A quién va dirigido
Empresas de construcción y manufactura
Herramienta
Phyton
Metodología BI-Learning
Formación sincrónica y asincrónica
(hasta 12 personas)
Descripción del Curso
¿Quieres aprender cómo la inteligencia artificial revoluciona las simulaciones físicas en ingeniería? En este curso conocerás desde los fundamentos de aprendizaje automático y Python, hasta la construcción de Redes Neuronales Informadas Físicamente (PINNs), una técnica innovadora que integra ecuaciones y principios físicos para resolver problemas complejos de manera más eficiente.
Con ejemplos prácticos en dinámica de fluidos, aerodinámica y transferencia de calor, desarrollarás habilidades para aplicar la IA en proyectos reales y diseñar soluciones más seguras e innovadoras.
¡Explora el futuro de la simulación y lleva tus conocimientos al siguiente nivel!
CAPACITA A TU EQUIPO DE TRABAJO POR USD 399
Incluye 6 horas de consultoría resolvemos las dudas de tu equipo y abordamos los contenidos acordados, garantizando resultados efectivos.
OBJETIVOS DEL CURSO
- Comprender los fundamentos del aprendizaje automático y su aplicabilidad en problemas físicos
- Familiarizarse con las principales herramientas de programación científica en Python.
- Estudiar la arquitectura y el entrenamiento de redes neuronales artificiales básicas.
- Introducir el concepto de PINN y su diferencia frente a métodos tradicionales como los elementos finitos.
- Implementar modelos PINN en problemas clásicos de ingeniería que involucren ecuaciones diferenciales.
CONTENIDO DEL CURSO
MÓDULO 1
Introducción a Deep Learning
En este módulo teórico, presentaremos los conceptos fundamentales de la Inteligencia Artificial, el Aprendizaje Automático y el Aprendizaje Profundo. Exploraremos sus diferencias, sus principales aplicaciones en la industria y su evolución a lo largo del tiempo.
MÓDULO 2
Creando el entorno en Python
En este módulo nos enfocaremos en la instalación del entorno de desarrollo. Aprenderemos a instalar Python y a utilizar herramientas como Jupyter Notebook o VS Code. También se abordará el uso de librerías esenciales para ciencia de datos y machine learning.
MÓDULO 3
Deep Learning - Redes Neuronales
Estudiaremos la arquitectura de una red feedforward, explicando el funcionamiento de cada capa, las funciones de activación y el cálculo hacia adelante. Luego, abordaremos el backpropagation y el descenso del gradiente como mecanismos de aprendizaje.
MÓDULO 4
Introducción a una
PINN
Este módulo está dedicado a la teoría detrás de las Redes Neuronales Físicamente Informadas (PINNs). También analizaremos los tipos de errores involucrados y cómo se combinan en el entrenamiento de una PINN, así como sus ventajas y desventajas frente a métodos estándar o convencionales.
MÓDULO 5
Simulación de Escenarios Físicos
En este módulo realizaremos implementaciones prácticas de PINNs para resolver diferentes tipos de ecuaciones diferenciales. Comenzaremos resolviendo una ecuación diferencial ordinaria, para luego dar paso a la ecuación de difusión en 1D.
INSTRUCTOR
MATEO RAMÍREZ
Ingeniero Mecánico de la Universidad EIA y Matemático de la Universidad Nacional de Colombia, con énfasis en la construcción de soluciones numéricas de fenómenos mecánicos descritos a partir de modelos complejos. Gran interés en el desarrollo de nuevas herramientas computacionales y numéricas para la solución de problemas del día a día, así como la implementación de estrategias de Aprendizaje Automático.
BENEFICIOS
FORMACIÓN EN COMPETENCIAS
Tu equipo aprende a desarrollar un proceso, no solo a manejar una herramienta
ESTUDIA DESDE
DONDE QUIERAS
Tu equipo puede acceder al contenido desde cualquier lugar y estudiar a su propio ritmo
CERTIFICACIÓN CON INSIGNIAS DIGITALES
Diferénciate de tu competencia fortaleciendo las habilidades de tu equipo de trabajo
