2. LUIS FERNANDO
ZHININ VERA
Investigador en Inteligencia Artificial
• Más de 30 artÍculos científicos
• Miembro de Nova Talent
• Becas de Investigador en Chile, Mexico, Canadá y
España.
Científico de Datos- BiSolutions
2021-2023
https://www.linkedin.com/in/luisfernandozh
ininvera/
Presentación Personal
Ing.
Msc.
PhD
Candidate
Científico de Datos- FarmaMIA
2023-2024
4. Respaldo SGS: Empresa transnacional
• Presentes en más de 140 países
• Más de 2600 oficinas y laboratorios
• Nombrado como líder en la industria por el
índice Dow Jones de sostenibilidad por 3 años
consecutivos, y reconocido con el premio
Robeco SAM de sostenibilidad clase oro.
• Dentro de la lista de las 100 empresas más
innovadoras según Forbes
• Presencia en 28 ciudades
• Contamos con más de 2000 colaboradores
• Nuestros laboratorios, áreas comerciales y
operativas cuentan con certificaciones como
ISO 9001, ISO 14001, ISO 45001, y
acreditaciones de INACAL
SGS es líder mundial en inspección, verificación, análisis y certificación. Está considerada como
principal referente mundial en calidad e integridad, contamos con más de 96.000 empleados y con
una red de más de 2.700 oficinas y laboratorios por todo el mundo.
5. Información General
• Los materiales serán proporcionados a través de la plataforma de SGS Academy.
• El participante deberá asistir como mínimo al 75% de las clases (curso o módulo) para
considerar su asistencia.
• En caso de inasistencia del alumno no será factible la reprogramación de la clase perdida.
• El participante aprobará el módulo si obtiene un puntaje mayor o igual al 70% del puntaje total.
• Las grabaciones de las clases se subirán a la plataforma dentro en un plazo máximo de 1 día
útil.
Recomendaciones:
• Procure mantenerse cerca de su router de internet o dispositivo que transmita la señal.
• Ingresar de preferencia a través de una computadora, solo si tuviera inconvenientes
también lo puede hacer desde el celular, proceda a informarlo a su tutor.
7. Sobre el curso
La aplicación de técnicas de Machine Learning en la predicción y simulación de procesos se
ha convertido en una herramienta fundamental para mejorar la eficiencia y la rentabilidad de
las empresas. Sin embargo, muchas empresas no cuentan con los conocimientos
necesarios para implementar estas técnicas de manera efectiva. Este curso tiene como
objetivo proporcionar a los estudiantes los conocimientos y habilidades necesarios para
aplicar técnicas de Machine Learning en procesos industriales, incluyendo el
preprocesamiento de datos, la selección de modelos y la validación de resultados. Al
finalizar el curso, los estudiantes estarán capacitados para aplicar estas técnicas en el
monitoreo de procesos, el control de calidad, la optimización de procesos y el mantenimiento
predictivo, lo que se traducirá en una mayor eficiencia, una reducción de costos y una
mejora en la toma de decisiones en las empresas.
8. NORMAS DE
CONVIVENCIA
Puntualidad: Ser puntuales, la clase inicia a la hora exacta, se dará una tolerancia de
10 minutos para unirse a la clase. El participante debe tomar en cuenta que puede
haber perdido conceptos previos.
Participación: La participación es importante, se puede utilizar la herramienta
de levantar la mano del zoom, para el orden de la participación.
Respeto: El respeto en las comunicaciones es importante, tanto del docente
como de parte de los participantes.
Asistencia: El tutor pasará una lista de asistencia, si el estudiante no hace
válida su asistencia se considerará ausente.
Recomendación: Se debe tener actualizada la aplicación del zoom, dado que se
realizarán ejercicios en equipos y de esta forma evitar que se vea afectada su
participación.
9. Objetivo 1: Comprender los conceptos básicos de Machine Learning y su
aplicación en la mejora de procesos.
Objetivo 2: Ser capaz de aplicar técnicas de Machine Learning para
resolver problemas específicos de la mejora de procesos.
Objetivo 3: Conocer los principales algoritmos de Machine Learning y su
aplicación en la mejora de procesos.
Objetivo 4: Diseñar soluciones de mejora de procesos basadas en
técnicas de Machine Learning.
Objetivos del curso
10. Contenido del curso
TEMA CONTENIDO
Introducción al
machine learning
● Qué es el Machine Learning y cómo se aplica en la optimización y mejora de
procesos.
● Tipos de Machine Learning: supervisado, no supervisado y por refuerzo.
● Ejemplos de aplicaciones de Machine Learning en la mejora de procesos.
Preparación de
datos
● Importancia de la preparación de datos en Machine Learning.
● Técnicas de limpieza de datos: manejo de valores faltantes, detección y corrección de
errores, eliminación de outliers.
● Técnicas de transformación de datos: normalización, estandarización.
● Selección de características: análisis de componentes principales, selección de
características basada en la correlación.
Modelos de
regresión
● Predicción de valores continuos.
● Análisis de la relación entre variables.
● Modelos lineales y no lineales.
11. Contenido del curso
TEMA CONTENIDO
Modelos de
clasificación
● Clasificación de datos en categorías.
● Análisis de la relación entre variables.
● Modelos lineales y no lineales.
Técnicas de
validación
● Evaluación de la calidad del modelo.
● Selección de los mejores parámetros.
● Técnicas de validación cruzada.
Optimización de
procesos
● Aplicación de técnicas de Machine Learning para mejorar procesos.
