Máster en Inteligencia Artificial y Big Data Oceánico
Graduados en ciencias del mar, física, matemáticas, informática o ingeniería: que quieran especializarse en IA aplicada al océano
Evaluación de conocimientos previos
Estas son las competencias que da este programa. Marca las que ya dominas y te decimos qué parte del temario es la tuya.
Marca lo que ya dominas y el programa se ajusta a lo que te falta.
¿Qué es el Máster en Inteligencia Artificial y Big Data Oceánico?
El Máster en Inteligencia Artificial y Big Data Oceánico
Te prepara para aplicar la inteligencia artificial y el análisis de grandes volúmenes de datos al conocimiento y la gestión del océano. Aprenderás a integrar datos de satélites, boyas, buques, sensores y modelos numéricos, a construir pipelines de datos escalables en la nube y a entrenar y validar modelos de aprendizaje automático y deep learning para predecir, clasificar y detectar patrones en el medio marino, con criterios de calidad, reproducibilidad y uso responsable de la IA.
Ventajas diferenciales
- Datos oceánicos reales: Trabajo con conjuntos abiertos de satélite, boyas Argo, AIS y reanálisis.
- Del dato al modelo: Ingeniería de datos, aprendizaje automático y despliegue en un mismo programa.
- Herramientas abiertas: Python, entornos en la nube y librerías científicas de uso profesional.
- Casos del sector: Aplicaciones en pesca, navegación, energía, clima y conservación.
- Proyecto propio: Un sistema de IA aplicado a un problema oceánico real.
Aspectos destacados del programa
- Domina los datos: Gestiona datos oceánicos masivos y heterogéneos.
- Entrena modelos: Aplica machine learning y deep learning al medio marino.
- Escala en la nube: Construye pipelines y plataformas de datos reproducibles.
- Usa la IA con criterio: Evalúa incertidumbre, sesgos y limitaciones de los modelos.
- Impulsa tu carrera: Accede a empresas tecnológicas, centros de investigación y organismos marinos.
- Fórmate para convertir los datos del océano en conocimiento y decisiones con inteligencia artificial.
Plan de estudios del Máster en Inteligencia Artificial y Big Data Oceánico
11 módulos. Selecciona un módulo para consultar su contenido.
Fundamentos del Dato Oceánico
- 1.1. El océano como sistema de datos
- 1.2. Variables oceánicas esenciales
- 1.3. Fuentes de observación in situ
- 1.4. Fuentes de teledetección
- 1.5. Salidas de modelos numéricos
- 1.6. Datos de actividad humana en el mar
- 1.7. Formatos NetCDF, HDF5 y Zarr
- 1.8. Metadatos y convenciones CF
- 1.9. Principios FAIR
- 1.10. Grandes repositorios oceánicos internacionales
Programación y Análisis Científico con Python
- 2.1. Entornos y gestión de dependencias
- 2.2. NumPy y cálculo vectorizado
- 2.3. Pandas para series y tablas
- 2.4. Xarray para datos multidimensionales
- 2.5. Análisis geoespacial con GeoPandas
- 2.6. Cálculo paralelo con Dask
- 2.7. Cuadernos Jupyter reproducibles
- 2.8. Control de versiones con Git
- 2.9. Buenas prácticas de código científico
- 2.10. Pruebas y documentación de código
Ingeniería de Datos y Arquitecturas Big Data
- 3.1. Ciclo de vida del dato
- 3.2. Ingesta por lotes y en tiempo real
- 3.3. Lagos y almacenes de datos
- 3.4. Almacenamiento en objetos en la nube
- 3.5. Formatos optimizados para análisis
- 3.6. Catálogos de datos y STAC
- 3.7. Orquestación de flujos de trabajo
- 3.8. Bases de datos espaciales
- 3.9. Streaming de datos de sensores
- 3.10. Costes y eficiencia en la nube
Estadística y Calidad de Datos Oceánicos
- 4.1. Estadística descriptiva aplicada
- 4.2. Control de calidad automático
