Universidad de Chile | FCFM

DIPLOMA DE BIG DATA ANALYTICS EN CONFIABILIDAD Y MANTENIMIENTO

 

 

El objetivo del Diploma de Big Data Analytics en Confiabilidad y Mantenimiento apunta a formar un profesional con dominio en las técnicas de análisis de Big Data aplicadas a la gestión de activos físicos, mantenimiento y confiabilidad que le permitan desarrollar y analizar modelos y algoritmos para la detección, diagnóstico y pronóstico de fallas de activos físicos.

 

Objetivos Específicos:

 

  • Introducir y discutir los conceptos de loT y Big Data y cómo estos se aplican en confiabilidad y mantenimiento.
  • Desarrollar las capacidades para el manejo eficiente de técnicas de Big Data en el contexto de confiabilidad y mantenimiento.
  • Desarrollar las capacidades necesarias para el dominio de técnicas de aprendizaje profundo para el análisis de Big Data y la correspondiente implementación, entrenamiento y análisis de modelos y algoritmos para la detección de anomalías, diagnóstico y pronóstico de fallas en activos físicos.
  • Desarrollar las capacidades necesarias para el dominio del ecosistema Hadoop aplicado al análisis de Big Data en confiabilidad y mantenimiento.

 

Cursos:
  •  

    • Internet de las Cosas (loT) y Big Data en la Confiabilidad y Mantenimiento (2 horas).
    • Taller de Python (6 horas).
    • Adquisición y Procesamiento de Señales para el Diagnóstico y Pronóstico de Fallas (8 horas).
    • Aprendizaje de Máquina Aplicado a Confiabilidad y Mantenimiento (16 horas).
    • Taller I – Estudio de Casos en el Análisis de Señales de Monitoreo de la Condición de Salud de Activos Físicos (16 horas).
    • Fundamentos de Hadoop para el Análisis de Big Data en Confiabilidad y Mantenimiento (16).
    • Ecosistema Hadoop para el Análisis de Big Data en Confiabilidad y Mantenimiento (16 horas).
    • Big Data Analytics en Diagnóstico de Fallas de Activos Físicos (16 horas).
    • Big Data Analytics en Pronóstico de Fallas de Activos Físicos (16 horas).
    • Taller II – Estudio de Casos en Big Data Analytics Aplicados al Diagnóstico y Pronóstico de Fallas en Activos Físicos (16 horas).
    • Big Data Analytics No Supervisado en Detección de Anomalías y Diagnóstico de Fallas de Activos Físicos (16 horas).
    • Taller de Proyecto

 

Cuerpo Docente:

 

 

 

Enrique López D.

 

Formación Académica:

 

  • PhD, Reliability Engineering, University of Maryland, College Park, USA.
  • MS, Reliability Engineering, University of Maryland, College Park, USA.
  • MS, Chemical Engineering, Federal University of Bahia, Brazil.
  • BS, Chemical Engineering, Federal University of Bahia, Brazil.

 

Ocupación:

 

  • Profesor Asociado, Departamento de Ingeniería Mecánica, Universidad de Chile.
  • Adjunct Associate Professor Department of Mechanical Engineering, University of Maryland, College Park, USA.

 

 

 

Viviana Meruane 

 

Formación Académica:

 

  • Ph.D. Engineering, Department of Mechanical Engineering, Katholieke Universiteit Leuven, Belgium.
  • M.Sc. Mechanical Engineering, Universidad de Chile, Chile.
  • P.E. Mechanical Engineer, Universidad de Chile, Chile.

 

Ocupación:

 

  • Profesora Asistente, Departamento de Ingeniería Mecánica, Universidad de Chile, Chile.

 

 

 

Juan Tapia Farías 

 

Formación Académica:

 

  • Doctor en Ingeniería Eléctrica, Universidad de Chile.

 

Ocupación:

 

  • Profesor Departamento de Ingeniería Informática de la Universidad de Santiago de Chile.

 

 

 

José García Conejeros 

 

Formación Académica:

 

  • Doctor en Ciencias con mención en Matemáticas, Universidad de Chile, Chile.
  • Licenciado en Ciencias con mención en Matemáticas, Universidad de Chile.

 

Ocupación:

 

  • Telefónica, Investigador en la áreas de Big Data Analytics.

 

 

 

Richard Weber H.

 

Formación Académica:

 

  • Ph. D. en Investigación de Operaciones, RWTH Aachen, Alemania.
  • Magíster en Investigación de Operaciones, RWTH Aachen, Alemania.

 

Ocupación:

 

  • Profesor Asociado, Departamento de Ingeniería Industrial, Universidad de Chile.

 

Plataforma a Distancia:

 

Con la nueva modalidad a distancia, el aprendizaje es más simple y colaborativo.  El alumno podrá seguir vía streaming o ver video en diferido todos los cursos del diplomado, convirtiendo la enseñanza a distancia en una experiencia simple, clara y sin problemas.

  • Clases en tiempo real o diferido.
  • Acceso a las clases con videos y audio de alta calidad.
  • Interacción con el aula de clases de forma remota.
  • Biblioteca de todas las clases dictadas.

 

Público Objetivo:

 

Ingenieros, principalmente Civiles Mecánicos, Químicos, Industriales y Eléctricos que se desempeñen o tengan interés de actuar en la áreas de integridad de equipos, confiabilidad, mantenimiento en empresas del sector privado o público.

 

Requisito de Admisión:

 

Estar en posesión de un título profesional de ingeniero o licenciatura en Ingeniería con una duración mínima de 4 años.

 

Programación:

 

Fecha de Inicio de las Clases:   24 de Julio de 2020.

Fecha de Término de las Clases:  16 de Enero de 2021.

Lugar: Campus Beauchef.

Horario:  Clases dos veces al mes, días Viernes y Sábado 09:00 a 18:00 horas

Duración:  144 horas

 

Calendario de Clases:

Descargar (PDF, 41KB)

Consultas e Inscripción:

 

Maricarmen Núñez

Teléfono:  (56) 2 2978 4591

diplodimecma@ing.uchile.cl

 

Valores:

 

144 U.F.

 

Formas de Pago: 

 

  • Hasta 12 cuotas documentadas con cheque
  • Contado pagado con transferencia electrónica
  • Tarjeta de crédito (Webpay).

 

Descuentos:
Público General:
  • Inscripción hasta el 30 de Junio de 2020:  Descuento de 20%

Egresados de la U. de Chile:

  • Inscripción hasta el 30 de Junio de 2020:  Descuento de 30%

 

Además pagando la totalidad del programa con cheque al día, transferencia o con tarjeta de crédito por Webpay, hay un 10% de descuento adicional, tanto para Público General como para Egresados de la U. de Chile.

 

rolex copy gucci super copy louis vuitton wallet copy super brand copy brand bags super copy ץ super copy brand copy brand copy brand copy louis vuitton bags super copy hermessupercopy brand watch copy louis vuitton wallet super copy brand super copy gucci wallet copy brand super copy brand super copy brand super copy brand copy brand copy brand copy brand copy hermes copy wallet copy brand watch