Visión general
De qué trata este proyecto.
Recibes una tabla con 38 sensores muestreados al minuto, etiquetas de defecto por bobina (4 clases) y 240 incidencias narradas por mantenimiento. Discretiza las variables continuas con justificación (cuantiles vs. rangos físicos), define la estructura del grafo a partir del conocimiento de planta más prueba de PC (Peter-Clark) sobre los datos, ajusta las tablas de probabilidad condicional con suavizado de Laplace y valida con probabilidad logarítmica predictiva sobre un holdout temporal de 2 meses. Éxito = log-loss inferior a la línea base de Naive Bayes, sensibilidad por causa raíz >= 0,75 y un cuaderno reproducible que un ingeniero de mantenimiento pueda ejecutar.
El Briefing
Lo que harás y lo que demostrarás.
Construir una red bayesiana que estime la probabilidad de cada causa raíz dado el estado actual de los sensores, superando a Naive Bayes y siendo interpretable por mantenimiento.
Earning criteria — what you'll demonstrate
- Modelar dependencias condicionales mediante una red bayesiana sobre datos reales
- Comparar estructura experta vs. estructura aprendida (algoritmo PC)
- Validar un modelo probabilístico con métricas adecuadas (log-loss, calibración)
- Comunicar la incertidumbre del modelo a un público no estadístico
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Machine Learning
Diseñar un modelo probabilístico interpretable, validarlo con un holdout temporal y entregarlo como herramienta es el trabajo diario de un MLE en fabricación o industria 4.0.
Este proyecto afina
- bayesian-networks
- model-evaluation
- python
Científico/a de Datos
Combinar conocimiento experto con aprendizaje de estructura para responder preguntas causales replica la rutina de un data scientist en sectores industriales con etiquetas escasas.
Este proyecto afina
- bayesian-networks
- structure-learning
- feature-discretization
Científico/a Aplicado/a de IA
Traducir un método estadístico clásico a una herramienta accionable para producción es exactamente lo que hacen los applied scientists en equipos de manufactura inteligente.
Este proyecto afina
- probabilistic-inference
- model-evaluation
- bayesian-networks