El Diplomado en Comprensión de Modelos e Inferencia en MCU/NPUs se centra en el desarrollo de habilidades especializadas en el uso de microcontroladores (MCUs) y unidades de procesamiento neuronal (NPUs) para la creación y optimización de modelos de aprendizaje automático. El programa aborda la implementación eficiente de algoritmos de inteligencia artificial en dispositivos de bajo consumo, explorando técnicas de inferencia y optimización de modelos para aplicaciones de edge computing, tales como el análisis de señales, procesamiento de imágenes y visión artificial.
Los participantes obtendrán experiencia práctica en el diseño y desarrollo de soluciones de IA embebida, incluyendo el uso de herramientas de compilación cruzada, depuración y profiling. Se explorarán plataformas de desarrollo y bibliotecas específicas para MCUs y NPUs, como TensorFlow Lite y PyTorch Mobile, con un enfoque en la reducción de la latencia y el consumo de energía. La formación prepara a roles profesionales como ingenieros de IA embebida, desarrolladores de sistemas de visión y científicos de datos, fortaleciendo la empleabilidad en sectores como la robótica, la automoción y la industria IoT.
Palabras clave objetivo (naturales en el texto): MCUs, NPUs, aprendizaje automático, inferencia, edge computing, IA embebida, TensorFlow Lite, PyTorch Mobile, visión artificial, diplomado en IA.
1.150 €
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. Implementación y Optimización Avanzada de Modelos en MCU/NPUs
5. Optimización y Despliegue de Modelos en Dispositivos MCU/NPU
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.
Aquí está el texto optimizado para el público objetivo del diplomado, tal como lo solicitaste:
Requisitos recomendados: Se sugiere contar con conocimientos básicos en aerodinámica, control de sistemas y estructuras. Dominio del idioma español o inglés (B2+/C1). Ofrecemos bridging tracks para nivelar conocimientos si es necesario.
1.1 Fundamentos de MCU/NPU: Arquitectura y componentes clave
1.2 Introducción a la arquitectura de MCU (Micro Control Units)
1.3 Introducción a la arquitectura de NPU (Neural Processing Units)
1.4 Comparativa entre MCU y NPU: Usos y aplicaciones
1.5 Ciclo de vida de un proyecto de aprendizaje automático en MCU/NPU
1.6 Herramientas y entornos de desarrollo para MCU/NPU
1.7 Tipos de modelos de aprendizaje automático adecuados para MCU/NPU
1.8 Optimización de modelos para MCU/NPU: Consideraciones iniciales
1.9 Principios de bajo consumo y eficiencia energética en MCU/NPU
1.10 Estudio de casos: Aplicaciones iniciales y ejemplos prácticos
2.2 Fundamentos del Modelado para MCU/NPU
2.2 Técnicas de Inferencia en MCU/NPU
2.3 Estrategias de Optimización de Modelos
2.4 Arquitecturas de MCU/NPU y su Impacto
2.5 Herramientas de Desarrollo y Entornos de Trabajo
2.6 Ajuste Fino de Modelos para Rendimiento
2.7 Métricas de Evaluación y Análisis de Resultados
2.8 Implementación de Modelos en Dispositivos MCU/NPU
2.9 Casos de Estudio: Ejemplos Prácticos
2.20 Despliegue y Monitoreo de Modelos en Producción
3.3 Arquitectura de Software en MCU/NPU: Fundamentos y Diseño
3.2 Sistemas Operativos en MCU/NPU: Selección y Optimización
3.3 Desarrollo de Drivers y Periféricos para MCU/NPU
3.4 Programación de Baja Nivel y Acceso a Hardware en MCU/NPU
3.5 Debugging y Profiling de Aplicaciones en MCU/NPU
3.6 Seguridad en Sistemas Empotrados: MCU/NPU
3.7 Optimización de Código para Rendimiento en MCU/NPU
3.8 Frameworks y Bibliotecas Especializadas en MCU/NPU
3.9 Diseño de Sistemas Empotrados Confiables y Tolerantes a Fallos
3.30 Estudio de Casos: Proyectos Reales en MCU/NPU
4.4 Arquitecturas avanzadas de hardware para MCU/NPU
4.2 Implementación de modelos de aprendizaje automático en MCU/NPU
4.3 Optimización de código para MCU/NPU
4.4 Técnicas de inferencia en dispositivos MCU/NPU
4.5 Integración de modelos con el software existente
4.6 Gestión de recursos y memoria en MCU/NPU
4.7 Herramientas de depuración y perfilado para MCU/NPU
4.8 Estrategias de despliegue de modelos en dispositivos embebidos
4.9 Consideraciones de seguridad en MCU/NPU
4.40 Estudio de casos: Implementación en proyectos reales
5.5 Estrategias de Optimización para MCU/NPU: Introducción
5.5 Compresión de Modelos: Técnicas y Aplicaciones
5.3 Cuantización: Reducción de la Precisión Numérica
5.4 Optimización del Rendimiento: Herramientas y Métodos
5.5 Despliegue de Modelos: Plataformas y Frameworks
5.6 Integración de Modelos Optimizados en MCU/NPU
5.7 Evaluación del Rendimiento: Métricas y Análisis
5.8 Casos de Estudio: Despliegue en Dispositivos Reales
5.9 Herramientas y Entornos de Desarrollo para Despliegue
5.50 Escalabilidad y Futuro del Despliegue en MCU/NPU
6.6 Fundamentos de Compresión para MCU/NPU: Técnicas y Estrategias
6.2 Reducción de Tamaño de Modelos: Cuantización y Pruning
6.3 Optimización de Modelos: Arquitecturas Eficientes y Búsqueda Neural
6.4 Inferencia Rápida: Aceleración Hardware y Optimización de Kernel
6.5 Rendimiento en MCU/NPU: Métricas Clave y Análisis de Cuello de Botella
6.6 Despliegue de Modelos: Frameworks y Herramientas de Implementación
6.7 Compresión y Latencia: Trade-offs y Selección de Técnicas
6.8 Eficiencia Energética: Optimización para Dispositivos de Baja Potencia
6.9 Caso de Estudio: Implementación de Modelos Comprimidos y Optimizados
6.60 Evaluación del Rendimiento: Pruebas y Benchmarking en MCU/NPU
7.7 Estrategias de Optimización de Modelos para MCU/NPU
7.2 Técnicas de Cuantización y Compresión
7.3 Despliegue Eficiente en Arquitecturas MCU/NPU
7.4 Herramientas y Frameworks para la Optimización
7.7 Consideraciones de Rendimiento y Consumo Energético
7.6 Optimización de Memoria y Almacenamiento
7.7 Despliegue en Diferentes Dispositivos MCU/NPU
7.8 Validación y Prueba de Modelos Optimizados
7.9 Monitoreo y Mantenimiento del Despliegue
7.70 Estudio de Casos: Implementación y Optimización Real
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.
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.
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.
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.
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.
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.
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.
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.
Testimonios de clientes que avalan nuestra calificación