Nanomáster en Algoritmos Verdes para la Inteligencia Artificial
Nanomáster en Algoritmos Verdes para la Inteligencia Artificial
Impulsa tu carrera en IA con un enfoque sostenible y multidisciplinar
- Diseño e Implementación – Formación práctica en tecnologías punteras como GPUs y TPUs, optimización de algoritmos y arquitecturas sostenibles.
- Aplicaciones Prácticas – Estudio de casos reales y herramientas en el uso de la inteligencia artificial para abordar desafíos medioambientales.
- Computación de Altas Prestaciones y Robótica Sostenible – Técnicas de HPC y robótica adaptadas a principios de eficiencia energética y sostenibilidad.
- Derecho, Ética y Economía – Enfoque transversal sobre los marcos regulatorios, implicaciones éticas y sostenibilidad económica de la IA.
¿A quién va dirigido?
- Profesionales de la IA, datos o ingeniería interesados en sostenibilidad tecnológica.
- Investigadores y académicos que quieran actualizar su formación en IA eficiente.
- Estudiantes de máster o últimos cursos de grado con interés en tecnologías verdes.
Adelántate al futuro de la IA. Fórmate con una visión ética, sostenible y de alto impacto
Lista de microcredenciales
Microcredencial Algoritmos Verdes para la Inteligencia Artificial: Diseño e Implementación
Presentación
Esta microcredencial ofrece una formación práctica y especializada en el uso de tecnologías punteras, como GPUs y TPUs, que aceleran el desarrollo de modelos de aprendizaje automático. A lo largo del curso, también se enseñarán técnicas para optimizar arquitecturas y algoritmos, favoreciendo una implementación eficiente y sostenible en entornos reales.
Esta formación está diseñada para dar respuesta a las necesidades de diferentes perfiles. Desde el ámbito académico, amplía la oferta formativa e impulsa enfoques tecnológicos más respetuosos con el medio ambiente. En el contexto científico, capacita a investigadores para innovar en el diseño de modelos de IA eficientes, combinando teoría y práctica. Y desde una perspectiva profesional, responde a la creciente demanda de expertos en inteligencia artificial con una sólida preparación técnica y una visión clara de los retos de la sostenibilidad.
Requisitos mínimos de acceso
- Tener completado bachillerato, BUP, FPII o un Ciclo Formativo Superior.
- Conocimientos de programación.
Objetivos
Esta microcredencial busca formar a los estudiantes en el uso de la inteligencia artificial como una herramienta para promover la sostenibilidad ambiental y la eficiencia energética. Los estudiantes aprenderán a desarrollar y gestionar soluciones que optimicen el uso de recursos, reduzcan la huella ecológica y apoyen iniciativas verdes en diversas industrias. De manera específica, busca:
- Comprender los fundamentos de la IA verde y su importancia para un desarrollo tecnológico sostenible y eficiente.
- Diseñar e implementar modelos de aprendizaje automático que optimicen el uso de recursos energéticos y computacionales.
- Evaluar el impacto ambiental y técnico de los modelos de IA a lo largo de su ciclo de vida, aplicando criterios de sostenibilidad.
- Aplicar estrategias y herramientas de hardware eficiente, integrándolas en soluciones prácticas en diversos contextos.
- Comunicar y liderar proyectos de IA sostenible, transmitiendo sus beneficios a públicos técnicos y no técnicos.
- Trabajar en entornos interdisciplinares y fomentar el aprendizaje continuo, adaptándose a los avances en IA verde y computación eficiente.
Fechas clave
| Inicio | Finalización | |
|---|---|---|
| Preinscripción | 15 de mayo de 2025 | 15 de junio de 2025 |
| Comunicación de admitidos | Junio 2025 | |
| Matrícula | 1 de julio de 2025 | 15 de julio de 2025 |
| Sesiones lectivas | 8 de septiembre de 2025 | 17 de octubre de 2025 |
| Prueba objetiva | Octubre de 2025 |
Contenidos
- Fundamentos de aprendizaje automático y eficiencia computacional
Introducción a los conceptos clave del aprendizaje automático y el aprendizaje profundo. Tipos de algoritmos, flujos de trabajo comunes y retos actuales desde una perspectiva de sostenibilidad. Exploración de entornos de desarrollo como Google Colab y herramientas para experimentación reproducible y eficiente. Comparación de arquitecturas de hardware (CPU vs GPU vs TPU) desde el punto de vista del consumo energético y la escalabilidad.
