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

Curso de machine learning en predicción de fallos

Sobre nuestro Curso de machine learning en predicción de fallos

El curso en machine learning en predicción de fallos de SEIUM es una formación 100 % online de 300 horas, estructurada en 6 módulos y 60 submódulos. Cubre machine learning en predicción de fallos desde los fundamentos hasta la validación y la puesta en operación, con el marco normativo de referencia del sector aplicado sobre casos reales y no como un anexo teórico.

El trabajo práctico se realiza con las herramientas habituales en el sector. Cada módulo cierra con un entregable que el tutor corrige individualmente, y el programa culmina en un proyecto integrador documentado.

Curso de Plataformas digitales en claims management
Curso de machine learning en predicción de fallos
  • Modalidad: Online
  • Duración: 4 meses
  • Horas: 300 H
  • Idioma: ES / EN
  • Fecha de matrícula: 16-10-2026
  • Plazas disponibles: 11

445 €

Aplicar Ahora

Competencias y resultados

Qué aprenderás

Base técnica aplicada

Explicarás los principios físicos y de ingeniería que gobiernan machine learning en predicción de fallos, con las magnitudes, el vocabulario y los órdenes de medida que se usan en proyecto real.

Marco normativo y criterios

Identificarás la normativa aplicable, distinguirás el requisito obligatorio de la buena práctica y sabrás qué evidencia documental exige cada criterio de aceptación.

Análisis y dimensionado

Plantearás las hipótesis de partida, resolverás el cálculo o el dimensionado de los elementos críticos y justificarás cada decisión con criterios trazables.

Herramientas y software

Manejarás las herramientas de cálculo, simulación, medida y documentación habituales en Aeroespacial, UAM, Drones & Espacio, desde la preparación del modelo hasta la validación del resultado.

Diagnóstico y resolución

Detectarás los fallos y las desviaciones más frecuentes, los clasificarás por criticidad y propondrás la corrección con su plan de verificación.

Entrega profesional

Redactarás la documentación técnica —memoria, cálculos, planos o informe de ensayo— en el formato que esperan el cliente, la dirección facultativa y el organismo de control.

Curso de Plataformas digitales en claims management

Para quien va dirigido nuestro:

Curso de machine learning en predicción de fallos

  • Ingenieros/as con titulación en Ingeniería Aeroespacial, Ingeniería Mecánica, Ingeniería Industrial, Ingeniería en Automática o campos relacionados.
  • Profesionales que se desempeñan en: fabricantes de aeronaves de ala rotatoria/eVTOL (OEM), empresas de Mantenimiento, Reparación y Operaciones (MRO), firmas de consultoría especializada, y centros de investigación y desarrollo tecnológico.
  • Expertos en áreas como pruebas en vuelo (Flight Test), certificación aeronáutica, aviónica, sistemas de control y dinámica de vuelo, que deseen profundizar sus conocimientos y habilidades.
  • Personal de organismos reguladores/autoridades aeronáuticas y profesionales involucrados en proyectos de Movilidad Aérea Urbana (UAM)/eVTOL que necesiten adquirir competencias en cumplimiento normativo (compliance) y seguridad.

Requisitos recomendados: Se sugiere una sólida base en aerodinámica, sistemas de control y estructuras aeronáuticas. Se requiere un nivel de dominio del idioma español o inglés equivalente a B2+ o C1. Se ofrecen programas de apoyo (bridging tracks) para facilitar la nivelación de conocimientos en caso necesario.

01EspecializaciónTodo el programa es de Aeroespacial, UAM, Drones & Espacio

El temario, los casos y el proyecto final son de Aeroespacial, UAM, Drones & Espacio. No es un curso genérico de ingeniería al que se le ha cambiado el título: cada módulo está escrito para este ámbito.

02NormativaQué norma aplica y cómo justificarlo

Un módulo completo dedicado al mapa normativo del ámbito: qué norma aplica a cada parte del trabajo y con qué jerarquía, cómo distinguir un requisito obligatorio de una buena práctica y cómo dejar esa decisión justificada por escrito.

03EvidenciaTrabajo trazable y defendible ante un auditor

Criterios de aceptación definidos antes de ejecutar y medidos después, registros y control de versiones, clasificación de no conformidades por criticidad y preparación de auditoría e inspección: qué te va a pedir el auditor y cómo tenerlo listo.

