Diplomado en Compresión de Modelos (Quant/Prune/Distill)
Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Coste computacional de redes neuronales» a «Proyecto de compresión de modelos», pasando por «Factorización y diseño eficiente».
Mapa del programa · pulsa un módulo
Módulo 1 · Coste computacional de redes neuronales
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.
Coste computacional de redes neuronales
Saldrás manejando parámetros, FLOPs y operaciones MAC, memoria de pesos y activaciones y cómputo frente a ancho de banda: modelo roofline. Es lo que se trabaja en «Coste computacional de redes neuronales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Cuantización de modelos
Saldrás manejando representaciones INT8, INT4, FP16 y FP8, cuantización simétrica y asimétrica y granularidad por tensor y por canal. Es lo que se trabaja en «Cuantización de modelos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Poda de redes neuronales
Saldrás manejando poda no estructurada por magnitud, poda estructurada de canales y filtros y hipótesis del billete de lotería. Es lo que se trabaja en «Poda de redes neuronales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Factorización y diseño eficiente
Saldrás manejando descomposición de bajo rango mediante SVD, factorización tensorial: CP y Tucker y adaptadores LoRA y su fusión. Es lo que se trabaja en «Factorización y diseño eficiente», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Herramientas y flujos de compresión
Saldrás manejando API de cuantización de PyTorch, tensorFlow Model Optimization Toolkit y cuantización con ONNX Runtime. Es lo que se trabaja en «Herramientas y flujos de compresión», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Evaluación de modelos comprimidos
Saldrás manejando métricas de precisión tras compresión, latencia en el dispositivo objetivo y robustez y sesgos tras comprimir. Es lo que se trabaja en «Evaluación de modelos comprimidos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Analizar el coste computacional y de memoria de redes neuronales.
02Aplicar cuantización post-entrenamiento y consciente del entrenamiento.
03Reducir modelos mediante poda estructurada y no estructurada.
04Transferir conocimiento de modelos grandes mediante destilación.
05Emplear factorización y arquitecturas eficientes.
06Automatizar flujos de compresión con herramientas de la industria.
07Evaluar modelos comprimidos en precisión, latencia y robustez.
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
Coste computacional de redes neuronales
1.1Parámetros, FLOPs y operaciones MAC
1.2Memoria de pesos y activaciones
1.3Cómputo frente a ancho de banda: modelo roofline
1.4Arquitecturas eficientes: MobileNet y EfficientNet
1.5Transformers y coste de la atención
1.6Métricas de latencia, throughput y energía
1.7Hardware objetivo: CPU, GPU, NPU y MCU
1.8Compromiso entre precisión y tamaño
1.9Benchmarks de referencia como MLPerf
1.10Laboratorio: perfilado con PyTorch Profiler
Módulo 2 de 8 · 10 submódulos
Cuantización de modelos
2.1Representaciones INT8, INT4, FP16 y FP8
2.2Cuantización simétrica y asimétrica
2.3Granularidad por tensor y por canal
2.4Calibración: min-max, entropía y percentiles
2.5Cuantización post-entrenamiento (PTQ)
2.6Entrenamiento consciente de la cuantización (QAT)
2.7Fake quantization y estimador straight-through
2.8Cuantización de LLM: GPTQ y AWQ
2.9Errores típicos y capas sensibles
2.10Práctica: PTQ y QAT de una ResNet en INT8
Módulo 3 de 8 · 10 submódulos
Poda de redes neuronales
3.1Poda no estructurada por magnitud
3.2Poda estructurada de canales y filtros
3.3Hipótesis del billete de lotería
3.4Poda iterativa y reentrenamiento
3.5Dispersión 2:4 en GPU NVIDIA
3.6Criterios de importancia basados en gradiente
3.7Poda de cabezas de atención
3.8Aceleración real frente a teórica
3.9Combinación de poda y cuantización
3.10Laboratorio: poda estructurada de una CNN
Módulo 4 de 8 · 10 submódulos
Destilación de conocimiento
4.1Modelo profesor y modelo estudiante
4.2Pérdida con soft targets y temperatura
4.3Destilación de características intermedias
4.4Destilación de atención y de relaciones
4.5Autodestilación y destilación en línea
4.6Destilación de modelos de lenguaje
4.7Selección de la arquitectura estudiante
4.8Datos sintéticos para destilar
4.9Evaluación de la transferencia de conocimiento
4.10Taller: destilación de BERT a un modelo reducido
Módulo 5 de 8 · 10 submódulos
Factorización y diseño eficiente
5.1Descomposición de bajo rango mediante SVD
5.2Factorización tensorial: CP y Tucker
5.3Adaptadores LoRA y su fusión
5.4Compartición de pesos y hashing
5.5Búsqueda de arquitectura neuronal (NAS)
