Control de la Calidad en Producción con Machine Learning
Para implementar modelos de ML, anticipar defectos y desviaciones en procesos industriales con preparación de datos, entrenamiento, métricas, validación, optimización y monitorización de resultados.
Próximas ediciones del curso
| Inicio del curso | Finalización | |
|---|---|---|
| 19 de Mayo de 2026 | 28 de Agosto de 2026 | |
| 17 de Junio de 2026 | 28 de Septiembre de 2026 |
Duración: 60 horas
Precio: 350 USD
Equivalente aprox.: 488.372 ARS
Diploma
Metodología 100% E-learning
Aula virtual
Soporte docente personalizado
Flexibilidad de horarios
Pruebas de Autoevaluación
FAQ: Preguntas y respuestas frecuentes
Certificado Responsabilidad Social Corporativa
Curso avalado por Business Manager School – marca registrada de prestigio en formación
900 670 400
Formas de pago seguras Ecommerce Europe Trustmark:
Transferencia bancaria
Visa
PayPal
Stripe
Trusted Shops: Valoración global de Iniciativas Empresariales
Al finalizar este curso podrás:
- Comprenderás cómo la calidad en procesos industriales impacta en la eficiencia, competitividad y costes de las empresas.
- Explorar la utilidad del machine learning en el contexto de la productividad y la mejora continua.
- Detectarás anomalías y patrones en los datos de producción utilizando algoritmos de clustering y detección de outliers.
- Conocerás y aplicar algoritmos del machine learning para la detección de defectos y fallos en procesos productivos.
- Evaluarás modelos de machine learning con métricas clave como precisión, recall y F1-score.
- Diseñarás dashboards de monitorización de calidad para facilitar decisiones basadas en predicciones.
- Identificarás los tipos de datos industriales más relevantes y cómo prepararlos para su análisis.
- Analizarás grandes volúmenes de datos para describir patrones ocultos y tendencias.
- Comprenderás los fundamentos de las redes neuronales y su uso en tareas predictivas.
- Obtener una visión integrada de cómo los modelos avanzados de ML se traducen en soluciones prácticas dentro de la industria.
Temario del curso
Fundamentos de machine learning y calidad en la industria
- introducción y contextualización.
- Conceptos básicos de machine learning.
- Fundamentos de calidad en procesos industriales.
- Integración entre calidad y machine learning.
- Perspectivas futuras y conclusiones.
Preparación y análisis de datos
- introducción y contextualización.
- Adquisición y preprocesamiento de datos.
- Análisis exploratorio de datos (EDA).
- Técnicas de transformación y feature engineering.
- Herramientas, buenas prácticas y conclusiones.
Modelos fundamentales de ml
- Introducción a los modelos fundamentales.
- Modelos supervisados.
- Modelos no supervisados.
- Conclusiones y perspectivas.
Métricas de evaluación
- Introducción y conceptos básicos.
- Métricas de evaluación para problemas de clasificación.
- Métricas de evaluación para problemas de regresión.
- Selección de la métrica adecuada según el contexto.
- Conclusiones, buenas prácticas y perspectivas futuras.
Hiperparámetros, sobreajuste y regularización
- Introducción y conceptos fundamentales.
- Ajuste y optimización de hiperparámetros.
- Overfitting: diagnóstico y estrategias de mitigación.
- Regularización: métodos y aplicaciones.
- Integración y buenas prácticas.
Modelos avanzados y aplicaciones especificas
- Introducción y contextualización.
- Redes neuronales profundas y arquitecturas avanzadas.
- Técnicas de ensamblado y modelos híbridos.
- Aplicaciones específicas en contextos industriales.
- Conclusiones y perspectivas futuras.
Autor / Tutor del curso
El contenido y las herramientas pedagógicas del curso
Control de la Calidad en Producción con Machine Learning , han sido elaboradas por un equipo de especialistas dirigidos por:
Daniel Toral García
Ingeniero mecánico y especialista en ciencia de datos con una sólida trayectoria en el sector industrial y una marcada orientación hacia la digitalización y la ingeniería de fabricación. Su enfoque combina el conocimiento profundo de los entornos productivos con habilidades analíticas avanzadas, en herramientas como Palantir Foundry, Python y técnicas modernas de Machine Learning.
Apasionado por la digitalización de la industria, ha liderado iniciativas centradas en la detección de fallos, la optimización de procesos y el mantenimiento predictivo, integrando modelos de aprendizaje automático en entornos reales. También colabora en programas formativos para difundir las aplicaciones prácticas del Machine Learning, aportando una visión didáctica y orientada al impacto.
Preguntas frecuentes
¿Cómo se utiliza el aprendizaje automático en la industria?
Se usa para mantenimiento predictivo anticipando fallos de maquinaria, control de calidad automatizado detectando defectos, optimización de procesos productivos y predicción de demanda. También permite automatizar tareas con variabilidad y reducir costes energéticos y de materias primas.
¿Qué es machine learning en ingeniería industrial?
Es la aplicación de algoritmos de aprendizaje automático para optimizar procesos de fabricación, predecir fallos, controlar calidad y mejorar la eficiencia productiva. Permite a las máquinas aprender de datos históricos para tomar decisiones y adaptarse a entornos cambiantes sin programación explícita.
¿Cómo se aplica la IA en la industria?
Se aplica en automatización de tareas repetitivas, análisis de grandes volúmenes de datos, visión artificial para inspección de calidad y robótica inteligente. También en predicción de demanda, optimización de la cadena de suministro y mantenimiento predictivo de equipos.
¿Cuáles son los 3 tipos de machine learning?
Son: aprendizaje supervisado (trabaja con datos etiquetados para predecir resultados), aprendizaje no supervisado (busca patrones en datos sin etiquetar) y aprendizaje por refuerzo (aprende mediante prueba y error recibiendo recompensas o penalizaciones por sus acciones).