Admisión abierta 2026-2027Rellenar solicitud

Máster en Ingeniería de Edge AI & TinyML

Máster online de 1900 h: 12 módulos y 120 submódulos, de «Panorama de la IA en el borde» a «Trabajo Fin de Máster», pasando por «Visión embebida».

Mapa del programa · pulsa un módulo
Módulo 1 · Panorama de la IA 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.

Panorama de la IA en el borde

Saldrás manejando motivaciones: latencia, privacidad y energía, espectro desde la nube hasta el microcontrolador y casos de uso de TinyML. Es lo que se trabaja en «Panorama de la IA en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Redes neuronales eficientes

Saldrás manejando coste de operaciones MAC y parámetros, convoluciones separables en profundidad y mobileNet, EfficientNet y MCUNet. Es lo que se trabaja en «Redes neuronales eficientes», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Frameworks y compiladores

Saldrás manejando tensorFlow Lite y LiteRT para microcontroladores, execuTorch de PyTorch y ONNX Runtime para dispositivos. Es lo que se trabaja en «Frameworks y compiladores», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Visión embebida

Saldrás manejando sensores de imagen de bajo consumo, clasificación de imágenes en MCU y detección de objetos ligera. Es lo que se trabaja en «Visión embebida», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aprendizaje en el dispositivo

Saldrás manejando ajuste fino en microcontroladores, aprendizaje continuo y olvido catastrófico y aprendizaje con pocos ejemplos. Es lo que se trabaja en «Aprendizaje en el dispositivo», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Seguridad, regulación y producto

Saldrás manejando seguridad del arranque y del firmware, protección de la propiedad intelectual del modelo y ataques físicos y de canal lateral. Es lo que se trabaja en «Seguridad, regulación y producto», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Seleccionar hardware embebido adecuado para cargas de IA.
  • 02Diseñar redes neuronales eficientes para microcontroladores.
  • 03Comprimir modelos mediante cuantificación, poda y destilación.
  • 04Desplegar modelos con frameworks y compiladores para el borde.
  • 05Desarrollar aplicaciones de visión, audio y sensores en dispositivo.
  • 06Implementar ciclos MLOps y actualizaciones OTA de modelos.
  • 07Asegurar la conformidad regulatoria de productos con 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

Panorama de la IA en el borde

1.1Motivaciones: latencia, privacidad y energía
1.2Espectro desde la nube hasta el microcontrolador
1.3Casos de uso de TinyML
1.4Restricciones de memoria flash y RAM
1.5Ecosistema de hardware y software
1.6Benchmark MLPerf Tiny
1.7Economía de dispositivos inteligentes
1.8Sostenibilidad y huella de la IA en el borde
1.9Retos abiertos de investigación
1.10Caso práctico: análisis de viabilidad de un producto TinyML
Módulo 2 de 12 · 10 submódulos

Microcontroladores y sistemas embebidos

2.1Arquitectura ARM Cortex-M
2.2Extensiones DSP y Helium
2.3Arquitectura RISC-V y extensiones vectoriales
2.4Mapas de memoria y enlazado
2.5Periféricos: ADC, I2S, SPI e I2C
2.6Sistemas operativos FreeRTOS y Zephyr
2.7Gestión de energía y modos de sueño
2.8Herramientas de depuración JTAG y SWD
2.9Medida de consumo en placa
2.10Laboratorio: adquisición de audio por I2S en Zephyr
Módulo 3 de 12 · 10 submódulos

Redes neuronales eficientes

3.1Coste de operaciones MAC y parámetros
3.2Convoluciones separables en profundidad
3.3MobileNet, EfficientNet y MCUNet
3.4Redes para audio: DS-CNN
3.5Redes recurrentes ligeras
3.6Atención eficiente para el borde
3.7Búsqueda de arquitecturas con restricciones de hardware
3.8Redes binarias y ternarias
3.9Redes de impulsos neuromórficas
3.10Práctica: diseño de una DS-CNN para palabras clave
Módulo 4 de 12 · 10 submódulos

Compresión de modelos

4.1Cuantificación entera de 8 bits
4.2Cuantificación por canal y simétrica
4.3Cuantificación de menos de 8 bits
4.4Entrenamiento consciente de cuantificación
4.5Poda por magnitud y estructurada
4.6Destilación de profesor a alumno
4.7Factorización de bajo rango
4.8Agrupamiento de pesos
4.9Medición del impacto en precisión
4.10Laboratorio: compresión de un clasificador de imágenes
Módulo 5 de 12 · 10 submódulos

Frameworks y compiladores

5.1TensorFlow Lite y LiteRT para microcontroladores
5.2ExecuTorch de PyTorch
5.3ONNX Runtime para dispositivos
5.4Apache TVM y microTVM
5.5STM32Cube.AI y herramientas de fabricantes
5.6Kernels optimizados CMSIS-NN
5.7Planificación de memoria de tensores
5.8Generación de código C
5.9Comparativa de rendimiento
5.10Práctica: misma red con TFLite Micro y microTVM
Módulo 6 de 12 · 10 submódulos

Aceleradores y hardware específico

6.1NPU integradas en microcontroladores
6.2Arquitectura de la NPU Arm Ethos-U
6.3Coral Edge TPU
6.4Módulos NVIDIA Jetson para el borde
6.5Inferencia en FPGA con hls4ml
6.6Computación en memoria
6.7Procesadores neuromórficos y computación por impulsos
6.8Cosimulación hardware-software de aceleradores
6.9Selección de acelerador
6.10Caso práctico: migración de un modelo a Ethos-U
Módulo 7 de 12 · 10 submódulos