04Proyecto finalTerminas con una memoria técnica, no solo con un título

Defines el alcance sobre un caso real, documentas las hipótesis, desarrollas el cálculo o el diseño registrando cada iteración, lo validas frente a normativa y lo defiendes ante tu tutor. Es un trabajo que puedes enseñar en una entrevista.

05AcompañamientoUn tutor que corrige tu trabajo

Tienes tutor asignado durante todo el programa y es quien revisa y valida la defensa del proyecto final. El claustro es el que fija el calendario académico de cada formación.

06FormatoCompatible con una jornada completa

300 horas repartidas en 4 módulos y 24 submódulos, 100 % online y asíncrono: avanzas a tu ritmo, sin clases en directo a las que tengas que llegar. La fecha de inicio la fija el claustro.

6 módulos · 60 submódulos · 300 horas

1Introducción al Machine Learning Naval (50 h)
  • 1.1. Fundamentos del Machine Learning y su Aplicación en la Industria Naval
  • 1.2. Introducción a los Datos en Sistemas Navales: Tipos y Fuentes
  • 1.3. Exploración de Algoritmos de Machine Learning Relevantes para el Mantenimiento Naval
  • 1.4. Preprocesamiento y Limpieza de Datos para el Análisis Predictivo
  • 1.5. Evaluación de Modelos: Métricas y Técnicas de Validación
  • 1.6. Introducción a las Herramientas y Plataformas para el Machine Learning Naval
  • 1.7. Estudio de Casos: Aplicaciones Iniciales de Machine Learning en la Industria Naval
  • 1.8. Consideraciones Éticas y de Seguridad en el Uso del Machine Learning Naval
  • 1.9. Introducción al Mantenimiento Predictivo y sus Beneficios
  • 1.10. Visión General del Curso y Próximos Módulos
2Optimización del Mantenimiento Naval con ML (50 h)
  • 2.1. 2 Introducción a la Optimización del Mantenimiento Naval Predictivo
  • 2.2. 2 Fundamentos de Machine Learning para el Mantenimiento Naval
  • 2.3. 3 Recopilación y Preparación de Datos para el Análisis Predictivo
  • 2.4. 4 Modelado de Fallos en Sistemas Navales con Machine Learning
  • 2.5. 5 Implementación de Algoritmos de Machine Learning para la Predicción de Fallos
  • 2.6. 6 Análisis de Datos Históricos de Mantenimiento
  • 2.7. 7 Desarrollo de Modelos Predictivos para Diferentes Componentes Navales
  • 2.8. 8 Validación y Evaluación de Modelos Predictivos
  • 2.9. 9 Integración de la Predicción de Fallos en la Planificación del Mantenimiento
  • 2.10. 20 Optimización de Costos y Recursos a través del Mantenimiento Predictivo
3Estrategias de Predicción en Buques con ML (50 h)
  • 3.1. Introducción a las Estrategias de Predicción de Fallos en Buques
  • 3.2. Recopilación y Preprocesamiento de Datos Navales
  • 3.3. Selección y Entrenamiento de Modelos de Machine Learning
  • 3.4. Evaluación y Validación de Modelos Predictivos
  • 3.5. Implementación de Sistemas de Predicción de Fallos
  • 3.6. Monitoreo y Actualización de Modelos
  • 3.7. Estrategias de Mantenimiento Basadas en la Predicción
  • 3.8. Integración con Sistemas de Gestión Naval
  • 3.9. Casos de Estudio: Aplicaciones Reales en Buques
  • 3.10. Análisis de Riesgos y Beneficios de la Predicción de Fallos
4Análisis de Fallos Navales con ML (50 h)
