Machine Learning Desde Cero con Aplicaciones en la Industria de Procesos

Al finalizar el curso los asistentes estarán en capacidad de:

• Comprender y aplicar principios de ML en series temporales y datos multivariados de planta (regresión regularizada, clasificación, clustering, detección de anomalías, aprendizaje supervisado/no supervisado) con énfasis en procesos.
• Desarrollar y validar modelos predictivos/diagnósticos en Python (scikit-learn, statsmodels, PyTorch/Lightning cuando aplique) con pipelines reproducibles. Analizar sensibilidad e interpretabilidad (SHAP/permuta, perfiles parciales), y vincular variables de proceso con desempeño del modelo y KPIs operacionales.
• Modelar y monitorear modos de operación (estados/regímenes), detectar y diagnosticar fallas e integrar soft-sensors con diferente aplicaciones.

Al finalizar el curso el asistente:

Aplican ML en procesos industriales:

• Construyen soft-sensors y modelos de predicción basados en datos; proponen experimentos de validación en planta.

Usan eficientemente herramientas computacionales:

• Implementan modelos en Python con control de versión y validación temporal, entrenan y perfilan modelos y los empaquetan para pruebas de integración con diferentes sistemas. 

Analizan y validan datos industriales:

• Ejecutan la limpieza, imputación, sincronización y agregación de señales; aplican PCA/PLS/ICA para compresión y monitoreo; diseñan el plan de validación con escenarios de cambio de régimen y ruido. 

Implementan en la industria:

• Proponen una hoja de ruta de despliegue: métricas, alarmas, criterios de re-entrenamiento, y ensayo en entorno controlado antes de producción. 

El curso Machine Learning desde Cero con Aplicaciones en la Industria de Procesos prepara a los asistentes para una variedad de roles profesionales tales como:

Ingeniero de Procesos Especializado en Machine Learning:

Profesionales capaces de diseñar y validar modelos de Machine Learning para optimizar procesos en la industria manufacturera, química y energética.

Analista de Datos Industriales:

Especialistas en el análisis de grandes volúmenes de datos de procesos industriales para identificar patrones y tendencias que puedan ser aprovechados para mejorar la producción.

Consultor en Machine Learning para la Industria:

Consultores que asesoran a empresas en la implementación de soluciones de Machine Learning para la optimización de procesos y toma de decisiones.

Módulo 1. Introducción a Machine Learning en Ingeniería de Procesos
Alcance, tipos de aprendizaje (supervisado, no supervisado, semi-supervisado, auto-supervisado), formulación de problemas (predicción de propiedades/calidad, detección de anomalías, segmentación de regímenes), ciclo de vida del modelo y buenas prácticas de reproducibilidad enfocadas en ML.

Módulo 2. Fundamentos teóricos de ML aplicado a procesos
Sesgo-varianza, regularización (L2/L1/Elastic Net), funciones de pérdida (MSE/MAE/Huber, log-loss, focal), validación cruzada, overfitting/underfitting, calibración probabilística y selección de métricas según tarea (RMSE/MAE, ROC-AUC/PR-AUC, F1, Brier).

Módulo 3. Regresión en contextos de procesos (supervisado)
Modelos lineales regularizados, árboles y ensembles (Random Forest, Gradient Boosting, XGBoost/LightGBM, CatBoost), redes feed-forward para regresión, tuning sistemático (búsqueda bayesiana/Optuna) y evaluación de error de predicción.

Módulo 4. Clasificación en contextos de procesos (supervisado)
Regresión logística regularizada, SVM, ensamble para clasificación, métricas desbalanceadas (balanced accuracy, recall por clase, AUCPR), umbral óptimo y curvas costo-beneficio orientadas a decisiones de clasificación.

Móduo 5. Clustering y reducción de dimensionalidad (no supervisado)
K-means/mini-batch, Gaussian Mixture Models, DBSCAN/HDBSCAN; PCA/Kernel-PCA/PLS y autoencoders; evaluación de compactación/separabilidad (silhouette, Davies–Bouldin) y uso de embeddings en tareas supervisadas.

Módulo 6. Aprendizaje en series temporales y secuencias (ML puro)
Se aprenderá a tomar valores pasados y promedios recientes para crear señales simples, entrenar modelos basados en árboles (como gradient boosting) y usar redes que aprenden de secuencias largas (RNN, LSTM, GRU o TCN). El foco es únicamente predecir lo que viene.

Módulo 7. Representación y selección de características (desde ML)
Se construirán flujos que apliquen transformaciones robustas (tolerantes a valores atípicos), codifiquen variables categóricas y escalen los datos según lo que cada algoritmo necesita. Luego se seleccionarán las variables más útiles con métodos de importancia (permutación, SHAP), se usará RFE para quitar las que no aportan y se crearán variables derivadas específicas para la tarea de ML. Todo esto sin dedicar tiempo a un análisis exploratorio extenso.