Visión embebida

7.1Sensores de imagen de bajo consumo
7.2Clasificación de imágenes en MCU
7.3Detección de objetos ligera
7.4Detección de personas y presencia
7.5Segmentación en el borde
7.6Preprocesado de imagen eficiente
7.7Cámaras inteligentes con NPU
7.8Privacidad visual en el dispositivo
7.9Evaluación en condiciones reales
7.10Taller: detector de personas en una placa con cámara
Módulo 8 de 12 · 10 submódulos

Audio y sensores en el borde

8.1Detección de palabras clave
8.2Clasificación de eventos acústicos
8.3Espectrogramas mel en tiempo real
8.4Reconocimiento de gestos con IMU
8.5Monitorización de vibraciones
8.6Fusión de sensores en el dispositivo
8.7Detección de anomalías embebida
8.8Sensores con IA integrada
8.9Siempre activo y bajo consumo
8.10Laboratorio: reconocimiento de gestos con acelerómetro
Módulo 9 de 12 · 10 submódulos

Aprendizaje en el dispositivo

9.1Ajuste fino en microcontroladores
9.2Aprendizaje continuo y olvido catastrófico
9.3Aprendizaje con pocos ejemplos
9.4Personalización en el usuario
9.5Aprendizaje federado con dispositivos
9.6Restricciones de memoria para entrenamiento
9.7Técnicas de retropropagación dispersa
9.8Evaluación en campo
9.9Privacidad diferencial en el borde
9.10Práctica: personalización de un modelo de gestos
Módulo 10 de 12 · 10 submódulos

MLOps para TinyML

10.1Ciclo de vida de modelos embebidos
10.2Recolección y etiquetado de datos de campo
10.3Plataformas de desarrollo como Edge Impulse
10.4Integración continua con pruebas en hardware
10.5Actualizaciones de firmware OTA
10.6Gestión de flotas de dispositivos
10.7Monitorización del rendimiento en campo
10.8Versionado de modelos y firmware
10.9Trazabilidad de versiones desplegadas
10.10Taller: pipeline de actualización OTA de modelos
Módulo 11 de 12 · 10 submódulos

Seguridad, regulación y producto

11.1Seguridad del arranque y del firmware
11.2Protección de la propiedad intelectual del modelo
11.3Ataques físicos y de canal lateral
11.4Ciberseguridad de dispositivos según ETSI EN 303 645
11.5Reglamento de Ciberresiliencia
11.6Ley de IA y dispositivos con IA
11.7Directiva de equipos radioeléctricos
11.8Ecodiseño y consumo energético
11.9Certificación y marcado CE
11.10Caso práctico: expediente de conformidad de un dispositivo TinyML
Módulo 12 de 12 · 10 submódulos

Trabajo Fin de Máster

12.1Definición del producto o caso de uso
12.2Selección de hardware y sensores
12.3Recogida de datos
12.4Diseño y entrenamiento del modelo
12.5Compresión y compilación
12.6Integración en firmware
12.7Medidas de latencia, memoria y energía
12.8Conclusiones y hoja de ruta del producto
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.

Retos abiertos de investigación
Módulo 1 · Panorama de la IA en el borde
Atención eficiente para el borde
Módulo 3 · Redes neuronales eficientes
ONNX Runtime para dispositivos
Módulo 5 · Frameworks y compiladores
Taller: detector de personas en una placa con cámara
Módulo 7 · Visión embebida
Técnicas de retropropagación dispersa
Módulo 9 · Aprendizaje en el dispositivo

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ETSI EN 303 645Reglamento (UE) 2024/2847 (Ciberresiliencia)Reglamento (UE) 2024/1689 (Ley de IA)Directiva 2014/53/UE (equipos radioeléctricos)IEC 62443-4-2Reglamento (UE) 2024/1781 (ecodiseño)IEC 62368-1

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

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

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.

Ingeniero de TinyML
Ingeniero de IA embebida
Desarrollador de firmware
Ingeniero de visión embebida
Arquitecto de dispositivos IoT
Ingeniero de optimización de modelos

Para quién es

Ingeniero de TinyML
Ingeniero de IA embebida
Desarrollador de firmware
Ingeniero de visión embebida
Arquitecto de dispositivos IoT
Ingeniero de optimización de modelos
Titulados en ingeniería o ciencias que busquen entrar en electrónica de consumo

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno · 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 20-11-2026.

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 Data, IA, Simulación & Analytics?
¿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 Micro, Edge Impulse, STM32Cube.AI, Apache TVM, Zephyr RTOS, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de reconocimiento de palabras clave en microcontroladores, detección de personas con cámaras de bajo consumo, reconocimiento de gestos con sensores inerciales. La evaluación es continua por módulo más el TFM final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Panorama de la IA en el borde» y cierra con «Trabajo Fin de Máster».

Se trabajan ETSI EN 303 645, Reglamento (UE) 2024/2847 (Ciberresiliencia), Reglamento (UE) 2024/1689 (Ley de IA), Directiva 2014/53/UE (equipos radioeléctricos), IEC 62443-4-2 y Reglamento (UE) 2024/1781 (ecodiseño).

Los perfiles más directos son Ingeniero de TinyML, Ingeniero de IA embebida, Desarrollador de firmware, Ingeniero de visión embebida y Arquitecto de dispositivos IoT.

En un pago son 5.544 €, sobre una tarifa de 6.930 €. A plazos, una entrada de 2.766 € y 12 cuotas de 347 €, 6.930 € 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 Micro, Edge Impulse, STM32Cube.AI, Apache TVM, Zephyr RTOS. 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.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 20 de diciembre de 20265.544 € Matricularme
Contactar con Seium
Pago al contado5.544 €ahorras 1.386 €
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.