  • 4.1. Recopilación y preparación de datos de fallos navales
  • 4.2. Selección y entrenamiento de modelos de Machine Learning para el análisis de fallos
  • 4.3. Técnicas de clasificación y regresión para la predicción de fallos
  • 4.4. Identificación de patrones y anomalías en datos de fallos
  • 4.5. Análisis de causa raíz de fallos con Machine Learning
  • 4.6. Visualización y reporte de resultados del análisis de fallos
  • 4.7. Validación y evaluación de la precisión de los modelos
  • 4.8. Implementación de sistemas de alerta temprana basados en Machine Learning
  • 4.9. Optimización del mantenimiento predictivo basado en el análisis de fallos
  • 4.10. Casos de estudio: Aplicaciones prácticas en componentes navales
5Detección de Fallos Navales con ML (50 h)
  • 5.1. Introducción a la Detección de Fallos en la Flota Naval con Machine Learning
  • 5.2. Recolección y Preparación de Datos para el Análisis de Fallos Navales
  • 5.3. Modelado de Machine Learning para la Predicción de Fallos
  • 5.4. Implementación de Modelos de Machine Learning en Sistemas Navales
  • 5.5. Validación y Evaluación de Modelos de Detección de Fallos
  • 5.6. Detección de Fallos en Sistemas de Propulsión Naval
  • 5.7. Detección de Fallos en Equipos de Navegación y Comunicación
  • 5.8. Detección de Fallos en Sistemas de Armamento
  • 5.9. Análisis de Resultados y Toma de Decisiones Basada en Machine Learning
  • 5.10. Futuro de la Detección de Fallos Navales con Machine Learning
6ML en Fallos de Maquinaria Naval (50 h)
  • 6.1. Introducción al Machine Learning en Maquinaria Naval: Conceptos y Aplicaciones
  • 6.2. Recolección y Preparación de Datos: Fuentes y Limpieza de Datos de Maquinaria Naval
  • 6.3. Selección de Modelos de Machine Learning para la Predicción de Fallos
  • 6.4. Entrenamiento y Validación de Modelos: Metodologías y Evaluación del Rendimiento
  • 6.5. Predicción de Fallos en Motores Diésel y Sistemas de Propulsión
  • 6.6. Predicción de Fallos en Sistemas Eléctricos y Electrónicos a Bordo
  • 6.7. Predicción de Fallos en Bombas, Compresores y Equipos Auxiliares
  • 6.8. Análisis de Causas Raíz de Fallos Utilizando Machine Learning
  • 6.9. Implementación de Sistemas de Predicción de Fallos en Entornos Navales
  • 6.10. Estudios de Caso: Aplicaciones Reales y Beneficios del Machine Learning en la Industria Naval
  • 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 en predicción de fallos y su vocabulario normativo.
  • Aplicar EASA CS-23 y CS-25, DO-178C y DO-254 a decisiones reales de diseño y validación.
  • Construir y correlacionar modelos de cálculo con MATLAB/Simulink y ANSYS Fluent.
  • Planificar y ejecutar campañas de ensayo en túnel de viento y banco HIL/SIL.
  • 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 en predicción de fallos 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 MATLAB/Simulink, ANSYS Fluent, OpenFOAM, CATIA, NX, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de túnel de viento, banco HIL/SIL, cámara termovacío. La evaluación es continua por módulo más el proyecto integrador final.

