Admisión abierta 2026-2027Rellenar solicitud

Curso de Machine Learning aplicado a física nuclear

Curso online de 300 h: 6 módulos y 60 submódulos, de «Datos en física nuclear» a «Proyecto de ML en física nuclear», pasando por «Aprendizaje profundo en experimentos».

Mapa del programa · pulsa un módulo
Módulo 1 · Datos en física nuclear
300 hDuración total
6Módulos
60Submódulos
OnlineModalidad

Competencias y resultados

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

Datos en física nuclear

Saldrás manejando física nuclear experimental y sus datos, bases de datos: ENSDF, EXFOR y AME y masas nucleares y energías de enlace. Es lo que se trabaja en «Datos en física nuclear», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aprendizaje supervisado

Saldrás manejando regresión lineal y regularización, árboles y gradient boosting y máquinas de vectores soporte. Es lo que se trabaja en «Aprendizaje supervisado», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Métodos bayesianos e incertidumbre

Saldrás manejando inferencia bayesiana y MCMC, procesos gaussianos y redes neuronales bayesianas. Es lo que se trabaja en «Métodos bayesianos e incertidumbre», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aprendizaje profundo en experimentos

Saldrás manejando redes convolucionales para imágenes de detectores, identificación de partículas y reconstrucción de trayectorias en TPC. Es lo que se trabaja en «Aprendizaje profundo en experimentos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Teoría nuclear y ML

Saldrás manejando redes neuronales como funciones de onda, monte Carlo variacional con redes y interacciones nucleares quirales y emuladores. Es lo que se trabaja en «Teoría nuclear y ML», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Proyecto de ML en física nuclear

Saldrás manejando definición del problema físico, obtención y limpieza de datos y selección de modelos. Es lo que se trabaja en «Proyecto de ML en física nuclear», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Describir las fuentes y formatos de datos de la física nuclear experimental y teórica.
  • 02Aplicar algoritmos de aprendizaje supervisado a problemas de regresión y clasificación nuclear.
  • 03Cuantificar incertidumbres mediante métodos bayesianos.
  • 04Utilizar redes neuronales profundas para el análisis de señales de detectores.
  • 05Emplear emuladores de aprendizaje automático para modelos teóricos nucleares.
  • 06Evaluar la robustez y la reproducibilidad de los modelos entrenados.
  • 07Desarrollar un proyecto de aprendizaje automático sobre datos de física nuclear.

Plan de estudios

6 módulos, 60 submódulos, 300 h. Elige un módulo y ves su contenido completo.

1 de 6 módulos abiertos
Módulo 1 de 6 · 10 submódulos

Datos en física nuclear

1.1Física nuclear experimental y sus datos
1.2Bases de datos: ENSDF, EXFOR y AME
1.3Masas nucleares y energías de enlace
1.4Secciones eficaces y evaluaciones
1.5Datos de detectores y eventos
1.6Python científico: NumPy, pandas y SciPy
1.7Visualización de datos nucleares
1.8Estadística y propagación de incertidumbres
1.9Aprendizaje automático: panorama
1.10Práctica: exploración de la tabla de masas AME2020
Módulo 2 de 6 · 10 submódulos

Aprendizaje supervisado

2.1Regresión lineal y regularización
2.2Árboles y gradient boosting
2.3Máquinas de vectores soporte
2.4Redes neuronales multicapa
2.5Predicción de masas nucleares con ML
2.6Predicción de vidas medias beta
2.7Radios de carga y observables nucleares
2.8Validación cruzada y sobreajuste
2.9Extrapolación hacia la línea de goteo
2.10Laboratorio: red neuronal para residuos de masa
Módulo 3 de 6 · 10 submódulos

Métodos bayesianos e incertidumbre

3.1Inferencia bayesiana y MCMC
3.2Procesos gaussianos
3.3Redes neuronales bayesianas
3.4Calibración de modelos de densidad funcional
3.5Mezcla bayesiana de modelos
3.6Emuladores de modelos costosos
3.7Cuantificación de incertidumbre en predicciones
3.8Diseño experimental óptimo
3.9Evaluación de datos nucleares con ML
3.10Laboratorio: emulador con procesos gaussianos
Módulo 4 de 6 · 10 submódulos

Aprendizaje profundo en experimentos

4.1Redes convolucionales para imágenes de detectores
4.2Identificación de partículas
4.3Reconstrucción de trayectorias en TPC
4.4Redes de grafos para eventos
4.5Discriminación de forma de pulso
4.6Detección de anomalías en datos de aceleradores
4.7Control de aceleradores con aprendizaje por refuerzo
4.8Experiencias en FRIB, GSI y CERN
4.9Aceleración por GPU
4.10Práctica: clasificación de pulsos en un detector de centelleo
Módulo 5 de 6 · 10 submódulos

