06 DE DICIEMBRE
SÁBADOS: 04:00 P.M. A 06:00 P.M. DOMINGOS: 04:00 P.M. A 06:00 P.M.
25 DE ENERO
Dirigido a:
Ingenieros y técnicos de minería, geología, metalurgia, planeamiento y operaciones.
Profesionales de data science o automatización que buscan aplicar IA al entorno minero.
Estudiantes avanzados o egresados de carreras afines.
Consultores, supervisores y analistas que deseen mejorar precisión y eficiencia mediante IA.
El programa busca:
Formar especialistas capaces de aplicar Python e IA en minería.
Promover el uso de análisis predictivo y automatización.
Desarrollar competencias de aprendizaje automático y minería de datos.
Impulsar la innovación tecnológica en línea con la Minería 4.0.
Instalación, entorno y primeros scripts
Uso de Jupyter y Google Colab
Variables, tipos de datos y estructuras de control
Funciones y módulos
Automatización de tareas mineras
Clases, objetos, métodos y atributos
Encapsulamiento, herencia y polimorfismo
Modelos orientados a objetos para procesos mineros
Casos aplicados a extracción, transporte y operaciones
NumPy para cálculos numéricos
Pandas y Polars para manipulación de grandes volúmenes de datos
Matplotlib, Seaborn y Plotly para visualización 2D y 3D
SciPy para cálculos científicos
Espacios vectoriales y transformaciones
Sistemas lineales y descomposiciones
Reducción dimensional y regularización
Estadística descriptiva e inferencial
Series de tiempo y distribuciones
Probabilidad y Teorema de Bayes
Neuronas, capas y funciones de activación
Backpropagation y funciones de pérdida
Modelos básicos de clasificación y regresión
Implementación con librerías modernas
Features y targets
Limpieza, normalización y codificación
Procesos ETL para datos mineros
EDA: correlaciones, tendencias y outliers
Construcción de pipelines automáticos
Regresión lineal y logística
Árboles, Random Forest y SVM
Clustering: K-means, DBSCAN
Reducción dimensional: PCA
Evaluación y optimización de modelos
Instalación, entorno y primeros scripts
Uso de Jupyter y Google Colab
Variables, tipos de datos y estructuras de control
Funciones y módulos
Automatización de tareas mineras
Clases, objetos, métodos y atributos
Encapsulamiento, herencia y polimorfismo
Modelos orientados a objetos para procesos mineros
Casos aplicados a extracción, transporte y operaciones
NumPy para cálculos numéricos
Pandas y Polars para manipulación de grandes volúmenes de datos
Matplotlib, Seaborn y Plotly para visualización 2D y 3D
SciPy para cálculos científicos
Espacios vectoriales y transformaciones
Sistemas lineales y descomposiciones
Reducción dimensional y regularización
Estadística descriptiva e inferencial
Series de tiempo y distribuciones
Probabilidad y Teorema de Bayes
Neuronas, capas y funciones de activación
Backpropagation y funciones de pérdida
Modelos básicos de clasificación y regresión
Implementación con librerías modernas
Features y targets
Limpieza, normalización y codificación
Procesos ETL para datos mineros
EDA: correlaciones, tendencias y outliers
Construcción de pipelines automáticos
Regresión lineal y logística
Árboles, Random Forest y SVM
Clustering: K-means, DBSCAN
Reducción dimensional: PCA
Evaluación y optimización de modelos
