SEIUM, Universidad de Ingenieria Avanzada
Campus virtual
SEIUM, Universidad de Ingenieria Avanzada

Curso de Machine Learning aplicado a performance naval

Sobre nuestro Curso de Machine Learning aplicado a performance naval

El curso en machine learning aplicado a performance naval de SEIUM es una formación 100 % online de 300 horas, estructurada en 6 módulos y 60 submódulos. Cubre machine learning aplicado a performance naval desde los fundamentos hasta la validación y la puesta en operación, con el marco normativo de referencia del sector —SOLAS, MARPOL Anexo VI y Convenio de Líneas de Carga— aplicado sobre casos reales y no como un anexo teórico.

El trabajo práctico se realiza con las herramientas que se usan en la industria: NAPA, Maxsurf, Rhino + Orca3D y ShipConstructor. Cada módulo cierra con un entregable que el tutor corrige individualmente, y el programa culmina en un proyecto integrador documentado. Está orientado a perfiles de arquitecto naval, ingeniero de estructuras navales y inspector de clase en astilleros, transporte marítimo y eólica marina.

Curso de Impacto ambiental de fusión nuclear
Curso de Machine Learning aplicado a performance naval
  • Modalidad: Online
  • Duración: 4 meses
  • Horas: 300 H
  • Idioma: ES / EN
  • Fecha de matrícula: 16-10-2026
  • Plazas disponibles: 12

445 €

Aplicar Ahora

Competencias y resultados

Qué aprenderás

1. Predicción y Optimización del Desempeño Naval con Machine Learning

  • Desarrollar modelos predictivos de vanguardia utilizando algoritmos de Machine Learning para anticipar el rendimiento de embarcaciones.
  • Optimizar el diseño y la operación de buques mediante la identificación de áreas de mejora basadas en el análisis de datos y la inteligencia artificial.
  • Aplicar técnicas avanzadas de Machine Learning para la detección temprana de fallos y la gestión proactiva del mantenimiento.
  • Comprender y simular el comportamiento de estructuras navales bajo diversas condiciones de carga y ambientales.
  • Analizar acoplos flap–lag–torsion, whirl flutter y fatiga.
  • Dimensionar laminados en compósitos, uniones y bonded joints con FE.
  • Implementar damage tolerance y NDT (UT/RT/termografía).
  • Utilizar herramientas de simulación numérica para optimizar la hidrodinámica y la eficiencia energética de los buques.
  • Aprender a interpretar y utilizar los datos generados por sensores y sistemas de monitoreo a bordo para la toma de decisiones informada.
  • Explorar la aplicación de Machine Learning en la navegación autónoma y la seguridad marítima.

2. Aprendizaje Automático para la Simulación y Mejora del Rendimiento Naval

## ¿Qué Aprenderás?

Descubre las habilidades esenciales para optimizar el rendimiento naval a través del aprendizaje automático. Este curso te proporcionará las herramientas y conocimientos necesarios para:

1. Analizar acoplos de alta complejidad:
* Flap–lag–torsion: Comprender y modelar la interacción dinámica entre el movimiento de aleteo, retraso y torsión en estructuras navales.
* Whirl flutter: Identificar y mitigar el fenómeno de flutter, un desafío crítico en el diseño de rotores y hélices.
* Fatiga: Evaluar la resistencia a la fatiga de los materiales y componentes, crucial para la seguridad y durabilidad de las embarcaciones.

2. Dominar el diseño estructural avanzado:
* Dimensionar laminados en compósitos utilizando técnicas de elementos finitos (FEA).
* Diseñar y evaluar uniones y bonded joints, optimizando la transferencia de carga y la integridad estructural.

3. Aplicar técnicas de vanguardia para la gestión de la integridad estructural:
* Implementar damage tolerance, un enfoque de diseño que considera la presencia de daños y su propagación.
* Utilizar métodos de ensayos no destructivos (NDT):
* UT (Ultrasonidos): Detectar defectos internos en materiales.
* RT (Radiografía): Visualizar la estructura interna de componentes.
* Termografía: Identificar anomalías de temperatura indicativas de fallos.

