Cursos
Curso de Capacitación en Machine Learning y Control de Procesos con Studio 5000
Dirigido a
- Profesionales del sector industrial (público o privado) con dominio básico de Python y conocimiento general de estadística, probabilidades y lógica binaria de PLC aplicado a la automatización de procesos.
- Público en general interesado en el análisis de grandes cantidades de datos de diferente naturaleza con conocimiento previo de Python, Estadística y lógica binaria de PLC aplicado a la automatización de procesos.
- Estudiantes o egresados de ciencias e ingeniería o de carreras afines relacionadas con procesos industriales de producción continua con dominio básico de lenguajes de programación, matemáticas, estadística, y probabilidades y lógica binaria de PLC aplicado a la automatización de procesos.
Certificación Digital
A nombre de FABRICUM y del Departamento de Ingeniería de la PUCP.
Regístrate aquí
¿Por qué llevar el curso?
Este curso te ayudará a desarrollar habilidades técnicas en programación de PLC, diseño y operación de sistemas de automatización, y uso de herramientas de software como SCADA. La automatización se utiliza en una amplia variedad de industrias para mejorar la eficiencia y productividad. Por lo tanto, hay una demanda constante de profesionales capacitados en PLC y automatización de procesos.
Plana docentePlana docente de primer nivel profesional y académico.
Malla curricularMalla curricular especializada y actualizada.
Clases en vivoClases en vivo con interacción continua entre docente y alumno.
Sesiones GrabadasGrabación de las clases (no descargables) para que puedas revisarlas.
Temario
- Definición y conceptos básicos.
- Componentes de un sistema de automatización y control de procesos.
- Funciones y ventajas de la utilización de PLC.
- Introducción a SCADA.
- Arquitectura de un sistema SCADA.
- Utilización de la información del PLC en el SCADA.
- Introducción a la programación de PLC.
- Operaciones booleanas: AND, OR, SET, RESET.
- Funciones de contador, comparación, timers.
- Introducción a la Confiabilidad de Activos: Conceptos básicos y su importancia en la industria.
- Distribución de Weibull: Historia, formulación matemática y propiedades.
- Análisis de Datos de Vida: Métodos para recolectar y analizar datos de fallas.
- Estimación de Parámetros: Técnicas estadísticas para estimar los parámetros de la distribución de Weibull.
- Interpretación de Resultados: Cómo interpretar los resultados y tomar decisiones basadas en el análisis de confiabilidad.
- Aplicaciones Prácticas: Ejemplos y estudios de caso en diferentes industrias
- Modelos de regresión lineal.
- Modelos de regresión no lineal.
- Utilización de datos del PLC en modelos de regresión.
- Introducción al aprendizaje supervisado.
- Problemas de clasificación.
- Utilización de datos del PLC en problemas de clasificación.
- Introducción a la evaluación de modelos.
- Métodos de evaluación de modelos.
- Interpretación de los resultados de la evaluación de modelos.
- Introducción a los Árboles de Decisión: Conceptos básicos y funcionamiento.
- Procesamiento de Datos de Sensores: Técnicas para preparar y limpiar datos de sensores.
- Construcción de Modelos de Árboles: Métodos y algoritmos para crear árboles de decisión.
- Evaluación de Modelos de Árboles: Métodos para probar y validar la eficacia de los modelos.
- Aplicaciones en la Industria: Casos prácticos donde esta metodología es aplicable.
- Introducción a Modelos de Ensamble: Definición y tipos (Bagging, Boosting, Stacking).
- Construcción de Modelos de Ensamble: Cómo combinar múltiples modelos para mejorar el rendimiento.
- Evaluación y Afinamiento: Métodos para evaluar y optimizar modelos de ensamble.
- Aplicaciones Prácticas: Ejemplos en diferentes escenarios de la industria.
- Métricas de Evaluación: Diferentes métricas para evaluar modelos (precisión, recall, AUC, etc.).
- Validación Cruzada: Técnicas para validar modelos de manera efectiva.
- Comparación de Modelos: Cómo comparar diferentes modelos y elegir el más adecuado.
- Consideraciones Prácticas: Factores a tener en cuenta en la evaluación de modelos en entornos reales.
Requisitos
- Conocimientos de python básico (manejo de arrays, bucles, condicionales).
- Requerimientos de su sistema operativo: mínimo Windows 8 con 16 GB de RAM y espacio disponible en disco duro de 15 GB.
¿Por qué elegir la PUCP?
Te ofrecemos formar parte de una gran comunidad académica (puesto 10 en Latinoamérica en QS World University Rankings).
Docente
Inversión
-
Público General S/ 1,050.00
-
Comunidad PUCP* s/ 945.00
Descuentos
-
Pronto pago público en general S/ 1000.00El descuento de pronto pago aplica hasta el 24/09/2024
-
Pronto pago comunidad PUCP* S/ 890.00El descuento de pronto pago aplica hasta el 24/09/2024
