sobreajuste
4.9Recalibración del clasificador tras reequilibrar
4.10Laboratorio: pérdida focal en un detector
Módulo 5 de 8 · 10 submódulos

Métricas de detección y sus límites

5.1Precisión, recall y curva PR
5.2mAP y su sensibilidad al desequilibrio
5.3Log-average miss rate
5.4Métricas por tamaño y distancia
5.5Métricas ponderadas por riesgo
5.6Calibración de la confianza
5.7Intervalos de confianza por bootstrap
5.8Errores relevantes para la seguridad
5.9Selección del umbral de operación
5.10Práctica: métricas estratificadas en Python
Módulo 6 de 8 · 10 submódulos

Evaluación por subgrupos y equidad

6.1Definición de subgrupos de evaluación
6.2Disparidad de rendimiento por colectivo
6.3Métricas de equidad aplicadas
6.4Tamaño muestral y significación
6.5Análisis de escenarios críticos
6.6Cobertura del dominio operativo
6.7Informes de evaluación transparentes
6.8Mitigación de disparidades
6.9Pruebas de hipótesis entre subgrupos
6.10Caso práctico: análisis de equidad de un detector
Módulo 7 de 8 · 10 submódulos

Datos, IA y conformidad

7.1Reglamento de Inteligencia Artificial de la UE
7.2Calidad de datos según ISO/PAS 8800
7.3Requisitos de datos en SOTIF
7.4RGPD y personas en la vía pública
7.5Calidad de datos según ISO/IEC 5259
7.6Documentación técnica del dataset
7.7Trazabilidad entre datos y requisitos
7.8Ciclo de vida del dataset
7.9Gestión de sesgos según ISO/IEC TR 24027
7.10Taller: plan de gestión de datos de VRU
Módulo 8 de 8 · 10 submódulos

Proyecto de dataset de VRU

8.1Análisis del dataset de partida
8.2Clases y escenarios infrarrepresentados
8.3Estrategia de adquisición y curación
8.4Plan de anotación y calidad
8.5Reequilibrado y datos sintéticos
8.6Sistema de métricas estratificadas
8.7Evaluación de equidad
8.8Documentación del dataset
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 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.

Clases raras: sillas de ruedas y carritos
Módulo 1 · El desequilibrio en datos de VRU
Active learning para seleccionar datos
Módulo 2 · Recogida y curación de datos
Laboratorio: medición del acuerdo entre anotadores
Módulo 3 · Anotación y control de calidad
Avatares y simulación de peatones
Módulo 4 · Técnicas de reequilibrado
Métricas por tamaño y distancia
Módulo 5 · Métricas de detección y sus límites

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

Reglamento (UE) 2024/1689 (Ley de IA)ISO/PAS 8800:2024ISO 21448:2022 (SOTIF)Reglamento (UE) 2016/679 (RGPD)ISO/IEC 5259-2:2024ISO/IEC 25012:2008ISO/IEC TR 24027:2021

Cuerpo docente y expertos

Este programa se imparte en el área de Autónomos, ADAS & Vehículo Definido por Software, que dirige Dr. Markus Schneider. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dr. Markus Schneider Dr. Markus SchneiderDirector Académico del Departamento EMH — Electromobility, Batteries & Hydrogen.
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 datos de percepción
Científico de datos
Ingeniero de machine learning
Responsable de calidad de datos
Ingeniero de validación ADAS
Especialista en ética de la IA

Para quién es

Ingeniero de datos de percepción
Científico de datos
Ingeniero de machine learning
Responsable de calidad de datos
Ingeniero de validación ADAS
Especialista en ética de la IA
Titulados en ingeniería o ciencias que busquen entrar en automoción

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Adas para sistemas seguros: diseño, métricas y validación integral.

Áreas cercanas: todas las de Autónomos, ADAS & Vehículo Definido por Software · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · 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 Autónomos, ADAS & Vehículo Definido por Software?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·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 PyTorch, FiftyOne, CVAT, scikit-learn, DVC, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de auditoría de desequilibrio de un dataset de conducción, evaluación estratificada de un detector de peatones, campaña de selección activa de datos de VRU. La evaluación es continua por módulo más el proyecto integrador final.

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

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «El desequilibrio en datos de VRU» y cierra con «Proyecto de dataset de VRU».

Se trabajan Reglamento (UE) 2024/1689 (Ley de IA), ISO/PAS 8800:2024, ISO 21448:2022 (SOTIF), Reglamento (UE) 2016/679 (RGPD), ISO/IEC 5259-2:2024 y ISO/IEC 25012:2008.

Los perfiles más directos son Ingeniero de datos de percepción, Científico de datos, Ingeniero de machine learning, Responsable de calidad de datos y Ingeniero de validación ADAS.

En un pago son 1.032 €, sobre una tarifa de 1.290 €. A plazos, una entrada de 516 € y 6 cuotas de 129 €, 1.290 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, 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 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con PyTorch, FiftyOne, CVAT, scikit-learn, DVC. 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 proyecto integrador. 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 20261.032 € Matricularme
Contactar con Seium
Pago al contado1.032 €ahorras 258 €
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.