3. Diseño y validación integral orientado al usuario (del modelado a la manufactura)

Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.

4. Optimización del Desempeño Naval: Machine Learning para Eficiencia y Predicción

  • Comprender los fundamentos de Machine Learning y su aplicación en el ámbito naval.
  • Utilizar algoritmos de Machine Learning para optimizar el rendimiento de sistemas navales.
  • Desarrollar modelos predictivos para la eficiencia operativa y el mantenimiento predictivo.
  • Aplicar técnicas de Machine Learning para la detección de anomalías y la gestión de riesgos.
  • Analizar datos históricos para identificar patrones y tendencias en el comportamiento de los sistemas navales.
  • Implementar soluciones basadas en Machine Learning para mejorar la toma de decisiones y la planificación.
  • Evaluar el impacto de las soluciones de Machine Learning en la reducción de costos y la mejora de la eficiencia.
  • Familiarizarse con las herramientas y plataformas de Machine Learning relevantes para la industria naval.
  • Integrar modelos de Machine Learning con sistemas de gestión naval existentes.
  • Explorar casos de estudio y ejemplos prácticos de la aplicación de Machine Learning en el sector naval.

5. Aplicación de Machine Learning: Diseño y Evaluación de Propulsión Naval

## ¿Qué aprenderás en el curso de Aplicación de Machine Learning: Diseño y Evaluación de Propulsión Naval?

A través de este curso, te sumergirás en el fascinante mundo de la propulsión naval, utilizando las últimas técnicas de Machine Learning para optimizar el diseño y la evaluación de sistemas propulsores. Aprenderás a:

1. Profundizar en el análisis de la dinámica estructural y aeroelástica de las palas de hélices y rotores, incluyendo:

  • Analizar acoplos flap–lag–torsion, whirl flutter y fatiga.

2. Dominar el diseño y la evaluación de materiales compuestos, esenciales en la construcción naval moderna:

  • Dimensionar laminados en compósitos, uniones y bonded joints con FE.

3. Implementar estrategias avanzadas para garantizar la integridad estructural y la seguridad de las embarcaciones:

  • Implementar damage tolerance y NDT (UT/RT/termografía).

6. Optimización del Desempeño Naval con Machine Learning: Casos Prácticos y Análisis de Datos

  • Aplicar técnicas de Machine Learning para optimizar la navegación y maniobrabilidad de embarcaciones.
  • Identificar y predecir patrones de comportamiento en datos de sensores navales, como velocidad, dirección y condiciones ambientales.
  • Utilizar algoritmos de Machine Learning para el análisis predictivo de fallos en sistemas de propulsión y equipos a bordo.
  • Desarrollar modelos para la optimización del consumo de combustible y la reducción de emisiones contaminantes.
  • Implementar sistemas de detección temprana de anomalías y riesgos en la navegación, como colisiones o varamientos.
  • Analizar casos prácticos de optimización del rendimiento de buques utilizando datos históricos y simulaciones.
  • Utilizar herramientas de visualización de datos para la interpretación y el análisis de resultados.
  • Aprender a evaluar el impacto de las decisiones basadas en Machine Learning en el rendimiento y la seguridad naval.
  • Explorar el uso de Machine Learning para la optimización de rutas y la planificación de viajes.
  • Comprender los principios de la inteligencia artificial y su aplicación en el ámbito naval.

