Inicio > Actividad Física y Deporte > Máster de Formación Permanente en Inteligencia Artificial

6.ª Edición - Código 25811230

Array ( [CODIGO] => 25811230 [EDICION] => 6 [SITUACION] => Aprobado [SITUACION_BIS] => Pendiente [MATRICULA] => 4000 [MATRICULA_2] => 0 [MATRICULA_3] => 0 [HORAS] => 60.00 [FECHA_INICIO] => 19/09/2025 [FECHA_FIN] => 30/07/2027 [LUGAR] => Aula Virtual UV [NOMBRE_EMPRESA_ORGANIZADOR] => Escola Tècnica Superior d'Enginyeria (ETSE-UV) [FECHA_FIN_PREINSCRIPCION] => 08/09/2025 [AREA] => 8 [NOMBRE_EMPRESA_PATROCINADO] => [NOMBRE_EMPRESA_COLABORADOR] => [OBSERVACIONES_PREINSCRIPCION] => [TIPO_DOCENCIA] => A distancia [TIPO_DOCENCIA_1] => 3 [TIPO_DOCENCIA_2] => On-line [AULA_VIRTUAL_ADEIT] => 0 [TIPO_CURSO] => Postgrado [TIPO_CURSO_1] => Título Propio de Pos [DIRECCION_URL] => [AÑO_CURSO] => 37 [URL_VIDEO] => [URL_FACEBOOK] => [URL_TWITTER] => [META_TITLE] => [META_DESCRIPTION] => [META_KEYWORDS] => [DIRECCION_CURSO_CORTO] => inteligencia-artificial-IA [GESTOR_NOMBRE] => Mariam [GESTOR_APELLIDOS] => Conca [GESTOR_EMAIL] => marian.conca@fundacions.uv.es [ADMINISTRATIVO_NOMBRE] => Carolina [ADMINISTRATIVO_APELLIDOS] => Escribano Asensi [ADMINISTRATIVO_EMAIL] => carolina.escribano@fundacions.uv.es [ES_INTERNO] => 1 [EMAIL_EXTERNO] => formacion@adeituv.es [PREINSCRIPCION_WEB] => 1 [URL_AULA_VIRTUAL] => [OFERTADO_OTRO] => 0 [ID_CURSO_OFERTADO] => 0 [DESCRIPCION_OFERTADO] => [TELEFONO_EXTERNO] => 96 160 3000 [MATRICULA_PDTE_APROBACION] => 1 [ID_IDIOMA] => 4 [PUBLICAR_WEB] => 1 [area_curs] => Actividad Física y Deporte [NOMBRE_CURSO] => Máster de Formación Permanente en Inteligencia Artificial [TITULACION] => Máster de Formación Permanente [HORARIO] => Viernes de 16:00 a 21:00 y Sábado de 9:00 a 14:00 [REQUISITOS_TITULACION] => Profesionales y estudiantes interesados en conocer las diversas herramientas de IA para ser aplicadas en diferentes empresas/sectores productivos. El perfil de los participantes es el de ingenieros, matemáticos, físicos, químicos, estadísticos y economistas. No es necesaria experiencia previa en este tipo de temática. [REQUISITOS_OTROS] => [ARG_VENTA] => Este máster tiene como objetivos proporcionar los conocimientos necesarios para poder aplicar las técnicas más avanzadas de Inteligencia Artificial, teniendo la capacidad de formar profesionales altamente cualificados y con los conocimientos/skills necesarios para resolver problemas complejos, desarrollar tareas de responsabilidad en empresas o iniciar actividades de investigación tanto teórica como práctica en inteligencia artificial. Se dirige a todas las personas que procedan del ámbito de las ingenierías, ciencias puras (Matemáticas/Física) o Económicas con un background en modelización. [ARG_VENTA2] => [AÑO_CURSO_DESC] => Curso 2025/2026 [MODALIDAD_EVALUACION] => La metodología es la clásica de clase magistral con una orientación muy práctica, planteando casos reales en cada uno de los diferentes temas que tiene el curso. [MODALIDAD_EVALUACION2] => [OBSERVACION_MATRICULA_1] => General [OBSERVACION_MATRICULA_2] => [OBSERVACION_MATRICULA_3] => [SALIDA_PROFESIONAL] => Estos perfiles profesionales pueden desarrollar su actividad en cualquier organización que utilice herramientas de IA o analice datos de cara a optimizar su negocio. Está especialmente diseñado para formar profesionales en los siguientes sectores: Sector financiero y de seguros; Sector de consultoría; Comercio electrónico; Institutos de investigación; Instituciones públicas; así como Departamentos de análisis de datos de otras industrias. [CRITERIO_ADMISION] => Para admitir a los estudiantes se tendrá en cuenta: a) titulación universitaria con la que se accede; b) experiencia laboral previa en tema de datos/IA; c) entrevista personal con el estudiante [CRITERIO_ADMISION2] => [CRITERIO_ADMISION3] => [FORMACION_APRENDIZAJE] => 1. Definir los conceptos fundamentales de la inteligencia artificial, incluyendo redes neuronales, algoritmos de aprendizaje profundo, procesamiento de lenguaje natural, y visión computacional. 2. Describir el funcionamiento y la aplicación de algoritmos clave de aprendizaje profundo, en problemas de regresión, clasificación, agrupamiento y de IA generativa. 