Curso: Introducción al machine learning en procesos industrial

Inscripciones:
Para inscribirse a este programa haga clic aquí.

Objetivo​:

  • Desarrollar habilidades para efectuar extracción, transformación y carga de datos (ETL) a través de flujos de trabajo automatizados, para efectuar la exploración de datos e implementación de algoritmos de machine learning tales como clustering, redes neuronales, bosques aleatorios, entre otros, para efectuar tareas como segmentación y predicción.

Fecha inicio:​ 13 de Agosto de 2020​

Duración: 32 Horas.

Horario: ​Jueves y Viernes de 6:00pm a 9:00pm y sábados de 7:00am a 10:00am​

Profesor: Luis Fernando Pinilla​

Modalidad: Clases en Vivo Interactivas

Las industrias generan cada vez más y más datos, por otra parte los mercados son cada vez más exigentes en cuanto a sus requerimientos, al tiempo la competencia se vuelve más intensa, es importante poder analizar rápidamente los patrones y tendencias. Los flujos de trabajo ETL (Extract-Transform-Load) permiten automatizar el acceso y cruce de la información que pueden venir de diversas fuentes como: archivos de Excel, archivos planos, bases de datos estructuradas e incluso datos desde el IOT (Internet de las Cosas); hacer limpieza de los datos y cruzar la información con el objetivo de explicar la situación actual del negocio generaran descriptivos, entender las tendencias sobre a dónde se dirige el mercado e incluso permite entender qué se debe hacer con el fin de lograr un resultado específico.

Semana 1:

  • Consolidar en un solo lugar toda la información proveniente desde sus fuentes de manera automatizada, generar flujos de trabajos de información que al ejecutarse periódicamente organizan la información facilitando el proceso de análisis y toma de decisiones.
  • Construcción de flujos de trabajo para la integración y transformación de datos provenientes de distintas fuentes tales como: archivos planos, archivos de hoja de cálculo, archivos en formato xml y json, y acceso a bases de datos SQLite, Ms Access, Ms SQL server, MySQL, entre otras.

Semana 2:

  • Conocer y aplicar las técnicas más usadas para efectuar la limpieza de datos de manera automática, de modo que quedan organizados para ser empleados junto con las diferentes técnicas de machine learning.
  • Técnicas de limpieza de datos y tratamiento de valores faltantes y atípicos.
  • Preparación de los datos e Implementación de algoritmos de machine learning tales como: clustering, regresión lineal y logística, árboles de decisión y sus variantes, redes neuronales y árboles XGBoost.

Semana 3:

  • Aplicar técnicas para mejorar el entrenamiento de los modelos de machine learning, haciendo operaciones directamente en los datos, y mejorando los parámetros de entrenamiento. mejorando, la calidad de los resultados mejoran en general.
  • Mejores prácticas para la mejora de modelos tales como reducción de dimensionalidad, técnicas de normalización.
  • Optimización automatizada de parámetros y selección de atributos o características.

Semana 4:

  • Aplicar técnicas adicionales para acelerar el procesamiento de los datos, aprovechando las capacidades extra del hardware disponible.
  • Uso de herramientas de Big data para trabajar con fuentes de datos de volúmenes superiores.

Profesor: Luis Fernando Pinilla

Máster en Ingeniería Industrial e Ingeniero Industrial. Consultor con experiencia amplia en modelado matemático, simulación y optimización de procesos para el sector real, financiero y asegurador.