Máster online de 1900 h: 12 módulos y 120 submódulos, de «Inteligencia artificial en el borde» a «Trabajo Fin de Máster», pasando por «Despliegue en aceleradores embebidos».
Mapa del programa · pulsa un módulo
Módulo 1 · Inteligencia artificial en el borde
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Inteligencia artificial en el borde
Saldrás manejando computación en la nube, niebla y borde, ventajas en latencia, privacidad y coste y tinyML y aprendizaje en microcontroladores. Es lo que se trabaja en «Inteligencia artificial en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Hardware para inferencia en el borde
Saldrás manejando microcontroladores Cortex-M con Helium, unidades de procesamiento neuronal integradas y GPU embebidas de la familia Jetson. Es lo que se trabaja en «Hardware para inferencia en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Compresión y optimización de modelos
Saldrás manejando cuantización posterior al entrenamiento, entrenamiento consciente de la cuantización y poda estructurada y no estructurada. Es lo que se trabaja en «Compresión y optimización de modelos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Despliegue en aceleradores embebidos
Saldrás manejando optimización con NVIDIA TensorRT, ejecución con ONNX Runtime y compilación con Apache TVM. Es lo que se trabaja en «Despliegue en aceleradores embebidos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
MLOps para flotas de dispositivos
Saldrás manejando ciclo de vida del modelo en el borde, versionado de datos y modelos y actualización remota de modelos. Es lo que se trabaja en «MLOps para flotas de dispositivos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Evaluación y validación de sistemas
Saldrás manejando métricas de precisión en producción, medida de latencia extremo a extremo y perfilado energético del sistema. Es lo que se trabaja en «Evaluación y validación de sistemas», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Seleccionar plataformas hardware para inferencia en el borde.
02Diseñar modelos eficientes adaptados a recursos limitados.
03Aplicar cuantización, poda y destilación de modelos.
04Desplegar modelos en microcontroladores, NPU y GPU embebidas.
05Evaluar latencia, consumo y precisión de sistemas Edge AI.
06Implantar ciclos MLOps para flotas de dispositivos.
07Aplicar requisitos regulatorios, éticos y de seguridad a la IA embebida.
Plan de estudios
12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.
1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos
Inteligencia artificial en el borde
1.1Computación en la nube, niebla y borde
1.2Ventajas en latencia, privacidad y coste
1.3TinyML y aprendizaje en microcontroladores
1.4Casos de uso industriales y de consumo
1.5Ecosistema de hardware para inferencia
1.6Ecosistema de frameworks y compiladores
1.7Limitaciones de memoria y energía
1.8Mercado y tendencias de Edge AI
1.9Arquitecturas híbridas borde-nube
1.10Caso práctico: análisis de un producto con IA embebida
Módulo 2 de 12 · 10 submódulos
Aprendizaje profundo para sistemas embebidos
2.1Redes neuronales y retropropagación
2.2Redes convolucionales para visión
2.3Redes recurrentes y temporales
2.4Transformers y modelos de atención
2.5Entrenamiento con PyTorch y TensorFlow
2.6Conjuntos de datos y etiquetado
2.7Aumento de datos para robustez
2.8Métricas de evaluación de modelos
2.9Sobreajuste y regularización
2.10Práctica: entrenamiento de un clasificador de imágenes
Módulo 3 de 12 · 10 submódulos
Hardware para inferencia en el borde
3.1Microcontroladores Cortex-M con Helium
3.2Unidades de procesamiento neuronal integradas
3.3GPU embebidas de la familia Jetson
3.4Aceleradores Edge TPU y Hailo
3.5FPGA para inferencia de baja latencia
3.6Jerarquía de memoria y ancho de banda
3.7Consumo energético por inferencia
3.8Criterios de selección de plataforma
3.9Benchmarks MLPerf Tiny e Inference
3.10Laboratorio: comparativa de plataformas con MLPerf Tiny
Módulo 4 de 12 · 10 submódulos
Arquitecturas de modelos eficientes
4.1Convoluciones separables en profundidad
4.2Familias MobileNet y EfficientNet
