Microcredenciais en Algoritmos Verdes

Impulsa a túa carreira en IA cun enfoque sostible e multidisciplinar

As Microcredenciais supoñen un programa formativo innovador deseñado para capacitar a profesionais, investigadores e estudantes no desenvolvemento e implementación de solucións de IA eficientes, sostibles e aliñadas cos desafíos tecnolóxicos e sociais actuais.

A través de catro microcredenciais especializadas e complementarias, ofrécese unha visión integral das tecnoloxías, aplicacións e marcos éticos que definen a nova xeración de intelixencia artificial:

Deseño e Implementación – Formación práctica en tecnoloxías punteiras como GPUs e TPUs, optimización de algoritmos e arquitecturas sostibles.
Aplicacións Prácticas – Estudo de casos reais e ferramentas no uso da intelixencia artificial para abordar desafíos ambientais.
Computación de Altas Prestacións e Robótica Sostible – Técnicas de HPC e robótica adaptadas a principios de eficiencia enerxética e sustentabilidade.
Dereito, Ética e Economía – Enfoque transversal sobre os marcos regulatorios, implicacións éticas e sustentabilidade económica da IA.

Este programa está orientado a perfís académicos, científicos e profesionais que desexen especializarse en IA cunha perspectiva responsable, tecnolóxica e aplicada. Poderase cursar cada microcredencial de forma individual para perfís interesados en obter unha especialización dentro desta área, obtendo unha certificación específica por cada unha delas.

A quen vai dirixido?

Profesionais da IA, datos ou enxeñería interesados en sustentabilidade tecnolóxica.
Investigadores e académicos que queiran actualizar a súa formación en IA eficiente.
Estudantes de máster ou últimos cursos de grao con interese en tecnoloxías verdes.

Adiántate ao futuro da IA. Fórmate cunha visión ética, sostible e de alto impacto

Lista de microcredenciais

Microcredencial Algoritmos Verdes para a Intelixencia Artificial: Deseño e Implementación

Presentación

Esta microcredencial ofrece unha formación práctica e especializada no uso de tecnoloxías punteiras, como GPUs e TPUs, que aceleran o desenvolvemento de modelos de aprendizaxe automática. Ao longo do curso, tamén se ensinarán técnicas para optimizar arquitecturas e algoritmos, favorecendo unha implementación eficiente e sostible en contornas reais.

Esta formación está deseñada para dar resposta ás necesidades de diferentes perfís. Desde o ámbito académico, amplía a oferta formativa e impulsa enfoques tecnolóxicos máis respectuosos co medio ambiente. No contexto científico, capacita a investigadores para innovar no deseño de modelos de IA eficientes, combinando teoría e práctica. E desde unha perspectiva profesional, responde á crecente demanda de expertos en intelixencia artificial cunha sólida preparación técnica e unha visión clara dos retos da sustentabilidade.

Requisitos mínimos de acceso

Ter completado bacharelato, BUP, FPII ou un Ciclo Formativo Superior.
Coñecementos de programación.

Obxectivos

Esta microcredencial busca formar aos estudantes no uso da intelixencia artificial como unha ferramenta para promover a sustentabilidade ambiental e a eficiencia enerxética. Os estudantes aprenderán a desenvolver e xestionar solucións que optimicen o uso de recursos, reduzan a pegada ecolóxica e apoien iniciativas verdes en diversas industrias. De maneira específica, busca:

Comprender os fundamentos da IA verde e a súa importancia para un desenvolvemento tecnolóxico sostible e eficiente.
Deseñar e implementar modelos de aprendizaxe automática que optimicen o uso de recursos enerxéticos e computacionales.
Avaliar o impacto ambiental e técnico dos modelos de IA ao longo do seu ciclo de vida, aplicando criterios de sustentabilidade.
Aplicar estratexias e ferramentas de hardware eficiente, integrándoas en solucións prácticas en diversos contextos.
Comunicar e liderar proxectos de IA sostible, transmitindo os seus beneficios a públicos técnicos e non técnicos.
Traballar en contornas interdisciplinares e fomentar a aprendizaxe continua, adaptándose aos avances en IA verde e computación eficiente.

