Admisión abierta 2026-2027Rellenar solicitud

Diplomado en FL Horizontal/Vertical y Orquestación

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Aprendizaje federado» a «Proyecto de aprendizaje federado», pasando por «Seguridad y privacidad en FL».

Mapa del programa · pulsa un módulo
Módulo 1 · Aprendizaje federado
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Aprendizaje federado

Saldrás manejando motivación y escenarios cross-device y cross-silo, algoritmo de promediado federado y particiones horizontal, vertical y transferencia federada. Es lo que se trabaja en «Aprendizaje federado», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

FL horizontal

Saldrás manejando fedAvg y FedSGD, fedProx frente a heterogeneidad y SCAFFOLD y corrección de deriva. Es lo que se trabaja en «FL horizontal», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

FL vertical

Saldrás manejando escenarios con particiones de atributos, alineamiento de entidades con PSI y regresión logística vertical. Es lo que se trabaja en «FL vertical», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Seguridad y privacidad en FL

Saldrás manejando ataques de inversión de gradientes, inferencia de pertenencia y envenenamiento de datos y modelos. Es lo que se trabaja en «Seguridad y privacidad en FL», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Evaluación y equidad

Saldrás manejando evaluación federada sin centralizar datos, métricas por cliente y equidad entre participantes. Es lo que se trabaja en «Evaluación y equidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aplicaciones y marco jurídico

Saldrás manejando FL en salud e imagen médica, FL en banca y fraude y FL en industria y mantenimiento. Es lo que se trabaja en «Aplicaciones y marco jurídico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Distinguir los escenarios y particiones del aprendizaje federado.
  • 02Implementar algoritmos de FL horizontal robustos a la heterogeneidad.
  • 03Desarrollar modelos de FL vertical con alineamiento seguro.
  • 04Orquestar plataformas federadas en entornos reales.
  • 05Proteger los sistemas federados frente a ataques de privacidad y envenenamiento.
  • 06Evaluar el rendimiento y la equidad entre participantes.
  • 07Estructurar consorcios federados conforme al marco jurídico.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Aprendizaje federado

1.1Motivación y escenarios cross-device y cross-silo
1.2Algoritmo de promediado federado
1.3Particiones horizontal, vertical y transferencia federada
1.4Heterogeneidad estadística no IID
1.5Heterogeneidad de sistemas
1.6Comunicación y rondas
1.7Marco de IEEE 3652.1
1.8Comparación con aprendizaje centralizado
1.9Casos de uso industriales
1.10Taller: análisis de viabilidad federada de un consorcio hospitalario
Módulo 2 de 8 · 10 submódulos

FL horizontal

2.1FedAvg y FedSGD
2.2FedProx frente a heterogeneidad
2.3SCAFFOLD y corrección de deriva
2.4FedNova y agregación normalizada
2.5Optimizadores federados FedAdam
2.6Personalización con FedPer y Ditto
2.7Selección de clientes
2.8Compresión de comunicaciones
2.9Clientes rezagados y asincronía
2.10Laboratorio: FedAvg y FedProx con Flower
Módulo 3 de 8 · 10 submódulos

FL vertical

3.1Escenarios con particiones de atributos
3.2Alineamiento de entidades con PSI
3.3Regresión logística vertical
3.4Árboles federados SecureBoost
3.5Redes neuronales divididas
3.6Split learning y sus variantes
3.7Fugas de etiquetas en FL vertical
3.8Inferencia en entornos verticales
3.9Coste de comunicación
3.10Laboratorio: SecureBoost vertical con FATE
Módulo 4 de 8 · 10 submódulos

Orquestación y plataformas

4.1Arquitectura cliente-servidor federada
4.2Topologías jerárquicas y descentralizadas
4.3Plataformas Flower, FATE y NVFlare
4.4Despliegue con contenedores y Kubernetes
4.5Gestión de clientes y certificados
4.6Programación de rondas y tolerancia a fallos
4.7Versionado de modelos federados
4.8Monitorización y registro
4.9Integración en MLOps
4.10Práctica: despliegue de NVFlare en tres sitios
Módulo 5 de 8 · 10 submódulos