4.3Búsqueda automática de arquitecturas
4.4Detección de objetos con YOLO ligero
4.5Segmentación semántica eficiente
4.6Modelos para audio y palabras clave
4.7Modelos para series temporales de sensores
4.8Transformers compactos para el borde
4.9Compromisos entre precisión y coste
4.10Taller: diseño de un modelo para detección de anomalías
Módulo 5 de 12 · 10 submódulos
Compresión y optimización de modelos
5.1Cuantización posterior al entrenamiento
5.2Entrenamiento consciente de la cuantización
5.3Poda estructurada y no estructurada
5.4Destilación de conocimiento
5.5Factorización de bajo rango
5.6Precisión mixta y formatos int4
5.7Impacto en precisión y robustez
5.8Herramientas de optimización de modelos
5.9Validación del modelo comprimido
5.10Práctica: cuantización a int8 de una red convolucional
Módulo 6 de 12 · 10 submódulos
Despliegue en microcontroladores
6.1Arquitectura de TensorFlow Lite Micro
6.2Núcleos optimizados con CMSIS-NN
6.3Presupuesto de memoria flash y RAM
6.4Integración con sensores y preprocesado
6.5Flujo completo con Edge Impulse
6.6Planificación de memoria del intérprete
6.7Depuración de diferencias numéricas
6.8Medida de consumo por inferencia
6.9Despliegue con Zephyr y FreeRTOS
6.10Laboratorio: detección de palabra clave en microcontrolador
Módulo 7 de 12 · 10 submódulos
Despliegue en aceleradores embebidos
7.1Optimización con NVIDIA TensorRT
7.2Ejecución con ONNX Runtime
7.3Compilación con Apache TVM
7.4Fusión de capas y kernels
7.5Procesamiento por lotes y streaming
7.6Ejecución concurrente de varios modelos
7.7Canalizaciones de vídeo con DeepStream
7.8Medida de rendimiento y latencia
7.9Integración en contenedores
7.10Práctica: detector de objetos con TensorRT en Jetson
Módulo 8 de 12 · 10 submódulos
Aplicaciones de visión y sensores
8.1Cámaras embebidas y preprocesado de imagen
8.2Detección y seguimiento de objetos
8.3Inspección visual de calidad
8.4Reconocimiento de actividad con inerciales
8.5Mantenimiento predictivo con vibraciones
8.6Fusión de sensores con IA
8.7Procesamiento de audio ambiental
8.8Privacidad por diseño en visión
8.9Casos en agricultura y salud
8.10Caso práctico: sistema de inspección visual en línea
Módulo 9 de 12 · 10 submódulos
MLOps para flotas de dispositivos
9.1Ciclo de vida del modelo en el borde
9.2Versionado de datos y modelos
9.3Actualización remota de modelos
9.4Monitorización del rendimiento en campo
9.5Detección de deriva de datos
9.6Aprendizaje federado en dispositivos
9.7Gestión de flotas heterogéneas
9.8Canalizaciones de integración y despliegue
9.9Plataformas MLOps para el borde
9.10Taller: canalización MLOps para una flota de sensores
Módulo 10 de 12 · 10 submódulos
Seguridad, regulación y ética
10.1Reglamento europeo de inteligencia artificial
10.2Clasificación de sistemas por nivel de riesgo
10.3Sistema de gestión ISO/IEC 42001
10.4Ataques adversarios y envenenamiento de datos
10.5Protección de modelos y propiedad intelectual
10.6Privacidad y protección de datos
10.7Seguridad funcional con IA
10.8Explicabilidad e interpretabilidad
10.9Sesgos y equidad en los modelos
10.10Caso práctico: evaluación de conformidad de un dispositivo
Módulo 11 de 12 · 10 submódulos
Evaluación y validación de sistemas
11.1Métricas de precisión en producción
11.2Medida de latencia extremo a extremo
11.3Perfilado energético del sistema
11.4Robustez ante ruido y condiciones adversas
11.5Pruebas en campo y validación cruzada
11.6Benchmarks y reproducibilidad
11.7Documentación de modelos y fichas técnicas
11.8Preparación para la industrialización
11.9Análisis de coste del producto
11.10Laboratorio: evaluación integral de un dispositivo Edge AI
Módulo 12 de 12 · 10 submódulos
Trabajo Fin de Máster
12.1Definición del caso de uso
12.2Adquisición y preparación de datos
12.3Diseño y entrenamiento del modelo
12.4Compresión y optimización
12.5Despliegue en la plataforma objetivo
12.6Evaluación de prestaciones
12.7Análisis regulatorio y ético
12.8Conclusiones y líneas futuras
12.9Memoria del TFM
12.10Defensa ante tribunal
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 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.