Datas clave

	Inicio	Finalización
Preinscrición	1º Prazo: 15 de maio de 2025 2º Prazo: 14 de xullo de 2025	1º Prazo: 15 de xuño de 2025 (ampliado prazo ata 30 de xuño de 2025) 2º Prazo: 21 de xullo de 2025
Comunicación de admitidos	1º Prazo: 30 de xuño 2025 – 7 de xullo de 2025 2º Prazo: 22 de xullo de 2025
Matrícula	1º Prazo: 8 de xullo de 2025 2º Prazo: 23 de xullo de 2025	1º Prazo: 22 de xullo de 2025 2º Prazo: 30 de xullo de 2025
Sesións lectivas	8 de setembro de 2025	17 de outubro de 2025
Proba obxectiva	Outubro de 2025

Contidos

Fundamentos de aprendizaxe automática e eficiencia computacional

Introdución aos conceptos clave da aprendizaxe automática e a aprendizaxe profunda. Tipos de algoritmos, fluxos de traballo comúns e retos actuais desde unha perspectiva de sustentabilidade. Exploración de contornas de desenvolvemento como Google Colab e ferramentas para experimentación reproducible e eficiente. Comparación de arquitecturas de hardware (CPU vs GPU vs TPU) desde o punto de vista do consumo enerxético e a escalabilidade.

Técnicas para o deseño eficiente de modelos de intelixencia artificial

Estudo de técnicas avanzadas para reducir o custo computacional do adestramento e despregamento de modelos de IA. Abordaranse estratexias como o knowledge distillation, a cuantización de modelos, o uso de modelos compactos e o deseño automatizado de arquitecturas (NAS). Exploración de modelos eficientes en visión por computador e procesamento da linguaxe natural (NLP), así como en sistemas de recomendación.

Procesamento da linguaxe natural con enfoque sostible

Aplicación de técnicas de IA verde en tarefas de linguaxe natural como tradución automática, clasificación e xeración de texto. Introdución ao prompt engineering e a métodos para a adaptación eficiente de modelos a tarefas específicas. Análise de modelos de linguaxe compactos e técnicas para reducir a súa pegada computacional en aplicacións do mundo real.

Arquitecturas especializadas e paradigmas emerxentes en IA eficiente

Análise de arquitecturas emerxentes como os Modelos Mixtos de Expertos (MoE) e a súa aplicabilidade en sistemas escalables e sostibles. Estudo de técnicas como a aprendizaxe por reforzo e o seu papel na eficiencia do adestramento. Introdución á xeración de datos sintéticos para IA mediante datasets anotados artificialmente, así como estratexias de data augmentation e domain adaptation para adestrar modelos con menos recursos.

Aplicacións gráficas e visión por computador con IA verde

Exploración do uso de IA en aplicacións gráficas avanzadas, incluíndo a síntese de vistas novas en 3D (3D Novel-view synthesis) e a xeración de datos sintéticos para adestramento de modelos de visión. Análise de ferramentas e arquitecturas que permiten reducir a carga computacional en tarefas de percepción visual e xeración de contido.

Criterios de selección

Terá preferencia o alumnado con titulacións da rama de Enxeñería e Arquitectura.

A valoración dos requisitos realizaraa a Comisión Académica do título, en función da forma de acceso, segundo os seguintes criterios:

– Rendemento académico demostrado durante a etapa de formación, no que respecta á aprendizaxe de coñecementos técnicos e competencias básicas e específicas (40%). Teranse en conta os expedientes académicos universitarios de carreiras afíns (30%), cursos de formación profesional (20%) ou bacharelato tecnolóxico (10%). No caso de presentar máis dun destes requisitos, terase en conta a media máis alta. O 10% restante reservarase a máster universitarios.

– Coñecemento certificado de inglés como lingua de traballo (20 %).

Parámetro de valoración: desenvolvemento de destrezas lingüísticas de nivel avanzado, suficientes como para permitir unha comprensión lectora avanzada e unha comunicación fluída, oral e escrita, en contornas académicas ou profesionais.

Para medir devandito desempeño, tomaranse como referencia as certificacións de lingua inglesa de carácter oficial presentadas polas persoas candidatas (B1: 5 %, B2: 10 %, C1: 15 % e C2: 20 %).

– Excelencia profesional e motivación académica valoradas a partir do currículo (40 %).

Tipo de avaliación

O método de avaliación consistirá en:

– Proba teórica para avaliar a comprensión de conceptos e teorías.

– Avaliacións Prácticas: Proxectos e exercicios prácticos para demostrar a capacidade de aplicación dos coñecementos adquiridos. É obrigatorio asistir polo menos ao 60 % das actividades presenciais e obter unha nota superior a 5 en ambas as valoracións.

A cualificación final do curso componse de entre un 50-100% para a nota obtida no exame teórico e nun 0-50% para a parte de prácticas.

