Máster1,500 h · Online · 11 módulos
Máster en Machine Learning para la Seguridad Marítima
Este máster te prepara para detectar patrones anómalos y proteger al sector marítimo frente a las amenazas actuales. Trabajarás con datos AIS, de radar y operativos y con métodos de detección de anomalías, incluidas la evaluación de modelos y el costo de las falsas alarmas.
Duración1,500 h
ModalidadOnline
Inicio1 de diciembre
Módulos11
Diagnóstico de este programa
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.
Tu diagnóstico
6de 6 por cubrir
Partes de cero en esta materia. El programa está pensado justo para eso.
Información del programa
¿Qué es el Máster en Machine Learning para la Seguridad Marítima?
Este máster en línea de 1500 horas te prepara para proteger al sector marítimo frente a las amenazas actuales. Aprenderás a detectar patrones anómalos en los datos de navegación, anticipar los riesgos de ciberseguridad en buques y puertos y optimizar la respuesta ante emergencias. Combina la teoría del aprendizaje automático con casos prácticos.
Lo que lo diferencia: un enfoque en las aplicaciones marítimas, acceso a conjuntos de datos anonimizados y trabajo con herramientas como Python y TensorFlow.
Tipo de programaMáster
ModalidadOnline
Duración1,500 horas
Módulos11
Inicio1 de diciembre
Aspectos destacados del programa
- Analítica predictiva avanzada para la detección temprana de amenazas.
- Seguridad marítima integral: protección de buques, puertos y rutas.
- Visualización de datos geoespaciales en mapas interactivos.
- Casos prácticos y simulaciones de situaciones reales del sector.
- Un impulso profesional en seguridad marítima.
Plan de estudios
Plan de estudios del Máster en Machine Learning para la Seguridad Marítima
11 módulos. Selecciona un módulo para consultar su contenido.
Módulo 1
Fundamentos de Machine Learning y Ciencia de Datos para el Dominio Marítimo
- 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
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 2
Detección de Anomalías e Identificación de Tráfico Marítimo Irregular (AIS/Radar)
- 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
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 3
Visión por Computador y Reconocimiento Automático de Blancos en la 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
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 4
Prevención de Abordajes y Navegación Autónoma de Cero Riesgos (COLREGs)
- 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)
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 5
Predicción Meteorológica, Modelado del Estado del Mar y Ruteo Seguro
- 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
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 6
Mantenimiento Predictivo, Salud del Buque y Seguridad Operacional
- 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
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 7
Ciberseguridad Marítima y Protección de Infraestructuras Críticas
- 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)
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 8
Búsqueda y Salvamento (SAR) y Gestión Inteligente de Emergencias
- 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
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 9
Seguridad Portuaria, Control de Fronteras Marítimas y Gestión Marítima Global
- 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
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 10
Ética, explicabilidad y despliegue operativo de modelos de machine learning
- 10.1. Calidad de datos marítimos para el entrenamiento
- 10.2. Sesgos y robustez de los modelos
- 10.3. Explicabilidad e interpretabilidad
- 10.4. Validación y pruebas de modelos
- 10.5. MLOps y despliegue en producción
- 10.6. Computación en el borde a bordo
- 10.7. Monitorización de deriva de modelos
- 10.8. Regulación de la IA
- 10.9. Responsabilidad y supervisión humana
- 10.10. Proyecto de despliegue operativo
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoMódulo 11
Proyecto Final de Máster: Sistema Inteligente de Seguridad Marítima
- 11.1. Definición del caso de estudio real en el ámbito de la seguridad marítima (prevención, vigilancia, SAR o ciberseguridad)
- 11.2. Selección, recopilación y estructuración de conjuntos de datos marinos (AIS, imágenes satelitales, sensores)
- 11.3. Diseño de la arquitectura de Machine Learning o Deep Learning para la resolución del problema planteado
- 11.4. Entrenamiento, ajuste de hiperparámetros y optimización de los modelos desarrollados
- 11.5. Integración de componentes en una canalización de datos en tiempo real (Data Pipeline)
- 11.6. Desarrollo de la interfaz de usuario / Cuadro de mando operacional para centros de salvamento o puentes de mando
- 11.7. Validación experimental del sistema utilizando datos no vistos y simulaciones de escenarios críticos
- 11.8. Evaluación del impacto en la reducción de riesgos, costes operativos y tiempos de respuesta
- 11.9. Redacción de la memoria técnica y ejecutiva conforme a los estándares académicos e industriales
- 11.10. Presentación pública, demostración en directo del modelo y defensa oral ante el tribunal de expertos
En esta etapa
136 hde dedicación estimada11 semsemanas a tu ritmoPlanifica tu ritmo
Duración y modalidad del Máster en Machine Learning para la Seguridad Marítima
Son 1,500 horas. Dinos cuántas puedes dedicar a la semana y te decimos cuándo acabas de verdad.
