2/11/2025 – Del 3 al 14 de noviembre se realizará una interesante capacitación. Serán tres clases semanales (lunes, miércoles y viernes) de 9:30 a 12:30 y de 14 a 16 hs. Se propone conocer como utilizar los modelos de aprendizaje automático más conocidos y aplicados en la industria petrolera. Esto lo lograrán estudiando sus fundamentos teóricos, cómo estimar sus parámetros y la forma de determinar la calidad de sus predicciones. Los ejemplos y ejercicios del curso se basan en datos reales y públicos relevantes para el sector.
Los participantes también aprenderán a evaluar la calidad de un set de datos y prepararlo para el
entrenamiento del modelo elegido.
Aplica a ingenieros, geocientistas y otros profesionales de la industria (de áreas como Finanzas,
Negocios y RRHH) que posean conocimientos básicos previos en el lenguaje de programación Python y la
librería Pandas para procesamiento de datos, así como adquisición de datos provenientes de bases
de datos y APIs.
Si no cuenta con los conocimientos descriptos previamente, se recomienda:
- realizar el curso “Ciencia de datos en Python para O&G” ofrecido por el IAPG si no cuenta con
conocimientos de Python. - realizar el curso “Adquisición de datos con Python aplicado a O&G” ofrecido por el IAPG para
comprender cómo adquirir y preprocesar datos para su uso en proyectos de aprendizaje automático.
Los modelos de aprendizaje automático (Machine Learning) han demostrado en los últimos años ser
de gran utilidad para extraer conclusiones a partir de grandes cantidades de datos tanto dentro como
fuera de la industria del O&G. Dichos modelos complementan a los tipos de algoritmos tradicionales
ya usados en la industria.
El abanico de problemas que se pueden resolver con estos modelos contempla la producción, la
perforación, desde el refinado hasta la caracterización de reservorios, sin estar limitados a estos
ámbitos.
En este curso los participantes aprenderán a identificar un problema o pregunta que se pueda resolver
mediante aprendizaje automático. Algunos de los modelos vistos son: decisión trees, random forest,
k-means, entre otros.
Además, podrán definir el problema de forma cuantitativa, verificar la utilidad, calidad y relevancia
de datos disponibles, entrenar los modelos y determinar la validez de sus pronósticos, permitiendo
elegir las mejores predicciones para el problema definido.
Instructores:
Martín Gruber.
Martín Gruber es Analista de Sistemas graduado de ORT y cuenta con una diplomatura en Business
Intelligence de la UTN. Se desempeña como Analista de Datos en Infolytics, trabajando con diversas
bases de datos y herramientas de visualización tales como Power BI.