se centra en el desarrollo y aplicación de GNNs (Graph Neural Networks) para optimizar el control y análisis en mallas eléctricas, tráfico, supply chain y ciberseguridad. Este enfoque interdisciplinar integra técnicas avanzadas de ML, modelado de grafos y simulación dinámica, aplicando algoritmos que mejoran la resiliencia, eficiencia y capacidad predictiva en sistemas complejos. Entre las áreas técnicas destacan la teoría de grafos, análisis de estabilidad en redes distribuidas, procesamiento de señales en entornos no euclidianos y coordinación en sistemas ciberfísicos, alineados con metodologías robustas de análisis de riesgo y optimización multi-criterio.
Los laboratorios asociados ofrecen plataformas de HIL/SIL para la verificación en tiempo real, integración con sistemas de adquisición avanzada y evaluación de interferencias electromagnéticas bajo normativa aplicable internacional. Se garantiza la trazabilidad en seguridad funcional y compliance, integrando estándares reconocidos en gestión de riesgos y validación de sistemas complejos. La empleabilidad incluye roles especializados en Data Scientist, Network Engineer, Cybersecurity Analyst, Systems Architect y Operations Research Engineer.
9.800 €
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.
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.
Requisitos recomendados: conocimientos básicos de programación (Python), fundamentos de Machine Learning y familiaridad con conceptos de redes y sistemas; ES/EN B2+/C1. Ofrecemos bridging tracks si lo necesitas.
1.1 ¿Qué es Graph ML y GNNs? definición, objetivos, diferencias con ML tabular y ejemplos de aplicación en infraestructuras críticas
1.2 Fundamentos de grafos: nodos, edges, features, grafos dirigidos vs no dirigidos, grafos ponderados y grafos dinámicos
1.3 Arquitecturas básicas de GNNs: GCN, GraphSAGE, GAT; conceptos clave, ventajas, limitaciones y cuándo usar cada una
1.4 Pipeline de Graph ML: desde datos hasta despliegue; adquisición, limpieza, construcción de grafos, preprocesamiento, entrenamiento y evaluación
1.5 Representación de datos para grafos: atributos de nodos y edges, embeddings, features iniciales y técnicas de codificación
1.6 Bibliotecas y herramientas: PyTorch Geometric, DGL, NetworkX, StellarGraph; instalación rápida y casos de uso
1.7 Preparación de grafos para entrenamiento: split de datos (node-level, graph-level), transductivo vs inductivo, manejo de grafos grandes
1.8 Técnicas de entrenamiento para GNNs: muestreo de vecinos, batching de grafos, regularización, optimizadores, estabilidad de entrenamiento
1.9 Evaluación de modelos de Graph ML: métricas (accuracy, F1, AUC), tareas (clasificación de nodos, predicción de enlaces, clasificación de grafos), validación y baselines
1.10 Caso práctico corto: crear un grafo sencillo, entrenar una GNN básica para clasificación de nodos y evaluar resultados
2.1 Introducción a Graph ML y su relevancia en infraestructuras críticas (eléctricas, tráfico, suministro, ciberseguridad)
2.2 Grafos y estructuras: nodos, aristas, atributos y tipos de grafos
2.3 Conceptos fundamentales de Graph ML y diferencias con ML tradicional
2.4 Arquitecturas básicas de GNNs: GCN, GAT, GraphSAGE y alternativas
2.5 Featurización y representación de datos para grafos: selección de features y embeddings
2.6 Enfoques de entrenamiento en Graph ML: transductivo vs inductivo y semi-supervisado
2.7 Preparación de datasets y benchmarks en redes críticas
2.8 Herramientas y frameworks para Graph ML: PyTorch Geometric, DGL, NetworkX, StellarGraph
2.9 Métricas y evaluación de rendimiento en GNNs; robustez y generalización
2.10 Casos de uso introductorios y proyecto corto: diseño de pipeline básico de Graph ML para una red crítica
3.1 Fundamentos de GNN para resiliencia en redes críticas: estructuras, grafos heterogéneos y métricas de robustez en Electricidad, Tráfico, Suministro y Ciberseguridad
3.2 Modelado de grafos dinámicos en infraestructuras críticas: topologías cambiantes, series temporales y detección de eventos
3.3 Detección de fallas y anomalías en redes eléctricas y de transporte mediante GNNs con casos prácticos
3.4 Optimización de operación y control resiliente con Graph ML: gestión de demanda, congestión y tolerancia a fallos
3.5 Evaluación de vulnerabilidades y defensa cibernética con GNNs: detección de intrusiones, propagación de ataques y respuesta
3.6 Resiliencia ante interrupciones: simulación de escenarios, planes de mitigación y toma de decisiones con grafos
3.7 Interpretabilidad y explicabilidad de GNNs en infraestructuras críticas: confianza, auditoría y cumplimiento
3.8 Integración de datos heterogéneos y MBSE/PLM para resiliencia: trazabilidad, gobernanza y cambios en grafos
3.9 Implementación práctica en hardware y entornos operativos: edge, IIoT, PLCs y monitoreo en tiempo real
