Máster en Federated Learning & Privacy-Preserving ML
Máster online de 1900 h: 12 módulos y 120 submódulos, de «Privacidad y aprendizaje distribuido» a «Trabajo Fin de Máster», pasando por «Anonimización y datos sintéticos».
Mapa del programa · pulsa un módulo
Módulo 1 · Privacidad y aprendizaje distribuido
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 y aprendizaje distribuido
Saldrás manejando datos sensibles y silos de información, amenazas de privacidad en ML y ataques de inferencia de pertenencia. Es lo que se trabaja en «Privacidad y aprendizaje distribuido», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Privacidad diferencial
Saldrás manejando definición épsilon-delta, mecanismos de Laplace y gaussiano y sensibilidad y composición. Es lo que se trabaja en «Privacidad diferencial», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Entornos de ejecución confiables
Saldrás manejando enclaves Intel SGX y TDX, AMD SEV y computación confidencial y atestación remota. Es lo que se trabaja en «Entornos de ejecución confiables», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Anonimización y datos sintéticos
Saldrás manejando seudonimización y anonimización, k-anonimato, l-diversidad y t-cercanía y riesgo de reidentificación. Es lo que se trabaja en «Anonimización y datos sintéticos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Marco legal y gobernanza
Saldrás manejando RGPD y privacidad desde el diseño, evaluaciones de impacto (EIPD) y transferencias internacionales. Es lo que se trabaja en «Marco legal y gobernanza», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Federado con modelos fundacionales
Saldrás manejando ajuste fino federado de LLM, loRA federado y privacidad en modelos generativos. Es lo que se trabaja en «Federado con modelos fundacionales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Identificar amenazas de privacidad en sistemas de machine learning.
02Implementar algoritmos de aprendizaje federado robustos a la heterogeneidad.
03Aplicar privacidad diferencial con contabilidad rigurosa.
04Utilizar técnicas criptográficas y entornos confiables para ML.
05Defender sistemas federados frente a ataques.
06Desplegar plataformas federadas a escala.
07Cumplir el marco legal europeo de protección y gobernanza de datos.
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 y aprendizaje distribuido
1.1Datos sensibles y silos de información
1.2Amenazas de privacidad en ML
1.3Ataques de inferencia de pertenencia
1.4Inversión y extracción de modelos
1.5Aprendizaje centralizado frente a federado
1.6Cross-device y cross-silo
1.7Federado horizontal, vertical y por transferencia
1.8Panorama de tecnologías PET
1.9Casos de uso en salud, banca e industria
1.10Caso práctico: análisis de riesgos de un modelo clínico
Módulo 2 de 12 · 10 submódulos
Algoritmos de aprendizaje federado
2.1FedAvg y FedSGD
2.2Heterogeneidad de datos no IID
2.3FedProx y SCAFFOLD
2.4Optimización federada adaptativa
2.5Comunicación y compresión
2.6Selección de clientes
2.7Personalización federada
2.8Federado vertical y alineamiento de entidades
2.9Convergencia y análisis teórico
2.10Laboratorio: FedAvg con Flower
Módulo 3 de 12 · 10 submódulos
Privacidad diferencial
3.1Definición épsilon-delta
3.2Mecanismos de Laplace y gaussiano
3.3Sensibilidad y composición
3.4Privacidad diferencial local
3.5DP-SGD y recorte de gradientes
3.6Contabilidad de privacidad con RDP
3.7Privacidad diferencial en federado
3.8Compromiso privacidad-utilidad
3.9Elección de parámetros
3.10Práctica: entrenamiento con Opacus
Módulo 4 de 12 · 10 submódulos
Criptografía para ML
4.1Agregación segura
4.2Cifrado homomórfico parcial y total
4.3Esquemas CKKS y BFV
4.4Computación multiparte segura
4.5Secret sharing
4.6Pruebas de conocimiento cero
4.7Coste computacional
4.8Bibliotecas OpenFHE y TenSEAL
4.9Inferencia cifrada
4.10Laboratorio: inferencia con cifrado homomórfico
Módulo 5 de 12 · 10 submódulos
Entornos de ejecución confiables
