Al finalizar el curso, el alumno se encontrará en la capacidad de:
-
Aplicar técnicas estadísticas y modelos de confiabilidad para el análisis de fallas de activos industriales.
-
Diseñar modelos de machine learning supervisado y no supervisado para la predicción de fallas operativas.
-
Implementar redes neuronales y modelos ensamblados para mejorar la precisión predictiva en mantenimiento industrial.
-
Integrar modelos analíticos en plataformas de visualización de datos para la gestión estratégica del mantenimiento.
-
Evaluar escenarios de confiabilidad y riesgo de fallas mediante simulaciones y análisis de datos industriales.
¿A quién va dirigido este programa?
Profesionales que actualmente desempeñan funciones en mantenimiento industrial, ingeniería de confiabilidad, automatización, análisis de datos operativos o gestión de activos, con experiencia técnica inicial en procesos industriales y necesidades de incorporar analítica predictiva, machine learning y visualización de datos para optimizar decisiones de mantenimiento y confiabilidad.
¿Cuál será mi estructura curricular?
-
Utilización de IDE Google Colab (herramienta online de Google)
-
Introducción a Python
-
Modelo de Montecarlo para simulación de miles de escenarios con Python
-
Simulación de riesgo de fallas en activos industriales
-
Estadística del mantenimiento
•
Creación de histogramas y distribuciones
•
Curvas de densidad y probabilidades acumuladas
•
Gráficos estadísticos con Python
-
Inferencia estadística y modelos de confiabilidad
•
Modelos Weibull, normal y exponencial
•
Estimación de parámetros con statsmodels
•
Bondad de ajuste
-
Uso de resultados Weibull para definir estrategias de mantenimiento
-
Regresiones y árboles de decisión
•
Regresión lineal, múltiple y polinómica
•
Árboles de decisión y Random Forest
-
Modelos de clasificación
•
Regresión logística
•
Matriz de confusión y curva ROC
-
Modelos Bayesianos, KNN y SVM
•
Principios de Bayes.
•
K vecinos más cercanos.
•
Máquinas de soporte vectorial.
-
K-fold cross validation
-
Selección técnica del mejor modelo para predicción de fallas
-
K-means con data real
•
Agrupamiento de activos con K-means
•
Interpretación de clusters
-
Indicadores TTR, indisponibilidad y uptime
-
Scatterplots y PCA
-
Priorización de activos mediante segmentación analítica
-
Bootstrap
-
Bagging
-
Boosting
-
Incremento de robustez de modelos predictivos
-
Fundamentos de redes neuronales artificiales
•
Neurona artificial y funciones de activación
•
Gradient descent y backpropagation
-
Aplicación con Keras y TensorFlow
•
Construcción de modelos neuronales
•
Evaluación de confiabilidad de activos
-
Detección temprana de anomalías en activos
-
Power Query y lenguaje M
•
Limpieza y transformación de datos.
•
Importación de fuentes.
-
Modelado de datos en Power BI
•
Tablas maestras y transaccionales.
•
Cardinalidad y filtros cruzados.
-
R Visuals y ggplot
•
Visualizaciones estadísticas avanzadas.
•
Histogramas y curvas de densidad.
-
DAX e inteligencia del tiempo
•
Medidas, columnas calculadas.
•
Análisis temporal.
-
Dashboard predictivo para la gestión del mantenimiento
•
Integración de indicadores estadísticos y predictivos.
•
Visualización de riesgo y confiabilidad.
¿Cuáles son los requisitos de admisión?
Requisitos para la inscripción
Para completar tu inscripción, es necesario:
-
Llenar la Ficha de matrícula.
-
Hacer el pago de la matrícula / entrega de orden de servicio / entrega de carta de compromiso.
Conocimientos previos:
Para llevar el programa, es recomendable que el participante posea:
-
Conocimiento en conceptos básicos de estadística.
-
Manejo de RStudio, Phyton y Power BI a nivel básico.
Software a emplear:
-
RStudio
-
Phyton
-
Power BI Destkop
Acceso a las herramientas de software: Nuestros programas combinan teoría con análisis aplicado y demostraciones técnicas. El acceso e instalación de este software es sugerido y responsabilidad del participante; como apoyo, compartimos links públicos de demos o versiones trial cuando estén disponibles.
En la sección certificaciones de tu perfil de LinkedIn, en tu currículum impreso o en otros documentos.
×
Foto Referencial
*Los certificados no tienen costo adicional, se enviarán de forma digital con un código único de seguridad para su validación y trazabilidad respectiva.
Certificaciones
Ingenium dispone de un Sistema de Gestión de la Calidad
certificado de acuerdo a la Norma ISO 9001:2015, un Sistema de Gestión de Organizaciones Educativas
certificado de acuerdo a la Norma ISO 21001:2018 y un Sistema de Gestión Antisoborno certificado de acuerdo
a la Norma ISO 37001:2016.
Ingenium ha sido reconocido como Great Place to Work® Certificada 2025 – 2026,
distinción que avala la confianza y satisfacción de nuestros colaboradores.
Este sello confirma que ofrecemos un entorno laboral
de estándares internacionales,
donde el talento humano es el centro de nuestro crecimiento.
Certificaciones
Ingenium dispone de un Sistema de
Gestión de la Calidad certificado de acuerdo a la
Norma ISO 9001:2015, un Sistema de Gestión de
Organizaciones Educativas
certificado de acuerdo a la Norma ISO
ISO 21001:2018 y unSistema de Gestión
Antisoborno,certificado de acuerdo a
la Norma ISO 37001:2016.
Vive la experiencia antes de ser nuestro alumno
Conoce a nuestro docente y metodología de enseñanza gratis.
Asesoría continua
Docentes especializados
Educación de calidad
Interacción en vivo
Seguimiento académico personalizado
Modalidad online