- 4.3. Detección de valores anómalos
- 4.4. Relleno de huecos e interpolación
- 4.5. Análisis de series temporales
- 4.6. Estadística espacial y krigeado
- 4.7. Análisis de componentes principales
- 4.8. Análisis de extremos
- 4.9. Incertidumbre de medida
- 4.10. Validación cruzada con observaciones
Aprendizaje Automático Aplicado al Océano
- 5.1. Tipos de aprendizaje automático
- 5.2. Ingeniería de variables oceánicas
- 5.3. Regresión y árboles de decisión
- 5.4. Bosques aleatorios y gradient boosting
- 5.5. Clasificación de masas de agua
- 5.6. Agrupamiento y regiones oceánicas
- 5.7. Selección y ajuste de modelos
- 5.8. Métricas de evaluación
- 5.9. Desequilibrio de clases
- 5.10. Interpretabilidad de modelos
Deep Learning para Datos Marinos
- 6.1. Redes neuronales y retropropagación
- 6.2. Redes convolucionales para imágenes
- 6.3. Segmentación semántica
- 6.4. Redes recurrentes y LSTM
- 6.5. Transformers para series temporales
- 6.6. Autoencoders y reducción de dimensión
- 6.7. Modelos generativos
- 6.8. Aprendizaje por transferencia
- 6.9. Entrenamiento con GPU
- 6.10. Regularización y sobreajuste
Visión Artificial e Imagen Submarina y Satelital
- 7.1. Imagen satelital óptica y radar
- 7.2. Detección de buques en imágenes
- 7.3. Cartografía de hábitats costeros
- 7.4. Detección de vertidos y floraciones
- 7.5. Imagen submarina y sus limitaciones
- 7.6. Identificación automática de especies
- 7.7. Conteo y seguimiento de organismos
- 7.8. Etiquetado y anotación de imágenes
- 7.9. Conjuntos de datos de referencia
- 7.10. Validación en campo
IA Física e Híbrida para la Predicción Oceánica
- 8.1. Límites de los modelos puramente estadísticos
- 8.2. Emuladores de modelos numéricos
- 8.3. Redes neuronales informadas por la física
- 8.4. Corrección de sesgos de modelos
- 8.5. Reducción de escala con IA
- 8.6. Asimilación de datos y aprendizaje automático
- 8.7. Predicción de oleaje y corrientes
- 8.8. Predicción de temperatura superficial
- 8.9. Cuantificación de la incertidumbre
- 8.10. Modelos fundacionales emergentes del sistema Tierra
Aplicaciones Sectoriales de la IA Oceánica
- 9.1. Pesca y seguimiento de flotas con AIS
- 9.2. Detección de pesca ilegal
- 9.3. Optimización de rutas marítimas
- 9.4. Operaciones portuarias inteligentes
- 9.5. Energías renovables marinas
- 9.6. Acuicultura de precisión
- 9.7. Seguimiento de áreas marinas protegidas
- 9.8. Contaminación y basura marina
- 9.9. Riesgo climático costero
- 9.10. Bioacústica y fauna marina
MLOps, Ética y Gobernanza de la IA
- 10.1. Del prototipo a producción
- 10.2. Contenedores y despliegue de modelos
- 10.3. Seguimiento de experimentos
- 10.4. Monitorización y deriva de datos
- 10.5. APIs y servicios de predicción
- 10.6. Seguridad y privacidad de los datos
- 10.7. Sesgos y equidad en los modelos
- 10.8. Transparencia y explicabilidad
- 10.9. Marcos regulatorios de la IA
- 10.10. Huella energética de la IA
Proyecto Final de Máster: Sistema de IA para un Reto Oceánico
- 11.1. Definición del problema y los usuarios
- 11.2. Revisión del estado del arte
- 11.3. Selección y obtención de datos
- 11.4. Diseño de la arquitectura de datos
- 11.5. Preparación y control de calidad
- 11.6. Desarrollo y entrenamiento de modelos
- 11.7. Evaluación y análisis de errores
- 11.8. Prototipo de despliegue
- 11.9. Redacción de la memoria
- 11.10. Defensa ante tribunal
Duración y modalidad del Máster en Inteligencia Artificial y Big Data Oceánico
Son 1500 horas. Dinos cuántas puedes dedicar a la semana y te decimos cuándo acabas de verdad.