5.1Enclaves Intel SGX y TDX
5.2AMD SEV y computación confidencial
5.3Atestación remota
5.4GPU confidenciales
5.5Ataques de canal lateral
5.6Arquitecturas de clean rooms
5.7Comparativa con soluciones criptográficas
5.8Despliegue en nube
5.9Casos de uso en sector financiero
5.10Práctica: diseño de una clean room de datos
Módulo 6 de 12 · 10 submódulos
Ataques y defensas
6.1Envenenamiento de datos y modelos
6.2Ataques backdoor en federado
6.3Agregación robusta: Krum y mediana
6.4Ataques de reconstrucción de gradientes
6.5Inferencia de atributos
6.6Clientes maliciosos y bizantinos
6.7Auditoría de privacidad empírica
6.8Desaprendizaje de máquina
6.9Red teaming de sistemas federados
6.10Laboratorio: ataque y defensa de reconstrucción de gradientes
Módulo 7 de 12 · 10 submódulos
Anonimización y datos sintéticos
7.1Seudonimización y anonimización
7.2k-anonimato, l-diversidad y t-cercanía
7.3Riesgo de reidentificación
7.4Datos sintéticos privados
7.5Evaluación de utilidad y privacidad
7.6Orientaciones del EDPB sobre anonimización
7.7Datos de localización y movilidad
7.8Datos de imagen y voz
7.9Publicación de estadísticas
7.10Caso práctico: dataset sintético de historias clínicas
11.10Laboratorio: ajuste federado de un modelo de lenguaje
Módulo 12 de 12 · 10 submódulos
Trabajo Fin de Máster
12.1Escenario y partes implicadas
12.2Modelo de amenazas
12.3Arquitectura federada propuesta
12.4Mecanismos de privacidad
12.5Implementación y experimentos
12.6Evaluación de utilidad y privacidad
12.7Análisis legal y gobernanza
12.8Plan 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.
Ataques de inferencia de pertenencia
Módulo 1 · Privacidad y aprendizaje distribuido
Práctica: entrenamiento con Opacus
Módulo 3 · Privacidad diferencial
Comparativa con soluciones criptográficas
Módulo 5 · Entornos de ejecución confiables
Datos sintéticos privados
Módulo 7 · Anonimización y datos sintéticos
RGPD y privacidad desde el diseño
Módulo 9 · Marco legal y gobernanza
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 20889Reglamento (UE) 2022/868 (Data Governance Act)Reglamento (UE) 2025/327 (Espacio Europeo de Datos Sanitarios)Reglamento (UE) 2024/1689 (Ley de IA)ISO/IEC 27559
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 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 30-10-2026.
¿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 Flower, NVIDIA FLARE, Opacus, OpenFHE, TensorFlow Federated, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de simulaciones federadas con datos no IID, auditorías empíricas de privacidad, pilotos multicentro. La evaluación es continua por módulo más el TFM final.
Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Privacidad y aprendizaje distribuido» y cierra con «Trabajo Fin de Máster».
Se trabajan Reglamento (UE) 2016/679 (RGPD), ISO/IEC 27701, ISO/IEC 20889, Reglamento (UE) 2022/868 (Data Governance Act), Reglamento (UE) 2025/327 (Espacio Europeo de Datos Sanitarios) y Reglamento (UE) 2024/1689 (Ley de IA).
Los perfiles más directos son Ingeniero de aprendizaje federado, Ingeniero de privacidad, Investigador en ML seguro, Arquitecto de computación confidencial y Consultor de protección de datos técnica.
En un pago son 4.984 €, sobre una tarifa de 6.230 €. A plazos, una entrada de 2.988 € y 12 cuotas de 374 €, 7.476 € en total.
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, NVIDIA FLARE, Opacus, OpenFHE, TensorFlow Federated. 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.
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
Ingeniero de aprendizaje federado
Ingeniero de privacidad
Investigador en ML seguro
En salud, banca y telecomunicaciones.
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: la fecha de inicio la fija el claustro.
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.
¿Tienes alguna duda sobre Máster en Federated Learning & Privacy-Preserving ML? ¡Escríbenos por WhatsApp y te ayudamos! 💬
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.