Diplomado en TinyML: Cuantización, Pruning y Compilación On-Device
Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Aprendizaje automático embebido» a «Proyecto TinyML», pasando por «Compilación y despliegue».
Mapa del programa · pulsa un módulo
Módulo 1 · Aprendizaje automático embebido
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Aprendizaje automático embebido
Saldrás manejando del cloud al edge y al microcontrolador, restricciones de memoria, cómputo y energía y microcontroladores Cortex-M y RISC-V. Es lo que se trabaja en «Aprendizaje automático embebido», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Modelos eficientes
Saldrás manejando redes convolucionales ligeras, mobileNet y depthwise separable y arquitecturas para microcontroladores: MCUNet. Es lo que se trabaja en «Modelos eficientes», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Cuantización
Saldrás manejando representación en coma fija, cuantización post-entrenamiento y cuantización int8 simétrica y asimétrica. Es lo que se trabaja en «Cuantización», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Compilación y despliegue
Saldrás manejando intérpretes frente a compiladores, apache TVM y microTVM y CMSIS-NN y kernels optimizados. Es lo que se trabaja en «Compilación y despliegue», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Sistemas TinyML completos
Saldrás manejando adquisición de datos desde sensores, preprocesado en el dispositivo y gestión energética y ciclos de trabajo. Es lo que se trabaja en «Sistemas TinyML completos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Aplicaciones y ciclo de vida
Saldrás manejando mantenimiento predictivo, wearables de salud y agricultura inteligente. Es lo que se trabaja en «Aplicaciones y ciclo de vida», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Explicar las restricciones de memoria, cómputo y energía del aprendizaje automático embebido.
02Seleccionar arquitecturas de modelos eficientes para microcontroladores.
03Aplicar cuantización posentrenamiento y entrenamiento consciente de la cuantización.
04Reducir el tamaño de modelos mediante pruning, destilación y compresión.
05Compilar y desplegar modelos con TensorFlow Lite Micro, TVM y herramientas del fabricante.
06Medir el rendimiento del sistema en latencia, memoria, precisión y consumo.
07Desarrollar un sistema TinyML completo desde los datos hasta el dispositivo.
Plan de estudios
8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.
1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos
Aprendizaje automático embebido
1.1Del cloud al edge y al microcontrolador
1.2Restricciones de memoria, cómputo y energía
1.3Microcontroladores Cortex-M y RISC-V
1.4Aceleradores NPU embebidos
1.5Casos de uso: audio, visión y vibración
1.6Ciclo de desarrollo TinyML
1.7Frameworks: LiteRT Micro y Edge Impulse
1.8Métricas de latencia y consumo
1.9Benchmark MLPerf Tiny
1.10Caso práctico: palabra clave en un microcontrolador
Módulo 2 de 8 · 10 submódulos
Modelos eficientes
2.1Redes convolucionales ligeras
2.2MobileNet y depthwise separable
2.3Arquitecturas para microcontroladores: MCUNet
2.4Búsqueda de arquitecturas con restricciones
2.5Modelos para series temporales
2.6Extracción de características MFCC
2.7Destilación de conocimiento
2.8Modelos de anomalías
2.9Compromiso precisión-tamaño
2.10Práctica: entrenamiento de un modelo compacto en Keras
Módulo 3 de 8 · 10 submódulos
Cuantización
3.1Representación en coma fija
3.2Cuantización post-entrenamiento
3.3Cuantización int8 simétrica y asimétrica
3.4Cuantización por canal
3.5Entrenamiento consciente de la cuantización
3.6Cuantización a 4 bits y binaria
3.7Calibración con datos representativos
3.8Pérdida de precisión y depuración
3.9Operadores soportados
3.10Laboratorio: cuantización int8 de un modelo
Módulo 4 de 8 · 10 submódulos
Pruning y compresión
4.1Pruning no estructurado
4.2Pruning estructurado por canales
4.3Pruning por magnitud progresivo
4.4Hipótesis del billete de lotería
4.5Clustering de pesos
4.6Compresión y codificación
4.7Sparsity y aceleración real
4.8Combinación de técnicas
4.9Herramienta TensorFlow Model Optimization
4.10Práctica: pruning estructurado y medida de latencia
Módulo 5 de 8 · 10 submódulos
Compilación y despliegue
5.1Intérpretes frente a compiladores
5.2Apache TVM y microTVM
5.3CMSIS-NN y kernels optimizados
5.4Gestión de memoria y arena de tensores