Curso de Impacto ambiental de fusión nuclear

Para quien va dirigido nuestro:

Curso de Machine Learning aplicado a performance naval

  • Ingenieros/as Navales, profesionales con titulación en Ingeniería Naval, Ingeniería en Sistemas Navales o carreras afines.
  • Profesionales que trabajan en astilleros, empresas de construcción naval, diseño de embarcaciones, industria marítima, empresas de transporte marítimo y operadores de flotas.
  • Expertos en análisis de datos, ingenieros de datos, científicos de datos y otros profesionales que deseen aplicar el Machine Learning a la optimización del rendimiento naval.
  • Profesionales de I+D, consultores, investigadores y cualquier persona interesada en la innovación tecnológica en el sector naval, incluyendo áreas como la eficiencia energética, la optimización de rutas y el mantenimiento predictivo.

Requisitos recomendados: Conocimientos básicos de programación (Python preferiblemente), fundamentos de probabilidad y estadística; ES/EN B2+/C1. Ofrecemos material de apoyo y asesoramiento personalizado.

  • Standards-driven curriculum: trabajarás con CS-27/CS-29, DO-160, DO-178C/DO-254, ARP4754A/ARP4761, ADS-33E-PRF desde el primer módulo.
  • Laboratorios acreditables (EN ISO/IEC 17025) con banco de rotor, EMC/Lightning pre-compliance, HIL/SIL, vibraciones/acústica.
  • TFM orientado a evidencia: safety case, test plan, compliance dossier y límites operativos.
  • Mentorado por industria: docentes con trayectoria en rotorcraft, tiltrotor, eVTOL/UAM y flight test.
  • Modalidad flexible (híbrido/online), cohortes internacionales y soporte de SEIUM Career Services.
  • Ética y seguridad: enfoque safety-by-design, ciber-OT, DIH y cumplimiento como pilares.