El marco con el que se trabaja

Normas y estándares

  • Reglamento (UE) 2019/947
  • ECSS-E-ST

Dónde se aplica

Salidas profesionales

  • Ingeniero aeronáutico
  • Especialista en certificación
  • Ingeniero de sistemas UAS
  • Ingeniero de estructuras aeroespaciales
  • Ingeniero de misión espacial

Sectores de destino: aeronáutica comercial, UAS y drones, espacio, UAM/eVTOL, MRO, defensa aeroespacial. SEIUM no garantiza la obtención de empleo: se trata de una formación propia orientada a la capacitación técnica.

Anatomía del sistema

Cómo se construye el modelo

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

ABCD1234560102030405060708realimentaciónMACHINE LEARNING EN PREDICCIÓN DE FALLOSDIAGRAMA DE BLOQUESSEIUMESC. S/E12345678

Adquisición

De dónde salen los datos, con qué frecuencia y qué sesgos trae el muestreo.

Se trabaja en el Módulo 3 del plan de estudios.

Preparación

Limpieza, valores ausentes, normalización y construcción de variables.

Se trabaja en el Módulo 4 del plan de estudios.

Modelado

Elección del algoritmo, ajuste de hiperparámetros y control del sobreajuste.

Se trabaja en el Módulo 5 del plan de estudios.

Simulación

Modelos físicos y gemelos digitales: hipótesis, mallado y coste de cálculo.

Se trabaja en el Módulo 6 del plan de estudios.

Validación

Métricas, validación cruzada y contraste contra datos reales medidos.

Se trabaja en el Módulo 6 del plan de estudios.

Despliegue

Puesta en producción, latencia, versionado y trazabilidad de las decisiones.

Se trabaja en el Módulo 6 del plan de estudios.

Monitorización

Deriva de los datos, reentrenamiento y alertas cuando el modelo se degrada.

Se trabaja en el Módulo 6 del plan de estudios.

Gobernanza

Reproducibilidad, documentación del modelo y requisitos regulatorios.

Se trabaja en el Módulo 2 del plan de estudios.

Marco de referencia

Normas y estándares que vas a manejar

ISO/IEC 25012

Modelo de calidad del dato: exactitud, completitud, coherencia y actualidad.

ISO/IEC 42001

Sistema de gestión de la inteligencia artificial dentro de una organización.

ASME V&V 10 y 20

Verificación y validación de modelos de simulación frente a datos experimentales.

Reglamento europeo de IA

Clasificación por riesgo y obligaciones de documentación y supervisión.

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

Definición del alcance

Eliges un caso real de Aeroespacial, UAM, Drones & Espacio relacionado con machine learning en predicción de fallos, acotas el problema, fijas los requisitos de partida y los criterios con los que se va a medir el resultado.

Datos y estado del arte

Reúnes datos, normativa y referencias técnicas, justificas cada fuente y documentas de forma explícita las hipótesis que no puedas medir.

Desarrollo técnico

Resuelves el cálculo, el modelo o el diseño con las herramientas del programa y registras cada iteración junto al motivo que la provocó.

Validación y contraste

Compruebas los resultados frente a la normativa y a casos de referencia, haces el análisis de sensibilidad y cierras las desviaciones detectadas.

Memoria y defensa

Entregas el proyecto final con sus anexos y defiendes las decisiones ante el tutor, que evalúa rigor, trazabilidad y aplicabilidad industrial.

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

Cada formación tiene una fecha de inicio fijada por el claustro. Puedes solicitar plaza en cualquier momento y, en la entrevista de admisión, te confirmamos la fecha de comienzo que te corresponde.

¿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.
Protección de datos
Responsable: SEIUM. Finalidad: atender tu consulta sobre la formación. Derechos: acceso, rectificación y supresión. Más información en la política de privacidad.

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 MATLAB/Simulink, ANSYS Fluent, OpenFOAM, CATIA. 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 en predicción de fallos

¿Qué es machine learning en predicción de fallos?

Es una especialidad propia de los datos y la simulación en ingeniería. 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 en predicción de fallos?

Contratan sobre todo departamentos de I+D, consultoras de cálculo y equipos de ciencia de datos industrial. 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 en predicción de fallos?

Las de referencia son ISO/IEC 25012, ISO/IEC 42001, ASME V&V 10 y 20, 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 en predicción de fallos?

En el día a día se trabaja con entornos de análisis y aprendizaje automático, software de simulación numérica y plataformas de datos. 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 en predicción de fallos?

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 en predicción de fallos 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

Otras formaciones de Aeroespacial, UAM, Drones y Espacio

Curso de navegación visual en UAVCurso · 300 h · 100 % onlineCurso de comunicaciones en UASCurso · 300 h · 100 % onlineCurso de drones estratosféricos HAPSCurso · 300 h · 100 % onlineCurso de plataformas pseudo-satéliteCurso · 300 h · 100 % onlineCurso de drones marítimos (USV)Curso · 300 h · 100 % onlineCurso de drones submarinos (UUV)Curso · 300 h · 100 % online

Ver todas las formaciones de Aeroespacial, UAM, Drones y Espacio

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
Aeroespacial, UAM, Drones & Espacio.
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 en predicción de fallosDiplomadoDiplomado en Predicción Táctica y Nowcasting Aeronáutico
Horas300 h800 h
Módulos68
Submódulos6080
Precio445 €1.790 €

Ver Diplomado en Predicción Táctica y Nowcasting Aeronáutico

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.