Ciencia de Datos aplicada al Mantenimiento Predictivo

- Utilización de IDE Google Colab (herramienta online de Google)
- Introducción a Python
- Modelo de Montecarlo para simulación de miles de escenarios con Python

- Regresiones lineales simples, múltiples, polinómicas, SVR, árboles de decisión, random forest
- Modelos de clasificación, regresión logística, matriz de confusión y curva ROC
- Modelos de Bayes, KNN, SVM, árboles de clasificación, random forest
- K-fold cross validation

- Algoritmo de k-means, se realiza ejemplos con data real, se revisa indicadores TTR, indisponibilidad, up-time
- Utilización de scatterplots y sus variaciones, personalizar plots
- Utilización de PCA para reducir las dimensiones de DataFrames

- Bootstrap
- Bagging
- Boosting

- Se realiza la introducción de conceptos y generalidades de una neurona, algoritmo de gradient descent, back propagation, funciones de activación
- Cálculos de confiabilidad de activos con librerías keras y tensorflow de redes neuronales artificiales

- Estadística del mantenimiento (crear histogramas y distribuciones) curvas de densidad, probabilidades acumuladas con Python, realizar gráficas tipo plot, scatter plot, barras, pye, etc.
- Inferencia estadística (modelos de confiabilidad Weibull, normal, exponencial) con librería "stats.models" de Python

- Limpieza de datos con Power BI
• Utilización de Query editor y lenguaje M
• Importando data en Query editor

- Modelos de datos en Power BI
• Filtros cruzados y cardinalidad
• Tablas maestras y transaccionales

- Utilizar objetos visuales con R dentro de Power BI
• Código R con ggplot dentro de Power BI
• Histogramas curvos de densidad, estadística inferencial, probabilidad de fallos y confiabilidad de activos

- Funciones DAX y visualizaciones en Power BI
• Inteligencia del tiempo y tabla de medidas
• Columnas calculadas en base a medidas DAX