Curso práctico de Machine Learning aplicado a Mecánica de Fluidos

Inversion publicada

Precios referenciales en PEN. Confirma vacantes, etapa vigente y forma de pago por WhatsApp.

Temario por sesion

Sesion 1: Datos de fluidos y Python cientifico

Objetivo: preparar datasets tecnicos para modelado predictivo.

• Objetivo: preparar datasets tecnicos para modelado predictivo.
• Tipos de datos en fluidos: CFD, laboratorio, sensores e hidrologia.
• Limpieza con Pandas, unidades, valores faltantes y outliers.
• Variables fisicas, escalamiento y separacion train/test.
• Visualizacion con Matplotlib para detectar patrones.
• Practica: dataset de variables hidraulicas o CFD simplificado.
• Resultado: datos listos para entrenar modelos supervisados.

Practica: Practica: dataset de variables hidraulicas o CFD simplificado.

Resultado: Resultado: datos listos para entrenar modelos supervisados.

Sesion 2: Modelos supervisados para prediccion

Objetivo: entrenar modelos de regresion aplicables a variables fisicas.

• Objetivo: entrenar modelos de regresion aplicables a variables fisicas.
• Regresion lineal, arboles, random forest y criterios de seleccion.
• Entrenamiento con scikit-learn, pipelines y validacion cruzada basica.
• Metricas RMSE, MAE, R2 e interpretacion tecnica.
• Riesgos de sobreajuste y fuga de datos.
• Practica: prediccion de una variable de flujo.
• Resultado: modelo evaluado con metricas y graficos.

Practica: Practica: prediccion de una variable de flujo.

Resultado: Resultado: modelo evaluado con metricas y graficos.

Sesion 3: Modelos sustitutos y reduccion de orden

Objetivo: aproximar resultados costosos sin reemplazar la fisica.

• Objetivo: aproximar resultados costosos sin reemplazar la fisica.
• Concepto de surrogate model para simulaciones o experimentos.
• Seleccion de features, importancia de variables y sensibilidad simple.
• Comparacion entre modelos y analisis de residuos.
• Visualizacion de superficies o curvas de respuesta.
• Practica: modelo sustituto para un caso parametrico.
• Resultado: aproximador documentado con limites de uso.

Practica: Practica: modelo sustituto para un caso parametrico.

Resultado: Resultado: aproximador documentado con limites de uso.

Sesion 4: Proyecto final aplicado

Objetivo: presentar un flujo ML completo para mecanica de fluidos.

• Objetivo: presentar un flujo ML completo para mecanica de fluidos.
• Definicion del problema, variables, supuestos y datos.
• Entrenamiento, ajuste razonable y comparacion de modelos.
• Interpretacion fisica de resultados y advertencias.
• Preparacion de notebook y reporte breve.
• Practica: exposicion del proyecto final.
• Resultado: notebook con modelo predictivo, metricas e interpretacion.

Practica: Practica: exposicion del proyecto final.

Resultado: Resultado: notebook con modelo predictivo, metricas e interpretacion.

Resultados de aprendizaje

• Preparar datasets técnicos de fluidos.
• Entrenar modelos de machine learning para predecir variables físicas.
• Evaluar modelos con métricas como RMSE, MAE y R².
• Construir modelos sustitutos para aproximar resultados de simulaciones o experimentos.

Proyecto final

Proyecto aplicado integrador con evidencia verificable y presentación breve.

Entregables

Consultar en la convocatoria.

Herramientas

Consultar en la convocatoria.

Metodologia

Consultar en la convocatoria.

Requisitos

Consultar en la convocatoria.

Certificacion

Certificado físico y firmado