Curso Big Data Analytics en Confiabilidad y Mantenimiento
El curso busca formar profesionales con dominio en las técnicas de análisis de Big Data aplicados a la confiabilidad y mantenimiento de activos físicos que le permitan desarrollar y analizar modelos y algoritmos para la detección, diagnóstico y pronóstico de fallas.Para lo anterior, los profesionales aprenderán a utilizar el software Deep Learning Hub (DLHub) que les permitirá implementar algoritmos avanzados de Aprendizaje Profundo mediante una plataforma de programación visual, que trabaja de forma simple, sin necesidad de tener conocimientos en programación.
Dirigido a
Profesionales de Ingeniería o ramas afines, vinculados al área de Gestión de Activos, Mantenimiento y Confiabilidad, que estén desempeñando cargos de gerentes, supervisores, profesionales del área de mantenimiento y operaciones de las diferentes empresas de la industria nacional.
El curso no tiene ningún prerrequisito, diferente al conocimiento de la operación básica de un computador y manejo de herramientas de MS Office.
Objetivos
Al finalizar el curso el participante estará en capacidad de desarrollar y analizar modelos y algoritmos para la detección, diagnóstico y pronóstico de fallasConocerá las técnicas tradicionales de aprendizaje de máquinas y sus limitaciones, para hacer análisis de confiabilidad y mantenimiento.
Podrá implementar algoritmos mediante una plataforma de programación visual
Conocerá como utilizar redes neuronales para el análisis de datos y pronóstico de fallas en activos físicos.
Metodología
Los objetivos del curso se alcanzarán a través de una combinación de exposiciones magistrales con el estudio de casos prácticos haciendo uso de un software específico de libre acceso. Adicionalmente se harán ejercicios individuales en forma de taller.Contenido
1) Técnicas tradicionales de aprendizaje de máquina para el análisis de confiabilidad y mantenimiento.2) Limitaciones de las técnicas tradicionales de aprendizaje de máquina para problemas de Big Data.
3) Aprendizaje profundo de máquinas para problemas de Big Data en confiabilidad y mantenimiento.
4) Redes neuronales convolucionales profundas para el análisis de datos multi sensor.
5) Redes neuronales recurrentes para el pronóstico de fallas en activos físicos.
