Machine Learning en procesos Industriales
La aplicación de técnicas de Machine Learning para la optimización de procesos industriales es un trabajo complejo debido a la propia naturaleza de las variables y señales registradas. En este curso se van a presentar las principales técnicas de procesado específicas para trabajar con señales ruidosas, series temporales o datos perdidos, entre otros.
Técnicos
dirigido a
6 Horas
Duración
Básico-Intermedio
nivel

Profesorado

David Monzó
COO TYRIS SOFTWARE & DIRECTOR AI
Qué aprenderás
- Introducción a la Inteligencia Artificial y como puede ayudar a mejorar los procesos en la industria
- Cuáles son las principales etapas de un sistema ML
- Aprender a pre-procesar los datos: conocer técnicas para manejo de datos faltantes, gestión de outliers, variables categóricas y técnicas de ingeniería de datos.
- Introducción a las series temporales
- Planteamiento de problemas reales de industria: control de calidad y mantenimiento predictivo
Solicitar información
Introducción
El seminario se plantea como una introducción a las tecnologías de Machine Learning, aplicadas a la optimización de procesos productivos.
Se expondrán los obstáculos más comunes a los que se tiene que enfrentar el equipo de AI para poder plantear soluciones efectivas, así como las técnicas, herramientas disponibles y algoritmos utilizados.
Algunos de los puntos más destacables que se abordarán son:
- Preprocesamiento y procesamiento de los datos (gestión de outliers, missing data y variables categóricas)
- Ingeniería de datos
- Trabajo con series temporales
- Planteamiento paso a paso de nuevos modelos
Además, el seminario se acompañará con prácticas paso a paso en Python para tratar estas problemáticas
Temario
- Introducción a ML
- Inteligencia Artificial en Industria
- Etapas y tecnologías en un sistema ML
- Principales sistemas de pre-procesado de datos e introducción a las series temporales
- Problemas prácticos de ML
- Práctica 1: Datos Categóricos
- Práctica 2: Datos Incompletos
- Práctica 3: Detección y descarte de Outliers
- Práctica 4: Introducción a las Series Temporales
- Práctica 5: Diseñar un modelo de mantenimiento predictivo