II. Autoridades y personal. - B. Oposiciones y concursos. MINISTERIO DE TRANSPORTES, MOVILIDAD Y AGENDA URBANA. Escala de Titulados de Escuelas Técnicas de Grado Medio de Organismos del Ministerio de Transportes, Movilidad y Agenda Urbana. (BOE-A-2022-24474)
Resolución de 28 de diciembre de 2022, de la Subsecretaría, por la que se convoca proceso selectivo para ingreso, por el sistema general de acceso libre, en la Escala de Titulados de Escuelas Técnicas de Grado Medio de Organismos del Ministerio de Transportes, Movilidad y Agenda Urbana.
34 páginas totales
Página
Zahoribo únicamente muestra información pública que han sido publicada previamente por organismos oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
BOLETÍN OFICIAL DEL ESTADO
Sábado 31 de diciembre de 2022
Sec. II.B. Pág. 193691
18. Introducción a la simulación. ¿Qué es un estudio de simulación?
19. Aspectos numéricos y computacionales en problemas de simulación.
20. Tipos de simulación I: simulación discreta, continua, combinada.
21. Tipos de simulación II: determinística y/o estocástica, estática y dinámica, con
orientación hacia procesos.
22. Técnicas numéricas de tratamiento de datos experimentales. Modelización y
optimización.
23. Métodos de Montecarlo en simulaciones. Generalidades. Simulación, obtención
y transformación de variables aleatorias. Métodos de Montecarlo en técnicas numéricas.
24. Introducción a los sistemas de control.
25. Herramientas de representación. Técnicas de presentación y defensa en
proyectos de simulación.
26. Inteligencia artificial: la orientación heurística, inteligencia artificial distribuida,
agentes inteligentes.
27. Modelos de Inteligencia Artificial. Regresión lineal. Regresión logística. Análisis
discriminación lineal. Árboles de decisión. Otros modelos.
28. Introducción al aprendizaje automático: Machine Learning e Inteligencia
Artificial. Fundamentos de Machine Learning. Tipos de aprendizaje en Machine Learning
según feedback. Tipos de aprendizaje en Machine Learning según resultados obtenidos.
29. Inteligencia de negocios e integración inteligente de datos: los métodos de
extracción, transformación y carga (ETL).
30. Minería de textos y tecnologías del procesamiento del lenguaje natural.
31. Introducción a los métodos de clasificación supervisada. Características.
32. Clasificación binaria, multiclase y métricas. Curva ROC.
33. Validación cruzada Análisis discriminante.
34. Clasificación con Support Vector Machine (SVM). Clasificación con Naive Bayes
35. Clasificación con KNN, regresión logística y softmax.
36. Regresión y clasificación con árboles de decisión. Árbol Chaid. Árbol CART.
Árbol QUEST. Árbol C5.0.
37. Combinación de clasificadores: ensembles y random forests.
38. La visión artificial: definición y aspectos principales.
39. Componentes de un sistema de visión artificial I. Ópticas. Iluminación.
Cámaras. Sistemas 3D. Sensores.
40. Componentes de un sistema de visión artificial II Frame Grabbers.
Equipos.compactos. Metodologías para la selección del hardware.
41. Procesado de imágenes mediante visión artificial. Algoritmos. Software.
Segmentación e interpretación de imágenes.
42. Aplicaciones de la visión artificial en la industria. Aplicaciones clásicas:
discriminación, detección de fallos… Nuevas aplicaciones: códigos OCR, trazabilidad,
robótica, reconocimiento (OKAO).
43. Aprendizaje profundo. Diferencias existentes entre el aprendizaje profundo y el
aprendizaje automático. Cronología histórica. Pioneros del campo del aprendizaje
profundo. Principales ventajas del aprendizaje profundo.
44. Introducción a los sistemas Neuronales. Redes Neuronales. Propiedades.
Redes profundas y redes poco profundas.
45. Estrategias de aprendizaje. Entrada y salida de datos. Entrenar una red
neuronal. Gráficos computacionales. Implementación de una red profunda. El algoritmo
de propagación directa. Redes neuronales profundas multicapa.
46. El aprendizaje profundo por refuerzo. Concepto de aprendizaje profundo por
refuerzo. Los elementos que componen un modelo de aprendizaje profundo por refuerzo.