6 módulos · 60 submódulos · 300 horas

1Introducción a Machine Learning Naval (50 h)
  • 1.1. Fundamentos de la Industria Naval y la Inteligencia Artificial.
  • 1.2. Introducción a Machine Learning: Conceptos Clave y Terminología.
  • 1.3. Aplicaciones de Machine Learning en el Contexto Naval.
  • 1.4. Tipos de Algoritmos de Machine Learning Relevantes para el Análisis Naval.
  • 1.5. Recopilación y Preparación de Datos para el Análisis Naval.
  • 1.6. Herramientas y Entornos de Desarrollo para Machine Learning en la Industria Naval.
  • 1.7. Introducción a Python y Librerías Específicas (NumPy, Pandas, Scikit-learn).
  • 1.8. Casos de Estudio: Ejemplos de Aplicaciones de Machine Learning en el Sector Naval.
  • 1.9. Desafíos y Consideraciones Éticas en la Implementación de Machine Learning en la Industria Naval.
  • 1.10. Panorama General del Curso y Objetivos del Módulo.
2Introducción a Machine Learning Naval (50 h)
  • 2.1. Fundamentos de Machine Learning para aplicaciones navales
  • 2.2. Introducción al análisis de datos en el contexto naval
  • 2.3. Conceptos clave de optimización del rendimiento naval
  • 2.4. Exploración de modelos predictivos aplicables a la industria naval
  • 2.5. Herramientas y software para el análisis de datos navales
  • 2.6. Selección y preparación de datos para modelos predictivos
  • 2.7. Algoritmos de Machine Learning para la predicción del rendimiento naval
  • 2.8. Optimización de la eficiencia de combustible y reducción de costos
  • 2.9. Predicción del comportamiento de buques en diferentes condiciones
  • 2.10. Aplicación de modelos predictivos en el diseño y mantenimiento naval
3Análisis Performance Naval con ML (50 h)
  • 3.1. Introducción al Análisis del Rendimiento Naval con Machine Learning
  • 3.2. Recopilación y Preparación de Datos para el Análisis Naval
  • 3.3. Exploración de Datos y Visualización para el Rendimiento Naval
  • 3.4. Selección y Aplicación de Algoritmos de Machine Learning para el Análisis
  • 3.5. Evaluación y Validación de Modelos de Rendimiento Naval
  • 3.6. Optimización del Rendimiento: Predicción y Simulación
  • 3.7. Análisis de Datos de Desempeño: Identificación de Áreas de Mejora
  • 3.8. Implementación de Soluciones de Machine Learning en Entornos Navales
  • 3.9. Casos de Estudio: Análisis de Rendimiento en la Industria Naval
  • 3.10. Tendencias Futuras y Avances en Machine Learning para la Marina
4Machine Learning para Optimización Naval (50 h)
  • 4.1. Introducción a la Optimización Naval con Machine Learning
  • 4.2. Recolección y Preparación de Datos para Análisis Naval
  • 4.3. Algoritmos de Machine Learning para el Análisis del Desempeño
  • 4.4. Modelado Predictivo del Comportamiento Naval
  • 4.5. Optimización de la Eficiencia Energética en Buques
  • 4.6. Machine Learning en el Diseño y Evaluación de Cascos
  • 4.7. Aplicación de Machine Learning en la Propulsión Naval
  • 4.8. Análisis de Riesgos y Toma de Decisiones en el Diseño Naval
  • 4.9. Integración de Machine Learning en la Gestión del Ciclo de Vida
  • 4.10. Estudios de Caso: Aplicaciones Reales y Mejores Prácticas
5Bases de Machine Learning para la Náutica (50 h)
  • 5.1. Introducción al Machine Learning: conceptos clave y aplicaciones navales
  • 5.2. Fundamentos de estadística y probabilidad para análisis de datos
  • 5.3. Tipos de aprendizaje automático: supervisado, no supervisado, y por refuerzo
  • 5.4. Preprocesamiento y limpieza de datos navales: técnicas y herramientas
  • 5.5. Selección de características y reducción de dimensionalidad
  • 5.6. Introducción a Python y bibliotecas relevantes (scikit-learn, pandas, numpy)
  • 5.7. Evaluación de modelos: métricas y validación cruzada
  • 5.8. Consideraciones éticas y de sesgo en el Machine Learning naval
  • 5.9. Introducción al modelado del rendimiento naval: objetivos y desafíos
  • 5.10. Modelos de regresión para predecir la velocidad, el consumo de combustible y la potencia
6Data & ML: Optimización Naval Práctica (50 h)
  • 6.1. Recopilación y Preparación de Datos Navales
  • 6.2. Selección de Modelos de Machine Learning para el Desempeño Naval
  • 6.3. Entrenamiento y Validación de Modelos de Machine Learning
  • 6.4. Análisis de Datos y Evaluación del Rendimiento Naval
  • 6.5. Optimización del Diseño y Operación Naval
  • 6.6. Implementación de Estrategias de Mejora
  • 6.7. Estudios de Casos: Optimización del Consumo de Combustible
  • 6.8. Estudios de Casos: Predicción de Fallas en Equipos
  • 6.9. Estudios de Casos: Mejora de Rutas y Planificación
  • 6.10. Conclusiones y Futuras Investigaciones
  • Metodología hands-on: test-before-you-trust, design reviews, failure analysis, compliance evidence.
  • Software (según licencias/partners): MATLAB/Simulink, Python (NumPy/SciPy), OpenVSP, SU2/OpenFOAM, Nastran/Abaqus, AMESim/Modelica, herramientas de acústica, toolchains de planificación DO-178C.
  • Laboratorios SEIUM: banco de rotor a escala, vibraciones/acústica, EMC/Lightning pre-compliance, HIL/SIL para AFCS, adquisición de datos con strain gauging.
  • Estándares y cumplimiento: EN 9100, 17025, ISO 27001, GDPR.

Lo que sales sabiendo hacer

Objetivos de aprendizaje

  • Dominar los fundamentos técnicos de machine learning aplicado a performance naval y su vocabulario normativo.
  • Aplicar SOLAS, MARPOL Anexo VI y Convenio de Líneas de Carga a decisiones reales de diseño y validación.
  • Construir y correlacionar modelos de cálculo con NAPA y Maxsurf.
  • Planificar y ejecutar campañas de ensayo en canal de ensayos hidrodinámicos y túnel de cavitación.
  • Analizar datos de operación y traducirlos en decisiones de ingeniería.
  • Elaborar el dossier técnico y de cumplimiento que exige el cliente o el regulador.
  • Dirigir técnicamente un proyecto de machine learning aplicado a performance naval de principio a fin.

