Python para la Inteligencia Artificial: De los Datos a las Redes Neuronales Aplicadas al sector agroalimentario
En la actualidad, el sector agroalimentario está experimentando una profunda transformación digital impulsada por el uso de tecnologías de inteligencia artificial y aprendizaje automático aplicadas a la gestión de cultivos. Este contexto está generando una demanda creciente de ingenieros y técnicos del ámbito agroalimentario capacitados para analizar datos procedentes de explotaciones agrícolas, sensores IoT, imágenes satelitales, estaciones meteorológicas o sistemas de monitorización industrial, y para diseñar soluciones basadas en inteligencia artificial adaptadas a las necesidades específicas del sector. En este marco, Python se ha consolidado como el lenguaje de referencia para el análisis de datos y el desarrollo de modelos de inteligencia artificial en entornos científicos y tecnológicos.
Inscripciones hasta el 22 de abril de 2026
Fechas y horarios
27, 28, 29 y 30 de abril de 2026
Lunes 27 de 16:00 a 20:30 h. (Online)
Martes 28 de 9:00 a 13:00 h. (Online).
Miércoles 24 de 11:00 a 14:00 h. y de 15:00 a 19:00 h. (Presencial)
Jueves 30 de 9:00 a 14:00 h. (Presencial)
Dirección
La Vega Innova Camino de la Vega, s/n, 28830, San Fernando de Henares Madrid
Modalidad
Mixto (Online y Presencial)
Horas del curso
21 horas
Este curso busca ofrecer una base para la capacitación en competencias digitales avanzadas específicamente orientadas al sector agroalimentario, facilitando la adquisición de habilidades en analítica de datos, modelado predictivo y desarrollo de redes neuronales aplicadas a problemas reales del entorno productivo. Para ello aborda, en primer lugar, el aprendizaje práctico de este lenguaje de programación, junto con su ecosistema de librerías orientadas al análisis y visualización de datos (NumPy, Matplotlib y Pandas), utilizando desde el inicio datasets reales vinculados al ámbito agroalimentario (producción por parcela, series climáticas, consumo hídrico, calidad de producto, etc.). Posteriormente, se introduce el uso de herramientas especializadas en aprendizaje automático y Deep Learning (PyTorch), aplicadas a casos como la clasificación de cultivos mediante imágenes satelitales y la predicción de la producción agrícola.
¿A quién va dirigido?
- Técnicos de Administraciones Públicas. Profesionales implicados en planificación y gestión territorial o hídrica que necesitan analizar datos y apoyar la toma de decisiones mediante herramientas de Inteligencia Artificial.
- Personal de empresas Agrotech. Perfiles técnicos que desarrollan o implementan soluciones tecnológicas en el sector agro, interesados en integrar análisis de datos y modelos predictivos en sus productos.
- Técnicos de cooperativas. Responsables de asesoramiento técnico que buscan mejorar la eficiencia productiva mediante el uso de datos y modelos de aprendizaje automático.
- Técnicos de comunidades de regantes. Especialistas en gestión del agua que requieren herramientas de análisis y predicción para optimizar la planificación y distribución del riego.
- Personal de empresas TIC. Profesionales tecnológicos que desean incorporar competencias en análisis de datos y redes neuronales aplicadas al ámbito agroindustrial.
- Ingenieros agrónomos. Técnicos del sector agrario interesados en complementar su formación con herramientas de modelado y análisis avanzado de datos.
- Agricultores y ganaderos con conocimientos TIC. Profesionales del sector primario con base digital que buscan aplicar la Inteligencia Artificial para mejorar la gestión y rentabilidad de sus explotaciones.
Equipo docente
Daniel Gutiérrez Reina
Profesor Catedrático del Departamento de Ingeniería Electrónica de la Universidad de Sevilla.
Samuel Yanes Luis
Profesor Ayudante Doctor del Departamento de Tecnología Electrónica de la Universidad de Sevilla.
