Admisión abierta 2026-2027Rellenar solicitud

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’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.

Ingeniero de TinyML
Ingeniero de sistemas embebidos
Ingeniero de aprendizaje automático en el borde
Desarrollador de firmware IoT
Ingeniero de optimización de modelos
Arquitecto de dispositivos inteligentes

Para quién es

Ingeniero de TinyML
Ingeniero de sistemas embebidos
Ingeniero de aprendizaje automático en el borde
Desarrollador de firmware IoT
Ingeniero de optimización de modelos
Arquitecto de dispositivos inteligentes
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 Salud, Biomecánica, Wearables & Seguridad Operacional · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · 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 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.

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

Preguntas frecuentes

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.

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

Inicio de clases: 22 de diciembre de 20261.432 € Matricularme
Contactar con Seium
Pago al contado1.432 €ahorras 358 €
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.