- Técnicas para el diseño eficiente de modelos de inteligencia artificial
Estudio de técnicas avanzadas para reducir el coste computacional del entrenamiento y despliegue de modelos de IA. Se abordarán estrategias como el knowledge distillation, la cuantización de modelos, el uso de modelos compactos y el diseño automatizado de arquitecturas (NAS). Exploración de modelos eficientes en visión por computador y procesamiento del lenguaje natural (NLP), así como en sistemas de recomendación.
- Procesamiento del lenguaje natural con enfoque sostenible
Aplicación de técnicas de IA verde en tareas de lenguaje natural como traducción automática, clasificación y generación de texto. Introducción al prompt engineering y a métodos para la adaptación eficiente de modelos a tareas específicas. Análisis de modelos de lenguaje compactos y técnicas para reducir su huella computacional en aplicaciones del mundo real.
- Arquitecturas especializadas y paradigmas emergentes en IA eficiente
Análisis de arquitecturas emergentes como los Modelos Mixtos de Expertos (MoE) y su aplicabilidad en sistemas escalables y sostenibles. Estudio de técnicas como el aprendizaje por refuerzo y su papel en la eficiencia del entrenamiento. Introducción a la generación de datos sintéticos para IA mediante datasets anotados artificialmente, así como estrategias de data augmentation y domain adaptation para entrenar modelos con menos recursos.
- Aplicaciones gráficas y visión por computador con IA verde
Exploración del uso de IA en aplicaciones gráficas avanzadas, incluyendo la síntesis de vistas novedosas en 3D (3D Novel-view synthesis) y la generación de datos sintéticos para entrenamiento de modelos de visión. Análisis de herramientas y arquitecturas que permiten reducir la carga computacional en tareas de percepción visual y generación de contenido.
Criterios de selección
Tendrá preferencia el alumnado con titulaciones de la rama de Ingeniería e Arquitectura.
La valoración de los requisitos la realizará la Comisión Académica del título, en función de la forma de acceso, según los siguientes criterios:
– Rendimiento académico demostrado durante la etapa de formación, en lo que respecta al aprendizaje de conocimientos técnicos y competencias básicas y específicas (40%). Se tendrán en cuenta los expedientes académicos universitarios de carreras afines (30%), cursos de formación profesional (20%) o bachillerato tecnológico (10%). En el caso de presentar más de uno de estos requisitos, se tendrá en cuenta la media más alta. El 10% restante se reservará a másteres universitarios.
– Conocimiento certificado de inglés como lengua de trabajo (20 %).
Parámetro de valoración: desarrollo de destrezas lingüísticas de nivel avanzado, suficientes como para permitir una comprensión lectora avanzada y una comunicación fluida, oral y escrita, en entornos académicos o profesionales.
Para medir dicho desempeño, se tomarán como referencia las certificaciones de lengua inglesa de carácter oficial presentadas por las personas candidatas (B1: 5 %, B2: 10 %, C1: 15 % y C2: 20 %).
– Excelencia profesional y motivación académica valoradas a partir del curriculum vitae (40 %).
Tipo de evaluación
El método de evaluación consistirá en:
– Prueba teórica para evaluar la comprensión de conceptos y teorías.
– Evaluaciones Prácticas: Proyectos y ejercicios prácticos para demostrar la capacidad de aplicación de los conocimientos adquiridos. Es obligatorio asistir al menos al 60 % de las actividades presenciales y obtener una nota superior a 5 en ambas valoraciones.
La calificación final del curso se compone de entre un 50-100% para la nota obtenida en el examen teórico y en un 0-50% para la parte de prácticas.
Ficha técnica
- Horas totales de formación certificada
150 horas [6 ECTS] [1 ECTS = 25 horas]
- Sesiones presenciales
Sesiones ordinarias: lunes y miércoles, de 16:00 a 20:00 h
Examen final
- Trabajo autónomo del alumnado
Trabajo individual de preparación de lecturas y casos de estudio con carácter previo a las sesiones ordinarias y talleres prácticos.
Trabajo individual de preparación del examen final.
- Título al que da acceso
Nanomáster en Algoritmos Verdes para la Inteligencia Artificial
- Número de estudiantes
Mínimo 12 – máximo 24
- Matrícula
150 €
- Admisión
La admisión en la Microcredencial en Algoritmos Verdes para la Inteligencia Artificial: Diseño e Implementación será definitiva una vez la Unidad de Estudios Propios de Posgrado haya verificado e informado favorablemente la solicitud y documentación remitidas. Tendrán preferencia aquellos alumnos que hayan cursado otras microcredenciales relacionadas con el Nanomáster en Algoritmos Verdes para la Inteligencia Artificial.
