En este capitulo asentamos las bases para manipular datos de ingeniería (cargas, medidas, etiquetas). Trabajamos en Google Colab, tipos de variables, operaciones, estructuras (listas, tuplas, diccionarios, sets) e índices para acceder a información estructurada. Cerramos con condicionales que luego usaremos para codificar reglas de criterio.

Google Colab_Introduction

Python Introduction 

Class Intr Python Pdf NoteBook

Class Intro Python Colab NoteBook

Google Colab -Parte 1

Google Colab -Parte 2

Introducción al Uso de Google Colab y Fundamentos de Programación en Python

Introducción a Variables y Operaciones Matemáticas Básicas en Python

Combinación de Texto y Resultados Matemáticos en Python con Control de Formato

Uso de Comentarios y Concatenación de Cadenas en Python

Aplicación Práctica de Variables para Almacenar y Mostrar Datos en Python

Introducción a Variables de Texto y Booleanas en Python

Verificación de Tipos de Variables y Errores Comunes en Python

Operaciones con Variables y Estructuras Condicionales en Python

Introducción a Listas en Python para Organizar y Manipular Datos

Listas para Organizar Datos Complejos

Título: Introducción a Tuplas, Diccionarios y Sets en Python para Gestión de Datos

Introducción a NumPy y Arrays para Cálculos Numéricos

Creación y Manipulación de Arrays con Funciones de NumPy

Matrices y Operaciones Matriciales con NumPy para Análisis Estructural

Fundamentos de Operaciones con Matrices

Acceso y Modificación de Elementos en Arrays y Matrices con NumPy

Módulo 1 — Fundamentos de Python

Este capítulo introduce técnicas para la generación, análisis y agrupación de datos estructurales utilizando Python y NumPy en Google Colab, con un enfoque en el diseño de secciones de hormigón armado. Las lecciones cubren: (1) la creación de un dataset sintético que simula variables clave, como dimensiones geométricas, áreas de acero, resistencias de materiales y cargas, con distribuciones realistas para reflejar escenarios de diseño estructural. (2) El Análisis Exploratorio de Datos (EDA), que incluye la limpieza de datos mediante la eliminación de outliers con el método IQR, análisis univariado con histogramas y diagramas de caja, y análisis bivariado con matrices de correlaciones para identificar relaciones y redundancias entre variables. (3) La aplicación del algoritmo K-Means para agrupar secciones de hormigón armado en tipologías basadas en características geométricas, de refuerzo y carga, utilizando los datos preparados en el EDA. Este capítulo proporciona una base sólida para 

EDA Presentation Pdf

EDA_NoteBook_Colab

EDA_NoteBook_Colab_Pdf

Introducción al Análisis Exploratorio de Datos y Generación de Datasets Sintéticos

Generación de un Dataset Sintético para Análisis Estructural con NumPy y Pandas

Análisis Exploratorio de Datos y Limpieza de Outliers con el Método IQR

Limpieza de Outliers con IQR y Análisis Univariado con Visualizaciones

Análisis Univariado y Filtrado de Datos Estructurales con Visualizaciones

Análisis Bivariado y Matrices de Correlación para Datos Estructurales

Módulo 2 — Generación y Análisis de Datos con Clustering

Este capítulo introduce el uso del algoritmo K-Means para agrupar secciones de hormigón armado en tipologías basadas en características similares, utilizando Python, Pandas y Scikit-learn en Google Colab. Se explica el concepto de clustering de manera accesible. El capítulo enfatiza la importancia de realizar clustering después de un análisis exploratorio de datos (EDA) para aprovechar datos escalados y limpios, preparando a los estudiantes para identificar patrones estructurales y entrenar modelos especializados en tipologías específicas.