● Reducción de costos.
Herramientas y
recursos
● Introducción a las herramientas de Machine Learning. Recursos disponibles en línea.
14. Logro de la sesión
- Comprender qué es el Machine Learning y cómo se aplica para optimizar y mejorar procesos en
distintos contextos.
- Diferenciar los tipos de Machine Learning (supervisado, no supervisado y por refuerzo) y sus usos
en escenarios específicos.
- Identificar ejemplos reales de aplicaciones de Machine Learning para la mejora de procesos y los
beneficios que aportan.
- Desarrollar una visión crítica sobre el impacto del Machine Learning en la toma de decisiones y la
optimización de procesos.
- Seleccionar el tipo de técnica de Machine Learning más adecuada para resolver problemas
específicos basados en los objetivos y las características de los datos disponibles.
19. ● En español: Aprendizaje Automático (Aprendizaje de
Máquina)
● Rama de la Inteligencia Artificial cuyo objetivo es
conseguir que las computadoras aprendan.
● Concretamente, proceso de inducción del
conocimiento.
20. ● Profundas implicaciones filosóficas…
● En nuestro contexto:
Proceso a través del cual se adquieren o
modifican habilidades, destrezas,
conocimientos, conductas o valores como
resultado del estudio, la experiencia, la
instrucción, el razonamiento y la observación
21. ● Intentar extraer conocimiento sobre algunas propiedades no observadas de un
fenómeno basándose en las propiedades que sí han sido observadas en él
● … o incluso de propiedades observadas en otros fenómenos similares
● En otras palabras: predecir comportamiento futuro a partir de lo que ha
ocurrido en el pasado
● Ejemplo: Predecir si un determinado producto le va a gustar a un cliente
basándonos en las valoraciones que ese mismo cliente ha hecho de otros
productos que sí ha probado, y de valoraciones de otros clientes similares a él.
Aprendizaje Automático
35. Dependiendo de H podemos hablar de:
● Familia de funciones continuas: Teoría de Aproximación Analítica
(Interpolación, densidad, series de Fourier,…)
● Distribuciones de probabilidad: Estimación Estadística Clásica
● Algoritmos Computacionales: Machine Learning
La herramientas de trabajo de ML es el algoritmo.
Una de las posibles clasificaciones en ML vendrá por el tipo de algoritmo que se
pueda usar dentro de H
36. ● D representa una sección del mundo... lo único que ve A .
● Es fácil conseguir que g = f en D… el problema es conseguir que
fuera de D se comporte de forma parecida (Problema de
Generalización).
● La estadística nos ayuda: Si D es grande (o es una buena
muestra), entonces pueden existir métodos para construir una g
similara f
● En consecuencia: la calidad de la muestra del mundo (D) es
esencial para un correcto aprendizaje.
40. Sobreajuste (overfitting)
● Si todo consiste en entrenar… ¿Cuándo más se entrene el
sistema mejor?
● El problema del Overfitting:
–Exceso de detalles en los datos de entrenamiento
–… que puede ser ruido
–Baja capacidad para generalizar
41. Clasificación de ML
Por tipo de objeto a predecir:
•Regresión: Predecir un valor real
•Clasificación: Predecir la
clasificación sobre un conjunto de
clases prefijadas
•Ranking: Predecir el orden óptimo
de un conjunto de objetos según un
orden de relevancia prefijado
42. Clasificación de ML
Por cómo se usan los ejemplos:
•Supervisado: se conoce el valor
esperado de los ejemplos (ejemplos
etiquetados)
•No supervisado: solo se tiene
información de los datos de entrada, no
de la salida esperada
•Semisupervisado: Una mezcla
•…
67. Proyecto Final
El proyecto final consistirá en desarrollar un modelo de Machine Learning para analizar y predecir
valores clave en un proceso, con el objetivo de identificar patrones y proponer estrategias de
optimización que mejoren la eficiencia y reduzcan costos. Los participantes aplicarán técnicas de
limpieza y transformación de datos, selección de características, y construcción de modelos de
regresión o clasificación para abordar el problema. Además, se evaluará la calidad de los modelos
utilizando métricas como RMSE y validación cruzada.
El dataset necesario para el desarrollo del proyecto será proporcionado a cada participante
posteriormente y podrá corresponder a cualquier ámbito relevante, como procesos industriales, logística,
o control de calidad. Los análisis se realizarán en Google Colab, utilizando herramientas accesibles y
colaborativas. Al finalizar, los participantes entregarán un informe detallado y un notebook que
documente todo el proceso, desde el preprocesamiento de datos hasta las conclusiones y
recomendaciones prácticas. Este proyecto integrará los conceptos clave del curso y su aplicación en un
contexto real.
68. Conclusiones de la sesión
• Impacto en la optimización de procesos: El Machine
Learning ofrece herramientas potentes para mejorar la
eficiencia y la toma de decisiones en múltiples ámbitos,
desde la industria hasta los servicios, reduciendo costos y
aumentando la productividad.
• Flexibilidad de enfoques: Los diferentes tipos de Machine
Learning (supervisado, no supervisado y por refuerzo)
permiten abordar problemas diversos, desde la clasificación y
predicción hasta la identificación de patrones y la toma de
decisiones autónoma.
• Importancia de la adaptación: Para que el Machine
Learning sea efectivo, es crucial entender las necesidades
específicas del proceso que se busca mejorar, así como las
características de los datos disponibles, seleccionando la
técnica más adecuada para cada caso.
