Visão Geral

O curso Machine Learning Aplicado à Indústria apresenta os fundamentos e as técnicas de Aprendizado de Máquina direcionados à resolução de problemas reais em ambientes industriais. O treinamento aborda desde a preparação e análise de dados industriais até o desenvolvimento, treinamento, avaliação e utilização de modelos de Machine Learning.

Os participantes aprenderão a aplicar algoritmos de classificação, regressão, clusterização e detecção de anomalias em cenários como manutenção preditiva, controle de qualidade, previsão de produção, monitoramento de equipamentos, otimização de processos e eficiência energética.

O curso utiliza Python e bibliotecas de código aberto, permitindo a realização dos laboratórios sem a necessidade de plataformas industriais proprietárias.

Objetivo

Após realizar este curso Machine Learning Aplicado à Indústria, você será capaz de:

• Compreender os principais conceitos de Machine Learning
• Identificar problemas industriais que podem ser solucionados com Machine Learning
• Preparar e tratar datasets industriais
• Realizar análise exploratória de dados
• Selecionar variáveis relevantes para modelos de Machine Learning
• Desenvolver modelos de regressão e classificação
• Aplicar algoritmos de clusterização
• Implementar técnicas de detecção de anomalias
• Desenvolver modelos para manutenção preditiva
• Criar modelos para previsão de indicadores industriais
• Avaliar e comparar modelos de Machine Learning
• Identificar problemas de overfitting e underfitting
• Otimizar hiperparâmetros
• Interpretar resultados dos modelos
• Criar pipelines de Machine Learning
• Desenvolver um projeto completo de Machine Learning aplicado a um cenário industrial

Publico Alvo

• Engenheiros de automação
• Engenheiros de produção
• Engenheiros de controle e processos
• Engenheiros de manutenção
• Cientistas e analistas de dados
• Profissionais de TI e OT
• Técnicos e analistas industriais
• Profissionais de Indústria 4.0
• Profissionais de transformação digital
• Profissionais envolvidos em projetos de IA industrial

Pre-Requisitos

• Conhecimentos básicos de Python
• Conhecimentos básicos de estatística são recomendados
• Conhecimentos básicos de análise de dados
• Conhecimentos sobre processos industriais são desejáveis
• Conhecimentos básicos de Inteligência Artificial são recomendados
• Não é necessário conhecimento prévio avançado em Machine Learning

Conteúdo Programatico

Módulo 1 – Fundamentos de Machine Learning

1. Conceito de Machine Learning
2. Inteligência Artificial x Machine Learning
3. Machine Learning x Deep Learning
4. Evolução do Machine Learning
5. Aplicações industriais
6. Tipos de aprendizado
7. Aprendizado supervisionado
8. Aprendizado não supervisionado
9. Aprendizado por reforço
10. Fluxo de desenvolvimento de um modelo
11. Machine Learning tradicional x IA Generativa

Módulo 2 – Machine Learning na Indústria 4.0

1. Indústria 4.0 e dados industriais
2. Smart Factory
3. Sistemas ciberfísicos
4. IIoT
5. Sensores industriais
6. Dados de máquinas
7. Dados de produção
8. Dados de manutenção
9. Dados de qualidade
10. Aplicações de Machine Learning na indústria
11. Identificação de oportunidades de aplicação

Módulo 3 – Aquisição e Preparação de Dados Industriais

1. Fontes de dados industriais
2. Sensores e dispositivos IIoT
3. Historiadores industriais
4. Sistemas SCADA
5. MES
6. ERP
7. Bancos de dados
8. Arquivos CSV e Excel
9. Séries temporais industriais
10. Dados estruturados
11. Dados incompletos
12. Dados inconsistentes
13. Valores ausentes
14. Outliers
15. Normalização
16. Padronização
17. Transformação de dados

Módulo 4 – Análise Exploratória de Dados

1. Conceitos de análise exploratória
2. Estatística descritiva
3. Distribuição dos dados
4. Média, mediana e desvio padrão
5. Correlação
6. Identificação de padrões
7. Identificação de anomalias
8. Visualização de dados
9. Gráficos industriais
10. Matriz de correlação
11. Identificação de variáveis relevantes
12. Análise de comportamento de sensores

Módulo 5 – Feature Engineering

1. Conceito de feature
2. Seleção de variáveis
3. Criação de novas variáveis
4. Transformação de variáveis
5. Variáveis categóricas
6. Variáveis numéricas
7. Codificação de categorias
8. Redução de dimensionalidade
9. Seleção automática de features
10. Feature engineering para dados industriais
11. Construção de indicadores derivados de sensores

Módulo 6 – Regressão para Previsões Industriais

1. Conceito de regressão
2. Regressão Linear
3. Regressão Múltipla
4. Decision Tree Regression
5. Random Forest Regression
6. Gradient Boosting
7. Avaliação de modelos de regressão
8. MAE
9. MSE
10. RMSE
11. R²
12. Previsão de variáveis industriais

