Cursos de Formación

El curso propuesto tiene como objetivo principal complementar la formación adquirida por los estudiantes y titulados en las distintas especialidades de ingeniería en lo referente a la programación en Python y su utilización en el ámbito de la Inteligencia artificial, optimización y el aprendizaje, en concreto, en la aplicación de Algoritmos Genéticos y de Deep Learning.

En la actualidad se está produciendo un gran desarrollo tecnológico en el campo de la inteligencia artificial y el aprendizaje a partir de datos, propiciando una demanda creciente de ingenieros y técnicos formados en las materias necesarias para el diseño y análisis de técnicas basadas en inteligencia artificial.

Actualmente Python es el lenguaje líder en estos campos, por lo que el curso aborda en primer lugar el aprendizaje de este lenguaje de programación y, a continuación, la utilización de los módulos concretos de Python, especializados en Algoritmos Genéticos y Deep Learning (Keras), respectivamente.

PROGRAMA ACADÉMICO, CALENDARIO Y HORARIO.

1ª Sesión (16 de febrero de 2021 de 17:00h a 21:00h)

Conceptos básicos de Python (4 horas): Introducción a Python. Introducción a la plataforma. Anaconda, Spyder e Ipython. Objetos básicos de Python: Enteros, flotantes, Listas, Tuplas, Cadenas, Diccionarios, etc. Control de flujo y Funciones. Importar librerías Clases.

2ª Sesión (18 de febrero de 2021 de 17:00h a 21:00h)

Librerías para análisis de datos en Python (4 horas): Introducción a Numpy. Introducción a Matplotlib.

3ª Sesión (23 de febrero de 2021 de 17:00h a 21:00h)

Librerías para análisis de datos en Python II (4 horas): Introducción a Pandas.. Visualización de datos con Seaborn.

4ª Sesión (25 de febrero de 2021 de 17:00h a 21:00h)

Algoritmos Genético: Problemas mono objetivo (4 horas): Introducción a los algoritmos genéticos. Introducción a la librería DEAP. Resolución de problemas combinatorios: El problema del viajero y el problema de la mochila.

5ª Sesión (2 de marzo de 2021 de 17:00h a 21:00h)

Algoritmos Genético: Problemas con múltiples objetivos (4 horas): Introducción a la dominancia de Pareto. Algoritmo genético NSGA-II para resolver problemas con múltiples objetivos. Resolución de problemas: Suma de subconjutos y funciones de benchmark.

6ª Sesión (4 de marzo de 2021 de 17:00h a 21:00h)

Conceptos básicos de Machine Learning: el clasificador logístico (4 horas): Introducción a. Machine Learning. Introducción a los clasificadores lineales. El clasificador logístico. Métricas de clasificación. Overfitting y regularización. Desarrollo de ejercicios prácticos.

7ª Sesión (9 de marzo de 2021 de 17:00h a 21:00 h)

Introducción a Deep Learning con Keras (4 horas): Introducción a Deep Learning. Definición de modelos secuenciales en Keras. Entrenamiento de redes neuronales. Métricas de estimación y overfitting. Desarrollo de ejercicios prácticos.

8ª Sesión (11 de marzo de 2021 de 17:00h a 21:00h)

Redes completamente conectadas (4 horas): Inicialización de redes neuronales. Técnicas de regularización. Algoritmos de optimización. Desarrollo de ejercicios prácticos.

9ª Sesión (16 de marzo de 2021 de 17:00h a 21:00h)

Redes neuronales convolucionales (4 horas): Introducción a visión por computador. La capa convolucional. Clasificación de imágenes con redes neuronales convolucionales. Data augmentation. Redes neuronales pre-entrenadas. Transfer learning. Desarrollo de ejercicios prácticos.

10ª Sesión (18 de marzo de 2021 de 17:00h a 21:00h)

Redes neuronales recurrentes (4 horas): Introducción a los modelos secuenciales. Celda básica y celdas GRU y LSTM. Análisis de series temporales. Desarrollo de ejercicios prácticos.

Como trabajo de los estudiantes, deberán desarrollar dos proyectos como extensión de los contenidos impartidos en el curso. El primero de ellos consistirá en el modelado y resolución de un problema de optimización usando optimización Bayesiana. El segundo consistirá en emplear los algoritmos de machine learning estudiados para resolver un problema de los retos planteados en Kaggle (www.kaggle.com).