- Lugar
CITIC, Universidade da Coruña
Campus de Elviña s/n – 15071 A Coruña
- Dirección académica
Brais Cancela Barizo, profesor titular de universidad, investigador de la Cátedra UDC-Inditex de IA en Algoritmos Verdes.
- Contacto
catedra.inditex.algoritmos.verdes@udc.gal
Algoritmos verdes para la Inteligencia Artificial: Aplicaciones prácticas
Presentación
La microcredencial “Algoritmos verdes para la Inteligencia Artificial: Aplicaciones prácticas” aborda la actual demanda de profesionales en análisis de datos, IA aplicada a casos reales de estudio y control estadístico de calidad en el marco de la Industria 4.0 y 5.0, en la que la sostenibilidad tiene un papel fundamental. Ofrece formación basada en la experiencia del personal de la UDC en investigación, docencia y transferencia al tejido empresarial relacionada con aplicaciones de la IA, como son el control, análisis y mejora de procesos (por ejemplo, el control de la eficiencia energética y sostenibilidad), contribuyendo al aumento de la competitividad de las empresas e instituciones públicas mediante la aplicación de técnicas de ciencia de datos.
Requisitos mínimos de acceso
- Tener completado bachillerato, BUP, FPII o un Ciclo Formativo Superior.
- Conocimientos de programación.
Objetivos
Mediante esta microcredencial se busca formar profesionales en la industria, servicios, empresas y academia, con especial énfasis en aplicaciones prácticas, entre ellas aquellas relacionadas con la eficiencia energética y la sostenibilidad. Se proporciona formación técnica, metodológica y aplicada en bases de datos, aprendizaje estadístico, aprendizaje máquina y control estadístico de la calidad para resolver casos de estudio. Los alumnos adquirirán competencias en gestión de bases de datos, visualización y análisis de datos, modelos predictivos, control de la calidad de procesos y toma de decisiones, además de desarrollar habilidades en el manejo de software específico para la ciencia de datos. En concreto, la presente microcredencial formará a los alumnos para:
- Comprender y manejar conceptos de la Industria 5.0, sostenibilidad, aprovechamiento energético y eficiencia en instalaciones y edificios, en el marco de la actividad industrial y empresarial.
- Crear y gestionar bases de datos desde un punto de vista práctico.
- Adquirir habilidades para identificar patrones y oportunidades de mejora en instalaciones y procesos mediante análisis exploratorio y técnicas de visualización de datos.
- Controlar, detectar anomalías, identificar causas asignables y variables más influyentes en procesos de la industria y servicios e implementar procedimientos de mejora continua mediante el aprendizaje y aplicación de técnicas del control estadístico de la calidad.
- Realizar predicciones, estimar patrones, identificar grupos y anomalías mediante la aplicación de técnicas de aprendizaje máquina, que faciliten a su vez la automatización de procesos y la toma de decisiones.
Adquirir habilidades en el manejo y aplicación de software para ciencia de datos, aprendizaje estadístico, aprendizaje máquina, y control estadístico de la calidad.
Fechas clave
| Inicio | Finalización | |
|---|---|---|
| Preinscripción | 1 de junio de 2025 | 30 de junio de 2025 |
| Comunicación de admitidos | Julio 2025 | |
| Matrícula | 16 de julio de 2025 | 31 de julio de 2025 |
| Sesiones lectivas | 4 de noviembre de 2025 | 9 de diciembre de 2025 |
| Prueba objetiva | Diciembre de 2025 |
Contenidos
- Introducción a la eficiencia energética de edificios e instalaciones.
Es preciso, antes de abordar las técnicas IA correspondientes, conocer y manejar los conceptos de eficiencia, eficiencia energética y sostenibilidad en edificios e instalaciones, en el marco de la actividad empresarial.
- Construcción y gestión de bases de datos.
Se abordará, desde una perspectiva práctica, con software específico, el diseño y gestión de bases de datos, dado que una base de datos sólida es un punto de partida fundamental para el análisis de datos y la aplicación de técnicas de IA.
- Introducción a la analítica de datos para la eficiencia y sostenibilidad.
