Campus virtual

Diplomado en Compresión de Modelos y Inferencia en MCU/NPUs

Sobre nuestro Diplomado en Compresión de Modelos y Inferencia en MCU/NPUs

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.

Diplomado en Compresión de Modelos y Inferencia en MCU/NPUs
  • Modalidad: Online
  • Duración: 8 meses
  • Horas: 900 H
  • Idioma: ES / EN
  • Créditos: 60 ECTS
  • Fecha de matrícula: 08-04-2026
  • Fecha de inicio: 19-05-2026
  • Plazas disponibles: 5

1.150 €

Competencias y resultados

Qué aprenderás

1. Dominio de Modelado, Inferencia y Optimización en MCU/NPU

  • Fundamentos de Modelado: Comprenderás los principios esenciales del modelado matemático aplicado a sistemas embebidos, incluyendo la representación de variables, ecuaciones y algoritmos.
  • Técnicas de Inferencia Estadística: Aprenderás a aplicar métodos de inferencia para extraer conclusiones y tomar decisiones basadas en datos provenientes de sensores y sistemas en tiempo real.
  • Optimización de Algoritmos: Explorarás estrategias para optimizar el rendimiento de algoritmos en microcontroladores (MCU) y unidades de procesamiento neuronal (NPU), considerando limitaciones de memoria y procesamiento.
  • Modelado de Sistemas Embebidos: Desarrollarás la capacidad de modelar sistemas embebidos complejos, incluyendo la interacción entre hardware y software, y la gestión de recursos.
  • Análisis de Datos en Tiempo Real: Adquirirás habilidades para analizar datos en tiempo real generados por MCU/NPU, identificando patrones, anomalías y tendencias relevantes.
  • Implementación de Algoritmos de Aprendizaje Automático: Aprenderás a implementar algoritmos de aprendizaje automático en MCU/NPU, incluyendo modelos de clasificación, regresión y clustering.
  • Optimización Energética: Estudiarás técnicas para optimizar el consumo de energía en sistemas embebidos, prolongando la vida útil de la batería y reduciendo el impacto ambiental.
  • Herramientas de Simulación y Desarrollo: Te familiarizarás con herramientas de simulación y desarrollo específicas para MCU/NPU, como simuladores, depuradores y compiladores.
  • Aplicaciones Prácticas: Aplicarás tus conocimientos en proyectos prácticos que involucran el diseño e implementación de sistemas embebidos para diversas aplicaciones, como robótica, IoT y visión artificial.
  • Consideraciones de Seguridad: Explorarás aspectos de seguridad relevantes para sistemas embebidos, incluyendo la protección contra ataques y la implementación de mecanismos de autenticación.

2. Maestría en Comprensión, Inferencia y Aplicación en MCU/NPU

  • Dominar los fundamentos de la arquitectura MCU/NPU, incluyendo sus componentes clave y su funcionamiento interno.
  • Entender los principios de la comprensión de datos, explorando algoritmos y técnicas avanzadas para la reducción de la complejidad.
  • Desarrollar habilidades en la inferencia, aplicando modelos y métodos para extraer conocimiento y patrones significativos de conjuntos de datos complejos.
  • Aplicar los conocimientos adquiridos en la aplicación práctica de MCU/NPU, abordando casos de uso específicos y desarrollando soluciones innovadoras.
  • Aprender sobre las tecnologías de memoria utilizadas en MCU/NPU, incluyendo DRAM, SRAM y flash, y sus implicaciones en el rendimiento.
  • Explorar las herramientas y entornos de desarrollo para MCU/NPU, desde compiladores y depuradores hasta frameworks de aprendizaje automático.
  • Profundizar en la optimización del rendimiento, analizando técnicas para mejorar la eficiencia energética y la velocidad de procesamiento.
  • Investigar las tendencias futuras en MCU/NPU, incluyendo la computación neuromórfica y la computación en el extremo (edge computing).
  • Estudiar las aplicaciones de MCU/NPU en diversos campos, como la robótica, la visión artificial, el Internet de las cosas (IoT) y la inteligencia artificial.
  • Adquirir conocimientos sobre la seguridad y la protección de datos en MCU/NPU, abordando vulnerabilidades y técnicas de mitigación.

3. Diseño y validación integral orientado al usuario (del modelado a la manufactura)

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

4. Implementación y Optimización Avanzada de Modelos en MCU/NPUs

  • Desarrollo de modelos de aprendizaje automático (ML) para MCU/NPUs, incluyendo selección de modelos, entrenamiento y optimización.
  • Implementación de algoritmos de optimización específicos para MCU/NPUs, considerando limitaciones de recursos como memoria y energía.
  • Integración de modelos ML optimizados en aplicaciones embebidas, con enfoque en el rendimiento y la eficiencia.
  • Análisis de técnicas de cuantización y compresión de modelos para reducir el tamaño y la complejidad computacional en MCU/NPUs.
  • Exploración de arquitecturas de hardware específicas (ej. Tensor Processing Units) y su impacto en el rendimiento de los modelos ML.
  • Implementación de métodos de inferencia en tiempo real en MCU/NPUs para aplicaciones de visión artificial, procesamiento de voz y otros sistemas inteligentes.
  • Optimización de la gestión de memoria y el flujo de datos en MCU/NPUs para maximizar el rendimiento de los modelos ML.
  • Aplicación de técnicas de depuración y perfilado para identificar cuellos de botella y mejorar el rendimiento de los modelos en MCU/NPUs.
  • Estudio de casos prácticos y ejemplos de implementación en diferentes dominios, como la robótica, la industria y el Internet de las cosas (IoT).
  • Evaluación comparativa de diferentes frameworks y bibliotecas de aprendizaje automático para MCU/NPUs, considerando criterios como rendimiento, facilidad de uso y compatibilidad.