PresentacionMLKmeans Pdf

KMeansColabNoteBook

KMeans-NoteBook-Colab

Introducción al Clustering con K-Means para Secciones de Hormigón Armado

Aplicación del Método del Codo para Selección de K en Clustering con K-Means

Visualización del Codo y Aplicación Práctica de K-Means para Agrupación

Análisis de Clusters y Visualización de Tipologías Estructurales con K-Means

Visualización de Clusters con PCA y Análisis de Tipologías Estructurales

Módulo 3 — Machine Learning - Clustering con K-Means

Este capítulo introduce la regresión lineal como técnica de machine learning para predecir el área total de acero (As_total_cm2) en un dataset sintético de secciones de hormigón armado, utilizando Python, Pandas, Scikit-learn, Matplotlib y Joblib en Google Colab. Se explica cómo preparar datos seleccionando características (X: dimensiones, resistencias, cargas) y el objetivo (y: As_total_cm2) desde un dataset limpio (df_clean), dividirlos en conjuntos de entrenamiento (80%) y prueba (20%), y entrenar un modelo de regresión lineal. Se evalúa el rendimiento con métricas como R², MAE y RMSE, y se visualizan resultados mediante gráficos de dispersión (real vs. predicho) y histogramas de residuales. También se analizan los coeficientes para interpretar la influencia de cada variable, se explora la opción de entrenar modelos por cluster para mejorar la precisión y se muestra cómo guardar el modelo para uso futuro. 

Regresión Lineal Teoria

Linear Regression Note Book Colab

Tutorial Despliegue del Modelo en HF

Introducción a la Regresión Lineal en Machine Learning

Despliegue de un Modelo de Regresión Lineal en Hugging Face

Módulo 4 — Machine Learning - Regresión Lineal

Este capítulo introduce el uso de árboles de decisión, una técnica de machine learning, para recomendar la superestructura más adecuada (viga cajón, vigas en I de acero, losa maciza, losa postensada, arco) en el diseño preliminar de puentes, utilizando Python, Pandas y Scikit-learn en Google Colab. Se explica cómo el modelo actúa como un sistema de preguntas y respuestas ramificado, basado en variables de entrada como longitud del claro principal, número de carriles, ancho total, condición de suelo, restricción de gálibo, índice de costo relativo, contexto estético (urbano, rural, escénico, industrial) y sensibilidad ambiental (0 a 1). Se detalla el significado de la sensibilidad ambiental y el índice de costo, incluyendo factores que los incrementan o reducen, destacando su rol en la toma de decisiones preliminares. El capítulo enfatiza la utilidad del modelo para estandarizar criterios y ahorrar tiempo en estudios de factibilidad.

Decision Tree - Presentación

Árboles de Decisión para Selección de Superestructuras en Puentes

Implementación de Árboles de Decisión en Machine Learning con Interfaz Gradio

Módulo 5 — Machine Learning para Árboles de Decisión

Impulsa tu carrera con un curso de IA diseñado para ingenieros. Desarrolla tu propia tecnología usando tus propios datos y no dependas de otros.Aprenderás, paso a paso, a usar Python y Machine Learning para resolver problemas reales de ingeniería civil y estructural. Este curso se orienta a resultados medibles y aplicables en tu empresa.¿Qué lograrás?<ul><li>Construir pipelines de datos y entrenar modelos que justifiquen decisiones técnicas.</li><li>Evaluar con métricas prácticas.</li><li>Desplegar tus modelos en una interfaz web (Streamlit) lista para mostrar.</li><li>Aprenderás a desarrollar dos modelos de Machine Learning, el primero usando regresión lineal para estimar el área de acero de una viga de concreto y el segundo modelo en el cual usarás árboles de decisión para tomar decisiones como seleccionar la superestructura más recomendada de un puente.</li></ul>Metodología:<ul><li>Clases en bloques cortos en videos pregrabados</li><li>Código comentado línea por línea</li><li>Plantillas reutilizables</li><li>Bases teóricas de cada tema</li></ul>Dirigido a ingenieros y equipos técnicos; no necesitas ser programador. Terminarás con dos modelos funcionales de ML y una ruta clara para integrarlos en proyectos reales.Inscríbete y lleva la IA del discurso a la práctica.

IntrCurso.mp4

Curso práctico de IA para ingenieros: Python y ML aplicados a la ingeniería. Limpia datos, entrena modelos y despliega prototipos para decisiones técnicas rápidas, trazables y controladas. 

MACHINE LEARNING PARA INGENIEROS

Language

Course content

Course Description