EMAGISTER CUM LAUDE
¡9% de ahorro!
Universidad de los Andes Educación Continua

Big Data Analytics en Confiabilidad y Mantenimiento

Universidad de los Andes Educación Continua
En Bogotá
Descuento por inscripción anticipada

$2.112.000 $1.920.000
¿O prefieres llamar directamente al centro?

Información importante

Tipología Curso
Lugar Bogotá
Horas lectivas 16h
Duración 1 Semana
Inicio 13/03/2020
  • Curso
  • Bogotá
  • 16h
  • Duración:
    1 Semana
  • Inicio:
    13/03/2020
Descripción

El curso busca formar profesionales con dominio en las técnicas de análisis de Big Data aplicados a la confiabilidad y mantenimiento de activos físicos que le permitan desarrollar y analizar modelos y algoritmos para la detección, diagnóstico y pronóstico de fallas.

Para lo anterior, los profesionales aprenderán a utilizar el software Deep Learning Hub (DLHub) que les permitirá implementar algoritmos avanzados de Aprendizaje Profundo mediante una plataforma de programación visual, que trabaja de forma simple, sin necesidad de tener conocimientos en programación.

Información importante

Earlybird: $ 2.112.000 hasta el 28 de febrero de 2020 $ 1.920.000 hasta el 13 de febrero de 2020

Instalaciones (1) y fechas
Dónde se imparte y en qué fechas

Ubicación

Inicio

Bogotá
Ver mapa

Inicio

13 mar 2020Matrícula abierta

A tener en cuenta

· ¿Cuáles son los objetivos de este curso?

Al finalizar el curso el participante estará en capacidad de desarrollar y analizar modelos y algoritmos para la detección, diagnóstico y pronóstico de fallas Conocerá las técnicas tradicionales de aprendizaje de máquinas y sus limitaciones, para hacer análisis de confiabilidad y mantenimiento. Podrá implementar algoritmos mediante una plataforma de programación visual Conocerá como utilizar redes neuronales para el análisis de datos y pronóstico de fallas en activos físicos.

· ¿A quién va dirigido?

Profesionales de Ingeniería o ramas afines, vinculados al área de Gestión de Activos, Mantenimiento y Confiabilidad, que estén desempeñando cargos de gerentes, supervisores, profesionales del área de mantenimiento y operaciones de las diferentes empresas de la industria nacional. El curso no tiene ningún prerrequisito, diferente al conocimiento de la operación básica de un computador y manejo de herramientas de MS Office.

· ¿Qué distingue a este curso de los demás?

Los objetivos del curso se alcanzarán a través de una combinación de exposiciones magistrales con el estudio de casos prácticos haciendo uso de un software específico de libre acceso. Adicionalmente se harán ejercicios individuales en forma de taller.

Preguntas & Respuestas

Plantea tus dudas y otros usuarios podrán responderte

¿Quién quieres que te responda?

Sólo publicaremos tu nombre y pregunta

Logros de este Centro

2019

¿Cómo se consigue el sello CUM LAUDE?

Todos los cursos están actualizados

La valoración media es superior a 3,7

Más de 50 opiniones en los últimos 12 meses

Este centro lleva 10 años en Emagister.

¿Qué aprendes en este curso?

Mantenimiento
Programación
Algoritmos
Big Data
Análisis de datos
Datos multisensor
Redes neuronales en big data
Sistemas informáticos
Informática de Sistemas
datos

Profesores

Enrique López Droguett
Enrique López Droguett
Docente

Ingeniero Químico, con Maestría en Ingeniería Química de la Universidad Federal de Bahía en Brasil, Maestría en Ingeniería de la Confiabilidad de la Universidad de Maryland y Doctorado en Ingeniería de la Confiabilidad (Reliability Engineering) de la misma Universidad. Profesor asociado del Departamento de Ingeniería Mecánica de la Universidad de Chile, donde actualmente trabaja en cinco proyectos de investigación en el área de Confiabilidad. Ha realizado varias publicaciones en revistas Internacionales. Es profesor adjunto del Departamento de Ingeniería Mecánica de la Universidad de Maryland,

Programa académico

1) Técnicas tradicionales de aprendizaje de máquina para el análisis de confiabilidad y mantenimiento.
2) Limitaciones de las técnicas tradicionales de aprendizaje de máquina para problemas de Big Data.
3) Aprendizaje profundo de máquinas para problemas de Big Data en confiabilidad y mantenimiento.
4) Redes neuronales convolucionales profundas para el análisis de datos multi sensor.
5) Redes neuronales recurrentes para el pronóstico de fallas en activos físicos.