Módulo 8. Aplicaciones en la industria: Casos de estudio (visión ML)
Aplicación práctica en planta: se usarán las técnicas aprendidas para predecir calidad y propiedades del producto, estimar rendimiento, y predecir consumo específico/eficiencia a partir de datos reales de operación. Se implementará detección de anomalías para identificar condiciones fuera de lo normal y clustering para segmentar regímenes operativos. Se construirán soft models estrictamente predictivos (sin integrar control), con flujos reproducibles de entrenamiento/validación, comparativas de modelos claras y entregables listos para uso industrial (notebooks ejecutables y reporte con resultados y trazabilidad).

Profesionales del sector industrial con orientación hacía la optimización y el control de procesos, y profesionales afines con interés en estas áreas. Estudiantes de octavo semestre en adelante, de ingeniería química, agroindustrial, bioquímica, biológica, de alimentos, industrial, mecánica  o áreas afines con conocimientos en procesos.

– Programación básica en Python/R/Matlab

– Análisis básico de datos (estadística descriptiva, inferencial y probabilidad)

Francisco Ibáñez Espinel

Perfil Profesional: Ingeniero Químico, Magíster en Ciencias de la Ingeniería Química y Doctor en Ciencias de la Ingeniería Química, con una sólida formación académica y profesional. Especialista en Data Sciences y control avanzado de procesos, ha acumulado una destacada trayectoria en la industria y en el ámbito académico. Su experiencia abarca la gestión de datos y optimización de procesos en diversas industrias, así como la formación de futuros profesionales en el área de la ingeniería.

Experiencia Profesional:

• Ingeniero Especialista de Data Sciences: Aplicación de ciencias de datos y analítica avanzada para la mejora de procesos mineros. SGS Chile (3 años).
• Ingeniero de Data Sciences: Desarrollo de proyectos de ciencia de datos orientados a la optimización y control de procesos en múltiples sectores. BairesDev (3 años).
• Profesor Asistente: Profesor Asistente: Docencia y desarrollo de contenidos académicos en los cursos: Diseño en Ingeniería Biológica; Dinámica y Control de Procesos; Diseño de Experimentos, Optimización y Análisis Multivariado; Análisis de Biosistemas; Biotecnología Microbiana y Ciencia de Datos aplicada a la Metalurgia. En las universidades: Pontificia Universidad Católica de Chile, Universidad de Concepción y Universidad Católica del Norte.

Formación Académica:

• Doctor en Ciencias de la Ingeniería Química
  Pontificia Universidad Católica de Chile
• Magíster en Ciencias de la Ingeniería Química
  Universidad Técnica Federico Santa María
• Ingeniero Químico
  Universidad América

Publicaciones WOS:

• Advancing hybrid modeling of Saccharomyces cerevisiae fermentation with mixed carbon sources and urea in a mini-stirred tank reactor. Bioprocess and Biosystems Engineering, https://doi.org/10.1007/s00449-025-03222-5
• Fractional adaptive observer for variable structure high cell density fed-batch cultures. IFAC-PapersOnLine, https://doi.org/10.1016/j.ifacol.2024.08.163
• Reliable calibration and validation of phenomenological and hybrid models of high-cell-density fed-batch cultures subject to metabolic overflow. Computers & Chemical Engineering, https://doi.org/10.1016/j.compchemeng.2024.108706
• Recycling and Conversion of Yeasts into Organic Nitrogen Sources for Wine Fermentation: Effects on Molecular and Sensory Attributes. Fermentation, https://doi.org/10.3390/fermentation7040313
• Robust control of fed-batch high-cell density cultures: a simulation-based assessment. Computers and Chemical Engineering, https://doi.org/10.1016/j.compchemeng.2021.107545
• Fermentation of glycerol using Clostridium butyricum for the production of 1,3-Propanediol in a Fed-batch bioreactor using advanced controllers. Proceedings of the 20th International Conference on Modeling & Applied Simulation, https://doi.org/10.46354/i3m.2021.mas.021
• A robust hybrid observer for monitoring high-cell density cultures exhibiting overflow metabolism. Journal of Process Control, https://doi.org/10.1016/j.jprocont.2021.06.006
• Heterologous production of the epoxycarotenoid violaxanthin in Saccharomyces Cerevisiae. Metabolic Engineering, https://doi.org/10.1016/j.ymben.2020.01.006
• Estimation of the Effectiveness Factor for Immobilized Enzyme Catalysts through a Simple Conversion Assay. Catalysts, https://doi.org/10.3390/catal9110930

• Intensidad: 20 horas de clase en directo con el instructor.

• Frecuencia: Martes – Jueves de 7:00 pm a 9:00 pm – Colombia

• Entrega de certificado

• Entrega de memorias del curso: el material estará a disposición de los asistentes electrónicamente.

• Fecha de inico: Martes 4 de noviembre