3. Interpretar el rendimiento de modelos de inteligencia artificial, utilizando métricas de evaluación como precisión, recall, F1-score, y curvas ROC para comprender la efectividad y el comportamiento de los modelos. 4. Relacionar conceptos teóricos de aprendizaje profundo con aplicaciones prácticas, vinculando algoritmos y enfoques teóricos con problemas del mundo real en áreas como medicina, finanzas, y tecnología. 5. Demostrar habilidades en el diseño, entrenamiento y evaluación de modelos de inteligencia artificial para resolver problemas prácticos, aplicando técnicas de preprocesamiento, selección de características y ajuste de hiperparámetros. [FORMACION_APRENDIZAJE2] => [FORMACION_APRENDIZAJE3] => [ANO_CURSO_DESC] => Curso 2025/2026 [programa] => Array ( [0] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 3 [NOMBRE_MATERIA] => Herramientas para la IA [NOMBRE_MATERIA_VAL] => Eines per a la IA [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Introducción al máster: Machine/Deep Learning/IA. Principales programas para IA. R/Python/Tensorflow/Keras/Pytorch. Conceptos de algebra; probabilidad; estadística. Machine Learning. Revisión de conceptos. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Introducció al màster: Machine/Deep Learning/IA. Principals programes per a IA. R/Python/Tensorflow/Keras/Pytorch. Conceptes de algebra; probabilitat; estadística. Machine Learning. Revisió de conceptes. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 1 ) [1] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 5 [NOMBRE_MATERIA] => Aprendizaje Reforzado [NOMBRE_MATERIA_VAL] => Aprenentatge Reforçat [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Introducción. Fundamentos matemáticos: Ecuación de Bellman. Procesos MDP. Aprendizaje por diferencias temporales. SARSA. Q-Learning. DQN y variantes. RL basado en políticas. Modelos Actor-Crítico. Versiones profundas. Ejemplos de aplicación. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Introducció. Fonaments matemàtics: Equació de Bellman. Processos MDP. Aprenentatge per diferències temporals. SARSA. Q-Learning. DQN i variants. RL basat en polítiques. Models Actor-Crític. Versions profundes. Exemples d'aplicació. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 2 ) [2] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 7 [NOMBRE_MATERIA] => Aprendizaje profundo (I) [NOMBRE_MATERIA_VAL] => Aprenentatge profund (I) [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Redes neuronales multicapa estrechas y profundas. Implementación de modelos neuronales profundos con Keras/Tensorflow. Aplicaciones en modelización y clasificación: ejemplos. Autoencoders. Redes convolucionales. Arquitecturas y Algoritmos de aprendizaje. Aprendizaje por transferencia. Ejemplos de aplicación. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes neuronals multicapa estretes i profundes. Implementació de models neuronals profunds amb Keras/Tensorflow. Aplicacions en modelització i classificació: exemples. Autoencoders. Xarxes convolucionals. Arquitectures i Algorismes d'aprenentatge. Aprenentatge per transferència. Exemples d'aplicació. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 3 ) [3] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 6 [NOMBRE_MATERIA] => Procesado del Lenguaje Natural [NOMBRE_MATERIA_VAL] => Processament del Llenguatge Natural [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Adquisición y preprocesado de texto. Extracción de características BoW y TF-IDF. Topic Modeling. Extracción de información. Word embeddings. Transformers. Modelos generativos. Ejemplos de aplicación. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Adquisició i preprocesado de text. Extracció de característiques BoW i TF-IDF. Topic Modeling. Extracció d'informació. Word embeddings. Transformers. Models generatius. Exemples d'aplicació. