Programas >

Programa de Especialización en Inteligencia Artificial Aplicado al Mantenimiento

 

El Programa de Especialización en Inteligencia Artificial Aplicado al Mantenimiento ha sido diseñado para formar profesionales capaces de integrar analítica de datos, Machine Learning e Inteligencia Artificial en la gestión estratégica del mantenimiento industrial. A través de una formación práctica y orientada a la aplicación real, los participantes fortalecerán sus competencias en análisis de datos con Python, desarrollo de modelos predictivos para detección de fallas, identificación de anomalías, segmentación de activos y construcción de dashboards ejecutivos para la toma de decisiones. Asimismo, aplicarán metodologías de mantenimiento predictivo y analítica avanzada basadas en datos operativos, contribuyendo a mejorar la confiabilidad, disponibilidad y desempeño de los activos industriales. Al finalizar el programa, estarán preparados para liderar iniciativas de transformación digital, optimización del mantenimiento y gestión inteligente de activos en organizaciones de diversos sectores productivos.

Duración

62 horas

Horarios

Miércoles y Viernes de 20:00 a 22:00 horas

Fecha de inicio

12/08/2026

Modalidad

Online

Expertos que te guiarán al éxito

Plan de estudio que transformará tu carrera

  • Transformación digital e Industria 4.0
  • Inteligencia Artificial aplicada al mantenimiento
  • Mantenimiento predictivo y prescriptivo
  • Analítica de datos para optimización de activo
  • Casos de aplicación en la industria
  • Tipos de mantenimiento: correctivo, preventivo, predictivo y basado en condición
  • Criticidad de equipos y análisis de fallas
  • RCM (Reliability Centered Maintenance)
  • MTBF, MTTR, disponibilidad, confiabilidad y mantenibilidad
  • OEE y análisis costos de mantenimiento.
  • Introducción a Python
  • Configuración del entorno de trabajo con Jupyter Notebook
  • Variables, tipos de datos y estructuras básicas
  • Funciones y librerías para análisis de datos
  • Aplicaciones en Python entornos industriale
  • Lectura de archivos Excel y CSV
  • Manejo de DataFrames
  • Exploración inicial de datos
  • Selección, filtrado y ordenamiento de información
  • Validación de calidad de datos industriales
  • Tratamiento de valores nulos y duplicados
  • Corrección de errores y estandarización de datos
  • Conversión de tipos de datos
  • Creación de variables derivadas
  • Preparación de bases históricas de mantenimiento
  • Estadística descriptiva aplicada al mantenimiento
  • Histogramas, boxplots y gráficos de dispersión
  • Correlaciones y tendencias operativas
  • Identificación de patrones y anomalías
  • Interpretación de datos para la toma de decisiones
  • Conceptos fundamentales de Machine Learning
  • Aprendizaje supervisado y no supervisado
  • Variables predictoras y objetivo
  • Entrenamiento y validación de modelos
  • Casos de uso en mantenimiento
  • Regresión lineal aplicada al mantenimiento
  • Predicción de variables operativas
  • Predicción de fallas y comportamiento de activos
  • Implementación con Scikit-Learn
  • Interpretación técnica de resultado
  • Evaluación mediante MAE, MSE, RMSE y R²
  • Comparación entre valores reales y predichos
  • Interpretación técnica de errores.
  • Evaluación de desempeño de modelos
  • Aplicaciones en mantenimiento predictivo
  • Regresión logística
  • Árboles de decisión
  • Random Forest
  • K-Nearest Neighbors (KNN)
  • Support Vector Machine (SVM)
  • Clasificación de estados operativos
  • Matriz de confusión
  • Accuracy, Precision y Recall
  • F1-Score
  • ROC-AUC
  • Interpretación de falsos positivos y falsos negativos
  • Optimización de modelos de clasificación
  • K-Means y DBSCAN
  • Isolation Forest
  • Local Outlier Factor
  • One-Class SVM
  • PCA aplicado a detección de anomalías
  • Priorización de inspecciones y monitoreo predictivo
  • Dashboards interactivos con Dash
  • KPIs de mantenimiento: MTBF, MTTR, Disponibilidad y OEE
  • Dashboards ejecutivos en Power BI
  • Introducción a interfaces gráficas con Tkinter
  • Integración de datos, modelos predictivos y dashboards
  • Desarrollo de un caso aplicado de mantenimiento predictivo
  • Presentación de resultados y recomendaciones
  • Sustentación del proyecto final
Hablemos por WhatsApp