Minería

Ciencia de Datos y Machine Learning Aplicados a la Metalurgia con Python

De los datos de planta a modelos que predicen, optimizan y deciden. Curso aplicado con datos industriales de molienda y flotación.

Instructor

admin

Descripción
Currículum

En la industria minera actual, las plantas generan miles de datos operativos cada minuto,
pero ¿cuántos de ellos se transforman realmente en decisiones estratégicas? El curso “Ciencia de Datos y Machine Learning Aplicados a la Metalurgia con Python” nace para cerrar
esa brecha.
Diseñado especíﬁcamente para ingenieros y profesionales del sector, este programa intensivo te brindará las herramientas para dejar de analizar el pasado y empezar a predecir el comportamiento de tus procesos. A través de un enfoque 100% práctico, aplicaremos algoritmos de Machine Learning,
modelos fenomenológicos y análisis de cuadrantes operacionales directamente a las dos etapas más críticas de la planta: Molienda SAG y Flotación.
No es un curso de programación genérico; es una guía especializada para dominar tus datos, optimizar la recuperación y llevar la metalurgia al siguiente nivel utilizando herramientas como Python y otras.

Objetivo

Capacitar a los profesionales del sector minero y metalúrgico en el uso de herramientas de Ciencia de
Datos, Machine Learning y modelamiento fenomenológico aplicados con Python, para transformar los
datos operativos de planta en modelos predictivos y estrategias de control que optimicen las etapas de
Molienda SAG y Flotación.

Dirigido a

El curso está dirigido a Ingenieros Metalúrgicos y de Procesos, Superintendentes, Jefes de Planta,
Coordinadores de Operaciones, estudiantes de últimos ciclos, egresados recientes y público en general.
Si trabajas con datos de planta y quieres que esos números se traduzcan en toneladas recuperadas y decisiones inteligentes, este curso es para ti.

Perﬁl recomendado del participante

Conocimiento deseable: Nociones básicas de los procesos de conminución (molienda) y concentración
(ﬂotación).
Nivel de programación: No se requiere ser un programador experto. El curso está diseñado para
enseñar la aplicación práctica de Python (Jupyter/Colab) y herramientas de visualización desde una
perspectiva metalúrgica.
Actitud: Interés en transformar los datos históricos de la planta en ventajas operativas y económicas
reales.

Temario

Aplicado a molienda y ﬂotación, con práctica en Python (Jupyter/Colab).

Capitulo 1: Introducción, procesamiento y visualización

- Ambientes de trabajo y herramientas tecnológicas (Python, Jupyter, Colab)
- Limpieza y preparación de datos de planta
- Visualización según la pregunta a responder

Práctica 1: Procesamiento y visualización de datos de planta

Capitulo 2: Análisis exploratorio y outliers

- Estadística descriptiva y relaciones entre variables
- Comportamiento temporal del proceso
- Detección y manejo de valores atípicos

Práctica 2: AED y outliers

Capitulo 3: Machine learning supervisado y métricas

- Machine learning supervisado: regresión
- Técnicas de regularización
- Métricas de evaluación y validación
- Comparación de modelos

Práctica 3: Modelos de machine learning para una variable crítica de proceso

Capitulo 4: Optimización de parámetros y modelo fenomenológico

- Búsqueda de hiperparámetros en modelos de ML
- Introducción a la modelación fenomenológica
- Casos de uso en ﬂotación y molienda SAG

Práctica 4: Búsqueda de hiperparámetros
Práctica 5: Modelo fenomenológico

Capitulo 5: Modelos híbridos e IA generativa

- Modelación híbrida: física y datos
- IA generativa para acelerar el análisis

Práctica 6: Modelo híbrido: física y datos

Examen ﬁnal

Información General

Docente

Pedro Pablo Salazar Rubio

Ingeniero Civil Metalúrgico | Senior Data Scientist | Docente Universitario
Ingeniero Civil Metalúrgico con una sólida trayectoria en la intersección entre la metalurgia extractiva, la ciencia de datos y la inteligencia artiﬁcial. Su principal fortaleza es conectar el conocimiento del proceso físico-químico con la analítica avanzada para transformar problemas reales de la operación en soluciones que generan valor económico y operacional.
Actualmente se desempeña como Senior Data Scientist en Alaya (Nea Consultores), y anteriormente fue pieza clave en la creación y desarrollo del área de ciencia de datos en SGS. Ha liderado proyectos de transformación digital, gemelos digitales, sistemas recomendadores y control avanzado para las principales mineras de Chile y Perú (BHP Escondida, Glencore Antapaccay, Marcobre, SQM).

Clases del curso