5.5Fusión de operadores
5.6Herramientas STM32Cube.AI
5.7Compilación para NPU embebidas
5.8Perfilado en placa
5.9Integración con RTOS
5.10Laboratorio: despliegue en una placa Cortex-M
Módulo 6 de 8 · 10 submódulos
Sistemas TinyML completos
6.1Adquisición de datos desde sensores
6.2Preprocesado en el dispositivo
6.3Gestión energética y ciclos de trabajo
6.4Inferencia por eventos
6.5Comunicación BLE y LoRa
6.6Actualizaciones de modelos
6.7Aprendizaje en el dispositivo
6.8Seguridad básica del modelo
6.9Pruebas y validación
6.10Práctica: detector de anomalías de vibración
Módulo 7 de 8 · 10 submódulos
Aplicaciones y ciclo de vida
7.1Mantenimiento predictivo
7.2Wearables de salud
7.3Agricultura inteligente
7.4Visión de bajo consumo
7.5MLOps para el borde
7.6Monitorización de deriva
7.7Sostenibilidad y huella
7.8Certificación y normativa
7.9Costes de producto
7.10Caso práctico: producto TinyML comercial
Módulo 8 de 8 · 10 submódulos
Proyecto TinyML
8.1Definición del caso de uso
8.2Captura de datos
8.3Diseño del modelo
8.4Optimización y cuantización
8.5Compilación
8.6Despliegue en placa
8.7Medición de latencia y consumo
8.8Análisis de resultados
8.9Memoria y presentación
8.10Revisión final con el tutor
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 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.
Métricas de latencia y consumo
Módulo 1 · Aprendizaje automático embebido
Modelos para series temporales
Módulo 2 · Modelos eficientes
Cuantización post-entrenamiento
Módulo 3 · Cuantización
Herramienta TensorFlow Model Optimization
Módulo 4 · Pruning y compresión
Herramientas STM32Cube.AI
Módulo 5 · Compilación y despliegue
Marca los cinco conceptos y te damos tu resultado.
Normas y estándares que vas a manejar
Reglamento (UE) 2024/1689 (Ley de IA)Reglamento (UE) 2024/2847 (Ley de Ciberresiliencia)ISO/IEC 22989 (conceptos y terminología de IA)ISO/IEC 23053 (marco de sistemas de IA con aprendizaje automático)IEC 61508 (seguridad funcional)ETSI EN 303 645 (ciberseguridad IoT)MLPerf Tiny (benchmark de referencia)
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’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 Salud, Biomecánica, Wearables & Seguridad Operacional?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
·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, Edge Impulse, Apache TVM, STM32Cube.AI, PyTorch, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de despliegue de modelos en microcontroladores reales, medición de latencia, memoria y consumo energético, comparación de modelos cuantizados y podados. La evaluación es continua por módulo más el proyecto integrador final.
Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Aprendizaje automático embebido» y cierra con «Proyecto TinyML».
Se trabajan Reglamento (UE) 2024/1689 (Ley de IA), Reglamento (UE) 2024/2847 (Ley de Ciberresiliencia), ISO/IEC 22989 (conceptos y terminología de IA), ISO/IEC 23053 (marco de sistemas de IA con aprendizaje automático), IEC 61508 (seguridad funcional) y ETSI EN 303 645 (ciberseguridad IoT).
Los perfiles más directos son Ingeniero de TinyML, Ingeniero de sistemas embebidos, Ingeniero de aprendizaje automático en el borde, Desarrollador de firmware IoT y Ingeniero de optimización de modelos.
En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.
Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, 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 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con TensorFlow Lite for Microcontrollers, Edge Impulse, Apache TVM, STM32Cube.AI, PyTorch. 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.
Inicio de clases: 22 de diciembre de 20261.432 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
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 diplomado acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Salud, Biomecánica, Wearables & Seguridad Operacional 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 Salud, Biomecánica, Wearables & Seguridad Operacional y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 800 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 TinyML
Ingeniero de sistemas embebidos
Ingeniero de aprendizaje automático en el borde
En electrónica de consumo, industria 4.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Salud, Biomecánica, Wearables & Seguridad Operacional 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.