se centra en el diseño y gestión avanzada de data lakes, feature stores, catalogación y calidad de datos para sostenibilidad operativa en entornos industriales aeronáuticos. Este enfoque integra metodologías robustas de ETL, procesamiento distribuido con Spark y gobernanza de datos alineada con prácticas de CI/CD y MLOps, en plataformas escalables que soportan análisis en tiempo real y batch. La convergencia de tecnologías Big Data y aprendizaje automático aplicado permite optimizar mantenimiento predictivo y mejora continua en la cadena de valor aeronáutica, respaldado por arquitecturas orientadas a microservicios y contenedores basados en Kubernetes y orquestadores cloud.
Los laboratorios especializados en HIL y SIL junto con sistemas de adquisición de datos de alta frecuencia, aseguran rigurosidad en la monitorización y trazabilidad de calidad, cumpliendo con la normativa aplicable internacional para la industria aeroespacial y estándares de ciberseguridad. Esta capacitación sustenta roles profesionales como Data Engineer, MLOps Engineer, Data Scientist, Cloud Architect y Quality Assurance Specialist, orientados a entornos críticos de aviación, defesa y vehículos eléctricos de última generación.
4.700 €
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.
3. Ingeniería de Datos Industrial & MLOps: Data Lakes, Feature Stores, Catalogación y Calidad de Datos
Requisitos recomendados: Conocimientos básicos de programación (Python), estadística y conceptos de Machine Learning. Se valora experiencia con herramientas de big data y cloud computing.
1.1 Data Lakes para la Ingeniería Naval: conceptos, arquitecturas, almacenamiento masivo y gobernanza de datos
1.2 Ingesta de datos marítimos: sensores de buques, plataformas offshore, AIS, radar y SCADA
1.3 Feature Stores para mantenimiento predictivo y analítica de sensores de navegación
1.4 Catalogación y linaje de datos: metadatos, catálogo central y trazabilidad en entornos navales
1.5 Calidad de datos en Data Lakes: definición de calidad, validación, limpieza y perfiles
1.6 Monitoreo de calidad de datos y data profiling en tiempo real en entornos marinos
1.7 MLOps para la ingeniería de datos industrial naval: pipelines, pruebas, validación y despliegue
1.8 Seguridad, cumplimiento y control de acceso en plataformas de datos navales
1.9 Gobernanza de datos y estándares: políticas, roles, auditoría e interoperabilidad
1.10 Caso práctico: go/no-go con matriz de riesgo para un programa de modernización de datos navales
2.1 Data Lakes: Arquitectura, almacenamiento y patrones (data lake, lakehouse, capas, formatos y gobernanza)
2.2 Ingesta de datos y pipelines: batch y streaming, integración de fuentes industriales, orquestación
2.3 Catalogación y metadata: Data catalog, linaje, taxonomía y descubrimiento de datos
2.4 Calidad de datos y validación: profiling, reglas de calidad, limpieza, monitoreo y dashboards
2.5 Gobernanza, seguridad y cumplimiento: políticas de datos, control de acceso, masking y cumplimiento normativo
2.6 Feature Stores: diseño, versionado, almacenamiento y consumo de features para ML
2.7 MLOps: ciclo de vida de ML, experimentación, reproducibilidad y CI/CD para modelos
2.8 Linaje de datos y trazabilidad: auditoría de transformaciones y origen de datos a través de pipelines
2.9 Seguridad, privacidad y cumplimiento operativo: protección de datos, PII, cifrado, auditoría
2.10 Caso práctico: go/no-go con matriz de riesgos para proyecto de datos industriales
3.1 Panorama de la Ingeniería de Datos Industrial: alcance, roles y retos en el sector naval
3.2 Data Lakes para la Ingeniería de Datos Industrial: arquitectura, almacenamiento y gobernanza
3.3 Data Lakes vs Data Warehouses en entornos industriales: cuándo usar cada uno
3.4 Catalogación y metadatos: Data Catalog, linaje y gobernanza de datos
3.5 Calidad de datos: perfiles, validación, limpieza y trazabilidad
3.6 Feature Stores para modelos ML industriales: almacenamiento y versionado de características
3.7 Pipelines de datos y orquestación: ETL/ELT, orquestadores y buenas prácticas
3.8 MLOps en Ingeniería de Datos Industrial: CI/CD para modelos, monitoreo y gestión del ciclo de vida
3.9 Seguridad, cumplimiento y privacidad en datos industriales: roles, acceso y auditoría
3.10 Caso práctico: diseño de una pila de datos para mantenimiento predictivo en buques y operaciones navales
4.1 Data Lakes: fundamentos, arquitectura y capas – definición de Data Lakes, diferencias con Data Warehouses, capas (raw, curated, enriched), principios de indexing, particionado y acceso rápido; visión general de herramientas y flujos de trabajo.
