Machine Learning Aplicado a Ingeniería y Ciencia
A lo largo de este curso, lograrás:
Entender las razones por las que los métodos de machine learning pueden resolver problemas en ingeniería.
Contar con los métodos de predicción que utilizan los investigadores cuando faltan datos o tienen pocos.
Transferir los métodos de machine learning de una industria a otra.
Cuantificar el riesgo y clarificar los aspectos más destacados de los datos de los sistemas complejos.
Identificar las condiciones en las que un método de machine learning no sirve de nada o no merece la pena el esfuerzo de aplicarlo.
Temas del Curso
Sobre el Prof. Richard Braatz
Introducción a la ingeniería de variables
Cómo predecir la vida útil de las baterías de ion litio
Cómo identificar variables • Los tres tipos de regularización
Uso de la ingeniería de variables
La importancia de la ingeniería de variables y el modelo Elastic net
Preguntas/Foro de discusión del caso 1
Sobre el Prof. George Barbastathis
Machine learning y la fotografía computacional
Los problemas inversos
Phase retrieval
Phase extraction
La pérdida perceptiva
Cómo sintetizar
La tomografía
Conclusiones sobre la fotografía computacional
Preguntas/Foro de discusión del caso 2
Sobre el Prof. Laurent Demanet
Introducción a las ondas sísmicas
Las ecuaciones de onda
La inversión
De las frecuencias altas a las bajas
Las redes neuronales
El entrenamiento y las pruebas
Un nuevo análisis de la inversión
Recursos
Preguntas/Foro de discusión del caso 3
Sobre el Prof. John Williams
Cómo minimizar el riesgo al tomar decisiones
Cómo predecir la tasa de producción de petróleo y gas
La regresión lineal y la predicción mediante datos
Cómo predecir la tasa de producción: Resultados
Preguntas/Foro de discusión del caso 4
Sobre el Prof. Justin Solomon
Introducción al machine learning de las representaciones geométricas
Las dos modalidades de los datos geométricos 3D
Deep learning y las nubes de puntos
Usos de las nubes de puntos
Deep learning y los datos vectoriales
Los límites del aprendizaje 3D
Preguntas/Foro de discusión del caso 5
Sobre el Prof. Themistoklis Sapsis
La cuantificación del riesgo de sucesos extremos
Descripción probabilística de los sucesos extremos
Los desafíos relacionados con los sucesos extremos
Un mejor método para calcular una probabilidad
El aprendizaje activo y el buen diseño de experimentos
Uso de un nuevo criterio para ponderar resultados
Resultados del criterio Q
Referencias
Preguntas/Foro de discusión del caso 6
Sobre la Prof. Heather Kulik
Introducción a la química inorgánica
La solución de machine learning
La representación de los metales de transición
Desempeño e información sobre conjuntos de datos de entrenamiento
La selección de variables
Cómo cuantificar la incertidumbre
Cómo acelerar los descubrimientos
Preguntas/Foro de discusión del caso 7
Sobre el Prof. Markus Buehler
¿Qué son la ingeniería y la ciencia de materiales?
Machine learning y el diseño de materiales
Uso de machine learning para clasificar imágenes
Cómo complementar los métodos convencionales con machine learning
Cómo predecir la propagación de fracturas
Expectativa vs. Realidad: Futuros desafíos
Preguntas/Foro de discusión del caso 8
Sobre el Prof. Youssef Marzouk
Los problemas inversos del subsuelo a la atmósfera
Cuantificar la incertidumbre de los problemas inversos: el enfoque bayesiano
La reducción de la dimensionalidad: ¿Qué dicen los datos realmente?
La sustitución de modelos: ¿Cómo acelerar las simulaciones caras?
La asimilación de datos: Datos secuenciales y datos estáticos
Los métodos de conjunto
El aprendizaje supervisado y el cálculo bayesiano aproximado
Preguntas/Foro de discusión del caso 9
Conoce a los Instructores
Faculty Co-Director MIT Center of Computational Engineering, Associate Professor de Aeronautics & Astronautics y Director del Aerospace Computational Design Laboratory, MIT
Professor de Mechanical Engineering, MIT
Associate Professor de Chemical Engineering, MIT
Professor of Information Engineering, Civil and Environmental Engineering; Director, MIT Geospatial Data Center; faculty member, Center for Computational Science and Engineering, Schwarzman College of Computing
Associate Professor de Mechanical & Ocean Engineering, MIT
McAfee Professor de Engineering & Head, Department de Civil & Environmental Engineering, MIT
Edwin R. Gilliland Professor de Chemical Engineering, MIT
Associate Professor de Electrical Engineering & Computer Science, MIT
Professor de Applied Mathematics & Director del Earth Resources Laboratory de MIT
La experiencia de aprendizaje del MIT xPRO
Practica procesos y métodos a través de simulaciones, evaluaciones, estudios de caso y herramientas.
Conecta con una comunidad internacional de profesionales mientras trabajas en proyectos basados en ejemplos reales.
Accede a todo el contenido en línea y mira los vídeos desde cualquier lugar.
Lleva las nuevas habilidades aprendidas a tu empresa a través de ejemplos de entornos de trabajo técnicos y unas buenas indicaciones reflexivas.
Obtén un certificado profesional y créditos de educación profesional continua de MIT (MIT xPRO 2,5 CEUs).
Adquiere formación de los profesores de MIT y de expertos de la industria.
¿Qué encontrarás en el curso?
Este curso tiene un contenido completamente orientado a la práctica y puede seguirse integramente en español, a través de:
ACTIVIDADES TIPO TEST
ENSAYOS
PROYECTOS
ACTIVIDAD PLAN DE ACCIÓN
CONTENIDO EN VIDEO IMPARTIDO POR EL CLAUSTRO DE PROFESORES DE MIT Y POR EXPERTOS EN DISTINTAS INDUSTRIAS *
WEBINAR EN DIRECTO
BIBLIOGRAFÍA ADICIONAL RECOMENDADA **
* Para los contenidos en vídeo se han mantenido las voces originales de los profesores de MIT y expertos de distintas industrias, que han sido subtitulados en español.** Algunas de las lecturas adicionales recomendadas (no obligatorias para completar el curso) solo están disponibles en inglés.
Inscripción
Rellena el formulario de registro online que encontrarás a continuación, haciendo clic en el botón “INSCRÍBETE”.
Realiza el pago a través de la plataforma segura.
Tu plaza quedará confirmada en el momento en que recibamos el pago del curso.
Te enviaremos tus claves de acceso al campus virtual para que puedas empezar a familiarizarte con la plataforma.
¿No encontraste lo que buscabas? Agenda una llamada con uno de nuestros asesores académicos o llámanos al +1 315 501 0457.
Inicio el