Ficha técnica

150 horas [6 ECTS] [1 ECTS = 25 horas]

Sesións ordinarias: luns e mércores, de 16:00 a 20:00 h

Exame final

Traballo individual de preparación de lecturas e casos de estudo con carácter previo ás sesións ordinarias e talleres prácticos.

Traballo individual de preparación do exame final.

Microcredencial Universitaria en Algoritmos Verdes para a Intelixencia Artificial: Deseño e Implementación

Mínimo 12 – máximo 24

150 €

A admisión na Microcredencial en Algoritmos Verdes para a Intelixencia Artificial: Deseño e Implementación será definitiva unha vez a Unidade de Estudos Propios de Posgraduado verifique e informe favorablemente a solicitude e documentación remitidas. Terán preferencia aqueles alumnos que cursasen outras microcredenciales relacionadas.

CITIC, Universidade da Coruña

Campus de Elviña s/n – 15071 A Coruña

Brais Cancela Barizo, profesor titular de universidade, investigador da Cátedra UDC-Inditex de IA en Algoritmos Verdes.

catedra.inditex.algoritmos.verdes@udc.gal

Algoritmos verdes para a Intelixencia Artificial: Aplicacións prácticas

Presentación

A microcredencial “Algoritmos verdes para a Intelixencia Artificial: Aplicacións prácticas” dá resposta á demanda actual de profesionais no ámbito da análise de datos, a intelixencia artificial (IA) aplicada a casos reais de estudo e o control estatístico da calidade no marco da Industria 4.0 e 5.0, onde a sustentabilidade xoga un papel fundamental. Ofrece unha formación baseada na experiencia do persoal da Universidade da Coruña (UDC) en investigación, docencia e transferencia ao tecido empresarial, en áreas vencelladas á aplicación da IA ao control, análise e mellora de procesos (como por exemplo, o control da eficiencia enerxética e a sustentabilidade), contribuíndo a mellorar a competitividade de empresas e institucións públicas mediante o uso de técnicas propias da ciencia de datos.

Requisitos mínimos de acceso

Ter completado bacharelato, BUP, FPII ou un Ciclo Formativo Superior.
Coñecementos de programación.

Obxectivos

Esta microcredencial ten como finalidade formar profesionais do ámbito da industria, os servizos, a empresa e a academia, con especial atención ás aplicacións prácticas, entre elas aquelas relacionadas coa eficiencia enerxética e a sustentabilidade. A formación ofrece unha base técnica, metodolóxica e aplicada en bases de datos, aprendizaxe estatística, aprendizaxe máquina e control estatístico da calidade para abordar casos de estudo. O alumnado adquirirá competencias na xestión de bases de datos, visualización e análise de datos, modelos predictivos, control da calidade de procesos e toma de decisión, ademáis de desenvolver habilidades na aplicación de software específico para ciencia de datos. En concreto, esta microcredencial permitirá ao alumnado:

Comprender e manexar conceptos da Industria 5.0, sustentabilidade, aproveitamento enerxético e eficiencia en instalacións e edificios no contexto da actividade industrial e empresarial.
Crear e xestionar bases de datos desde unha perspectiva práctica.
Adquirir habilidades para identificar patróns e oportunidades de mellora en instalacións e procesos mediante técnicas de análise exploratoria e visualización de datos.
Controlar, detectar anomalías, identificar causas atribuíbles e variables influentes en procesos da industria e os servizos, ademáis de implementar procedementos de mellora continua mediante a aprendizaxe e aplicación de técnicas de control estatístico da calidade.
Realizar predicións, estimar patróns, identificar grupos e anomalías mediante a aplicación de técnicas de aprendizaxe máquina, facilitando a automatización de procesos e a toma de decisións.
Desenvolver destrezas no manexo e aplicación de software para ciencia de datos, aprendizaxe estatística, aprendizaxe máquina e control estatístico da calidade.

Datas clave

	Inicio	Finalización
Preinscrición	1º Prazo: 1 de xuño de 2025 2º Prazo: 14 de xullo de 2025	1º Prazo: 30 de xuño de 2025 2º Prazo: 21 de xullo de 2025
Comunicación de admitidos	1º Prazo: Xullo 2025 2º Prazo: 22 de xullo de 2025
Matrícula	1º Prazo: 16 de xullo de 2025 2º Prazo: 23 de xullo de 2025	1º Prazo: 31 de xullo de 2025 2º Prazo: 30 de xullo de 2025
Sesións lectivas	4 de novembro de 2025	9 de decembro de 2025
Proba obxectiva	Decembro de 2025

Contidos

Introdución á eficiencia enerxética de edificios e instalación.

