Principios del mantenimiento predictivo, tipos de mantenimiento, variables críticas, fuentes de datos y uso de información para anticipar fallas.

Uso de Claude y Microsoft Copilot para análisis de información, generación de reportes, documentación técnica y optimización de tareas de mantenimiento.

Estadística descriptiva, análisis de fallas, MTBF, MTTR, disponibilidad, valores atípicos y conceptos de confiabilidad aplicados al mantenimiento.

Preparación de datos, modelado, KPIs de mantenimiento, visualización de tendencias y construcción de dashboards para la toma de decisiones.

Preparación y limpieza de datos, análisis exploratorio, integración de fuentes, SQL, Python y creación de variables para modelos predictivos.

Desarrollo de modelos predictivos utilizando Python. Incluye regresión, clasificación, árboles de decisión, Random Forest, Gradient Boosting, detección de anomalías, series de tiempo, evaluación de modelos, interpretación de resultados y un caso práctico aplicado al mantenimiento.