1. Qué es Cloud Computing.
2. Un problema, dos soluciones.
3. Fundamentos de sistemas, hardware, software, virtualización.
4. Volvamos al Cloud, proveedores, ¿Cómo empiezo?
5. Cloud Computing, proveedores, miedos, ¿Cómo empiezo?
6. Amazon Web Services (AWS).

Big Data – 3h

1. Importancia de la información, del dato a la sabiduría.
2. Gobierno y gestión de TI.
3. Gobierno de datos.
4. Proyectos de Big Data.
5. Las metodologías ágiles.
6. Lean, Scrum, SAFe.
7. Qué es Big Data.
8. Data Science, IA.
9. Proceso KDD.
10. Aprendizaje supervisado y no supervisado.
11. Metodología CRISP-DM.
12. ASUM-DM.
13. Distancias euclídeo, Manhattan, Chevyshef, Mahalanobis, Hamming.
14. Científico de datos, analista de datos, ingeniero de datos.
15. Diferencias entre el data, BI, BA.
16. Big Data y Data science en la industria 4.0.
17. Algoritmo K-Means.
18. Machine Learning y Deep learning.

Ciberseguridad Industrial – 4h

1. Qué es la CiberSeguridad.
2. CiberSeguridad, un poco de historia.
3. Panorama actual.
4. Conceptos básicos.
5. Introducción a la CiberSeguridad industrial.
6. Relación entre el mundo IT y OT.
7. Protección de infraestructuras críticas.
8. Normativa aplicable.
9. Principales riesgos y vectores de ataque.
10. Principio de seguridad de diseño y defensa en profundidad.
11. Seguridad en arquitecturas OT.
12. Defensa en profundidad tecnologías y técnicas.
13. Abordar un proyecto de CiberSeguridad industrial.
14. Incidentes de seguridad.
15. Concepto de Red Team.
16. Vulnerabilidades más comunes.
17. Amenazas de CiberSeguridad.
18. Técnicas empleadas.
19. Tecnologías de detección y protección.
20.  Forense de redes.
21. Creación de reglas de detección.

Machine Learning e Inteligencia Artificial – 4h

1. Inteligencia artificial y Machine Learning. Casos de uso.
2. Etapas de un sistema de Machine Learning (1): Adquisición, segmentación y pre procesado de datos.
3. Etapas de un sistema de Machine Learning (2): Entrenamiento y validación.
4. Machine Learning clásico (1): Modelos no Supervisados.
5. Machine Learning clásico (2): Modelos supervisados.
6. Introducción al Deep Learning.
7. Tecnologías para Machine Learning y Deep Learning con Python.
8. Inteligencia artificial, sistema de integración de datos de proceso.
9. Machine Learning orientado a minería de datos.
10. Visión artificial avanzada.
11. Lenguaje natural y ChatBots.
12. Plataforma y sistemas IA, estructura de sistemas, Cloud vs On-Premise, modelos de servicio, plataformas industriales comerciales, casos prácticos.

Realidad Aumentada, Realidad Virtual y Visión Artificial – 4h

1. Qué es la visión artificial.
2. Cómo funciona.
3. Cómo se puede aplicar.
4. Cuáles son los desafíos de la visión artificial.
5. Campos de aplicación.
6. Aplicaciones industriales de la visión por ordenador.
7. Qué es la realidad aumentada.
8. Dispositivos hardware.
9. Cómo funciona y cómo se puede aplicar.
10. Cuáles son los desafíos de la realidad aumentada.
11. Campos de aplicación y principales beneficios en la industria.
12. Casos reales.
13. Qué es la realidad virtual.
14. Dispositivos hardware y cómo funciona.
15. Cómo se puede aplicar y cuáles son los desafíos de la realidad virtual.
16. Campos de aplicación y casos reales.

Blockchain – 2h

1. Fundamentos del Blockchain.
2. Arquitectura de Blockchain.
3. Dónde usar Blockchain.
4. Casos de uso.

Robotic Process Automation (RPA) – 2h

1. Qué es RPA y sus beneficios.
2. Tipos de procesos automatizar.
3. Casos de uso de RPA.
4. Principales fabricantes de RPA.
5. Componentes del proyecto RPA.
6. Cómo empezar con RPA.
7. Tendencias del mercado.
8. Fases de una iniciativa de automatización.
9. RPA CoE y Roles.
10. Rueda automatización empresarial.
11. Plataforma hiper automatización UiPath.
12. Automatización de aplicaciones de uso común.

Trabajo fin de Asignatura

Realización por parte de un alumno de un trabajo original que le sirva en su empresa aplicando cualquier tecnología o tecnologías habilitadoras de la Industria 4.0.

La estimación del trabajo será entre 25 y 30 horas en cada asignatura%MCEPASTEBIN%