3.10 Case clinic: go/no-go con matriz de riesgos para proyectos de Graph ML en redes críticas
4.1 Fundamentos de Graph ML para redes complejas: grafos heterogéneos y dinámicos
4.2 GNNs para detección y mitigación de amenazas en redes críticas (ciberseguridad)
4.3 Modelos GNN avanzados para análisis y control en energía, transporte y logística
4.4 Evaluación de robustez y seguridad de GNN ante ataques adversarios en grafos
4.5 Grafos dinámicos y aprendizaje en tiempo real para infraestructuras críticas
4.6 Interpretabilidad y explicabilidad de GNN para seguridad de redes
4.7 Integración de Graph ML con ML Ops para redes críticas
4.8 Casos de uso y benchmarks en energía, tráfico, suministro y ciberseguridad
4.9 Requisitos de certificación, cumplimiento y estándares para soluciones GNN en infraestructuras críticas
4.10 Case clinic: go/no-go con matriz de riesgos y planes de mitigación
5.1 Fundamentos de Graph Neural Networks (GNNs)
5.2 Arquitecturas GNN: Diseño y Funcionalidad
5.3 Aplicaciones GNN en Redes Eléctricas: Modelado y Análisis
5.4 GNNs en Sistemas de Tráfico: Optimización y Predicción
5.5 Supply Chain con GNN: Eficiencia y Resiliencia
5.6 Ciberseguridad y GNN: Detección de Amenazas y Protección
5.7 Implementación Práctica de GNN: Herramientas y Frameworks
5.8 Optimización de GNN: Rendimiento y Escalabilidad
5.9 Estudios de Caso: Aplicaciones Reales de GNN en Sistemas Críticos
5.10 Tendencias Futuras: El Futuro de GNN en el Sector Naval
6.1 Introducción a GNNs y su potencial en infraestructuras críticas
6.2 Fundamentos de Graph ML: conceptos clave y terminología
6.3 Aplicaciones de GNNs en la optimización de redes eléctricas
6.4 GNNs aplicados al análisis y control de redes de tráfico
6.5 Implementación de GNNs en la optimización de supply chain
6.6 GNNs para la detección y mitigación de ciberataques
6.7 Diseño e implementación de GNNs para la transformación digital
6.8 Casos de estudio: ejemplos prácticos de GNNs en acción
6.9 Retos y perspectivas futuras de Graph ML en infraestructuras críticas
6.10 Consideraciones éticas y de seguridad en el uso de GNNs
7.1 Introducción a GNNs: Fundamentos y conceptos clave.
7.2 Estructura de datos de grafos: Representación y tipos.
7.3 Aprendizaje automático en grafos: Principios y algoritmos.
7.4 GNNs en la práctica: Implementación y herramientas.
7.5 Aplicaciones en redes eléctricas: Detección de fallos y optimización.
7.6 Aplicaciones en tráfico: Predicción de flujos y gestión de congestión.
7.7 Aplicaciones en supply chain: Optimización de rutas y gestión de inventario.
7.8 Aplicaciones en ciberseguridad: Detección de intrusiones y análisis de amenazas.
7.9 Evaluación y métricas de rendimiento de GNNs.
7.10 Futuro de GNNs: Tendencias y desafíos en redes y sistemas esenciales.
8.1 Introducción a Graph ML y GNNs: Fundamentos y Aplicaciones en Redes Críticas
8.2 Arquitecturas de GNNs: Diseño y Selección para Diferentes Escenarios
8.3 Análisis de Redes Eléctricas: Modelado y Optimización con GNNs
8.4 Optimización del Tráfico: GNNs para la Gestión Inteligente de Redes de Transporte
8.5 Gestión de la Cadena de Suministro: Aplicación de GNNs para la Resiliencia
8.6 Ciberseguridad en Redes Críticas: Detección de Amenazas con GNNs
8.7 Implementación Práctica: Frameworks y Herramientas para GNNs
8.8 Casos de Estudio: Aplicaciones Reales y Mejores Prácticas
8.9 Desafíos y Tendencias Futuras en Graph ML para Redes Críticas
8.10 Integración y Escalabilidad: Despliegue de GNNs en Entornos Reales
9.1 Introducción al Graph ML y su aplicación en infraestructuras críticas.
9.2 Fundamentos de la teoría de grafos y su relevancia.
9.3 Tipos de datos y estructuras de grafos.
9.4 Casos de uso específicos en electricidad, tráfico, supply chain y ciberseguridad.
9.5 Herramientas y bibliotecas esenciales para Graph ML.
9.6 Introducción a las Redes Neuronales de Grafos (GNNs).
9.7 Ejemplos prácticos y demostraciones.
9.8 Desafíos y oportunidades en la implementación de Graph ML.
9.9 Ética y consideraciones de privacidad en el uso de Graph ML.
9.10 Tendencias futuras y el impacto de Graph ML en infraestructuras críticas.
10.1 Introducción a GNNs y su Aplicación en Redes Críticas
10.2 Fundamentos de Graph ML para la Defensa de Redes
10.3 Modelado de Redes Críticas con Grafos
10.4 GNNs para la Detección de Anomalías y Amenazas en Redes
10.5 Optimización de Rutas y Flujos en Redes de Tráfico
10.6 Mejora de la Resiliencia en Redes de Suministro con GNNs
10.7 Implementación de GNNs para la Ciberseguridad en Redes
10.8 Análisis de Riesgos y Toma de Decisiones con GNNs
10.9 Evaluación del Rendimiento y Métricas de GNNs Aplicados
10.10 Proyecto Final: Defensa y Optimización de Redes Críticas
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).