Machine Learning para la mejora de procesos

• Comprender los fundamentos del análisis de datos multivariantes y el concepto de variable latente.
• Aplicar técnicas de reducción de dimensión (PCA) para interpretar datos complejos y detectar factores clave que afectan al rendimiento de los procesos.
• Conocer y utilizar los principales indicadores del PCA (Score, Loading, SPE, T² de Hotelling), así como elalgoritmo NIPALS y los criterios para seleccionar el número óptimo de componentes.
• Interpretar gráficamente las relaciones entre variables e individuos, y aplicar PCA a conjuntos de datos reales.
• Entender y aplicar técnicas de regresión multivariante como PCR y PLS, reconociendo sus ventajas frente a la regresión lineal múltiple.
• Desarrollar e interpretar modelos PLS para explicar la variabilidad en los datos y predecir variables de interés en procesos industriales.
• Utilizar modelos PCA para realizar análisis histórico de datos y aplicar Control Estadístico Multivariante de Procesos (MSPC).
• Analizar las diferencias entre las técnicas de aprendizaje automático y los modelos de variables latentes, comprendiendo sus aplicaciones en entornos industriales y evaluando sus principales ventajas y limitaciones para el análisis de datos de procesos.
• Conocer el concepto de soft sensors, su construcción y su uso para predecir variables críticas a partir de datos históricos.

Este curso proporciona una formación completa en técnicas multivariantes de machine learning (aprendizaje automático) basadas en modelos de variables latentes. A través de estas técnicas, los participantes aprenderán a extraer información útil de datos históricos de forma clara y eficaz, utilizando representaciones gráficas que facilitan la interpretación de patrones y relaciones complejas.

El programa se inicia con una introducción a las técnicas de machine learning, los datos multivariantes y a los modelos basados en variables latentes, destacando su importancia para entender y resolver problemas industriales. A partir de ahí, se profundiza en dos herramientas clave: el Análisis de Componentes Principales (PCA), ideal para explorar estructuras de correlación en grandes volúmenes de datos, y la Regresión por Mínimos Cuadrados Parciales (PLS), orientada a la construcción de modelos predictivos, clasificadores y de optimización de procesos.

Mediante casos reales, se muestra cómo aplicar PCA y PLS en tareas como el desarrollo de soft sensors, la mejora continua y la monitorización de procesos (MSPC), incluyendo la detección y diagnóstico de desviaciones en entornos con alta complejidad de datos.

La formación combina explicaciones teóricas con ejercicios prácticos realizados por los participantes. Se trabajarán casos reales de mejora de procesos industriales utilizando el software DRAGONET para aplicar técnicas de análisis multivariante de datos.

Los alumnos aprenderán haciendo, con el apoyo continuo del profesor, desarrollando competencias directamente aplicables a su entorno profesional.

Sesión 1: Introducción al Machine Learning (Aprendizaje Automático) en la Industria

1. Introducción: ¿Qué es Machine Learning? Conceptos clave y aplicaciones.
2. Machine Learning supervisado vs. no supervisado.
3. Herramientas de Machine Learning y sus aplicaciones en los procesos industriales.

Sesión 2

1. Introducción variables latentes
2. Visión general
   • Naturaleza de los datos multivariantes.
   • Concepto de variable latente.
   • Modelos basados en variables latentes.

Sesión 3

1. Análisis de componentes principales (PCA)
2. Casos de estudio utilizando PCA

Sesión 4

1. Regresión de Mínimos Cuadrados Parciales (PLS).
2. Casos de estudio industriales mediante PLS.

Sesión 5

1. Monitoreo de procesos multivariantes, detección de fallos y diagnóstico (MSPC).
2. Caso de estudio industrial usando MSPC.

Sesión 6

1. Optimización de procesos y desarrollo rápido de productos a partir de datos históricos.
   • Modelos de Variables Latentes vs. Enfoques de Aprendizaje Automático (Machine Learning).
   • Optimización de procesos con Modelos PLS.
2. Caso de estudio industrial de optimización de un proceso mediante PLS.

Sesión 7

1. Modelos predictivos (soft sensors) basados en PLS.
2. Caso de estudio industrial de construcción de soft sensor con PLS.

Sesión 8

1. Caso transversal. Resolución de un proyecto en clase.

El alumnado que supere el curso recibirá un certificado de aprovechamiento por la Universitat Politècnica de València.

DURACIÓN

20 horas (2 sesiones de 7,5 horas/sesión + 1 sesión de 5 horas/sesión). 17 de noviembre – 3 de diciembre de 2025.

HORARIO

Lunes 17 y 24 de noviembre (8:30 a 13:30 y de 14:30 a 17:00), y lunes 1 de diciembre (8:30 a 13:30).

MATRÍCULA

El importe de la matrícula es de 1450€. Alumnado UPV, Alumni UPV PLUS, Titulados UPV y Personal UPV disfrutarán de un descuento adicional de 50€.

LUGAR DE REALIZACIÓN

El curso se realizará en el edificio del Centro de Formación Permanente (CFP) (Edificio 6G).