Cómo se estudia

Metodología

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 NAPA, Maxsurf, Rhino + Orca3D, ShipConstructor, ANSYS AQWA, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de canal de ensayos hidrodinámicos, túnel de cavitación, banco de ensayo de propulsión. La evaluación es continua por módulo más el proyecto integrador final.

El marco con el que se trabaja

Normas y estándares

  • SOLAS
  • MARPOL Anexo VI
  • Convenio de Líneas de Carga
  • Reglas IACS
  • DNV-OS
  • Lloyd's Register Rules
  • Bureau Veritas NR467
  • ISO 12215 (pequeñas embarcaciones)
  • Directiva 2013/53/UE (embarcaciones de recreo)
  • IMO EEXI y CII

Dónde se aplica

Salidas profesionales

  • Arquitecto naval
  • Ingeniero de estructuras navales
  • Inspector de clase
  • Ingeniero de propulsión marina
  • Especialista en offshore
  • Responsable de astillero
  • Ingeniero de hidrodinámica

Sectores de destino: astilleros, transporte marítimo, eólica marina, oil & gas offshore, náutica deportiva, defensa naval. SEIUM no garantiza la obtención de empleo: se trata de una formación propia orientada a la capacitación técnica.

Anatomía del sistema

Qué hay dentro del buque

Pulsa cada sistema para ver qué es y en qué módulo se estudia.

ABCD123456L.F.esloraMACHINE LEARNING APLICADO A PERFORMANCE PERFIL · BUQUESEIUMESC. S/E12345678

Casco y estructura

Formas, cuadernas y refuerzos: resistencia longitudinal, local y a la fatiga.

Se trabaja en el Módulo 4 del plan de estudios.

Propulsión

Motor, línea de ejes y hélice; punto de funcionamiento y rendimiento propulsivo.

Se trabaja en el Módulo 3 del plan de estudios.

Estabilidad

Carenas, francobordo y los criterios de estabilidad intacta y en averías.

Se trabaja en el Módulo 5 del plan de estudios.

Planta eléctrica

Generación, cuadros, consumidores esenciales y el reparto de cargas a bordo.

Se trabaja en el Módulo 6 del plan de estudios.

Puente y navegación

Radar, ECDIS, piloto automático y la integración de la información de navegación.

Se trabaja en el Módulo 6 del plan de estudios.

Sistemas auxiliares

Achique, lastre, contraincendios, refrigeración y tratamiento de aguas.

Se trabaja en el Módulo 6 del plan de estudios.

Clasificación

Sociedad de clasificación, reglas aplicables y convenios SOLAS y MARPOL.

Se trabaja en el Módulo 2 del plan de estudios.

Operación

Carga, amarre, mantenimiento programado y la gestión de la seguridad a bordo.

Se trabaja en el Módulo 6 del plan de estudios.

Marco de referencia

Normas y estándares que vas a manejar

SOLAS

Convenio de seguridad de la vida humana en el mar: compartimentado, salvamento y contraincendios.

MARPOL

Prevención de la contaminación por los buques: emisiones, aguas y residuos.

Reglas de clasificación

Reglas de la sociedad de clasificación aplicables al escantillonado y a los sistemas de a bordo.

ISO 19030

Medida del rendimiento del casco y la hélice en servicio.

Tu dedicación

300 horas: cuánto te va a llevar

La formación es 100 % online y asíncrona, así que el calendario lo pones tú. Estas son las tres velocidades más habituales.

