5
3
19
Curso en formato e-learning con 16 horas de contenido
PRIVADO
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.
PRESENTACIÓN:
COMPRAR CURSO:
El valor del curso es de 260 USD con suscripción de 2 meses Posterior sea confirmado el pago vía PayPal recibirá un correo electrónico con su credencial de acceso.
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
- Selección del número de capas en una RNA profunda 00:21:00
- Selección del número de neuronas por capa 00:15:00
- Red Neuronal de Función de Base Radial 00:40:00
Debes tener un manejo básico en python.
El curso ofrece una explicación teórica muy sólida y presenta ejercicios de aplicación excelentes, especialmente en el contexto de la geología y la estimación de recursos. El nivel del curso supera con creces a todas las otras opciones que he encontrado en línea. Estoy plenamente satisfecho con el conocimiento adquirido.
Curso muy didáctico, sobrepaso mis espectativas y te motiva a buscar más del tema. Muchas gracias NUBE MINERA.