Registrarse
Curso

MACHINE LEARNING PARA LA MEJORA DE PROCESOS

  • Desde: 20/10/25
  • Hasta: 3/11/25
  • Campus de Valencia
  • Idioma: Castellano
  • Presencial

Preinscripción desde el 30/7/25

Promovido por:
Dpto. de Estadística e Investigación Operativa Aplicadas y Calidad

Responsable de la actividad:
Alberto Jose Ferrer Riquelme

Inscripción

Modalidad

Presencial Online Emisión en directo

20 horas

0 horas

0 horas
Horario

Mañana y Tarde
Lunes 20 y 27 de octubre (8:30 a 13:30 y de 14:30 a 17:00)
Lunes 3 de noviembre (8:30 a 13:30)

Lugar de impartición
Aula 2.5 CFP - UPV
Certificación

Aprovechamiento

Modalidad

PRESENCIAL

Curso

2025-2026

ECTS

2

Campus

Valencia

20 h

Presenciales

0 h

Online

Ver condiciones de la actividad
Precio Colectivo Plazos Desde Hasta
1.350 € Titulado UPV  1 plazo - 21/9/25
1.350 € Alumni UPV PLUS  1 plazo - 21/9/25
1.350 € Personal UPV  1 plazo - 21/9/25
1.350 € Alumno UPV  1 plazo - 21/9/25
1.400 € Titulado UPV  1 plazo 22/9/25 -
1.400 € Alumni UPV PLUS  1 plazo 22/9/25 -
1.400 € Público en general  1 plazo - 21/9/25
1.400 € Alumno UPV  1 plazo 22/9/25 -
1.400 € Personal UPV  1 plazo 22/9/25 -
1.450 € Público en general  1 plazo 22/9/25 -
HASTA EL 21/09/25:
1.350,00 € - Alumni UPV PLUS
1.350,00 € - Alumno UPV
1.350,00 € - Titulado UPV
1.350,00 € - Personal UPV
1.400,00 € - Público en general

DESPUÉS DEL 21/09/25:
1.400,00 € - Alumni UPV PLUS
1.400,00 € - Alumno UPV
1.400,00 € - Titulado UPV
1.400,00 € - Personal UPV
1.450,00 € - Público en general

Objetivos

• 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 el algoritmo 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.

Acción formativa dirigida a

Profesionales del ámbito industrial, ingenieros de procesos, responsables de calidad, técnicos de mejora continua y personal de I+D que trabajan en entornos productivos relacionados con la Industria 4.0. Esta formación está especialmente orientada a quienes necesitan analizar grandes volúmenes de datos generados en planta o laboratorio, y extraer información útil para la toma de decisiones. El objetivo es dotarles de competencias en analítica avanzada de datos para identificar fuentes de variación en los procesos, mejorar el rendimiento operativo y acelerar el desarrollo de nuevos productos.

Profesores

Metodología didáctica y sistemas de evaluación

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.

Temas a desarrollar

Día 1 - Bloque 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.

Día 1 - Bloque 2
4. Introducción variables latentes
5. Visión general
a. Naturaleza de los datos multivariantes
b. Concepto de variables latentes
c. Modelos basados en variables latentes

Día 1 - Bloque 3
6. Análisis de componentes principales (PCA)
7. Casos de estudio utilizando PCA

Día 2 - Bloque 4
8. Regresión de Mínimos Cuadrados Parciales (PLS)
9. Casos de estudio industriales mediante PLS

Día 2 - Bloque 5
10. Monitoreo de procesos multivariantes, detección de fallos y diagnóstico (MSPC)
11. Caso de estudio industrial

Día 2 - Bloque 6
12. Optimización de procesos y desarrollo rápido de productos a partir de datos históricos
a. Modelos de Variables Latentes vs. Enfoques de Aprendizaje Automático (Machine Learning)
b. Optimización de procesos con Modelos PLS
13. Caso de estudio industrial de optimización de un proceso mediante PLS

Día 2 - Bloque 7
14. Modelos predictivos (soft sensors) basados en PLS
15. Caso de estudio industrial de construcción de soft sensor con PLS

Día 3 - Bloque 8
16. Caso transversal. Resolución de un proyecto en clase.

Contacto

Página web: https://lean6sigma.webs.upv.es/

Inscripción

Visita otros cursos relacionados con...

mejora y optimización de procesos análisis multivariante de datos análisis de componentes principales... regresión en mínimos cuadrados... machine learning