5 h por semana

60

semanas

13,9 meses aproximadamente

10 h por semana

30

semanas

6,9 meses aproximadamente

15 h por semana

20

semanas

4,6 meses aproximadamente

Proyectos tipo capstones

  • Predicción de Oleaje: Modelos ML para pronóstico, optimización de rutas navales.
  • Eficiencia Energética: ML para optimizar consumo, reducción de emisiones.
  • Análisis de Datos: ML para identificar patrones, mejorar rendimiento y mantenimiento predictivo.
  • Simulación Naval: ML para simular escenarios, diseño y optimización de embarcaciones.

  • Predicción de Oleaje: Modelos ML para pronóstico, optimización de rutas navales.
  • Eficiencia Energética: ML para optimizar consumo, reducción de emisiones.
  • Análisis de Datos: ML para identificar patrones, mejorar rendimiento y mantenimiento predictivo.
  • Simulación Naval: ML para simular escenarios, diseño y optimización de embarcaciones.

  • ML en Propulsión: Optimización de hélices, diseño eficiente y predicción de rendimiento con datos históricos y simulaciones.
  • ML en Navegación: Predicción de rutas óptimas, optimización de consumo de combustible y análisis de riesgos en tiempo real.
  • ML en Mantenimiento: Predicción de fallos, análisis predictivo y optimización de ciclos de mantenimiento.

  • Predicción de Rutas: ML para optimización de trayectorias, consumo y seguridad.
  • Mantenimiento Predictivo: ML en sensores para anticipar fallos y optimizar recursos.
  • Simulación Avanzada: Modelos ML para simulación de rendimiento y diseño naval.
  • Optimización Energética: ML en sistemas de propulsión para eficiencia.

  • Predicción de Resistencia Naval: Modelos ML para estimación y optimización de la resistencia al avance.
  • Eficiencia de Propulsión: ML para análisis y mejora del diseño de hélices y sistemas de propulsión.
  • Optimización de Rutas Navales: ML para predicción y optimización de rutas considerando condiciones ambientales y consumo de combustible.
  • Análisis de Datos y Simulaciones: Empleo de ML para mejorar simulaciones y analizar datos de rendimiento naval.

CUERPO DOCENTE Y EXPERTOS

Conoce a nuestros profesores

Prof. Luca Benedetti, director academico del SEIUM Design & Industrial Design Institute

Prof. Luca Benedetti

Director Académico del DSD — SEIUM Design & Industrial Design Institute

Profesor de Diseño Industrial, Diseño de Vehículos, Transportation Design, UX/HMI, Color & Trim, Iluminación y Desarrollo de Producto

El Prof. Luca Benedetti, de nacionalidad italiana, es Director Académico del DSD — SEIUM Design & Industrial Design Institute y responsable de diseño industrial, de producto y vehículos, experiencia de usuario, interacción persona-máquina, interfaces HMI, Color & Trim y prototipado.

Conocer al Profesor
Prof. Kenji Takahashi, director academico del SEIUM Robotics & Autonomous Systems Institute

Prof. Kenji Takahashi

Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute

Profesor de Robótica, Automatización Inteligente, Sistemas Autónomos, Percepción Artificial, Control Avanzado y Mecatrónica.

El Prof. Kenji Takahashi, de nacionalidad japonesa, es Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute y responsable de robótica industrial, robots móviles, mecatrónica, control avanzado, percepción artificial, navegación e inteligencia embebida y autónoma.

Conocer al Profesor
Dra. Lucia Hernandez Vega, directora academica del SEIUM Data, Artificial Intelligence & Simulation Institute

Dra. Lucía Hernández Vega

Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute

Profesora de Inteligencia Artificial, Ciencia de Datos, Ingeniería de Datos, MLOps, Simulación, Gemelos Digitales y Computación Científica

La Dra. Lucía Hernández Vega, de nacionalidad española, es Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute y responsable de inteligencia artificial, ciencia e ingeniería de datos, visión artificial, IA generativa, MLOps y gemelos digitales.

