1.1. Panorama de IA aplicada al dominio naval: casos de uso, limitaciones técnicas y criterios de viabilidad operativa
1.2. Tipologías de datos marinos: telemetría, oceanografía, AIS, meteo-mar, sonar e imagen, y su impacto en el modelado
1.3. Ciclo de vida del dato: captura, limpieza, etiquetado, balanceo y control de calidad con trazabilidad
1.4. Arquitecturas de IA: edge a bordo, on-premise en puerto y cloud híbrida con requisitos de latencia
1.5. Fundamentos de aprendizaje supervisado/no supervisado y selección de algoritmos por misión
1.6. Métricas de desempeño: precisión, recall, F1, ROC-AUC y métricas operativas orientadas a riesgo
1.7. Gestión de experimentos: versionado de datos/modelos, reproducibilidad y control de cambios
1.8. Riesgos del modelado en mar: distribución cambiante, ruido sensórico y sesgos por condiciones ambientales
1.9. Documentación técnica: data sheets, model cards y reporte de supuestos para auditoría
1.10. Taller integrador: definición de caso de uso naval con requisitos, datos mínimos y KPI de aceptación

2.1. Integración de fuentes: AIS, VDR, ECDIS, radar, IMU, CTD, ADCP y logs de maquinaria
2.2. Protocolos y formatos: NMEA, Modbus, MQTT, OPC UA, APIs y normalización de esquemas
2.3. Sincronización temporal: NTP/PTP, time-stamping, drift y coherencia multi-sensor
2.4. ETL/ELT en tiempo real: parsing, enriquecimiento, validación y gestión de errores
2.5. Almacenamiento para series temporales: modelado, particionado, retención y compresión
2.6. Data lake/lakehouse para operaciones marítimas: gobierno del dato, linaje y control de acceso
2.7. Calidad del dato en campo: detección de outliers, gaps, calibraciones y QA/QC operativo
2.8. Observabilidad del pipeline: logs, métricas, trazas, latencias y alertas por SLA
2.9. Seguridad del dato: cifrado, segmentación, hardening y continuidad de servicio en mar
2.10. Laboratorio: diseño de pipeline end-to-end desde sensor a dashboard con reglas de validación

3.1. Fundamentos de visión por computador: detección, segmentación, tracking y estimación de movimiento
3.2. Detección de objetos marítimos: embarcaciones, boyas, obstáculos y fauna en condiciones de baja visibilidad
3.3. Fusión cámara–radar–AIS: asociación de blancos, resolución de ambigüedad y consistencia de estado
3.4. Procesado de imagen en entornos extremos: bruma, reflejos, noche, lluvia y vibración a bordo
3.5. Modelos CNN/Transformer para percepción: trade-offs de precisión, latencia y consumo energético
3.6. Supervisión y etiquetado: estrategias semiautomáticas, active learning y control de sesgos
3.7. Evaluación de percepción: mAP, IoU, robustez por escenario y métricas de seguridad operacional
3.8. Despliegue en edge: cuantización, poda, aceleradores y perfiles de rendimiento en hardware embarcado
3.9. Seguridad y privacidad: tratamiento de imagen, retención, anonimización y políticas de acceso
3.10. Proyecto aplicado: sistema de detección y alerta con integración multisensor y reporte técnico

4.1. Variables meteo-oceánicas clave: viento, oleaje, corrientes, mareas y su impacto en la operación
4.2. Series temporales: forecasting, estacionalidad, cambios de régimen y validación por ventana
4.3. Modelos para predicción: ARIMA/Prophet, redes recurrentes, Transformers temporales y enfoques híbridos
4.4. Asimilación y fusión de fuentes: boyas, satélite, modelos numéricos y sensores embarcados
4.5. Predicción de riesgo operativo: umbrales de go/no-go, ventanas meteorológicas y margen de seguridad
4.6. Optimización de ruta: coste, tiempo, confort, consumo y evitación de condiciones adversas
4.7. Incertidumbre y confianza: intervalos, calibración probabilística y decisión bajo incertidumbre
4.8. Alarmas inteligentes: detección de anomalías oceanográficas y disparadores operativos
4.9. Integración con SOPs: procedimientos, escalado, evidencias y registro de decisiones
4.10. Caso práctico: planificación de misión con predicción meteo-mar y criterio de aceptación

5.1. Sistemas de propulsión y auxiliares: variables instrumentadas, modos de fallo y criticidad
5.2. Modelado de condición: vibración, temperatura, presión, consumo y firmas de degradación
5.3. Detección de anomalías: umbrales, modelos estadísticos, autoencoders y enfoque por activos
5.4. Predicción de fallos: remaining useful life (RUL), supervivencia y mantenimiento basado en riesgo
5.5. Integración con CMMS/EAM: órdenes de trabajo, repuestos, SLAs y cierre con evidencias
5.6. Análisis causa raíz asistido por IA: correlaciones, eventos, secuencias y priorización de acciones
5.7. Optimización de paradas: ventanas, recursos, coste y minimización de impacto operacional
5.8. Validación en planta y mar: pruebas, aceptación, falsos positivos y mejora iterativa
5.9. Ciberseguridad OT aplicada: segmentación, acceso mínimo y registro inmutable de eventos
5.10. Taller: diseño de un programa de mantenimiento predictivo con KPIs y plan de implantación