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 4 ) [4] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 1 [NOMBRE_MATERIA] => Aprendizaje profundo (II) [NOMBRE_MATERIA_VAL] => Aprenentatge profund (II) [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Redes neuronales recurrentes (RNN): LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), Bidirectional LSTM. Aplicaciones en finanzas. Redes Generativas Adversariales (GAN). [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes neuronals recurrents (RNN): LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), Bidirectional LSTM. Aplicacions en finances. Xarxes Generatives Adversariales (GAN). [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 5 ) [5] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 8 [NOMBRE_MATERIA] => IA en cloud [NOMBRE_MATERIA_VAL] => IA en cloud [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => APIs de aprendizaje automático: Soluciones AWS: productos de DL y ML. Soluciones Google: AutoML, AI Hub. Microsoft Azure Machine Learning. [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => APIs d'aprenentatge automàtic: Solucions AWS: productes de DL i ML. Solucions Google: AutoML, #AI Hub. Microsoft Azure Machine Learning. [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 6 ) [6] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 4 [NOMBRE_MATERIA] => IA industrial [NOMBRE_MATERIA_VAL] => IA industrial [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Este módulo se evaluará mediante un trabajo que los alumnos deben realizar sobre una de las aplicaciones descritas a lo largo de esta asignatura (a elección del alumno). [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Aquest mòdul s'avaluarà mitjançant un treball que els alumnes han de realitzar sobre una de les aplicacions descrites al llarg d'aquesta assignatura (a elecció de l'alumne). [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 7 ) [7] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 9 [NOMBRE_MATERIA] => Trabajo final de Máster [NOMBRE_MATERIA_VAL] => Treball final de Màster [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Desarrollo de un trabajo poniendo en práctica los conocimientos adquiridos [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Desenvolupament d'un treball posant en pràctica els coneixements adquirits [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 8 ) [8] => Array ( [CODIGO_CURSO] => 25811230 [AÑO_CURSO] => 37 [CODIGO] => 2 [NOMBRE_MATERIA] => Otros modelos de IA [NOMBRE_MATERIA_VAL] => Altres models de IA [DESCRIPCION] => programa || programa2 || programa3 [DESCRIPCION1] => Redes neuronales basadas en grafos. Modelos multimodales. Modelos de difusión. Explicabilidad en modelos de aprendizaje profundo [DESCRIPCION2] => [DESCRIPCION3] => [DESCRIPCION1_VAL] => Xarxes neuronals basades en grafs. Models multimodals. Models de difusió. Explicabilidad en models d'aprenentatge profund [DESCRIPCION2_VAL] => [DESCRIPCION3_VAL] => [ORDEN] => 9 ) ) [professors] => Array ( [0] => Array ( [DNI] => emp453890 [NOMBRE_PERSONA] => Emma [APELLIDOS] => Amorós Belda [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientist - Open Bank [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [1] => Array ( [DNI] => emp388952 [NOMBRE_PERSONA] => Diego [APELLIDOS] => Bonilla Salvador [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Senior Data Scientist-Cognizant [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [2] => Array ( [DNI] => emp368940 [NOMBRE_PERSONA] => Raúl Vicente [APELLIDOS] => Casaña Eslava [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientist / Santa Bárbara [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [3] => Array ( [DNI] => emp409235 [NOMBRE_PERSONA] => Juan José [APELLIDOS] => Garcés Iniesta [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [4] => Array ( [DNI] => uni56104 [NOMBRE_PERSONA] => Juan [APELLIDOS] => Gómez Sanchis [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => M8537 [EMAIL_FACULTAD] => juango3@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [5] => Array ( [DNI] => uni80011 [NOMBRE_PERSONA] => Pablo [APELLIDOS] => Hernández Cámara [PDI] => 6 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => U2082 [EMAIL_FACULTAD] => hercapa@uv.es [CARGO_EMPRESA] => Investigador/a en Formación Predoctorado FPU. Departamento de Ingeniería Electrónica. Universitat de València [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [6] => Array ( [DNI] => uni98788 [NOMBRE_PERSONA] => Valero [APELLIDOS] => Laparra Pérez-Muelas [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => M7054 [EMAIL_FACULTAD] => valero.laparra@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [7] => Array ( [DNI] => uni62689 [NOMBRE_PERSONA] => Francisco [APELLIDOS] => Martínez Gil [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Informàtica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => H6216 [EMAIL_FACULTAD] => fmgil@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [8] => Array ( [DNI] => uni80897 [NOMBRE_PERSONA] => Antonio [APELLIDOS] => Martínez González [PDI] => 6 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => W3535 [EMAIL_FACULTAD] => anmarg29@uv.es [CARGO_EMPRESA] => Investigador/a no Doctor/a UV A1. Departamento de Ingeniería Electrónica. Universitat de València [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [9] => Array ( [DNI] => emp246039 [NOMBRE_PERSONA] => Francisco [APELLIDOS] => Martinez Martinez [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientist/Santa Bárbara. Ingeniería Técnica de Telecomunicación, especialidad en Sistemas Electrónicos [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => Data Scientist / Santa Bárbara ) [10] => Array ( [DNI] => emp246038 [NOMBRE_PERSONA] => José María [APELLIDOS] => Martínez Martínez [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data Scientist / Santa Bárbara [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [11] => Array ( [DNI] => uni96985 [NOMBRE_PERSONA] => Fernando [APELLIDOS] => Mateo Jimenez [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => I6169 [EMAIL_FACULTAD] => fermaji@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [12] => Array ( [DNI] => emp376772 [NOMBRE_PERSONA] => Alberto [APELLIDOS] => Oteo García [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Data scientist [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [13] => Array ( [DNI] => emp368937 [NOMBRE_PERSONA] => Rafael [APELLIDOS] => Plá Micó [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Presidente de Innovall Cluster [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [14] => Array ( [DNI] => emp393057 [NOMBRE_PERSONA] => Pablo [APELLIDOS] => Rodríguez Belenguer [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => 0 [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [15] => Array ( [DNI] => uni64103 [NOMBRE_PERSONA] => Manuel Antonio [APELLIDOS] => Sánchez-Montañés Isla [PDI] => 3 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Contratado Doctor - Universidad Autónoma de Madrid [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [16] => Array ( [DNI] => emp450109 [NOMBRE_PERSONA] => Arturo [APELLIDOS] => Sirvent Fresneda [PDI] => 4 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => [EMAIL_FACULTAD] => [CARGO_EMPRESA] => Artificial Intelligence Engineer - Tyris.ai [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [17] => Array ( [DNI] => uni51421 [NOMBRE_PERSONA] => Emilio [APELLIDOS] => Soria Olivas [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Catedrático/a de Universidad [NPI] => H4268 [EMAIL_FACULTAD] => soriae@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [18] => Array ( [DNI] => uni55893 [NOMBRE_PERSONA] => Joan [APELLIDOS] => Vila Francés [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Profesor/a Titular de Universidad [NPI] => H1797 [EMAIL_FACULTAD] => vifranjo@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) [19] => Array ( [DNI] => uni79943 [NOMBRE_PERSONA] => Jorge [APELLIDOS] => Vila Tomás [PDI] => 6 [DEPARTAMENTO_FACULTAD] => [CARGO_FACULTAD] => [NPI] => U2136 [EMAIL_FACULTAD] => jorvito2@uv.es [CARGO_EMPRESA] => Investigador/a en Formación Prometeo. Universitat de València [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) ) [direccio] => Array ( [0] => Array ( [0] => Array ( [DNI] => uni51421 [NOMBRE_PERSONA] => Emilio [APELLIDOS] => Soria Olivas [PDI] => 1 [DEPARTAMENTO_FACULTAD] => Departament d'Enginyeria Electrònica. Universitat de València [CARGO_FACULTAD] => Catedrático/a de Universidad [NPI] => H4268 [EMAIL_FACULTAD] => soriae@uv.es [CARGO_EMPRESA] => [DIRECCION_URL_POSTGRADO] => [URL_LINKEDIN_POSTGRADO] => ) ) ) )