La comunicación profesor estudiante para la entrega y evaluación de los trabajos será a través del curso habilitado en la plataforma Moodle de la Universidad de Córdoba.

Matriculación: https://www.uco.es/idep/matricula-estudios-propios (Estudio: 3920/1ª Edición/Área: Técnicas)

Contacto: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

 

El Ministerio de Agricultura, Pesca y Alimentación, enmarcado en el I PLAN DE ACCIÓN 2019-2020 de la ESTRATEGIA DE DIGITALZIACIÓN DEL SECTOR AGROALIMENTARIO Y FORESTAL Y DEL MEDIO RURAL promueve, a través de la Dirección General de Desarrollo Rural, Innovación y Formación Agroalimentaria, el curso piloto de adquisición de competencias digitales denominado «Datos, imágenes y computación en la nube para la toma de decisiones en agricultura» con el objetivo de introducir conceptos, tecnologías habilitadoras y campos de aplicación relevantes para la gestión de la transformación digital de la agricultura.​

El curso donde hemos participado está coorganizado además de por el propio Ministerio, por la Escuela Técnica Superior de Ingeniería Agronómica y de Montes de la Universidad de Córdoba (ETSIAM-UCO) y con la Escuela Técnica Superior Agronómica, Alimentaria y de Biosistemas de la Universidad Politécnica de Madrid (ETSIAAB-UPM).​

Mas información en: https://cecoda.es

Se ha realizado en el Aula de Informática de Fundecor el curso organizado y certificado por la Universidad de Córdoba "Industria 4.0: Automatización Industrial" dirigido a estudiantes, titulados universitarios y no universitarios a través de los componentes del Aula de Transformación Digital Fiware y la empresa IRC Automatización con la posibilidad de realización de prácticas curriculares basados en los requisitos establecidos y según el programa académico siguiente:

Módulo 1: Automatización a nivel de Fábrica.

1. SENSORES Y ACTUADORES INDUSTRIALES.

1.1. Tipos de sensores. Identificación. Características eléctricas y estáticas básicas.
1.2. Tipos de actuadores. Actuadores eléctricos. Características.
1.3. Protocolos actuador-sensor.

2. PROGRAMACIÓN DE CONTROLADORES LÓGICOS PROGRAMABLES (PLC).

2.1. Introducción a la programación de PLCs con Simatic Step-7 de Siemens.
2.2. Programación S7: Tipos de lenguaje y consejos a la hora de programar.
2.3. Memoria en S7 y tipos de variables.
2.4. Instrucciones básicas: Flancos, temporizadores y contadores.
2.5. Operaciones de conversión, comparación y lógicas.
2.6. Bloques de organización (OB), bloques de datos (DB), funciones (FC) y Bloques de función (FB).
2.7. Tratamiento de señales analógicas.
2.8. Diagnóstico de fallos y errores.
2.9. Comunicaciones: soportes físicos y protocolos.

3. PROGRAMACIÓN DE INTERFAZ HOMBRE MÁQUINA (HMI).

3.1. Introducción a la programación de HMI con GP-Pro de Proface.
3.2. Creación de proyectos descripción del espacio de trabajo.
3.3. Configuración de comunicaciones.
3.4. Memoria y creación de variables.
3.5. Creación de imágenes.
3.6. Asignación de variables, animación y dinamización de objetos.
3.7. Edición de avisos y alarmas.
3.8. Recetas.

4. PROGRAMACIÓN DE SISTEMAS DE CONTROL Y ADQUISICIÓN DE DATOS (SCADA).

4.1. Introducción a los sistemas Scada con WinCC de Siemens.
4.2. Crear y modificar proyectos.
4.3. Descripción de entorno de trabajo WinCC.
4.4. Configurar drivers de comunicación.
4.5. Tags (Variables de proceso).
4.6. Diseño de pantallas.
4.7. AlarmLogging y TagLogging.
4.8. Scripts en WinCC.

Módulo 2: Computación en la nube.

5. PLATAFORMAS WEB.

5.1. Resultados tecnológicos y de negocio perseguidos por la Industria 4.0: Eficiencia de procesos, Mantenimiento predictivo, calidad, inspección, gestión, etc.
5.2. Plataformas: Microsoft Azure, IBM Bluemix, Amazon AWS, Domoticz, MindSphere, etc 5.3. SCADAS en la nube.
5.4. Analítica de datos, Big Data y Machine Learning en entornos industriales.
5.5. Conectividad. Protocolo MQTT.

