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 programación en Python, los principios básicos en Inteligencia Artificial (Machine Learning y Deep Learning), y su aplicación en las energías renovables.

Objetivos

Al finalizar el programa, el estudiante estará en capacidad de:

• Aprender a utilizar las principales funcionalidades de Python 3, así como los paquetes seleccionados más importantes de este lenguaje (Numpy / SciPy / Pandas / Matplotlib), a través de un proyecto en Jupyter Notebook y Google Colab.
• Conocer y aplicar los conceptos básicos de Inteligencia Artificial, así como principales algoritmos de Machine Learning y Deep Learning, aplicados a datos de recursos hídricos y energía verdes.
• Aplicar técnicas de análisis y visualización de datos geocientíficos utilizando las librerías de Python.
• Interpretar la salida obtenida por los modelos de predicción.
• Aprender a utilizar las principales librerías de Machine Learning en la actualidad (Scikit- Learn), y de Deep Learning (Keras, TensorFlow y PyTorch).
• 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 programa se desarrolla a partir de clases magistrales virtuales y talleres prácticos que los participantes del programa irán resolviendo en cada clase con el fin de profundizar sus conocimientos y alcanzar los objetivos de cada módulo.

Contenido

CURSO 1

Python y Machine Learning para Energías Renovables

Modulo I: Conceptos Básicos en Python

• Introducción a Programación en Python.
• Maneo de Google colab.
• Machine Learning.
• Deep Learning.

Modulo II: HIDROGENO

• Exploración de yacimientos de hidrogeno.
• Visualización de datos.
• Modelamiento geocientifico de hidrogeno verde y blanco.
• Predicción de la calidad del agua con ML.

Modulo III: Energía Solar y Energía Eólica

Energía Solar

• Detección de paneles solares en imágenes satelitales.
• Predecir la eficiencia de las células solares.
• Producción de energía solar.

Energía Eólica

• Visualizar los datos del viento.
• Pronosticar de la potencia de salida de una turbina eólica, mediante el aprendizaje profundo para pronosticar la potencia de salida de una turbina eólica.

Modulo IV: Energía Geotermal y Sensores remotos

Energía Geotermal

• Carga de datos desde el GDR (Geothermal Data Repository).
• Exploración de recursos geotermales.
• Simulación de Flujo en un Reservorio Geotérmico.

Sensores Remotos

• Procesar imágenes satelitales de Sentinel2.
• Análisis de zonas de deforestación a través de imágenes satelitales.
• Segmentación de Imágenes para Clasificación de Tierras.
• Calcule el índice de vegetación de diferencia normalizada (NDVI).

CURSO 2

Deep Learning aplicado a Energías Renovables

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