-
¿Cuáles son los contenidos del curso?
-
Conceptos básicos de Python
Se introducen los fundamentos del lenguaje orientados al análisis de datos del sector agroalimentario: tipos de datos, estructuras (listas, diccionarios), control de flujo, funciones y organización modular del código. Los ejemplos prácticos se basan en el tratamiento de registros de producción agrícola, datos meteorológicos y parámetros de suelo, trabajando en entornos interactivos y fomentando buenas prácticas de programación reproducible.
-
Librerías para análisis de datos en Python I (NumPy)
Se aborda el cálculo numérico eficiente mediante arrays multidimensionales y operaciones vectorizadas aplicadas a matrices de variables agronómicas (precipitación, temperatura, fertilización, superficie cultivada, etc.). Se introducen conceptos básicos de álgebra lineal relevantes para modelos predictivos, destacando la importancia de la eficiencia computacional en problemas como la predicción del rendimiento agrícola (Agriculture Crop Yield).
-
Librerías para visualización de datos (Matplotlib)
Se estudian técnicas de análisis exploratorio aplicadas a datos agroalimentarios, representando tendencias de producción, evolución climática o relaciones entre variables agronómicas. Se trabaja la interpretación visual como herramienta clave para comprender el comportamiento de los cultivos y validar modelos de predicción de rendimiento.
-
Librerías para visualización de datos (Matplotlib)
Se estudian técnicas de análisis exploratorio aplicadas a datos agroalimentarios, representando tendencias de producción, evolución climática o relaciones entre variables agronómicas. Se trabaja la interpretación visual como herramienta clave para comprender el comportamiento de los cultivos y validar modelos de predicción de rendimiento.
-
Conceptos básicos de Machine Learning: predicción del rendimiento agrícola.
Se introduce el aprendizaje supervisado mediante un caso práctico de predicción de rendimiento de cultivos trabajando con variables climáticas y de manejo agrícola. Se presentan modelos como la regresión logística y modelos de regresión, junto con métricas de evaluación y validación, destacando la interpretación de resultados para la toma de decisiones en el sector.
-
Introducción a Deep Learning con PyTorch con modelos agronómicos profundos.
Se introduce el desarrollo de redes neuronales profundas aplicadas a datos agroalimentarios, trabajando con tensores, diferenciación automática y ciclo completo de entrenamiento. Se implementan modelos para tareas predictivas y de clasificación, conectando teoría y aplicación práctica en contextos agrícolas.
-
Redes neuronales densas y convolucionales para la clasificación de cultivos
Se desarrollan arquitecturas densamente conectadas para predicción sobre datos estructurados (por ejemplo, estimación de rendimiento) y redes convolucionales para clasificación de tipos de cultivo a partir de imágenes satelitales. Se analizan conceptos como sobreajuste, regularización y generalización, aplicados a la clasificación automática de parcelas agrícolas según el cultivo detectado.
-
-
¿Cuál es el programa del curso?
-
¿Qué materiales necesito?
-
- Conocimientos informáticos básicos, equivalentes al uso habitual de
- Ordenador portátil personal (Windows, macOS o Linux) con capacidad suficiente como para instalar el software Anaconda 3 (https://www.anaconda.com/download )
- Material didáctico proporcionado por el curso: tanto las presentaciones, códigos y material complementario para el desarrollo de las sesiones se facilitarán a través de la plataforma virtual habilitada.
- Conexión a internet estable, necesaria para la descarga de datos, acceso a plataformas de visualización y uso de recursos en línea durante las sesiones prácticas. aplicaciones de oficina y navegación web.
- Conocimientos informáticos básicos, equivalentes al uso habitual de
-
-
¿Hasta cuándo puedo inscribirme?
La formalización de matrícula estará abierta hasta el 22 de abril
No te pierdas nada de La Vega Innova
Regístrate en nuestro boletín para recibir actualizaciones periódicas sobre todo lo que está sucediendo en nuestro iHub.
