Dirigido a

Estudiantes y Profesionales dedicados a los sectores de Geología, Geofísica, Ingeniera de Petróleos, Exploración de Recursos Minerales, Energías Renovables, Ingenieros Ambientales interesados en fortalecer conocimientos en Inteligencia Artificial (Deep Learning), y su aplicación en las energías renovables.

Es recomendable tener conocimientos básicos en programación y Machine Learning para aprovechar al máximo los contenidos avanzados del curso. 

Objetivos

Al finalizar el curso el estudiante estará en capacidad de:

• Dominar las arquitecturas avanzadas de Deep Learning como Redes Neuronales Convolucionales (CNN) y Redes Neuronales Recurrentes (RNN) aplicadas al sector energético e industrial.
• Aplicar técnicas de procesamiento y análisis de grandes volúmenes de datos en la predicción y optimización de sistemas energéticos.
• Implementar soluciones de monitoreo y control automatizado para mejorar la eficiencia en proyectos de energía renovable.
• Desarrollar habilidades prácticas mediante la creación de modelos de Deep Learning para aplicaciones reales en energías renovables.

Metodología

El curso se desarrolla a partir de clases magistrales virtuales y talleres prácticos que los participantes del curso irán resolviendo en cada clase con el fin de profundizar sus conocimientos y alcanzar los objetivos de cada módulo.

Contenido

Modulo I: Fundamentos de Deep Learning

• Introducción a Deep Learning y su arquitectura
  • Conceptos clave: neuronas artificiales, funciones de activación, capas.
  • Comparativa entre Machine Learning tradicional y Deep Learning.
• Redes Neuronales Feedforward y Retropropagación
  • Funcionamiento básico, entrenamiento y optimización.
• Entrenamiento de redes neuronales
  • Funciones de pérdida, gradiente descendente, regularización.
• Análisis de datos en proyectos de energía e ingeniería
  • Casos prácticos de uso y preparación de datos para entrenamiento.

Modulo II: Redes Neuronales Convolucionales (CNNs) para energías renovables

• Fundamentos de CNNs
  • Convoluciones, pooling, activaciones, arquitectura de redes profundas.
• Aplicaciones en energías renovables y análisis de imágenes satelitales
  • Detección de patrones en datos de sensores remotos y gestión ambiental.
• Implementación práctica de CNNs
  • Taller práctico: implementación de CNNs en Python usando TensorFlow/Keras para clasificación de imágenes geológicas o de infraestructuras.

Modulo III: Redes Neuronales Recurrentes (RNNs) y LSTM en Predicción de Datos de Energía

• Introducción a RNNs y LSTM
  • Redes recurrentes, problemas de dependencia temporal y cómo las LSTM las resuelven.
• Modelado de series temporales en energía e ingeniería
  • Predicción de la demanda energética o producción de energías renovables.
• Ejercicio práctico con LSTM
  • Implementación de un modelo LSTM para predicción de datos en Python.

Modulo IV: Deep Learning en Sistemas de Monitoreo y Control

• Aplicaciones en control de calidad del aire y monitoreo ambiental
  • Redes neuronales para análisis en tiempo real de la calidad del aire.
• Monitoreo y control en sistemas de energía renovable
  • Redes neuronales para optimización de la eficiencia energética y monitoreo de fallos.
• Casos prácticos

Profesores

Condiciones

Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.

La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.

Relacionados

• Geociencias