DE PAGO

DESCRIPCIÓN GENERAL:

Este curso busca introducir a profesionales y estudiantes de la geología e ingeniería de minas, en el uso de Machine Learning aplicado a la estimación de recursos minerales. Más específicamente en la implementación de redes neuronales artificiales en etapas de construcción automática del modelo geológico, en la definición de dominios de estimación y en la estimación de leyes minerales. Cada tema es tratado a nivel teórico, con sus respectivas bases matemáticas y la implementación completamente guiada en Python 3. Al finalizar el curso el estudiante aprobado será capaz de implementar una red neuronal artificial multicapa (forward propagation) como una alternativa a la estimación tradicional de recursos minerales.

REQUISITOS: 

Conocimientos básicos en las etapas de la estimación de recursos minerales (1). Conocimientos básicos del lenguaje de programación Python (2).
RELATOR:

MSc. Heber Hernández Guerra, es ingeniero civil de minas, master en minería y candidato a doctor de la Universidad del País Vasco/Euskal Herriko Unibertsitatea, actualmente se desempeña como docente universitario e investigador en temas relativos al estudio de variables espaciales.


COMPRAR CURSO:

El valor del curso es de $300,000 CLP (350 USD) con una suscripción de 1 año, el cual puede pagar mediante WEBPAYPosterior recibido el pago nuestro ejecutivo tomara contacto con usted vía correo electrónico para entregar credenciales de acceso.

Alternativamente puede pagar vía PayPal, considere colocar el siguiente comentario al enviar el pago: RNA-NubeMinera


DIPLOMA:

El curso posee una evaluación al final de todo el contenido, la cual discriminará en la aprobación o no del curso. En caso de aprobar el estudiante recibirá un diploma que señale dicho logro.

Course Currilcum

    • ¿Qué es una red neuronal artificial (RNA)? 00:29:00
    • Etapas de la estimación de recursos minerales donde es posible usar RNA 00:28:00
    • Inteligencia artificial, machine learning y deep learning 00:18:00
    • Tipos de aprendizaje 00:13:00
    • Neurona de McCulloch & Pitts (M-P) 00:28:00
    • Implementación de neurona M-P (Python) 00:06:00
    • Perceptrón simple 00:22:00
    • Implementación del perceptrón simple (Python) 00:11:00
    • Perceptrón simple monocapa para clasificar múltiples clases 00:17:00
    • Implementación perceptrón simple para clasificar zonificación mineral (Python) 00:17:00
    • Arquitectura del perceptrón multicapa 00:18:00
    • Propagación 00:17:00
    • Función de costo 00:19:00
    • Función de optimización 00:10:00
    • Retro propagación 00:26:00
    • Implementación del perceptrón multicapa para clasificar zonificación mineral (Python) 00:11:00
    • Escalón 00:08:00
    • Sigmoidal 00:04:00
    • Softmax 00:06:00
    • Tangente hiperbólica 00:06:00
    • Relu 00:05:00
    • Gradiente descendente 00:20:00
    • Gradiente descendente estocástica 00:20:00
    • Adam 00:20:00
    • Selección del número de capas en una RNA profunda 00:20:00
    • Selección del número de neuronas por capa 00:20:00
    • RNA en el modelado 3d de atributos geológicos (Python) 00:20:00
    • RNA en la definición 3d de dominios geológicos (Python) 00:20:00
    • RNA en la estimación 3d de leyes minerales (Python) 00:39:00
    • Comparación de RNA vs estimación geoestadística 00:20:00
    • Cuestionario RNA 00:30:00
top
Nube Minera © 2022