Nanomáster en Algoritmos Verdes para a Intelixencia Artificial
Nanomáster en Algoritmos Verdes para a Intelixencia Artificial
Impulsa a túa carreira en IA cun enfoque sostible e multidisciplinar
- 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.
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 | 15 de maio de 2025 | 15 de xuño de 2025 (ampliado prazo ata 30 de xuño de 2025) |
| Comunicación de admitidos | 30 de xuño 2025 – 7 de xullo de 2025 | |
| Matrícula | 8 de xullo de 2025 | 22 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
- Horas totais de formación certificada
150 horas [6 ECTS] [1 ECTS = 25 horas]
- Sesións presenciais
Sesións ordinarias: luns e mércores, de 16:00 a 20:00 h
Exame final
- Traballo autónomo do alumnado
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.
- Título ao que dá acceso
Nanomáster en Algoritmos Verdes para a Intelixencia Artificial
- Número de estudantes
Mínimo 12 – máximo 24
- Matrícula
150 €
- Admisión
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 co Nanomáster en Algoritmos Verdes para a Intelixencia Artificial.
- Lugar
CITIC, Universidade da Coruña
Campus de Elviña s/n – 15071 A Coruña
- Dirección académica
Brais Cancela Barizo, profesor titular de universidade, investigador da Cátedra UDC-Inditex de IA en Algoritmos Verdes.
- Contacto
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 | 1 de xuño de 2025 | 30 de xuño de 2025 |
| Comunicación de admitidos | Xullo 2025 | |
| Matrícula | 16 de xullo de 2025 | 31 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
- Horas totais de formación certificada
150 horas [6 ECTS] [1 ECTS = 25 horas]
- Sesións presenciais
Sesións ordinarias: luns e mércores, de 16:00 a 20:00 h
Exame final
- Traballo autónomo do alumnado
Traballo individual de preparación de lecturas e casos de estudo.
Traballo individual de preparación do exame final.
- Título ao que dá acceso
Nanomáster en Algoritmos Verdes para a Intelixencia Artificial
- Número de estudantes
Mínimo 12 – máximo 24
- Matrícula
150 €
- Admisión
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 co Nanomáster en Algoritmos Verdes para a Intelixencia Artificial.
- Lugar
CITIC, Universidade da Coruña
Campus de Elviña s/n – 15071 A Coruña
- Dirección académica
Javier Tarrío Saavedra, profesor titular de universidade, investigador da Cátedra UDC-Inditex de IA en Algoritmos Verdes.
- Contacto
catedra.inditex.algoritmos.verdes@udc.gal