CODEa Business Logo
Cursos Programación y Automatización

Programación con Python aplicada a la Ingeniería Metalúrgica

La minería y la metalurgia modernas demandan profesionales con competencias en programación y análisis de datos para optimizar procesos, identificar tendencias y anticipar problemas operativos. Este curso ofrece una formación completa en Python aplicado a la ingeniería metalúrgica, desde los fundamentos de programación hasta la aplicación de técnicas de machine learning en molienda y flotación.

12 horas
Programación y Automatización
On Demand

Instructores

L

Luis Huaman

LinkedIn
A

Alessandro Trejo

LinkedIn

Lo que aprenderás

Python metalurgia minería NumPy Pandas Matplotlib Plotly Machine Learning flotación molienda análisis datos data science ingeniería metalúrgica

Contenido del curso

8 módulos · 32 lecciones

Python en Google Colab.

Variables, tipos de datos y operadores.

Entrada/salida de datos.

Estructuras de control (condicionales y bucles).

Funciones básicas y palabras reservadas.

Arrays en NumPy y operaciones vectorizadas.

Series y DataFrames en Pandas.

Lectura de archivos (CSV, Excel).

Filtrado, ordenamiento y limpieza de datos.

Gráficos de líneas, barras y pastel.

Personalización (colores, etiquetas, leyendas).

Subplots y exportación de gráficos.

Clases, objetos, atributos y métodos.

Ejemplos prácticos (Persona, Coche).

Introducción a Tkinter: ventanas y widgets básicos.

Plotly vs Matplotlib.

Curvas dinámicas de molienda: TPH, potencia y % sólidos.

Visualización de recuperación vs ley en flotación.

LOWESS para tendencias operativas (ej. desgaste de liners).

PCA en variables de molienda y flotación.

Métodos de detección de outliers (Z-score, IQR, Isolation Forest).

Identificación de datos anómalos en recuperación y molienda.

Impacto de la limpieza en la calidad del análisis.

Conceptos básicos de data science en metalurgia.

Algoritmos supervisados (regresión lineal y múltiple).

Algoritmos no supervisados (clustering y PCA).

Validación cruzada y evaluación de modelos.

Predicción de P80 y recuperación en flotación.

Caso 1 – Molienda: Análisis de TPH, potencia, % sólidos y P80.

Limpieza de outliers y predicción de P80 con Random Forest.

Caso 2 – Flotación: Variables pH, aire, reactivos, recuperación y ley.

Visualización interactiva, detección de anomalías y modelo predictivo de recuperación.