Contenido del Curso
TEMA 01: INTRODUCCIÓN A LA CIENCIA DE DATOS Y EL LENGUAJE PYTHON.
TEMA 02: INTRODUCCIÓN A PHYTON PARTE 2 E INGENIERÍA DE DATOS Y ANÁLISIS ESTADÍSTICO.
SESIÓN 03: INGENIERÍA DE DATOS, ANÁLISIS ESTADÍSTICO CON PYTHON, EJEMPLOS.
TEMA 04: ALGORITMOS DE MACHINE LEARNING SUPERVISADO, EJEMPLOS.
TEMA 05: EVALUACIÓN DEL DESEMPEÑO DE MODELOS PREDICTIVOS.
TEMA 06: EJEMPLOS DE MODELOS SUPERVISADOS, ALGORITMOS DE ÁRBOLES, ETC Y ALGORITMOS NO SUPERVISADOS.
TEMA 07: ALGORITMOS DE MACHINE LEARNING NO SUPERVISADOS.
TEMA 08: ALGORITMOS DE DEEP LEARNING EN SERIES DE TIEMPO.
TEMA 09: ALGORITMOS DEEP LEARNING USANDO EN SERIES DE TIEMPO.
TEMA 10: TÉCNICAS DE BÚSQUEDA HIPERPARAMETROS, EJEMPLOS.
TEMA 11: CASO INTEGRADOR, DESARROLLO DE MODELO PREDICTIVO, INICIO DEL MODULO 2 ANÁLISIS CONFIABILIDAD.
TEMA 12: TEORÍA DE LA CONFIABILIDAD DE ACTIVOS.
TEMA 13: ANÁLISIS DE MODELO PROBABILÍSTICO WEIBULL DE 2 Y 3 PARÁMETROS, EJEMPLOS.
TEMA 14: MODELAMIENTO PROBABILÍSTICO DE FALLAS CON DATOS COMPLETOS Y SUSPENDIDOS Y CONFIABILIDAD DE ACTIVOS.
TEMA 15: EJEMPLO CASO R DEL AJUSTE FUNCIONES PROBABILÍSTICAS.
TEMA 16: CONFIABILIDAD PARA UN INTERRUPTOR DE POTENCIA USANDO RSTUDIO, INTRODUCCIÓN A POWER BI.
TEMA 17: ESTRUCTURAR, ORGANIZAR Y RELACIONAR DATOS EN POWER BI.