Máster en Machine Learning para Seguridad Marítima

1.1. Introducción al Aprendizaje Automático en la industria marítima: casos de uso en seguridad, vigilancia y respuesta a emergencias

1.2. Preprocesamiento, limpieza e imputación de datos marinos ruidosos (sensor de radar, sonar, GNSS e IoT)

1.3. Algoritmos de aprendizaje supervisado aplicados: Regresión, Árboles de Decisión, Random Forest y SVM

1.4. Algoritmos de aprendizaje no supervisado: Clustering (K-Means, DBSCAN) para patrones de tráfico y detección de anomalías

1.5. Fundamentos de Aprendizaje Profundo (Deep Learning): perceptrón multicapa y arquitecturas avanzadas

1.6. Evaluación y validación de modelos: métricas de rendimiento (precisión, exhaustividad, ROC-AUC) en eventos raros de riesgo

1.7. Herramientas y bibliotecas del ecosistema Python (Scikit-Learn, TensorFlow, PyTorch, Pandas, GeoPandas)

1.8. Ingesta y gestión de flujos de datos en tiempo real (Data Streaming) para entornos de control marítimo

1.9. Principios de MLOps: despliegue, monitorización y actualización de modelos en centros de salvamento y buques

1.10. Ética, sesgos y explicabilidad de la IA (XAI – SHAP/LIME) en la toma de decisiones críticas de navegación

2.1. Estructura y procesamiento masivo de datos AIS (Automatic Identification System) y VMS (Vessel Monitoring System)

2.2. Algoritmos de alineación y reconstrucción de trayectorias con Filtros de Kalman y Redes Neurónicas Recurrentes (RNN/LSTM)

2.3. Detección de apagados de transpondedor (Dark Vessels) y comportamiento sospechoso mediante Machine Learning

2.4. Identificación de pesca ilegal, no declarada y no reglamentada (INDNR / IUU) mediante análisis de patrones espacio-temporales

2.5. Modelos no supervisados (Isolation Forest, Autoencoders) para la identificación de desvíos de ruta involuntarios o maliciosos

2.6. Clasificación automática de tipos de buques basada en la cinemática y patrones de maniobra

2.7. Detección de suplantación de identidad GPS/AIS (Spoofing) y falsificación de posiciones marítimas

2.8. Modelado de densidad de tráfico y mapas de calor dinámicos de riesgo de colisión

2.9. Integración de datos de radares costeros y radares de apertura sintética (SAR) con señales telemáticas

2.10. Sistemas de alerta temprana para la detección de narcotráfico, contrabando y piratería en alta mar

3.1. Fundamentos de Visión por Computador aplicados al entorno marino: desafíos ópticos (brillo, olas, niebla, reflexión)

3.2. Detección y segmentación de objetos marinos en tiempo real con arquitecturas YOLO, Faster R-CNN y Mask R-CNN

3.3. Clasificación de embarcaciones a partir de imágenes electro-ópticas (EO) e infrarrojas (IR/FLIR)

3.4. Procesamiento de imágenes satelitales ópticas y de Radar de Apertura Sintética (SAR) para la vigilancia oceánica global

3.5. Identificación automática de obstáculos, náufragos, contenedores a la deriva y fauna marina

3.6. Algoritmos de seguimiento multiobjeto (Multi-Object Tracking – MOT) en secuencias de vídeo de cámaras a bordo

3.7. Visión por computador aplicada al atracado autónomo y navegación en canales estrechos

3.8. Detección de vertidos de hidrocarburos (Oil Spills) y contaminación plástica mediante imágenes multiespectrales

3.9. Fusión de imágenes con datos cinemáticos para el reconocimiento situacional inmersivo en el puente de mando

3.10. Optimización de modelos de visión para ejecución en dispositivos Edge (Edge AI) instalados en drones y boyas

4.1. Formalización matemática e interpretación del Convenio COLREG (Reglamento Internacional para Prevenir Abordajes)

4.2. Cálculo del Dominio del Buque (Ship Domain) y métricas de riesgo de colisión (CPA – Closest Point of Approach, TCPA)