Conocer al Profesor
Dr. Kevin O’Connor, director academico del SEIUM Electronics & Embedded Technologies Institute

Dr. Kevin O’Connor

Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute

Profesor de Electrónica, Sistemas Embebidos, Telecomunicaciones, Diseño de Hardware, FPGA, IoT y Sistemas de Tiempo Real

El Dr. Kevin O’Connor, de nacionalidad irlandesa, es Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute y responsable de electrónica, sistemas embebidos, telecomunicaciones, diseño de circuitos, microcontroladores, FPGA, IoT y desarrollo de hardware electrónico.

Conocer al Profesor
Dr. Javier Ferrer Salvatierra, director academico del SEIUM Naval & Offshore Institute

Dr. Javier Ferrer Salvatierra

Director Académico del SNO — SEIUM Naval & Offshore Institute

Profesor de Arquitectura Naval, Ingeniería Marítima, Sistemas de Propulsión, Construcción Naval e Ingeniería Offshore

El Dr. Javier Ferrer Salvatierra, de nacionalidad española, es Director Académico del SNO — SEIUM Naval & Offshore Institute y responsable de arquitectura naval, ingeniería marítima, construcción, propulsión, sistemas auxiliares, ingeniería offshore, seguridad y descarbonización marítima.

Conocer al Profesor
Dra. Isabel Martin Robles, directora academica del SEIUM Rail & Smart Cities Institute

Dra. Isabel Martín Robles

Directora Académica del RSC — SEIUM Rail & Smart Cities Institute

Profesora de Ingeniería Ferroviaria, Señalización, Movilidad Urbana, Infraestructuras Inteligentes y Sistemas de Transporte

La Dra. Isabel Martín Robles, de nacionalidad española, es Directora Académica del RSC — SEIUM Rail & Smart Cities Institute y profesora responsable de las áreas de ingeniería ferroviaria, señalización, sistemas de control del tráfico, movilidad urbana, transporte inteligente, infraestructuras conectadas y planificación de ciudades inteligentes.

Conocer al Profesor
Dr. Carlos Navarro Sanz, director academico del SEIUM Energy & Networks Institute

Dr. Carlos Navarro Sanz

Director Académico del SEN — SEIUM Energy & Networks Institute

Profesor de Sistemas Eléctricos de Potencia, Smart Grids, Energías Renovables, Almacenamiento y Digitalización de Redes

El Dr. Carlos Navarro Sanz, de nacionalidad española, es Director Académico del SEN — SEIUM Energy & Networks Institute y responsable de sistemas eléctricos, redes inteligentes, renovables, almacenamiento, operación, protecciones, subestaciones, digitalización y planificación energética.

Conocer al Profesor

Admisiones

Cómo se accede a este curso

  1. 1
    Solicitud

    Rellenas el formulario con tu perfil y la formación que te interesa. Sin coste ni compromiso.

  2. 2
    Evaluación del perfil

    Revisamos formación y experiencia para confirmar que el programa encaja con tu punto de partida.

  3. 3
    Entrevista técnica

    Una conversación con el equipo académico para ajustar objetivos, ritmo y dedicación.

  4. 4
    Matrícula

    Se confirma la plaza y recibes los accesos. El programa arranca cuando tú decides.

Qué documentación hace falta

Currículum actualizado y titulación o acreditación de experiencia equivalente. Si quieres, puedes añadir ejemplos de proyectos o de código; no son obligatorios, pero ayudan a afinar el itinerario.

Becas y formas de pago

Hay descuento por pago único y becas parciales por mérito académico, por situación económica y por fomento de la inclusión, además de convenios con empresas del sector. En la entrevista se revisa cuál te corresponde.

Cuándo puedes empezar

La matrícula está abierta todo el año. Al ser un programa online y asíncrono no hay que esperar a una convocatoria: se empieza en cuanto se formaliza la matrícula.

¿Tienes dudas?

Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.

Por favor, activa JavaScript en tu navegador para completar este formulario.