Laboratório

Desenvolvimento de um modelo para previsão de uma variável industrial, como:

• Temperatura
• Pressão
• Consumo energético
• Produção
• Tempo de operação
• Indicador de qualidade

Módulo 7 – Classificação de Processos Industriais

1. Conceito de classificação
2. Classificação binária
3. Classificação multiclasse
4. Logistic Regression
5. Decision Tree
6. Random Forest
7. K-Nearest Neighbors
8. Support Vector Machine
9. Avaliação de classificadores
10. Matriz de confusão
11. Accuracy
12. Precision
13. Recall
14. F1-score
15. ROC e AUC

Laboratório

Desenvolvimento de um modelo para classificação de condições operacionais, por exemplo:

• Operação normal
• Operação anormal
• Falha iminente
• Produto aprovado
• Produto rejeitado

Módulo 8 – Aprendizado Não Supervisionado

1. Conceito de aprendizado não supervisionado
2. Clusterização
3. K-Means
4. Hierarchical Clustering
5. DBSCAN
6. Identificação de grupos
7. Segmentação de equipamentos
8. Segmentação de processos
9. Identificação de padrões de operação
10. Avaliação de clusters

Laboratório

Agrupamento de equipamentos ou processos com base em características operacionais.

Módulo 9 – Detecção de Anomalias

1. Conceito de anomalia
2. Anomalias industriais
3. Outliers x anomalias
4. Anomaly Detection
5. Isolation Forest
6. Local Outlier Factor
7. One-Class SVM
8. Detecção de comportamento anormal
9. Monitoramento de sensores
10. Identificação de eventos incomuns

Laboratório

Desenvolvimento de um modelo para identificar automaticamente comportamentos anormais de uma máquina.

Módulo 10 – Machine Learning para Manutenção Preditiva

1. Conceito de manutenção preditiva
2. Dados de manutenção
3. Histórico de falhas
4. Dados de sensores
5. Predição de falhas
6. Failure Prediction
7. Remaining Useful Life (RUL)
8. Identificação de degradação
9. Monitoramento de condição
10. Indicadores de saúde do equipamento
11. Construção de modelos preditivos

Laboratório

Desenvolvimento de um modelo de Machine Learning para prever a possibilidade de falha de um equipamento.

Módulo 11 – Machine Learning para Controle de Qualidade

1. Controle de qualidade baseado em dados
2. Predição de defeitos
3. Classificação de produtos
4. Identificação de padrões de defeitos
5. Análise de parâmetros de produção
6. Correlação entre processo e qualidade
7. Modelos de classificação
8. Modelos de regressão
9. Detecção de desvios
10. Monitoramento inteligente da qualidade

Módulo 12 – Machine Learning para Otimização Industrial

1. Otimização de processos
2. Redução de desperdícios
3. Redução de consumo energético
4. Otimização de parâmetros
5. Previsão de demanda
6. Previsão de produção
7. Identificação de gargalos
8. Otimização baseada em dados
9. Simulação de cenários
10. Tomada de decisão baseada em modelos

Módulo 13 – Séries Temporais Industriais

1. Conceito de séries temporais
2. Dados sequenciais
3. Tendência
4. Sazonalidade
5. Ruído
6. Autocorrelação
7. Janelas temporais
8. Feature engineering temporal
9. Previsão de séries temporais
10. Aplicações em sensores industriais
11. Previsão de consumo e produção

Módulo 14 – Avaliação e Otimização de Modelos

1. Separação de dados
2. Training set
3. Validation set
4. Test set
5. Cross-validation
6. Overfitting
7. Underfitting
8. Bias e variance
9. Seleção de algoritmos
10. Seleção de features
11. Hiperparâmetros
12. Grid Search
13. Random Search
14. Comparação de modelos
15. Interpretação dos resultados

Módulo 15 – Pipeline de Machine Learning

1. Conceito de pipeline
2. Preparação automática dos dados
3. Transformações
4. Seleção de features
5. Treinamento
6. Validação
7. Avaliação
8. Persistência de modelos
9. Reutilização de modelos
10. Pipeline com Scikit-learn
11. Organização de projetos de Machine Learning

Módulo 16 – Deploy e Operação de Modelos

1. Conceito de deployment
2. Salvamento de modelos
3. Joblib
4. APIs para Machine Learning
5. Integração com sistemas industriais
6. Integração com aplicações Python
7. Integração com plataformas IoT
8. Edge AI
9. Cloud AI
10. Monitoramento de modelos
11. Data Drift
12. Model Drift
13. Atualização de modelos

Módulo 17 – Projeto Final: Machine Learning Industrial

Desenvolvimento de um projeto completo utilizando um dataset industrial.

O participante poderá escolher entre diferentes cenários:

1. Manutenção preditiva
2. Detecção de anomalias
3. Previsão de falhas
4. Controle de qualidade
5. Previsão de produção
6. Previsão de consumo energético
7. Classificação de condições operacionais
8. Otimização de processos