4.3. Aprendizaje por Refuerzo (Reinforcement Learning) para la toma de decisiones dinámicas en maniobras de evasión

4.4. Algoritmos de planificación de rutas seguras (Path Planning) bajo restricciones ambientales y de tráfico

4.5. Sistemas Inteligentes de Acompañamiento y Asistencia a la Navegación (Sistemas Decision Support Systems – DSS)

4.6. Simulación de escenarios de encuentros múltiples de buques y resolución de situaciones de peligro extremo

4.7. Redes Neuronales Informadas por la Física (PINNs) para la modelación del comportamiento dinámico del buque

4.8. Evaluación del factor humano y análisis de fatiga mediante monitorización biométrica y visualización AI

4.9. Integración de la IA con el Sistema de Identificación y Seguimiento a Larga Distancia (LRIT)

4.10. Validación y certificación de algoritmos de navegación autónoma según directrices de la OMI (Buques MASS)

5.1. Modelos de Machine Learning para la predicción rápida de eventos meteorológicos extremos (galernas, huracanes, niebla)

5.2. Procesamiento de datos oceanográficos: temperatura superficial, salinidad, corrientes y altura significativa de ola

5.3. Algoritmos de aprendizaje automático para el pronóstico de deriva de objetos, embarcaciones inutilizadas y vertidos

5.4. Optimización de rutas marítimas (Weather Routing) para la minimización del riesgo de daños por mal tiempo

5.5. Detección y predicción de la formación de hielo marino (Sea Ice) y témpanos (Icebergs) mediante imágenes SAR y ML

5.6. Modelado del fenómeno de olas gigantes (Rogue Waves) mediante algoritmos de aprendizaje profundo

5.7. Detección de resonancia y peligro de vuelco por pérdida de estabilidad dinámicas (Parametric Rolling)

5.8. Fusión de predicciones numéricas tradicionales (ECMWF, NOAA) con modelos corregidos por IA

5.9. Estimación de fuerzas de impacto del oleaje en estructuras offshore y puertos

5.10. Generación de mapas interactivos de riesgos meteorológicos y recomendación de rutas en tiempo real

6.1. Monitorización de la salud del casco (Structural Health Monitoring): detección de fatiga, grietas y deformaciones

6.2. Mantenimiento predictivo de la planta propulsora (motores principales, auxiliares y turbocompresores) con sensores IoT

6.3. Análisis de vibraciones y datos de lubricación con algoritmos de clasificación de fallos iniciales

6.4. Estimación de la Vida Útil Restante (RUL) de componentes críticos del buque utilizando modelos de regresión temporal

6.5. Monitorización del sistema de gobierno, servomotores y hélices para evitar pérdidas de maniobrabilidad

6.6. Detección de fallos en sistemas de extinción de incendios, estanqueidad de escotillas y bombas de achique

6.7. Evaluación del estado de baterías y sistemas de propulsión híbrida/eléctrica en buques modernos

6.8. Analítica de datos de caja negra marina (VDR – Voyage Data Recorder) para auditorías de seguridad

6.9. Automatización de planes de mantenimiento preventivo y abastecimiento de repuestos de emergencia

6.10. Gemelos Digitales informados por datos para la evaluación en tiempo real de la seguridad del barco

7.1. Análisis del panorama de amenazas cibernéticas en el sector marítimo: buques, puertos y canales navales

7.2. Detección de intromisiones y anomalías en redes OT/IT a bordo (CAN Bus, NMEA, Modbus) mediante ML

7.3. Protección de sistemas de posicionamiento (GPS/GNSS) contra ataques de Spoofing y Jamming con IA

7.4. Ciberseguridad en buques autónomos y conectados a la nube mediante arquitecturas Zero Trust e IA

7.5. Análisis del comportamiento cibernético de tripulantes y personal del centro de control (detección de Phishing y fugas)

