DÍAS: Martes y Jueves
HORARIO: 08pm a 10pm
DURACIÓN: 20 horas
ACERCA DEL CURSO:
Ver video de conferencia Pre Curso
OBJETIVO
Capacitar a personal que realiza mantenimiento con los conocimientos y herramientas para analizar datos, encaminando las acciones a seguir para mantener las plantas industriales, cerrando el ciclo de forma eficiente usando tecnología avanzada, generando mayor seguridad, productividad y ganancias para la empresa.
BENEFICIOS
- Cuantificar las relaciones entre las variables
- Dar mantenimiento correctivo a datos de sensores
- Detectar casos atípicos
- Normalizar datos para poder comparar
- Analizar datos en el dominio de la Frecuencia
- Modelar usando método de Monte-Carlo
- Detectar anomalías
- Clasificar productos de las plantas industriales
- Estimar valores de algún proceso industrial
- y mucho más…
REQUISITOS
- Abierto para estudiantes de carreras técnicas de Institutos y Universidades, trabajadores de empresas industriales.
- Computadora con internet, sistema operativo Microsoft Windows 10 / 11 o Linux Ubuntu.
CALIFICACIÓN
TEMARIO
- Capítulo 1 – Estrategias para Mantenimiento y el Análisis de Datos
- Introducción
- ¿Cómo obtener datos de las plantas industriales?
- ¿Cómo almacenar datos y extraerlos de un repositorio digital o transmitirlos en tiempo real hacia el servidor de mantenimiento?
- Beneficios de usar Estadística Aplicada, Machine Learning, Python y otras herramientas en el área de Mantenimiento en una empresa industrial
- Capítulo 2 – Capacitación en Python y sus Librerías
- Primeros comandos
- Entorno Spyder
- Uso de Python como calculadora
- Instrucciones de Control de Flujo (if, for, range, break, while…)
- Definición de funciones
- Estructuras de Datos (Listas, Pilas, Colas, Diccionarios)
- Librerías y Módulos
- Entrada y Salida de Datos
- Errores y sus manejos
- Clases
- Instalando librerías y paquetes con PIP
- Librería Numpy (matrices, funciones matemáticas)
- Series y DataFrames en Python-Pandas
- Tipo de Copias de Variable
- Gráficas en Python-Matplotlib
- Capítulo 3 – Estadística Aplicada y Métodos de Machine Learning con Ejemplos Prácticos
- Conceptos Estadísticos (media, varianza, distribuciones, probabilidad, histogramas, generador de números aleatorios) y su uso en Python-Numpy
- Técnicas para Pre-Procesar Datos
- Técnicas de Valores Atípicos
- Técnicas de Normalización
- Técnicas de Análisis en el Dominio de la Frecuencia
- Técnica de Monte-Carlo y un ejemplo de simulación
- Conceptos de Machine Learning
- Definiciones
- Procesos
- Validación Cruzada
- Métricas
- Tipos
- Optimización de Modelos
- La Librería Sklearn de Python
- Métodos de Aprendizaje Supervisado
- Método usando Modelos de Gauss para detectar anomalías en las plantas industriales
- Método de los K-vecinos más cercanos para clasificar procesos/productos industriales
- Método de Árbol de Decisión para clasificar procesos/productos industriales
- Método de Probabilidad de Bayes para clasificar procesos/productos industriales
- Método de Redes Neuronales para clasificar procesos/productos industriales
- Método de Regresión Lineal Múltiple para estimar valores de algún proceso/variable industrial
- Método de Regresión Lineal Polinómica para estimar valores de algún proceso/variable industrial
- Método de Regresión “Random Forest” para estimar valores de algún proceso/producto industrial
- Método de Regresión de Vector de Soporte para estimar valores de algún proceso/variable industrial
- Método SGD para clasificar fotografías para evaluar procesos/productos industriales
- Métodos de Aprendizaje no Supervisado
- Método de las K-medias más cercanos para clasificar automáticamente productos/tipos de entidades de procesos industriales
- Método Basado en Densidad para clasificar automáticamente productos/tipos de entidades de procesos industriales
- Método de Jerarquías para clasificar automáticamente productos/tipos de entidades de procesos industriales
TEMARIO
- Python versión 3.8.10
- Spyder versión 5.4.5
- *Este curso está diseñado para aplicaciones industriales en donde no exista riesgo de vida. No utilizar este curso para aplicaciones donde la vida de las personas está en riesgo.
CERTIFICADO:
Los participantes que aprueban el 100% de la capacitación y asistencia reciben un Certificado visado por:
– IPEMAN (Instituto Peruano de Mantenimiento)
– COPIMAN (Comité Panamericano de Ingeniería de Mantenimiento de la UPADI).
INVERSIÓN:
– Tarifa Recursos Propios: S/. 400
– Tarifa Empresarial: S/. 600 +igv (Si su empresa lo paga)
– Tarifa Convenio: S/. 580 +igv (Solo para empresas con convenio)
CONDICIONES DE INSCRIPCIÓN:
- El inicio del grupo inicia con la inscripción mínima de 10 participantes
- Máxima cantidad de participantes por grupo (25 personas)
- Los pagos efectuados a cuenta de inscripciones no son devueltos o consignados a cuenta o reembolso en efectivo, si el participante inscrito no asiste al curso programado.
- Si el participante incurre en inasistencia a 1 o más módulos programados, por razones de fuerza mayor, Las fechas no son recuperables, recibiendo el material PPT. La inasistencia hasta 2 sesiones de las clases programadas le invalida a recibir el certificado de capacitación.
- Por algún motivo o circunstancia el docente asignado del curso tenga alguna dificultad para brindar el curso será reemplazado por otro especialista que cumpla los requisitos como experiencia y capacidad en el tema.
INSTRUCTOR(a):
Ing. Claudio San Román Denegri
Ingeniero Electrónico titulado de la Pontificia Universidad Católica del Perú (PUCP), el tema de su tesis es sobre Machine Learning, fue aprobada con mención sobresaliente. El obtuvo el 1er puesto en rendimiento académico de la promoción del año 2001-II de la Facultad Ciencias e Ingeniería, recibió el Master of Science en Ingeniería Eléctrica de la Universidad de Stanford (California, USA), con 3 años de experiencia en empresas de USA, y más de 12 años de experiencia en empresas peruanas atendiendo requerimientos de ingeniería. Amplios conocimientos en hardware y software. Inventor de la patente US 7688114 B2. Escritor de un libro importante de estadística. Propietario de sitio web de publicaciones de investigación www.sudamericaciencia.org
Autor de software innovador para hacer reportes SCADA. Ha publicado varios artículos en la VDE-ETG y participado en el CONIMERA 2019.