El análisis exploratorio de datos, así como la construcción de modelos y la estadística computacional permite describir y comprender procesos y sistemas, identificar patrones y dependencias, todo desde una perspectiva visual e intuitiva que favorece la toma de decisiones rápidas y efectivas que incrementen la eficiencia y sostenibilidad. Desde un punto de vista computacional y a través de la presentación de casos de estudio, se impartirán conceptos de análisis exploratorio de datos, correlación, visualización de datos para la toma de decisiones y modelos de regresión univariantes y multivariantes, paramétricos y no paramétricos (incluyendo la selección de características, importancia de los predictores, predicción y bondad de ajuste).
- Control estadístico de procesos y diseño de experimentos.
El control estadístico de procesos y el diseño de experimentos son esenciales para estimar el nivel y dispersión común de los procesos estudiados, lo que permite la detección de anomalías desde un punto de vista totalmente intuitivo y en consonancia con la Inteligencia Artificial Explicable (XAI), todo lo cual nos permite implementar programas de mejora continua. Se expondrán casos relacionados con la Industria 5.0, la eficiencia energética en edificios y el confort higrotérmico. Se impartirán conceptos de la metodología Six Sigma, gráficos de control para datos univariantes, multivariantes y funcionales (datos complejos), además de técnicas de análisis de la varianza y diseño de experimentos desde una perspectiva industrial y empresarial.
- Aprendizaje máquina y algoritmos verdes para la eficiencia y la sostenibilidad.
El aprendizaje máquina y los algoritmos verdes permiten desarrollar modelos predictivos y de detección de anomalías que permiten optimizar el consumo de energía de forma inteligente en los sectores relacionados con la industria y servicios. La aplicación de modelos no supervisado y supervisados, desde un punto de vista aplicado y computacional, de modelos como árboles de decisión, Random Forest, Redes Neuronales o Support Vector Machines, entre otros, serán objeto del presente bloque.
Criterios de selección
En general, se seguirá la normativa aplicable sobre los requisitos de acceso incluida en el Reglamento de estudios propios de la UDC aprobado en la sesión del Consello de Goberno del 20/12/2022, disponible en https://www.udc.es/es/uepp/informacion_xeral/normativas/
En concreto, se requerirá, como mínimo, una de las siguientes titulaciones: Bachillerato, BUP, FPII o Ciclo formativo superior. Igualmente, se recomienda (aunque no se requiere) disponer de conocimientos de programación (R, Python o similares), estadística e interés en la eficiencia y la sostenibilidad.
Tendrá preferencia el alumnado con titulaciones de la rama de Ingeniería y Arquitectura, así como de la rama de Ciencias. La valoración de los requisitos la realizará la Comisión Académica del título, en función de la forma de acceso, según los siguientes criterios:
– Rendimiento académico demostrado durante la etapa de formación (60%).
– Excelencia profesional y motivación académica valoradas a partir del CV y carta de presentación (40%).
Tipo de evaluación
El método de evaluación consistirá en un examen tipo test sobre el contenido de la microcredencial, además de un trabajo tutelado consistente en la resolución de un caso de estudio. La calificación final del curso se compone de entre un 50-100% por la nota obtenida en el examen tipo test y entre un 0% y un 50% por el trabajo tutelado. Es obligatorio asistir al menos al 60% de las actividades presenciales.
Ficha técnica
- Horas totales de formación certificada
150 horas [6 ECTS] [1 ECTS = 25 horas]
- Sesiones presenciales
Sesiones ordinarias: lunes y miércoles, de 16:00 a 20:00 h
Examen final
- Trabajo autónomo del alumnado
Trabajo individual de preparación de lecturas y casos de estudio.
Trabajo individual de preparación del examen final.
- Título al que da acceso
Nanomáster en Algoritmos Verdes para la Inteligencia Artificial
- Número de estudiantes
Mínimo 12 – máximo 24
- Matrícula
150 €
- Admisión
La admisión en la Microcredencial en «Algoritmos verdes para la Inteligencia Artificial: Aplicaciones prácticas» será definitiva una vez la Unidad de Estudios Propios de Posgrado haya verificado e informado favorablemente la solicitud y documentación remitidas. Tendrán preferencia aquellos alumnos que hayan cursado otras microcredenciales relacionadas con el Nanomáster en Algoritmos Verdes para la Inteligencia Artificial.
- Lugar
CITIC, Universidade da Coruña
Campus de Elviña s/n – 15071 A Coruña
- Dirección académica
Javier Tarrío Saavedra, profesor titular de universidad, investigador de la Cátedra UDC-Inditex de IA en Algoritmos Verdes.
- Contacto
catedra.inditex.algoritmos.verdes@udc.gal