Profesionales con visión analítica que buscan dominar el tratamiento avanzado de datos con Python, transformando datos crudos e inconsistentes en información de alta calidad para la mejora de la performance de procesos. Sin distinción de profesión o el cargo que ostente dentro de su organización el participante, este curso permite tener una visión diferente de la mejora cuando hay datos disponibles, independientemente del segmento industrial al que pertenezcan los procesos.

30% de teoría y 70% de práctica. Exposición dialogada del instructor con apoyo en diapositivas, análisis de casos de libros, ejercicios individuales y el análisis grupal de datos que traigan los alumnos, siempre sobre Google Colaboratory.

• Ingeniero Mecánico Automotriz, Máster en Dirección de Proyectos y Magíster en Ingeniería de Dirección Industrial (UBA), con formación de posgrado (UBA) en Control de Procesos.
• Trayectoria consolidada en el análisis, diagnóstico y diseño de planes de mejora de procesos mediante técnicas de análisis de valor, simulación de procesos, analítica de datos, machine learning e inteligencia artificial.
• Trabajo con grupos de avanzada en el desarrollo de métodos de optimización y mejora continua. Colabora con grandes organizaciones de distintos sectores industriales (automotriz, aeronáutico, químico, metalúrgico, infraestructura aeroportuaria, cementos, banca y consumo masivo) en la mejora de procesos.
• Certificado como Google Generative AI Leader, con sólida formación en Python y tecnologías de analítica avanzada. Miembro del equipo editorial del estándar industrial OEE (Overall Equipment Effectiveness), contribuyendo al desarrollo y actualización de prácticas de excelencia operacional.

El curso mantiene un enfoque práctico desde el inicio: a partir del primer día, se utilizará Google Colaboratory como entorno principal de trabajo para la ejecución de código y desarrollo de modelos en la nube.

• Fundamentos de Machine Learning y su Rol en la Mejora de Procesos
• Procesos, flujo de procesos y «mejora de procesos»
• Identificación de puntos críticos en el flujo de procesos y procesos clave
• Definición de KPIs de Negocio: Cómo traducir un error de modelo en pérdida o ganancia económica para un proceso

• Preparación de Datos: Calidad y Limpieza
• Manejo de valores nulos, duplicados y datos atípicos (outliers) en entornos industriales/administrativos
• Gobierno de Datos básico: Asegurar la trazabilidad y procedencia de la información
• Análisis Exploratorio de Datos (EDA): Visualización inicial para entender la distribución y sesgos de los datos de procesos

• Construcción de Features: Selección y transformación de variables
• Creación de variables temporales: Cómo el factor tiempo influye en la eficiencia de los procesos
• Codificación y Normalización: Preparación técnica de los datos para que sean legibles por diferentes algoritmos
• Análisis de Correlación: Identificación de variables que realmente impactan en el resultado del proceso

• Aprendizaje Supervisado: Modelos de Clasificación
• Métricas Clave: Precisión, Recall, F1-Score y Matriz de Confusión
• Casos de uso en Procesos: Clasificación de productos defectuosos vs. óptimos o estados de falla
• Algoritmos de decisión: Árboles de decisión y modelos probabilísticos para entender la lógica de clasificación

• Modelos de Regresión y Predicción de Variables Continuas
• Métricas de Error: MAE, MSE y RMSE para entender la desviación del proceso
• Pronóstico de Tiempos de Ciclo: Estimación de cuánto tardará un proceso en completarse bajo ciertas variables
• Análisis de Sensibilidad: Evaluar cómo pequeños cambios en los inputs afectan el resultado final de la producción

• Clustering y PCA: Simplificación y segmentación de datos complejos
• Detección de Anomalías: Identificación de desviaciones críticas en tiempo real
• Reducción de Dimensionalidad: Cómo manejar procesos con cientos de variables sin perder información clave
• Segmentación de Comportamientos