Introducción al aprendizaje profundo por refuerzo (DRL).
Conceptos teóricos fundamentales del DRL. Se trabaja sobre ejercicios prácticos con TensorFlow, PyTorch, Stable Baselines, etc.
Se muestra el framework ML-Agents de Unity para ver la aplicabilidad del DRL en el contexto de las simulaciones y videojuegos.
Todas las industrias poseen numerosos equipos o sistemas. Todos estos equipos fallan y, por lo tanto, necesitan de mantenimiento para poder volver a estar de nuevo operativos. Tradicionalmente el mantenimiento se realizaba a intervalos periódicos de tiempo aún incluso cuando el sistema estaba funcionando (mantenimiento preventivo) o en el momento en el que el sistema falla (mantenimiento reactivo). Con el desarrollo de los sensores, el mantenimiento predictivo está ganando terreno a las dos estrategias de mantenimiento anteriores. El mantenimiento predictivo es una estrategia de mantenimiento que se basa en la monitorización de equipos y sistemas con el fin de conocer su estado, detectar signos iniciales de fallos y predecir el tiempo de vida útil del mismo. La monitorización de equipos, la adquisición de datos de dicha monitorización y el análisis de los mismos permiten identificar patrones y determinar indicadores útiles para realizar tareas de mantenimiento proactivo, es decir, antes de que el fallo del sistema se produzca porque se haya detectado un signo temprano de fallo. Este curso se centra en el análisis de datos y la exploración de técnicas estadísticas necesarias para implementar estrategias de mantenimiento predictivo.