5.6Convoluciones separables en profundidad
5.7Early exit y cómputo dinámico
5.8Mezcla de expertos y esparsidad
5.9Compresión de tablas de embeddings
5.10Práctica: bajo rango en capas lineales
Módulo 6 de 8 · 10 submódulos
Herramientas y flujos de compresión
6.1API de cuantización de PyTorch
6.2TensorFlow Model Optimization Toolkit
6.3Cuantización con ONNX Runtime
6.4NVIDIA TensorRT Model Optimizer
6.5Intel Neural Compressor y OpenVINO NNCF
6.6Hugging Face Optimum
6.7Exportación y compatibilidad de operadores
6.8Automatización del pipeline de compresión
6.9Control de versiones de modelos
6.10Laboratorio: pipeline de compresión con NNCF
Módulo 7 de 8 · 10 submódulos
Evaluación de modelos comprimidos
7.1Métricas de precisión tras compresión
7.2Latencia en el dispositivo objetivo
7.3Robustez y sesgos tras comprimir
7.4Análisis de sensibilidad por capa
7.5Calibración de la confianza
7.6Pruebas A/B en producción
7.7Documentación de modelos y model cards
7.8Requisitos del Reglamento europeo de IA
7.9Selección de la estrategia óptima
7.10Caso práctico: compresión de un detector YOLO para edge
Módulo 8 de 8 · 10 submódulos
Proyecto de compresión de modelos
8.1Selección del modelo y del hardware
8.2Línea base de precisión y latencia
8.3Aplicación de cuantización
8.4Poda y destilación combinadas
8.5Exportación al runtime objetivo
8.6Evaluación comparativa de variantes
8.7Análisis de compromisos y recomendaciones
8.8Informe técnico del modelo
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.
Transformers y coste de la atención
Módulo 1 · Coste computacional de redes neuronales
Cuantización simétrica y asimétrica
Módulo 2 · Cuantización de modelos
Combinación de poda y cuantización
Módulo 3 · Poda de redes neuronales
Destilación de modelos de lenguaje
Módulo 4 · Destilación de conocimiento
Adaptadores LoRA y su fusión
Módulo 5 · Factorización y diseño eficiente
Marca los cinco conceptos y te damos tu resultado.
Normas y estándares que vas a manejar
ISO/IEC 15938-17:2022 (compresión de redes neuronales)ISO/IEC 23053:2022IEEE 754-2019Reglamento (UE) 2024/1689 (Ley de IA)ISO/IEC 22989:2022ISO/IEC 42001:2023
Cuerpo docente y expertos
Este programa se imparte en el área de Electrónica, Embebidos & Telecom, que dirige Dr. Kevin O’Connor. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation 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 27-11-2026.
¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Electrónica, Embebidos & Telecom?
¿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 PyTorch (torch.ao), TensorFlow Model Optimization Toolkit, NVIDIA TensorRT Model Optimizer, Intel Neural Compressor, Hugging Face Optimum, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de cuantización y poda de modelos de visión, medida de latencia en dispositivos edge, comparación de precisión tras compresión. La evaluación es continua por módulo más el proyecto integrador final.
Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Coste computacional de redes neuronales» y cierra con «Proyecto de compresión de modelos».
Se trabajan ISO/IEC 15938-17:2022 (compresión de redes neuronales), ISO/IEC 23053:2022, IEEE 754-2019, Reglamento (UE) 2024/1689 (Ley de IA), ISO/IEC 22989:2022 y ISO/IEC 42001:2023.
Los perfiles más directos son Ingeniero de machine learning, Ingeniero de optimización de modelos, Ingeniero de IA embebida, Investigador en eficiencia de redes neuronales y Ingeniero de MLOps.
En un pago son 1.192 €, sobre una tarifa de 1.490 €. A plazos, una entrada de 596 € y 6 cuotas de 149 €, 1.490 € 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 PyTorch (torch.ao), TensorFlow Model Optimization Toolkit, NVIDIA TensorRT Model Optimizer, Intel Neural Compressor, Hugging Face Optimum. 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.
Inicio de clases: 22 de diciembre de 20261.192 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
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 diplomado acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Electrónica, Embebidos & Telecom 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 Electrónica, Embebidos & Telecom y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 800 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 machine learning
Ingeniero de optimización de modelos
Ingeniero de IA embebida
En electrónica de consumo, automoción y semiconductores.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Electrónica, Embebidos & Telecom 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: las clases empiezan justo un mes después de matricularte.
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.