El funcionamiento del aprendizaje profundo por refuerzo. Recompensas vs
penalizaciones. La ecuación de Bellman.
47. Aplicaciones del aprendizaje profundo. El concepto de IoT.
48. Conceptos básicos de redes neuronales.
cve: BOE-A-2022-24474
Verificable en https://www.boe.es
Núm. 314
Sábado 31 de diciembre de 2022
Sec. II.B. Pág. 193691
18. Introducción a la simulación. ¿Qué es un estudio de simulación?
19. Aspectos numéricos y computacionales en problemas de simulación.
20. Tipos de simulación I: simulación discreta, continua, combinada.
21. Tipos de simulación II: determinística y/o estocástica, estática y dinámica, con
orientación hacia procesos.
22. Técnicas numéricas de tratamiento de datos experimentales. Modelización y
optimización.
23. Métodos de Montecarlo en simulaciones. Generalidades. Simulación, obtención
y transformación de variables aleatorias. Métodos de Montecarlo en técnicas numéricas.
24. Introducción a los sistemas de control.
25. Herramientas de representación. Técnicas de presentación y defensa en
proyectos de simulación.
26. Inteligencia artificial: la orientación heurística, inteligencia artificial distribuida,
agentes inteligentes.
27. Modelos de Inteligencia Artificial. Regresión lineal. Regresión logística. Análisis
discriminación lineal. Árboles de decisión. Otros modelos.
28. Introducción al aprendizaje automático: Machine Learning e Inteligencia
Artificial. Fundamentos de Machine Learning. Tipos de aprendizaje en Machine Learning
según feedback. Tipos de aprendizaje en Machine Learning según resultados obtenidos.
29. Inteligencia de negocios e integración inteligente de datos: los métodos de
extracción, transformación y carga (ETL).
30. Minería de textos y tecnologías del procesamiento del lenguaje natural.
31. Introducción a los métodos de clasificación supervisada. Características.
32. Clasificación binaria, multiclase y métricas. Curva ROC.
33. Validación cruzada Análisis discriminante.
34. Clasificación con Support Vector Machine (SVM). Clasificación con Naive Bayes
35. Clasificación con KNN, regresión logística y softmax.
36. Regresión y clasificación con árboles de decisión. Árbol Chaid. Árbol CART.
Árbol QUEST. Árbol C5.0.
37. Combinación de clasificadores: ensembles y random forests.
38. La visión artificial: definición y aspectos principales.
39. Componentes de un sistema de visión artificial I. Ópticas. Iluminación.
Cámaras. Sistemas 3D. Sensores.
40. Componentes de un sistema de visión artificial II Frame Grabbers.
Equipos.compactos. Metodologías para la selección del hardware.
41. Procesado de imágenes mediante visión artificial. Algoritmos. Software.
Segmentación e interpretación de imágenes.
42. Aplicaciones de la visión artificial en la industria. Aplicaciones clásicas:
discriminación, detección de fallos… Nuevas aplicaciones: códigos OCR, trazabilidad,
robótica, reconocimiento (OKAO).
43. Aprendizaje profundo. Diferencias existentes entre el aprendizaje profundo y el
aprendizaje automático. Cronología histórica. Pioneros del campo del aprendizaje
profundo. Principales ventajas del aprendizaje profundo.
44. Introducción a los sistemas Neuronales. Redes Neuronales. Propiedades.
Redes profundas y redes poco profundas.
45. Estrategias de aprendizaje. Entrada y salida de datos. Entrenar una red
neuronal. Gráficos computacionales. Implementación de una red profunda. El algoritmo
de propagación directa. Redes neuronales profundas multicapa.
46. El aprendizaje profundo por refuerzo. Concepto de aprendizaje profundo por
refuerzo. Los elementos que componen un modelo de aprendizaje profundo por refuerzo.
El funcionamiento del aprendizaje profundo por refuerzo. Recompensas vs
penalizaciones. La ecuación de Bellman.
47. Aplicaciones del aprendizaje profundo. El concepto de IoT.
48. Conceptos básicos de redes neuronales.
cve: BOE-A-2022-24474
Verificable en https://www.boe.es
Núm. 314