É preciso, antes de abordar as técnicas de IA correspondentes, coñecer e manexar os conceptos de eficiencia, eficiencia enerxética e sustentabilidade en edificios e instalacións, no marco da actividade empresarial.

Construción e xestión de bases de datos.

Abordarase, desde unha perspectiva práctica, con software específico, o deseño e xestión de bases de datos, dado que unha base de datos sólida é un punto de partida fundamental para a análise de datos e a aplicación de técnicas de IA.

Introdución á analítica de datos para a eficiencia e sustentabilidade.

O análise exploratorio de datos, así como a construción de modelos e a estatística computacional, permite describir e comprender procesos e sistemas, identificar patróns e dependencias, todo desde unha perspectiva visual e intuitiva que favorece a toma de decisións rápidas e efectivas que incrementen a eficiencia e sustentabilidade. Desde un punto de vista computacional e a través de casos de estudo, trataranse conceptos como correlación, visualización, modelos de regresión univariantes e multivariantes, paramétricos e non paramétricos, selección de características, importancia dos predictores, predición e bondade de axuste.

Control estatístico de procesos e deseño de experimentos.

O control estatístico de procesos e o deseño de experimentos son esenciais para estimar o nivel e dispersión común dos procesos estudados, o que permite a detección de anomalías de forma intuitiva e coherente coa Intelixencia Artificial Explicable (XAI). Exporanse casos vinculados á Industria 5.0, á eficiencia enerxética en edificios e ao confort higrotérmico. Trataranse metodoloxías como Six Sigma, gráficos de control para datos univariantes, multivariantes e funcionais, así como técnicas de análise da varianza e deseño de experimentos.

Aprendizaxe máquina e algoritmos verdes para a eficiencia e sustentabilidade.

A aprendizaxe máquina e os algoritmos verdes permiten desenvolver modelos predictivos e de detección de anomalías que contribúen a optimizar o consumo enerxético de maneira intelixente en sectores industriais e de servizos. Aplicaranse modelos supervisados e non supervisados como árbores de decisión, Random Forest, Redes Neuronais ou Support Vector Machines, entre outros.

Criterios de selección

Aplicarase a normativa vixente sobre requisitos de acceso incluída no Regulamento de estudos propios da UDC aprobado polo Consello de Goberno o 20/12/2022, dispoñible en:
https://www.udc.es/es/uepp/informacion_xeral/normativas/

En concreto, requirirase, como mínimo, unha das seguintes titulacións: Bacharelato, BUP, FPII ou Ciclo formativo superior. Recoméndase dispor de coñecementos de programación (R, Python ou similares), estatística e interese pola eficiencia e sustentabilidade.

Terán preferencia as persoas con titulacións da rama de Enxeñaría e Arquitectura, así como da rama de Ciencias. A Comisión Académica valorará os requisitos segundo os seguintes criterios:

– Rendemento académico demostrado durante a etapa formativa (60%).

– Excelencia profesional e motivación académica, valoradas a partir do CV e carta de presentación (40%).

Tipo de avaliación

A avaliación basearase nun exame tipo test sobre os contidos da microcredencial, así como nun traballo tutelado que consistirá na resolución dun caso de estudo. A cualificación final repartirá entre un 50% e un 100% segundo a nota do exame e entre un 0% e un 50% segundo o traballo. É obrigatorio asistir polo menos ao 60% das actividades presenciais.

Ficha técnica

150 horas [6 ECTS] [1 ECTS = 25 horas]

Sesións ordinarias: luns e mércores, de 16:00 a 20:00 h

Exame final

Traballo individual de preparación de lecturas e casos de estudo.

Traballo individual de preparación do exame final.

Microcredencial Universitaria en Algoritmos verdes para a Intelixencia Artificial: Aplicacións prácticas

Mínimo 12 – máximo 24

150 €

A admisión na Microcredencial en “Algoritmos verdes para a Intelixencia Artificial: Aplicacións prácticas” será definitiva unha vez a Unidade de Estudos Propios de Posgraduado verifique e informe favorablemente a solicitude e documentación remitidas. Terán preferencia aqueles alumnos que cursasen outras microcredenciais relacionadas.

CITIC, Universidade da Coruña

Campus de Elviña s/n – 15071 A Coruña

Javier Tarrío Saavedra, profesor titular de universidade, investigador da Cátedra UDC-Inditex de IA en Algoritmos Verdes.

catedra.inditex.algoritmos.verdes@udc.gal