4.2 Data Lakes en Ingeniería de Datos Industrial: integración de datos OT/IT, sensores, maquinaria, MES/SCADA; patrones de ingestión, gobernanza y seguridad en entornos industriales; casos de uso típicos.
4.3 Ingesta de Datos y pipelines: estrategias ETL vs ELT, ingesta batch y en tiempo real, conectores y adaptadores, orquestación (Airflow, Prefect) y monitoreo de pipelines.
4.4 Catalogación y Metadata: data catalog, linaje de datos, metadatos técnicos y de negocio, descubrimiento de datos, gobernanza y roles (data steward, data owner).
4.5 Calidad de Datos en Data Lakes: perfiles de datos, reglas de calidad, validaciones y pruebas automatizadas, monitoreo continuo y reporting de calidad.
4.6 Feature Stores: definición y propósito, almacenamiento de características, versionado y reproducibilidad, consumo por modelos, consistencia online/offline y latencia.
4.7 Gobierno de Datos y Seguridad: control de acceso (RBAC/ABAC), clasificación de datos, cifrado, masking, auditoría, cumplimiento normativo y políticas de retención.
4.8 MLOps y DataOps en Data Lakes: integración del ciclo de vida de ML, detección de drift de datos y de características, pruebas de datos, pipelines de despliegue de features y ML.
4.9 Data Lakehouse y Arquitecturas Modernas: convergencia de lago de datos y almacén de datos, tecnologías como Delta Lake/Apache Iceberg, gobernanza unificada y optimización de rendimiento.
4.10 Casos Prácticos: Case Clinic: go/no-go con matriz de riesgo, análisis de viabilidad de pipelines, evaluación de costos y beneficios, entregables y plan de implementación.
5. 1 Introducción a la Ingeniería de Datos Industrial: Panorama General y Tendencias