Teoría nuclear y ML

5.1Redes neuronales como funciones de onda
5.2Monte Carlo variacional con redes
5.3Interacciones nucleares quirales y emuladores
5.4Reducción de base y emulación
5.5Física de reactores y ML
5.6ML en datos de reacciones nucleares
5.7Interpretabilidad y descubrimiento científico
5.8ML informado por la física
5.9Reproducibilidad y código abierto
5.10Caso práctico: emulación de un cálculo de capa
Módulo 6 de 6 · 10 submódulos

Proyecto de ML en física nuclear

6.1Definición del problema físico
6.2Obtención y limpieza de datos
6.3Selección de modelos
6.4Entrenamiento y ajuste
6.5Cuantificación de incertidumbre
6.6Interpretación física de resultados
6.7Comparación con modelos teóricos
6.8Síntesis de resultados
6.9Memoria y presentación
6.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 300 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 300 horas · 3 a 5 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.

Visualización de datos nucleares
Módulo 1 · Datos en física nuclear
Redes neuronales multicapa
Módulo 2 · Aprendizaje supervisado
Inferencia bayesiana y MCMC
Módulo 3 · Métodos bayesianos e incertidumbre
Experiencias en FRIB, GSI y CERN
Módulo 4 · Aprendizaje profundo en experimentos
Física de reactores y ML
Módulo 5 · Teoría nuclear y ML

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO/IEC 23053 (marco para sistemas de IA basados en aprendizaje automático)ISO/IEC 22989 (conceptos y terminología de IA)JCGM 100 (Guía para la expresión de la incertidumbre de medida, GUM)JCGM 101 (propagación de distribuciones por Monte Carlo)Formato ENDF-6 (datos nucleares evaluados)ISO/IEC 23894 (gestión de riesgos en IA)

Cuerpo docente y expertos

Directores académicos de los institutos de SEIUM. El detalle de cada instituto está en la página de institutos.

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.
Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation 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.

Investigador en física nuclear computacional
Científico de datos científicos
Ingeniero de aprendizaje automático
Analista de datos de detectores
Evaluador de datos nucleares
Desarrollador de software científico

Para quién es

Investigador en física nuclear computacional
Científico de datos científicos
Ingeniero de aprendizaje automático
Analista de datos de detectores
Evaluador de datos nucleares
Desarrollador de software científico
Titulados en ingeniería o ciencias que busquen entrar en grandes instalaciones científicas

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Machine learning con datos de flotas: de la telemetría al mantenimiento predictivo · Del modelo físico al modelo híbrido físicamente guiado por datos.

Áreas cercanas: todas las de Ingeniería Nuclear & Tecnologías del Ciclo Nuclear · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Electromovilidad, Baterías & Hidrógeno (Movilidad) · Energía & Redes · Motocicletas & 2 Ruedas · 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 Ingeniería Nuclear & Tecnologías del Ciclo Nuclear?
¿Puedes mantener un ritmo de estudio constante durante 300 horas · 3 a 5 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·No se exige titulación previa.
  • ·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 ROOT (CERN), PyTorch, scikit-learn, PyMC, Jupyter, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de análisis de datos de experimentos de física nuclear, ajuste bayesiano de modelos teóricos, clasificación de sucesos en detectores. 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 6 módulos con 60 submódulos y 300 h de trabajo total. Abre por «Datos en física nuclear» y cierra con «Proyecto de ML en física nuclear».

Se trabajan ISO/IEC 23053 (marco para sistemas de IA basados en aprendizaje automático), ISO/IEC 22989 (conceptos y terminología de IA), JCGM 100 (Guía para la expresión de la incertidumbre de medida, GUM), JCGM 101 (propagación de distribuciones por Monte Carlo), Formato ENDF-6 (datos nucleares evaluados) y ISO/IEC 23894 (gestión de riesgos en IA).

Los perfiles más directos son Investigador en física nuclear computacional, Científico de datos científicos, Ingeniero de aprendizaje automático, Analista de datos de detectores y Evaluador de datos nucleares.

En un pago son 596 €, sobre una tarifa de 745 €. A plazos, una entrada de 298 € y 3 cuotas de 149 €, 745 € en total, sin intereses: lo mismo que la tarifa.

No se exige titulación previa, 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 300 horas totales repartidas en 3 a 5 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con ROOT (CERN), PyTorch, scikit-learn, PyMC, Jupyter. 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: 21 de diciembre de 2026596 € Matricularme
Contactar con Seium
Pago al contado596 €ahorras 149 €
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.