6.1. Procesos portuarios y terminalarios: arrival, berth planning, yard, gate y hinterland
6.2. Predicción de ETA/ETD y congestión: modelos, features, drift y evaluación por temporada
6.3. Optimización de atraques y recursos: asignación, secuenciación y simulación de escenarios
6.4. IA para yard y equipos: movimientos, disponibilidad, mantenimiento y reducción de re-manipulaciones
6.5. Analítica de rendimiento: KPIs operativos, cuellos de botella y mejoras tipo Lean
6.6. Pricing y revenue management: demanda, elasticidad, SLAs y penalizaciones con enfoque data-driven
6.7. Documentación y trazabilidad: eventos, APIs/EDI, calidad del dato y auditoría
6.8. Digital twin conceptual: gemelo del puerto/terminal para prueba de políticas y resiliencia
6.9. Riesgos y continuidad: contingencias, fallos sistémicos y planes de recuperación operativa
6.10. Caso práctico: tablero de decisión con predicción y optimización de recursos en terminal

7.1. Tipologías de robots marinos: ROV, AUV, USV y arquitecturas híbridas orientadas a misión
7.2. Estimación de estado: fusión IMU-DVL-presión, navegación relativa y degradación controlada
7.3. Control de movimiento: PID avanzado, asignación de empuje, saturaciones y estabilidad en 6 DOF
7.4. Planificación de misión: waypoints, geocercas, restricciones y criterios de abort/retorno seguro
7.5. Percepción subacuática: sonar, visión, backscatter, detección y clasificación básica
7.6. Comunicaciones y telemetría: tether, acústica, latencia, pérdida de enlace y estrategias store-and-forward
7.7. Simulación SIL/HIL: escenarios, inyección de fallos y métricas de desempeño
7.8. Seguridad operativa: matrices de riesgo, procedimientos, permisos y coordinación con buque de apoyo
7.9. Gestión de datos de misión: registros, sincronización, evidencias e informes de inspección
7.10. Proyecto aplicado: diseño y validación de una misión robotizada con entrega técnica completa

8.1. Superficie de ataque en sistemas marítimos: IT/OT, sensores, enlaces y estaciones de control
8.2. Amenazas a modelos: envenenamiento de datos, adversarial, fuga de información y manipulación de entrada
8.3. Seguridad por diseño: hardening, control de acceso, segmentación, rotación de claves y logging
8.4. Resiliencia y continuidad: redundancias, failover, backups, pruebas de recuperación y degradación segura
8.5. Seguridad funcional: límites, interlocks, watchdogs y modos de parada segura en sistemas autónomos
8.6. Gestión de incidentes: detección, contención, análisis forense y lecciones aprendidas
8.7. Gobierno de modelos: aprobaciones, cambios, auditoría, trazabilidad y criterios de despliegue
8.8. Compliance técnico-operativo: evidencias, registros, retención y control de proveedores
8.9. Evaluación de riesgos: matrices, umbrales, priorización y aceptación por criticidad
8.10. Taller: plan de ciberseguridad y resiliencia para un sistema de IA embarcado/portuario

9.1. MLOps end-to-end: desarrollo, validación, despliegue y operación con control de versiones
9.2. CI/CD para IA: pruebas, empaquetado, validación de datos y gates de calidad
9.3. Monitorización de modelos: drift, performance decay, alertas y reentrenamiento gobernado
9.4. Observabilidad de pipelines: latencia, disponibilidad, errores, backlog y cumplimiento de SLA
9.5. Gestión de experimentos: tracking, comparativas, reproducibilidad y documentación
9.6. Edge MLOps: despliegue a bordo, actualizaciones seguras y gestión remota
9.7. A/B testing y evaluación operativa: impacto real, seguridad, costes y experiencia del operador
9.8. Gestión de dataset y etiquetado continuo: active learning, data augmentation y control de sesgos
9.9. Reporting ejecutivo: KPIs, riesgos, ROI y priorización de backlog de mejoras
9.10. Laboratorio: implementación de un ciclo MLOps con monitorización y reentrenamiento controlado

10.1. Roadmap de IA marítima: priorización por valor, riesgo, complejidad y madurez de datos
10.2. Gestión de proyectos: alcance, cronograma, presupuesto, riesgos y criterios de aceptación
10.3. Procurement y proveedores: especificaciones, SLAs, propiedad de datos/modelos y validación de entregables
10.4. Ética y responsabilidad: sesgos, explicabilidad, transparencia y límites de automatización
10.5. Gobernanza de datos: privacidad, retención, acceso, transferencias y políticas internas
10.6. Gestión del cambio: adopción operativa, formación, roles y resistencia organizacional
10.7. Diseño de SOPs asistidos por IA: integración con operaciones, escalado y trazabilidad
10.8. Medición de impacto: ROI, TCO, riesgo residual, seguridad y continuidad del negocio
10.9. Portafolio de casos de uso: vigilancia, navegación, mantenimiento, logística y exploración
10.10. Pre-TFM: definición de problema, metodología, dataset, métricas y plan de validación