XM78 - Fábrica digital y automatizada

INTELIGENCIA ARTIFICIAL 18 CURSO DE MACHINE LEARNING Y DEEP LEARNING EN LA EIB Los días 7-8-11-12 de enero se impartieron unas clases de introducción al Machine Learning y al Deep Learning en la escuela de Ingeniería de Bilbao por parte de los profesores Josu Ceberio Uribe del departamento de Ciencia de la Computación e Inteligencia Artificial y Leticia Hernando Rodríguez del departamento de Matemáticas. Estas clases fueron promovidas y organizadas por el CFAA, ya que no se quiere quedar atrás en las nuevas tec- nologías de tratamiento de datos. Es por ello que a estas clases acudieron distintos trabajadores del centro para formarse tanto en el conocimiento de esas tecnologías como en la implementación de dichos algoritmos. A su vez, aparte de los miembros del CFAA, también acudieron miembros de ITP Aero e IDEKO a las clases. Cada día del curso se trataron temas distintos todos ellos englobados dentro del Machine Learning. En pri- mer lugar, se realizó una pequeña introducción relativa a conceptos globales para poder después ahondar más en concreto en cada tema. El primer día del curso se impartió una clase sobre clasificación supervisada, mostrando los distintos tipos de algoritmos que se pueden emplear, y también se habló sobre el preprocesa- miento de los datos, algo esencial antes de aplicar el Machine Learning. Después, el segundo día, la clase giró en torno a la clasificación no supervisada, haciendo hincapié en el caso de las series temporales. El anteúltimo día del curso se trató el tema de la optimización, quizás uno de los temas más empleados en el sector indus- trial, donde cada detalle cuenta y una pequeña mejora supone una gran victoria. Por último, el curso terminó con la lección de Deep Learning. Cabe destacar que este curso no ha sido sólo teórico, sino que también se han puesto en práctica los cono- cimientos adquiridos con ejercicios prácticos orientados a un caso real del CFAA. Para ello, se ha usado la plataforma de Google Collaboratory, la cual permite ejecutar códigos de Python sin necesidad de descargarse ningún programa. El objetivo que se ha seguido a lo largo de las prácticas ha sido el de desarrollar un modelo/ algoritmo de Machine Learning para predecir el grosor de la pieza que se está cortando en tiempo real en base a los parámetros de corte que recoge la maquina a partir de sus sensores. Figura 3. Asistencia a las clases de Machine Learning y Deep Learning de los miembros del CFAA, ITP Aero e Ideko. Figura 4. Código en Python de un algoritmo K-NN.