Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Compresión de Modelos (Quant/Prune/Distill)

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Coste computacional de redes neuronales» a «Proyecto de compresión de modelos», pasando por «Factorización y diseño eficiente».

Mapa del programa · pulsa un módulo
Módulo 1 · Coste computacional de redes neuronales
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.

Coste computacional de redes neuronales

Saldrás manejando parámetros, FLOPs y operaciones MAC, memoria de pesos y activaciones y cómputo frente a ancho de banda: modelo roofline. Es lo que se trabaja en «Coste computacional de redes neuronales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Cuantización de modelos

Saldrás manejando representaciones INT8, INT4, FP16 y FP8, cuantización simétrica y asimétrica y granularidad por tensor y por canal. Es lo que se trabaja en «Cuantización de modelos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Poda de redes neuronales

Saldrás manejando poda no estructurada por magnitud, poda estructurada de canales y filtros y hipótesis del billete de lotería. Es lo que se trabaja en «Poda de redes neuronales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Factorización y diseño eficiente

Saldrás manejando descomposición de bajo rango mediante SVD, factorización tensorial: CP y Tucker y adaptadores LoRA y su fusión. Es lo que se trabaja en «Factorización y diseño eficiente», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Herramientas y flujos de compresión

Saldrás manejando API de cuantización de PyTorch, tensorFlow Model Optimization Toolkit y cuantización con ONNX Runtime. Es lo que se trabaja en «Herramientas y flujos de compresión», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Evaluación de modelos comprimidos

Saldrás manejando métricas de precisión tras compresión, latencia en el dispositivo objetivo y robustez y sesgos tras comprimir. Es lo que se trabaja en «Evaluación de modelos comprimidos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Analizar el coste computacional y de memoria de redes neuronales.
  • 02Aplicar cuantización post-entrenamiento y consciente del entrenamiento.
  • 03Reducir modelos mediante poda estructurada y no estructurada.
  • 04Transferir conocimiento de modelos grandes mediante destilación.
  • 05Emplear factorización y arquitecturas eficientes.
  • 06Automatizar flujos de compresión con herramientas de la industria.
  • 07Evaluar modelos comprimidos en precisión, latencia y robustez.

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

Coste computacional de redes neuronales

1.1Parámetros, FLOPs y operaciones MAC
1.2Memoria de pesos y activaciones
1.3Cómputo frente a ancho de banda: modelo roofline
1.4Arquitecturas eficientes: MobileNet y EfficientNet
1.5Transformers y coste de la atención
1.6Métricas de latencia, throughput y energía
1.7Hardware objetivo: CPU, GPU, NPU y MCU
1.8Compromiso entre precisión y tamaño
1.9Benchmarks de referencia como MLPerf
1.10Laboratorio: perfilado con PyTorch Profiler
Módulo 2 de 8 · 10 submódulos

Cuantización de modelos

2.1Representaciones INT8, INT4, FP16 y FP8
2.2Cuantización simétrica y asimétrica
2.3Granularidad por tensor y por canal
2.4Calibración: min-max, entropía y percentiles
2.5Cuantización post-entrenamiento (PTQ)
2.6Entrenamiento consciente de la cuantización (QAT)
2.7Fake quantization y estimador straight-through
2.8Cuantización de LLM: GPTQ y AWQ
2.9Errores típicos y capas sensibles
2.10Práctica: PTQ y QAT de una ResNet en INT8
Módulo 3 de 8 · 10 submódulos

Poda de redes neuronales

3.1Poda no estructurada por magnitud
3.2Poda estructurada de canales y filtros
3.3Hipótesis del billete de lotería
3.4Poda iterativa y reentrenamiento
3.5Dispersión 2:4 en GPU NVIDIA
3.6Criterios de importancia basados en gradiente
3.7Poda de cabezas de atención
3.8Aceleración real frente a teórica
3.9Combinación de poda y cuantización
3.10Laboratorio: poda estructurada de una CNN
Módulo 4 de 8 · 10 submódulos

Destilación de conocimiento

4.1Modelo profesor y modelo estudiante
4.2Pérdida con soft targets y temperatura
4.3Destilación de características intermedias
4.4Destilación de atención y de relaciones
4.5Autodestilación y destilación en línea
4.6Destilación de modelos de lenguaje
4.7Selección de la arquitectura estudiante
4.8Datos sintéticos para destilar
4.9Evaluación de la transferencia de conocimiento
4.10Taller: destilación de BERT a un modelo reducido
Módulo 5 de 8 · 10 submódulos

Factorización y diseño eficiente

5.1Descomposición de bajo rango mediante SVD
5.2Factorización tensorial: CP y Tucker
5.3Adaptadores LoRA y su fusión
5.4Compartición de pesos y hashing
5.5Búsqueda de arquitectura neuronal (NAS)
5.6Convoluciones separables en profundidad
5.7Early exit y cómputo dinámico
5.8Mezcla de expertos y esparsidad
5.9Compresión de tablas de embeddings
5.10Práctica: bajo rango en capas lineales
Módulo 6 de 8 · 10 submódulos