5. 2 Data Lakes: Arquitectura, Diseño y Implementación
5. 3 Feature Stores: Diseño, Implementación y Casos de Uso
5. 4 Integración de Data Lakes y Feature Stores: Flujos de Datos y Pipelines
5. 5 Almacenamiento y Gestión de Datos en Escala: Consideraciones Industriales
5. 6 Herramientas y Tecnologías Clave para Data Lakes y Feature Stores
5. 7 Casos de Estudio: Aplicaciones Industriales de Data Lakes y Feature Stores
5. 8 Diseño de una Arquitectura de Datos Escalable y Eficiente
5. 9 Buenas Prácticas y Optimización en Data Lakes y Feature Stores
5. 10 Futuro de los Data Lakes y Feature Stores en la Industria
6.1 Introducción a la Ingeniería de Datos Industrial: Fundamentos y Panorama
6.2 Data Lakes: Diseño, Implementación y Gobernanza
6.3 Feature Stores: Conceptos, Diseño y Arquitectura
6.4 ETL/ELT: Transformación de Datos para la Industria
6.5 Almacenamiento y Gestión de Datos a Escala
6.6 Herramientas y Tecnologías Clave: Apache Spark, Hadoop, etc.
6.7 Casos de Uso Industrial: Ejemplos y Aplicaciones Prácticas
6.8 Diseño de Data Pipelines: Escalabilidad y Eficiencia
6.9 Calidad de Datos: Validación y Limpieza
6.10 Métricas y Monitoreo: Seguimiento del Rendimiento
7.1 Introducción a Data Lakes: Conceptos y Arquitectura
7.2 Diseño y Implementación de Data Lakes: Plataformas y Tecnologías
7.3 Feature Stores: Diseño y Funcionamiento
7.4 Integración de Data Lakes y Feature Stores
7.5 Almacenamiento y Gestión de Datos: Estrategias y Herramientas
7.6 Gobernanza y Seguridad en Data Lakes y Feature Stores
7.7 Optimización del Rendimiento y Escalabilidad
7.8 Casos de Uso: Aplicaciones Industriales de Data Lakes y Feature Stores
7.9 Extracción, Transformación y Carga (ETL) para Data Lakes
7.10 Herramientas y Tecnologías de Vanguardia
8.1 Introducción a la Ingeniería de Datos Industrial.
8.2 El Concepto de Data Lakes: Arquitectura y Diseño.
8.3 Implementación de Feature Stores: Almacenamiento y Gestión.
8.4 Fundamentos de la Calidad de Datos: Validación y Limpieza.
8.5 Catalogación de Datos: Descubrimiento y Gobernanza.
8.6 Introducción a MLOps: Pipelines de Datos y Automatización.
8.7 Caso de Estudio: Data Lakes y Feature Stores en la Industria.
8.8 Herramientas y Tecnologías Clave para Data Lakes y Feature Stores.
8.9 Buenas Prácticas y Consideraciones de Diseño.
8.10 Futuro de la Ingeniería de Datos Industrial.
9.1 Fundamentos de Data Lakes: Conceptos y Arquitectura
9.2 Diseño e Implementación de Data Lakes: Consideraciones Clave
9.3 Almacenamiento y Formatos de Datos en Data Lakes
9.4 Introducción a Feature Stores: Conceptos y Beneficios
9.5 Diseño de Feature Stores: Estrategias y Patrones
9.6 Integración de Data Lakes y Feature Stores: Flujos de Datos
9.7 Escalabilidad y Rendimiento en Data Lakes y Feature Stores
9.8 Herramientas y Tecnologías para Data Lakes y Feature Stores
9.9 Casos de Uso en la Ingeniería de Datos Industrial
9.10 Consideraciones de Seguridad y Gobernanza en Data Lakes y Feature Stores
10.1 Introducción a Data Lakes: Almacenamiento escalable y flexible de datos.
10.2 Arquitectura de Data Lakes: Diseño y componentes clave.
10.3 Implementación de Data Lakes: Herramientas y tecnologías (Hadoop, Spark, etc.).
10.4 Feature Stores: Conceptos y beneficios.
10.5 Diseño de Feature Stores: Almacenamiento y gestión de características.
10.6 Implementación de Feature Stores: Herramientas y frameworks.
10.7 Integración Data Lake – Feature Store: Flujos de datos y pipelines.
10.8 Casos de uso: Aplicaciones industriales de Data Lakes y Feature Stores.
10.9 Consideraciones de rendimiento: Optimización y escalabilidad.
10.10 Desafíos y mejores prácticas: Gestión de datos en la industria.
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.
Director Académico del Departamento PTW — Motorcycle & Two-Wheel Engineering
Profesor de Ingeniería de Motocicletas, Dinámica de Vehículos de Dos Ruedas, Chasis, Suspensiones y Sistemas de Propulsión
El Prof. Hiroshi Nakamura, de nacionalidad japonesa, es Director Académico del Dpto. de Motorcycle & Two-Wheel Engineering — PTW de SEIUM y responsable de ingeniería de motocicletas, dinámica, chasis, suspensiones, propulsión térmica y eléctrica, telemetría y validación experimental.
Director Académico del SAS — SEIUM Aero & Space Institute
Profesor de Ingeniería Aeroespacial, Helicópteros, Tiltrotor, eVTOL, Aviónica y Sistemas de Vuelo
El Dr. James Whitmore, de nacionalidad británica, es Director Académico del SAS — SEIUM Aero & Space Institute y responsable de ingeniería aeroespacial, diseño de aeronaves, helicópteros, eVTOL, movilidad aérea, aviónica, control de vuelo, sistemas espaciales y certificación.
Director Académico del Departamento EMH — Electromobility, Batteries & Hydrogen
Profesor de Electromovilidad, Ingeniería de Baterías, Sistemas BMS, Electrónica de Potencia e Hidrógeno Aplicado a la Movilidad
El Dr. Markus Schneider, de nacionalidad alemana, es Director Académico del Dpto. de Electromobility, Batteries & Hydrogen — EMH de SEIUM y responsable de electromovilidad, baterías, BMS, electrónica de potencia, infraestructura de recarga e hidrógeno aplicado al transporte.
Director Académico del SEIUM MotorSport Institute — SMI
Profesor de Ingeniería Motorsport, Dinámica Vehicular, Aerodinámica de Competición y Race Performance Engineering
El Dr. Alessandro Moretti, de nacionalidad italiana, es Director Académico del SEIUM MotorSport Institute — SMI y responsable de ingeniería motorsport, dinámica vehicular, aerodinámica de competición, chasis, suspensiones, telemetría y optimización del rendimiento en pista.
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.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).
Testimonios de clientes que avalan nuestra calificación