Ventajas en latencia, privacidad y coste
Módulo 1 · Inteligencia artificial en el borde
Benchmarks MLPerf Tiny e Inference
Módulo 3 · Hardware para inferencia en el borde
Precisión mixta y formatos int4
Módulo 5 · Compresión y optimización de modelos
Compilación con Apache TVM
Módulo 7 · Despliegue en aceleradores embebidos
Taller: canalización MLOps para una flota de sensores
Módulo 9 · MLOps para flotas de dispositivos
Marca los cinco conceptos y te damos tu resultado.
Normas y estándares que vas a manejar
Reglamento (UE) 2024/1689 de Inteligencia ArtificialISO/IEC 42001 Sistema de gestión de la inteligencia artificialISO/IEC 23894 Gestión del riesgo en inteligencia artificialISO/IEC 22989 Conceptos y terminología de inteligencia artificialETSI EN 303 645 Ciberseguridad para dispositivos IoT de consumoISO/PAS 8800 Seguridad de la IA en vehículos de carreteraIEC 62443-4-2 Requisitos técnicos de seguridad de componentesReglamento (UE) 2016/679 de Protección de Datos
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 1900 horas · 12 a 18 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
·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 TensorFlow Lite for Microcontrollers, ONNX Runtime, NVIDIA TensorRT, Edge Impulse, Apache TVM, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de despliegue de modelos cuantizados en microcontroladores, optimización de inferencia en aceleradores embebidos, evaluación de latencia, consumo y precisión. La evaluación es continua por módulo más el TFM final.
Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Inteligencia artificial en el borde» y cierra con «Trabajo Fin de Máster».
Se trabajan Reglamento (UE) 2024/1689 de Inteligencia Artificial, ISO/IEC 42001 Sistema de gestión de la inteligencia artificial, ISO/IEC 23894 Gestión del riesgo en inteligencia artificial, ISO/IEC 22989 Conceptos y terminología de inteligencia artificial, ETSI EN 303 645 Ciberseguridad para dispositivos IoT de consumo y ISO/PAS 8800 Seguridad de la IA en vehículos de carretera.
Los perfiles más directos son Ingeniero de Edge AI, Ingeniero de aprendizaje automático embebido, Ingeniero de MLOps, Ingeniero de visión artificial y Arquitecto de soluciones IoT.
En un pago son 3.304 €, sobre una tarifa de 4.130 €. A plazos, una entrada de 1.646 € y 12 cuotas de 207 €, 4.130 € en total, sin intereses: lo mismo que la tarifa.
Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, 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 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con TensorFlow Lite for Microcontrollers, ONNX Runtime, NVIDIA TensorRT, Edge Impulse, Apache TVM. 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 Trabajo Fin de Máster. 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 20263.304 €Matricularme
Antes de decidir
¿Qué sacarías tú de este máster?
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 máster 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 1900 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 Edge AI
Ingeniero de aprendizaje automático embebido
Ingeniero de MLOps
En electrónica de consumo, automoción y automatización industrial.
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.