5. Optimización y Despliegue de Modelos en Dispositivos MCU/NPU

5. Optimización y Despliegue de Modelos en Dispositivos MCU/NPU

  • Fundamentos de la optimización de modelos de Machine Learning para dispositivos de bajo consumo.
  • Técnicas de cuantización y compresión de modelos para reducir la memoria y el consumo energético.
  • Despliegue de modelos en MCU (Micro Controladores) y NPU (Unidades de Procesamiento Neuronal).
  • Implementación de modelos en entornos de tiempo real.
  • Optimización de código para el rendimiento en dispositivos embebidos.
  • Uso de herramientas y frameworks específicos para el despliegue en MCU/NPU.
  • Consideraciones de seguridad y privacidad en el despliegue de modelos.
  • Pruebas y validación de modelos en dispositivos de destino.
  • Análisis de las limitaciones y desafíos en el despliegue de modelos.
  • Casos de estudio y ejemplos prácticos de aplicación.

6. Especialización en Compresión, Inferencia y Rendimiento en 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.

Para quien va dirigido nuestro:

Diplomado en Compresión de Modelos y Inferencia en MCU/NPUs

Aquí está el texto optimizado para el público objetivo del diplomado, tal como lo solicitaste:

  • Ingenieros/as graduados/as en Ingeniería Aeroespacial, Mecánica, Industrial, Automática o disciplinas relacionadas.
  • Profesionales que se desempeñen en OEM (Fabricantes de Equipos Originales) de aeronaves de rotor/eVTOL, empresas de Mantenimiento, Reparación y Operación (MRO), firmas de consultoría, y centros tecnológicos enfocados en la innovación aeronáutica.
  • Especialistas en áreas como Pruebas de Vuelo (Flight Test), certificación aeronáutica, aviónica, sistemas de control y dinámica de vuelo que deseen profundizar sus conocimientos y habilidades.
  • Reguladores, autoridades aeronáuticas y profesionales involucrados en el desarrollo de Movilidad Aérea Urbana (UAM) / eVTOL que requieran competencias sólidas en cumplimiento normativo (compliance) y seguridad.

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.

  • Standards-driven curriculum: trabajarás con CS-27/CS-29, DO-160, DO-178C/DO-254, ARP4754A/ARP4761, ADS-33E-PRF desde el primer módulo.
  • Laboratorios acreditables (EN ISO/IEC 17025) con banco de rotor, EMC/Lightning pre-compliance, HIL/SIL, vibraciones/acústica.
  • TFM orientado a evidencia: safety case, test plan, compliance dossier y límites operativos.
  • Mentorado por industria: docentes con trayectoria en rotorcraft, tiltrotor, eVTOL/UAM y flight test.
  • Modalidad flexible (híbrido/online), cohortes internacionales y soporte de SEIUM Career Services.
  • Ética y seguridad: enfoque safety-by-design, ciber-OT, DIH y cumplimiento como pilares.

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

8.8 Compresión de Modelos: Fundamentos y Técnicas
8.8 Estrategias de Cuantización para MCU/NPU
8.3 Pruning y Reducción de Complejidad en Modelos
8.4 Inferencia Eficiente: Diseño de Hardware y Software
8.5 Aceleración de Modelos con Hardware Especializado
8.6 Optimización de Modelos para el Despliegue
8.7 Herramientas y Frameworks para la Compresión
8.8 Evaluación del Rendimiento y Métricas
8.8 Estudios de Caso: Implementación en Dispositivos
8.80 Despliegue y Monitorización de Modelos Comprimidos

  • 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.

Proyectos tipo capstones

  • Navegación autónoma: fusión de sensores; planificación de rutas optimizadas; evitación de obstáculos en MCU/NPU.
  • Detección de anomalías: diagnóstico predictivo de fallos en motores y sistemas críticos, optimizado para MCU/NPU.
  • Visión artificial: reconocimiento de objetos y seguimiento en tiempo real, aplicado a MCU/NPU.
  • Comunicación segura: cifrado y protección de datos en redes de sensores, implementado en MCU/NPU.

  • Navegación autónoma: fusión de sensores; planificación de rutas optimizadas; evitación de obstáculos en MCU/NPU.
  • Detección de anomalías: diagnóstico predictivo de fallos en motores y sistemas críticos, optimizado para MCU/NPU.
  • Visión artificial: reconocimiento de objetos y seguimiento en tiempo real, aplicado a MCU/NPU.
  • Comunicación segura: cifrado y protección de datos en redes de sensores, implementado en MCU/NPU.

  • Sistema detección fallas: MCU/NPU, análisis predictivo, telemetría, optimización rendimiento.

  • Análisis de Señales Navales en MCU/NPU: Detección y clasificación de patrones acústicos submarinos.

  • Análisis UAV: optimización de rutas y autonomía, procesamiento de datos en MCU/NPU.
  • Sistema de navegación inercial: implementación, calibración y filtrado en MCU/NPU.
  • Detección de objetos: desarrollo de modelos, inferencia y optimización para MCU/NPU.
  • Control de vuelo autónomo: diseño y simulación de controladores en MCU/NPU.

Admisiones, tasas y becas

  • Documentación: CV actualizado, expediente académico, SOP/ensayo de propósito, ejemplos de proyectos o código (opcional).
  • Proceso: solicitud → evaluación técnica de perfil y experiencia → entrevista técnica → revisión de casos prácticos → decisión final → matrícula.
  • Tasas:
  • Pago único: 10% de descuento.
  • Becas: por mérito académico, situación económica y fomento de la inclusión; convenios con empresas del sector para becas parciales o totales.

Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM

¿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.
Ver todas las reseñas