Máster de Formación Permanente en Inteligencia Artificial

Datos generales
-
 Programa
+
 Dirección
+
 Profesorado
+
 Metodología
+
 Acceso y Resultados de Aprendizaje
+

Datos generales

Curso académico: Curso 2025/2026

Tipo de curso: Máster de Formación Permanente

Número de créditos: 60.00 Créditos ECTS

Preinscripción al curso: Hasta el 08/09/2025

Fecha inicio: Septiembre 2025

Fecha fin: Julio 2027

Matrícula: 4000 € (importe precio público pendiente de aprobación por el Consejo Social Universitat de València.) General

Modalidad: On-line

Lugar de impartición: Aula Virtual UV

Horario: Viernes de 16:00 a 21:00 y Sábado de 9:00 a 14:00

Más información

Objetivos del curso

Este máster tiene como objetivos proporcionar los conocimientos necesarios para poder aplicar las técnicas más avanzadas de Inteligencia Artificial, teniendo la capacidad de formar profesionales altamente cualificados y con los conocimientos/skills necesarios para resolver problemas complejos, desarrollar tareas de responsabilidad en empresas o iniciar actividades de investigación tanto teórica como práctica en inteligencia artificial. Se dirige a todas las personas que procedan del ámbito de las ingenierías, ciencias puras (Matemáticas/Física) o Económicas con un background en modelización.

Objetivos profesionales

Estos perfiles profesionales pueden desarrollar su actividad en cualquier organización que utilice herramientas de IA o analice datos de cara a optimizar su negocio. Está especialmente diseñado para formar profesionales en los siguientes sectores: Sector financiero y de seguros; Sector de consultoría; Comercio electrónico; Institutos de investigación; Instituciones públicas; así como Departamentos de análisis de datos de otras industrias.

¡Preinscríbete ya!

Solicita información

Responsable: Universitat de València. Edifici del Rectorat. Av. Blasco Ibáñez, 13. 46010-València.
Delegado de Protección de Datos: D. Javier Plaza Penadés lopd@uv.es
Finalidad: Enviar información relevante de cursos de postgrado.
Se obtienen perfiles al objeto de personalizar el trato conforme a sus características o necesidades y poder así dirigirle las novedades más convenientes.
Legitimación: Para el envío de información acerca de los Títulos Propios de la Universidad de València la base de legitimación es el consentimiento del interesado.
Destinatarios: Fundació Universitat-Empresa de Valéncia y Universitat de València.
Plazo: Los datos del Usuario serán conservados hasta que solicite su baja, se oponga o revoque su consentimiento.
Derechos: Acceder, rectificar y suprimir los datos así como otros derechos como se explica en la información adicional.
Amplíe información: www.adeituv.es/politica-de-privacidad.

 
Descargar folleto informativo en pdf
FAQS
 
Imprimir información