6. SENSORES IoT Y SISTEMAS EMBEBIDOS.

6.1. Plataforma Arduino.
6.2. Protocolos IoT: Lora, Sigfox.
6.3. Gateway: IoT-2040 de Siemens

Equipo docente: Francisco José Casares de la Torre, Juan Manuel Orihuela Ortega y José Checa Claudel.

* Mas información en en el catálogo de cursos de Fundecor.

El curso propuesto tiene como objetivo principal complementar la formación adquirida por los alumnos y titulados en las distintas especialidades de ingeniería en lo referente a la programación en Python y su utilización en el ámbito de la Inteligencia artificial y el aprendizaje, en concreto, en la aplicación de optimización Bayesiana y de Deep Learning.

En la actualidad se está produciendo un gran desarrollo tecnológico en el campo de la inteligencia artificial y el aprendizaje a partir de datos, propiciando una demanda creciente de ingenieros y técnicos formados en las materias necesarias para el diseño y análisis de técnicas basadas en inteligencia artificial. Actualmente Python es el lenguaje líder en estos campos, por lo que el curso aborda en primer lugar el aprendizaje de este lenguaje de programación y, a continuación, la utilización de los módulos concretos de Python, especializados en algoritmos de optimización Bayesiana y Deep Learning (Keras), respectivamente.

Los requisitos que se solicitan para los participantes son de conocimientos básicos de programación, no necesariamente en Python, ya que se empezará desde el inicio con este lenguaje. Se empleará una metodología eminentemente práctica, y se proporcionará todo el software necesario para trabajar en Python con las librerías necesarias. Se contempla la realización de pequeños ejercicios prácticos para cada uno de los módulos del curso.

El plazo de matriculación es del 24 de Enero de 2020 hasta el 23 de Febrero del 2020. La fecha de inicio: 24 de Febrero de 2020.

Horarios:

  • 24.02.2010 (16:00h a 20:00h)
  • 26.02.2020 (16:00h a 20:00h)
  • 02.03.2020 (16:00h a 20:00h)
  • 04.03.2020 (16:00h a 19:00h)
  • 09.03.2020 (16:00h a 20:00h)
  • 11.03.2020 (16:00h a 20:00h)
  • 16.03.2020 (16:00h a 20:00h)
  • 18.03.2020 (16:00h a 19:00h)

Lugar: Edificio Leonardo Da Vinci (Campus de Rabanales) - Aula de Informática 2 (LV5B230)

Contenidos:

  • Bloque I: Conceptos básicos de Python. Librerías para análisis de datos en Python I. Librerías para análisis de datos en Python II. 10 horas.
  • Bloque II: Introducción al aprendizaje basado en procesos Gaussianos. Optimización Bayesiana. Introducción a Deep Learning con Keras. 9 horas.
  • Bloque III: Redes completamente conectadas y redes neuronales convolucionales. Machine Learning con scikit: Clasificación. Redes neuronales recurrentes. 11 horas.

Mas información: https://www.uco.es/estudios/idep/menu-formacion-permanente/informacion-para-estudiantes - (Estudio 3798 / 1ª Edición)

Contacto:

  • Juan Manuel Díaz Cabrera - Secretario Aula de Transformación Digital FiWare de la UCO - email: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
  • Daniel Gutiérrez Reina - email: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
  • Sergio Toral Marín - email: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

 

El curso está dividido en tres bloques y los objetivos de cada uno de los bloques se detallan a continuación.

Bloque I. Introducir los conceptos básicos de Python 3 y las librerías para manejar información, tales como Numpy (vectores), Matplotlib (visualización), Scipy (métodos numéricos) y Pandas (datos).

Bloque II. Centrado en introducir los conceptos básicos de optimización (single-objective y multi-objective) y su implementación en Python 3, mediante la librería DEAP.

Bloque III. Se centra en estudiar e implementar regresiones, clasificadores y clustering en Python 3, utilizando la librería SciKit-Learn.

Los requisitos que se solicitan para los participantes son de conocimientos básicos de programación, no necesariamente en Python, ya que se empezará desde el inicio con este lenguaje. Se empleará una metodología eminentemente práctica, y se proporcionará todo el software necesario para trabajar en Python con las librerías DEAP y SciKit-Learn. Se contempla la realización de pequeños ejercicios prácticos para cada uno de los módulos del curso.