Seguridad y privacidad en FL

5.1Ataques de inversión de gradientes
5.2Inferencia de pertenencia
5.3Envenenamiento de datos y modelos
5.4Puertas traseras en modelos federados
5.5Agregación segura de actualizaciones
5.6Agregación robusta Krum y mediana
5.7Privacidad diferencial en FL
5.8Enclaves y entornos de ejecución confiables
5.9Auditoría de la privacidad
5.10Práctica: ataque y defensa de envenenamiento
Módulo 6 de 8 · 10 submódulos

Evaluación y equidad

6.1Evaluación federada sin centralizar datos
6.2Métricas por cliente
6.3Equidad entre participantes
6.4Incentivos y valoración de contribuciones
6.5Valor de Shapley de clientes
6.6Convergencia y estabilidad
6.7Benchmarks LEAF y FLamby
6.8Reproducibilidad de experimentos
6.9Informes de rendimiento
6.10Caso práctico: evaluación de un modelo federado de imagen médica
Módulo 7 de 8 · 10 submódulos

Aplicaciones y marco jurídico

7.1FL en salud e imagen médica
7.2FL en banca y fraude
7.3FL en industria y mantenimiento
7.4FL en dispositivos móviles
7.5Responsabilidades según el RGPD
7.6Acuerdos entre participantes
7.7Espacio europeo de datos sanitarios
7.8Reglamento de IA y modelos federados
7.9Gobernanza del consorcio
7.10Caso práctico: consorcio bancario contra el fraude
Módulo 8 de 8 · 10 submódulos

Proyecto de aprendizaje federado

8.1Definición del consorcio y caso de uso
8.2Tipo de partición y arquitectura
8.3Plataforma y despliegue
8.4Ejecución del entrenamiento federado
8.5Medidas de seguridad y privacidad
8.6Evaluación de rendimiento y equidad
8.7Acuerdo de gobernanza
8.8Conclusiones y escalado
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 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.

Heterogeneidad de sistemas
Módulo 1 · Aprendizaje federado
FedProx frente a heterogeneidad
Módulo 2 · FL horizontal
Coste de comunicación
Módulo 3 · FL vertical
Programación de rondas y tolerancia a fallos
Módulo 4 · Orquestación y plataformas
Envenenamiento de datos y modelos
Módulo 5 · Seguridad y privacidad en FL

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

IEEE 3652.1-2020Reglamento (UE) 2016/679 (RGPD)Reglamento (UE) 2024/1689 de Inteligencia ArtificialReglamento (UE) 2025/327 (Espacio Europeo de Datos Sanitarios)ISO/IEC 27001:2022ISO/IEC 23053:2022ISO/IEC 27701:2019

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 Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de aprendizaje federado
Ingeniero de machine learning
Arquitecto de plataformas de datos
Especialista en privacidad de IA
Ingeniero de MLOps
Investigador en IA distribuida

Para quién es

Ingeniero de aprendizaje federado
Ingeniero de machine learning
Arquitecto de plataformas de datos
Especialista en privacidad de IA
Ingeniero de MLOps
Investigador en IA distribuida
Titulados en ingeniería o ciencias que busquen entrar en salud

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿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 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·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, FATE, NVIDIA FLARE, TensorFlow Federated, PySyft, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de entrenamiento federado entre centros hospitalarios simulados, despliegue de plataformas federadas en varios sitios, pruebas de ataques y defensas en modelos federados. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Aprendizaje federado» y cierra con «Proyecto de aprendizaje federado».

Se trabajan IEEE 3652.1-2020, Reglamento (UE) 2016/679 (RGPD), Reglamento (UE) 2024/1689 de Inteligencia Artificial, Reglamento (UE) 2025/327 (Espacio Europeo de Datos Sanitarios), ISO/IEC 27001:2022 y ISO/IEC 23053:2022.

Los perfiles más directos son Ingeniero de aprendizaje federado, Ingeniero de machine learning, Arquitecto de plataformas de datos, Especialista en privacidad de IA y Ingeniero de MLOps.

En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, 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 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con Flower, FATE, NVIDIA FLARE, TensorFlow Federated, PySyft. 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 proyecto integrador. 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.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.432 € Matricularme
Contactar con Seium
Pago al contado1.432 €ahorras 358 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
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.