7.6. Modelos predictivos de riesgo ciber-físico en infraestructuras portuarias y terminales automatizadas

7.7. Detección de ransomware y malware específico para sistemas de control industrial marítimo (ICS/SCADA)

7.8. Inteligencia de amenazas marítimas (Cyber Threat Intelligence) mediante minería de textos y NLP

7.9. Protocolos de respuesta automatizada ante incidentes ciberseguros a bordo durante la navegación

7.10. Normativas de ciberseguridad marítima (Resolución MSC.428(98) de la OMI, ISO/IEC 27001, NIS 2)

8.1. Optimización de operaciones de Búsqueda y Rescate (SAR) mediante la predicción algorítmica de zonas de búsqueda

8.2. Coordinación autónoma de enjambres de drones (UAV) y vehículos de superficie (USV) en misiones de rescate

8.3. Detección térmica y visual de personas en el agua (MOB – Man Overboard) mediante algoritmos Edge AI

8.4. Planificación de evacuaciones de emergencia en buques de pasaje utilizando simulación basada en agentes y ML

8.5. Algoritmos de priorización y asignación de recursos de rescate en catástrofes marítimas

8.6. Análisis de llamadas de socorro (Mayday) y comunicaciones por voz con Procesamiento de Lenguaje Natural

8.7. Gestión del riesgo en incendios a bordo: predicción de propagación de fuego y humo en cubiertas

8.8. Integración de sistemas de alerta temprana con redes satelitales Cospas-Sarsat

8.9. Evaluación de daños post-colisión o varada mediante modelos de aprendizaje automático

8.10. Análisis de datos históricos de accidentes marítimos para la mejora continua de protocolos de salvamento

9.1. Monitorización inteligente de accesos portuarios y zonas restringidas mediante reconocimiento facial y de matrículas

9.2. Inspección automatizada de contenedores: análisis no destructivo por rayos X/Gama mediante imágenes Deep Learning

9.3. Detección de polizones, tráfico de seres humanos y mercancías ilícitas en recintos portuarios

9.4. Evaluación del riesgo de buques antes de la entrada a puerto (Port State Control inteligente)

9.5. Modelos predictivos de congestión portuaria y prevención de accidentes en zonas de fondeo

9.6. Seguridad ambiental en puertos: monitorización de la calidad del aire, ruido y vertidos accidentales

9.7. Coordinación de la seguridad en la interfaz buque-puerto (Código PBIP / ISPS Code)

9.8. Inteligencia geopolítica y evaluación de riesgos en rutas marítimas en zonas de conflicto

9.9. Sistemas de información y gestión del tráfico de buques (VTS – Vessel Traffic Services) potenciados por IA

9.10. Gobernanza internacional, privacidad de datos en altamar y regulación de la Inteligencia Artificial en la seguridad

10.1. Definición del caso de estudio real en el ámbito de la seguridad marítima (prevención, vigilancia, SAR o ciberseguridad)

10.2. Selección, recopilación y estructuración de conjuntos de datos marinos (AIS, imágenes satelitales, sensores)

10.3. Diseño de la arquitectura de Machine Learning o Deep Learning para la resolución del problema planteado

10.4. Entrenamiento, ajuste de hiperparámetros y optimización de los modelos desarrollados

10.5. Integración de componentes en una canalización de datos en tiempo real (Data Pipeline)

10.6. Desarrollo de la interfaz de usuario / Cuadro de mando operacional para centros de salvamento o puentes de mando

10.7. Validación experimental del sistema utilizando datos no vistos y simulaciones de escenarios críticos

10.8. Evaluación del impacto en la reducción de riesgos, costes operativos y tiempos de respuesta

10.9. Redacción de la memoria técnica y ejecutiva conforme a los estándares académicos e industriales

10.10. Presentación pública, demostración en directo del modelo y defensa oral ante el tribunal de expertos