DIPLOMADO | Implementación de Proyectos de Machine Learning para la Industria Minera

OTEC e-learnica | Reconocida SENCE N° Resolución 986

Sobre este programa

El Diplomado en Implementación de Proyectos de Machine Learning para la Industria Minera está diseñado para desarrollar competencias aplicadas en análisis de datos, inteligencia de negocios, visualización, modelos predictivos e implementación de soluciones de Machine Learning en contextos mineros reales.

Durante el programa, los participantes aprenderán a comprender el ciclo de vida de una iniciativa analítica, preparar y analizar datos provenientes de procesos mineros, construir indicadores en Power BI, seleccionar modelos de Machine Learning y evaluar la viabilidad técnica, operacional y económica de soluciones orientadas a mejorar la toma de decisiones, la productividad, la seguridad y la continuidad operacional.

El diplomado se desarrolla en modalidad online durante 24 semanas, con 35 horas sincrónicas y 35 horas de autoaprendizaje. Considera clases en vivo, participación en foros, actividades prácticas y evaluaciones tipo proyecto, bajo una metodología teórico-práctica orientada al aprender haciendo.

El programa aborda:

Fundamentos de Machine Learning e inteligencia de negocios en minería.
Preparación, comprensión y gestión de datos para analítica minera.
Visualización e inteligencia de negocios con Power BI.
Diseño y desarrollo de proyectos de Machine Learning aplicados a minería.
Implementación, gobernanza y escalamiento de soluciones analíticas.
Casos de uso en mantenimiento predictivo, recuperación, energía, seguridad, geometalurgia y gestión de flotas.
Evaluación económica, gestión del cambio, MLOps, ciberseguridad, privacidad y continuidad operacional.

Al finalizar, el participante contará con herramientas para formular problemas analíticos, trabajar con datos mineros, desarrollar modelos predictivos y presentar proyectos aplicables a procesos reales de la industria.

Incluye certificado digital con código QR verificable online.

Diferenciadores

Unidades de contenido

Unidad 1: Fundamentos de Machine Learning e Inteligencia de Negocios en Minería

Transformación digital, analítica e Industria 4.0 en minería. Diferencias y complementariedad entre BI, analítica descriptiva, diagnóstica, predictiva y prescriptiva. Conceptos esenciales de machine learning: aprendizaje supervisado, no supervisado y detección de anomalías. Casos de uso: mantenimiento predictivo, recuperación, energía, seguridad, geometalurgia y flotas. Ciclo de vida de una iniciativa analítica y formulación del problema. Hipótesis de valor, usuarios, decisiones y restricciones operacionales.

Unidad 2: Gestión, Preparación y Comprensión de Datos para Analítica Minera

Fuentes de datos OT/IT: sensores, SCADA, historiadores, ERP, mantenimiento, laboratorio y producción. Gobernanza, diccionario de datos, trazabilidad y calidad. Exploración de datos: distribución, relaciones, tendencias y estacionalidad. Tratamiento de datos faltantes, atípicos, duplicados y escalas temporales. Integración y transformación de datos; variables objetivo y explicativas. Ingeniería inicial de características para series temporales y eventos. Indicadores de proceso, mantenimiento, seguridad, energía y productividad.

Unidad 3: Power BI para Visualización, Inteligencia de Negocios y Toma de Decisiones

Ecosistema Power BI: Desktop, servicio, orígenes y flujo de trabajo. Conexión, limpieza y transformación con Power Query. Modelo relacional y esquema estrella. Relaciones, tablas calendario y granularidad temporal. Medidas y columnas calculadas con DAX básico e intermedio. Indicadores mineros: disponibilidad, utilización, cumplimiento, rendimiento, consumo y pérdidas. Diseño de dashboards, filtros, drill-through, tooltips y navegación. Visualización responsable, storytelling y publicación/actualización.

Unidad 4: Diseño y Desarrollo de Proyectos de Machine Learning Aplicados a Minería

Selección y priorización de casos de uso según valor y factibilidad. Definición de objetivo, variable respuesta, horizonte de predicción y unidad de análisis. Preparación de muestras: particiones de entrenamiento, validación y prueba. Modelos de clasificación, regresión, clustering y detección de anomalías. Línea base, entrenamiento, ajuste y prevención de sobreajuste. Métricas técnicas y operacionales; matrices de costo y umbrales de decisión. Interpretabilidad, importancia de variables y comunicación de resultados. Riesgos de sesgo, fuga de información y cambio de comportamiento de los datos.

Unidad 5: Implementación, Gobernanza y Escalamiento de Soluciones de Machine Learning

Transformación digital, analítica e Industria 4.0 en minería.

Diferencias y complementariedad entre BI, analítica descriptiva, diagnóstica, predictiva y prescriptiva.

Conceptos esenciales de Machine Learning: aprendizaje supervisado, no supervisado y detección de anomalías.

Casos de uso: mantenimiento predictivo, recuperación, energía, seguridad, geometalurgia y flotas.

Ciclo de vida de una iniciativa analítica y formulación del problema.

Hipótesis de valor, usuarios, decisiones y restricciones operacionales.

Play teaser

Valor preventa hasta el 25 de Julio

Información

OTEC e-learnica | Reconocida SENCE N° Resolución 986