F. A. Q

Preguntas frecuentes

¿Cuántas horas de dedicación semanal exige?

El programa son 300 horas totales repartidas en 3 a 5 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

¿Qué software necesito?

Se trabaja con NAPA, Maxsurf, Rhino + Orca3D, ShipConstructor. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

¿Qué titulación obtengo?

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

¿Se puede convalidar con otra formación de SEIUM?

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Contáctanos

Lo que se busca en Google

Las preguntas que más se hacen sobre Machine Learning aplicado a performance naval

¿Qué es Machine Learning aplicado a performance naval?

Es una especialidad propia de el sector naval. En la práctica consiste en aplicar un método de ingeniería concreto (requisitos, diseño, cálculo, ensayo y puesta en servicio) a ese ámbito, con sus propias normas, herramientas y criterios de aceptación. Este curso recorre ese método completo en 6 módulos.

¿Qué salidas profesionales tiene Machine Learning aplicado a performance naval?

Contratan sobre todo astilleros, armadores, sociedades de clasificación, ingenierías navales y servicios portuarios. Los puestos habituales son los de ingeniero de diseño, de cálculo, de ensayo, de puesta en marcha y de calidad o cumplimiento normativo, además de los perfiles de proyecto que coordinan a los anteriores.

¿Qué normas hay que conocer para trabajar en Machine Learning aplicado a performance naval?

Las de referencia son SOLAS, MARPOL, Reglas de clasificación, entre otras. No basta con saber que existen: lo que piden las empresas es saber qué exige cada una, qué evidencia hay que generar y cómo se documenta. Es lo que se trabaja en el módulo de marco normativo.

¿Qué herramientas se usan en Machine Learning aplicado a performance naval?

En el día a día se trabaja con software de arquitectura naval, cálculo de estabilidad y herramientas de cálculo estructural. Durante la formación se usan en los ejercicios y en el proyecto final, de modo que lo que se practica es lo mismo que se pide en una oferta de empleo.

¿Cuánto se tarda en especializarse en Machine Learning aplicado a performance naval?

Este programa son 300 horas. Con 10 horas a la semana salen unas 30 semanas; con 5 horas, el doble. Al ser 100 % online y asíncrono, el calendario lo marca el alumno y no hay clases a hora fija.

¿Se puede estudiar Machine Learning aplicado a performance naval online?

Sí. Todo el programa es online y asíncrono: material, ejercicios y entregas quedan disponibles desde el primer día y cada módulo se cierra con un entregable que el tutor corrige de forma individual. No hay desplazamientos ni horarios.

¿Qué nivel previo hace falta?

Se parte de una base técnica: formación en ingeniería o experiencia equivalente en el sector. No se exige experiencia previa en la especialidad concreta, porque los primeros módulos reconstruyen los fundamentos antes de entrar en los métodos avanzados.

Testimonios & trayectorias

Ficha del programa

El programa en datos

6módulosEstructura
60submódulosUnidades de trabajo
300horasCarga total
3-5mesesDedicación
Modalidad
online, 100 % a distancia.
Duración
300 horas · 3 a 5 meses.
Estructura
6 módulos y 60 submódulos.
Área
Naval, Offshore & Náutica Deportiva.
Titulación
diploma propio de SEIUM.
Convocatorias
abiertas, matrícula continua.
Tutorización
tutor técnico asignado y corrección individual.
Idioma
español.

Compara antes de decidir

Esta formación frente a otra del catálogo

Curso · estás aquíCurso de Machine Learning aplicado a performance navalDiplomadoDiplomado en BIM-Naval, MBD y Librerías Paramétricas
Horas300 h800 h
Módulos68
Submódulos6080
Precio445 €890 €

Ver Diplomado en BIM-Naval, MBD y Librerías Paramétricas

Formaciones relacionadas

Programa revisado el .

Seium - Universidad de ingeniería avanzada
Powered by  GDPR Cookie Compliance
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.