Herramientas y flujos de compresión

6.1API de cuantización de PyTorch
6.2TensorFlow Model Optimization Toolkit
6.3Cuantización con ONNX Runtime
6.4NVIDIA TensorRT Model Optimizer
6.5Intel Neural Compressor y OpenVINO NNCF
6.6Hugging Face Optimum
6.7Exportación y compatibilidad de operadores
6.8Automatización del pipeline de compresión
6.9Control de versiones de modelos
6.10Laboratorio: pipeline de compresión con NNCF
Módulo 7 de 8 · 10 submódulos

Evaluación de modelos comprimidos

7.1Métricas de precisión tras compresión
7.2Latencia en el dispositivo objetivo
7.3Robustez y sesgos tras comprimir
7.4Análisis de sensibilidad por capa
7.5Calibración de la confianza
7.6Pruebas A/B en producción
7.7Documentación de modelos y model cards
7.8Requisitos del Reglamento europeo de IA
7.9Selección de la estrategia óptima
7.10Caso práctico: compresión de un detector YOLO para edge
Módulo 8 de 8 · 10 submódulos

Proyecto de compresión de modelos

8.1Selección del modelo y del hardware
8.2Línea base de precisión y latencia
8.3Aplicación de cuantización
8.4Poda y destilación combinadas
8.5Exportación al runtime objetivo
8.6Evaluación comparativa de variantes
8.7Análisis de compromisos y recomendaciones
8.8Informe técnico del modelo
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.

Transformers y coste de la atención
Módulo 1 · Coste computacional de redes neuronales
Cuantización simétrica y asimétrica
Módulo 2 · Cuantización de modelos
Combinación de poda y cuantización
Módulo 3 · Poda de redes neuronales
Destilación de modelos de lenguaje
Módulo 4 · Destilación de conocimiento
Adaptadores LoRA y su fusión
Módulo 5 · Factorización y diseño eficiente

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO/IEC 15938-17:2022 (compresión de redes neuronales)ISO/IEC 23053:2022IEEE 754-2019Reglamento (UE) 2024/1689 (Ley de IA)ISO/IEC 22989:2022ISO/IEC 42001:2023

Cuerpo docente y expertos

Este programa se imparte en el área de Electrónica, Embebidos & Telecom, que dirige Dr. Kevin O’Connor. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

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.
Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation 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 machine learning
Ingeniero de optimización de modelos
Ingeniero de IA embebida
Investigador en eficiencia de redes neuronales
Ingeniero de MLOps
Arquitecto de soluciones de IA en el borde

Para quién es

Ingeniero de machine learning
Ingeniero de optimización de modelos
Ingeniero de IA embebida
Investigador en eficiencia de redes neuronales
Ingeniero de MLOps
Arquitecto de soluciones de IA en el borde
Titulados en ingeniería o ciencias que busquen entrar en electrónica de consumo

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: De los ensayos de pista al modelo virtual: validación mixta hardware-in-the-loop · Cómo construir tu primer modelo de vehículo en un entorno de simulación multicuerpo · Gemelos digitales de flotas: de los sensores al modelo en tiempo real.

Áreas cercanas: todas las de Electrónica, Embebidos & Telecom · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · 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 Electrónica, Embebidos & Telecom?
¿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 (torch.ao), TensorFlow Model Optimization Toolkit, NVIDIA TensorRT Model Optimizer, Intel Neural Compressor, Hugging Face Optimum, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de cuantización y poda de modelos de visión, medida de latencia en dispositivos edge, comparación de precisión tras compresión. 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 «Coste computacional de redes neuronales» y cierra con «Proyecto de compresión de modelos».

Se trabajan ISO/IEC 15938-17:2022 (compresión de redes neuronales), ISO/IEC 23053:2022, IEEE 754-2019, Reglamento (UE) 2024/1689 (Ley de IA), ISO/IEC 22989:2022 y ISO/IEC 42001:2023.

Los perfiles más directos son Ingeniero de machine learning, Ingeniero de optimización de modelos, Ingeniero de IA embebida, Investigador en eficiencia de redes neuronales y Ingeniero de MLOps.

En un pago son 1.192 €, sobre una tarifa de 1.490 €. A plazos, una entrada de 596 € y 6 cuotas de 149 €, 1.490 € 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 (torch.ao), TensorFlow Model Optimization Toolkit, NVIDIA TensorRT Model Optimizer, Intel Neural Compressor, Hugging Face Optimum. 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 20261.192 € Matricularme
Contactar con Seium
Pago al contado1.192 €ahorras 298 €
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.