Dirección académica y claustro
El equipo docente de Navalis: profesionales en activo que imparten y supervisan los programas del centro.
Dra. Marina AlcoverDirectora Académica y Responsable de QA
Ing. Diego CifuentesProfesor Titular de Soldadura Naval y Ensayos No Destructivos; Jefe de QA/QC de Uniones Soldadas
Cap. Javier Abaroa (MCA)Profesor Titular de Maniobra, Navegación Electrónica (ECDIS/Radar/ARPA) y GMDSS; Coordinador de Cumplimiento STCW y CRM de puente
Dr. Pau FerrerProfesor Titular de Arquitectura Naval y Simulación; Director del Laboratorio de Hidrodinámica & CFD
Dra. Nuria LlobregatProfesora Titular de Meteorología Marina, SAR y Seguridad Operativa; Coordinadora de Gestión de Riesgos de Navegación.
Ing. Javier BañulsProfesor Titular de Electricidad, Automatización e Ingeniería ETO; Coordinador de Integración Electrónica y Alarmas de Máquinas
Ing. Sofía MarquinaProfesora Titular de Materiales, Composites y Anticorrosión; Coordinadora de la Línea de Pinturas y Recubrimientos Avanzados 
Ing. Tomás Riera Profesor Titular de Propulsión, Energías Alternativas e Híbridos; Coordinador de Performance Energético y VibracionesOpiniones del alumnado
Reseñas recogidas y verificadas por Opynio, no escritas por nosotros.
Objetivos del Máster en Inteligencia Artificial y Big Data Oceánico
Salidas profesionales del Máster en Inteligencia Artificial y Big Data Oceánico
Requisitos de acceso al Máster en Inteligencia Artificial y Big Data Oceánico
Es recomendable una base mínima, pero el programa incluye un módulo de Python científico desde los fundamentos.
Con datos abiertos de satélite, boyas, flotadores Argo, AIS, reanálisis y salidas de modelos oceánicos.
No. Las prácticas más exigentes se realizan en entornos en la nube y cuadernos remotos.
Sí, incluidos emuladores y modelos híbridos, presentados como un campo en desarrollo con sus límites y su incertidumbre.
Un sistema de IA completo, desde los datos hasta un prototipo desplegado, aplicado a un problema oceánico real.
100% online, con campus virtual disponible 24/7, sesiones en directo que quedan grabadas y tutorías con el profesorado.
El programa tiene una carga de 1500 horas. Puedes avanzar a tu ritmo dentro del calendario que te indicamos al matricularte.
Cada programa tiene su propia fecha de inicio, que aparece en esta ficha y te confirma el equipo de admisiones cuando solicitas información.
Proceso de admisión
Sin esperar a que te llamemos. Si tu documentación está completa, pasas al pago en la misma sesión.
- Perfil académico/profesional: Grado en Ciencias del Mar, Física, Matemáticas, Estadística, Informática, Ingeniería o titulación afín; o experiencia profesional acreditada en análisis de datos o en el sector marino.
- Competencia lingüística: Nivel de español suficiente para seguir clases y materiales; se recomienda inglés técnico básico, ya que buena parte de la normativa y la documentación del sector se publica en inglés.
- Recursos técnicos: Ordenador con conexión estable a internet, navegador actualizado y cámara para las sesiones en directo y las defensas de proyecto.
- Proceso de admisión: Solicitud online, revisión del perfil y entrevista breve con el equipo académico. Te confirmamos la fecha de inicio al recibir tu solicitud de información.
- 01SolicitudDatos, expediente y tus documentos.
- 02Revisión al instanteComprobamos que esté completo y en regla.
- 03MatrículaEliges contado o plazos y reservas plaza.
La admisión es provisional hasta que el comité valida la documentación aportada. Si algo no cumple los requisitos, se devuelve el importe íntegro.
Pregúntanos antes de matricularte
Déjanos tus datos y admisiones te escribe para resolver lo que necesites. Si ya lo tienes claro, puedes ir directamente a la solicitud de admisión y pagar en la misma sesión.