4 h30 h
Con 12 h por semana
29
meses hasta terminar
125 semanas
semanas en total
Es el ritmo con el que termina la mayoría. Encaja bien con el plan de mensualidades.
Claustro
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 calidad
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 y 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 RieraProfesor titular de Propulsión, Energías Alternativas e Híbridos; coordinador de rendimiento energético y vibracionesObjetivos
Objetivos del Máster en Machine Learning para la Seguridad Marítima
01Detectar y predecir actividades sospechosas en tiempo real.
02Optimizar la gestión de riesgos en las operaciones marítimas.
03Automatizar la identificación de anomalías en el tráfico marítimo.
04Desarrollar modelos predictivos para prevenir incidentes marítimos.
05Mejorar la eficiencia de la respuesta ante emergencias marítimas.
06Reforzar la ciberseguridad de las infraestructuras marítimas críticas.
Salidas profesionales
Salidas profesionales del Máster en Machine Learning para la Seguridad Marítima
Dudas frecuentes
Preguntas sobre el Máster en Machine Learning para la Seguridad Marítima
Seguridad marítima
Sí. El itinerario incluye ECDIS/Radar-ARPA/BRM con escenarios de puerto, oceánica, niebla, temporal y SAR.
Online con sesiones en vivo; opción híbrida para estancias de simulador/prácticas mediante convenios.
Predecir y prevenir colisiones mediante el análisis de datos de radar, AIS y meteorológicos.
Recomendado SMCP funcional. Ofrecemos materiales de apoyo para fraseología estándar.
Sí, con titulación afín o experiencia en operaciones marítimas/portuarias. La entrevista de admisión confirmará encaje.
Opcionales (3–6 meses) a través de Empresas & Colaboraciones y la Red de Egresados.
Prácticas en simulador (rúbricas), planes de derrota, SOPs, checklists, micro-tests y TFM aplicado.
Programas relacionados
Más programas de Innovación y startups
Admisión online
Proceso de admisión
Sin esperar a que te llamemos. Si tu documentación está en regla, te matriculas en la misma sesión.
Requisitos de acceso
- Perfil: título en matemáticas, estadística, ingeniería informática, física o un campo afín, o experiencia profesional acreditada en ciencia de datos, desarrollo de software o análisis de seguridad marítima.
- Idioma: se recomienda inglés técnico avanzado.
- Conocimientos técnicos: programación básica (preferentemente Python), estadística y álgebra lineal.
- Documentación: currículum, copia de tu título, certificado de calificaciones cuando corresponda, documento de identidad o pasaporte y una carta de motivación.
- Requisitos técnicos para el estudio en línea: computadora con cámara y micrófono, conexión estable y acceso a software de análisis de datos y machine learning (hay alternativas gratuitas o de código abierto).
- 01SolicitudDatos, expediente y tus documentos.
- 02Revisión al instanteComprobamos que esté completo y en regla.
- 03MatrículaEliges contado o plazos y reservas plaza.
Empezar mi solicitudDesde S/ 2,948 de matrícula
La admisión es provisional hasta que el comité valida la documentación aportada. Si no se cumplen los requisitos, se devuelve el importe íntegro.
¿Tienes dudas?
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 y pagar en la misma sesión.