Formation en Data Analytics industriel

Leçon 1 • Chaîne de valeur analytique dans l'industrie

Retrace la transformation des données industrielles brutes en décisions exploitables. Relie les niveaux d'analytique descriptive, diagnostique, prédictive et prescriptive.

Leçon 2 • Aperçu du paysage des données industrielles

Cartographie les types et les origines des données générées en milieu industriel. Établit le vocabulaire et le contexte pour tous les travaux analytiques subséquents.

Leçon 3 • Rôles et intervenants dans les projets d'analytique

Définit les responsabilités des ingénieurs de données, des analystes et des experts métier. Clarifie les modes de collaboration essentiels à la réussite des projets.

Leçon 1 • Intégration des données entre les systèmes

Fusionne les données de divers systèmes industriels en ensembles de données analytiques unifiés. Traite les conflits de schéma et les défis de synchronisation.

Leçon 2 • Nettoyage et prétraitement des données

Applique des techniques pour détecter et corriger les erreurs, les valeurs aberrantes et les lacunes dans les données brutes. Prépare directement les ensembles de données pour l'analyse exploratoire et statistique.

Leçon 3 • Dimensions de la qualité des données

Définit l'exactitude, l'exhaustivité, la cohérence et l'actualité comme attributs de qualité mesurables. Fournit des critères pour évaluer tout ensemble de données industrielles.

Leçon 4 • Méthodes de collecte de données industrielles

Couvre les techniques de saisie de données automatisées et manuelles utilisées sur le plancher de l'usine. Ancre les étudiants dans des flux de travail pratiques de collecte avant l'évaluation de la qualité.

Leçon 1 • Techniques de visualisation des données

Sélectionne et construit des graphiques adaptés aux séries temporelles et aux données catégorielles industrielles. La visualisation accélère la reconnaissance des tendances et la communication avec les intervenants.

Leçon 2 • Statistiques descriptives pour les données de procédé

Résume la tendance centrale, la dispersion et la forme de distribution des variables de procédé. Fournit la base de référence statistique pour toute modélisation ultérieure.

Leçon 3 • Identification des anomalies et des valeurs aberrantes

Détecte les observations inhabituelles à l'aide de méthodes statistiques et visuelles. Fait la distinction entre les véritables défauts de procédé et les erreurs de mesure.

Leçon 4 • Ingénierie des caractéristiques à partir des données de procédé

Transforme les relevés bruts de capteurs en caractéristiques informatives pour la modélisation. Fait le pont entre l'analyse exploratoire et les flux de travail d'apprentissage automatique.

Leçon 1 • SPC avancé et surveillance multivariée

Étend le SPC aux processus multivariés corrélés à l'aide des cartes T-carré de Hotelling et CUSUM. Traite les limites des cartes univariées dans les systèmes complexes.

Leçon 2 • Fondements du contrôle statistique des procédés

Présente la variation due aux causes communes et aux causes spéciales, ainsi que la logique des limites de contrôle. Établit la base théorique de toutes les méthodes de cartes de contrôle.

Leçon 3 • Analyse de la capacité des procédés

Calcule les indices Cp, Cpk, Pp et Ppk pour quantifier la performance du procédé par rapport aux spécifications. Relie les résultats de surveillance aux exigences des clients et de la conception.

Leçon 4 • Cartes de contrôle par attributs

Applique les cartes p, np, c et u aux données de dénombrement et de proportion de défauts. Étend la capacité de surveillance aux caractéristiques de qualité discrètes.

Leçon 1 • Fondamentaux de la modélisation par régression

Développe des modèles de régression linéaire et polynomiale pour les résultats continus des procédés. Fournit la base de référence de modélisation avant les méthodes d'ensemble et non linéaires.

Leçon 2 • Stratégies d'entraînement et de validation des modèles

Met en œuvre la validation croisée, la division entraînement-test et le réglage des hyperparamètres pour des modèles robustes. Prévient la fuite de données courante dans les ensembles de données industrielles ordonnées dans le temps.

Leçon 3 • Déploiement de modèles prédictifs dans les opérations

Intègre les modèles entraînés dans les flux de production via des API et des déploiements en périphérie. Traite la surveillance de la dérive des modèles et les déclencheurs de réentraînement.

Leçon 4 • Mesures de performance des modèles

Sélectionne et interprète les mesures RMSE, MAE, F1 et AUC adaptées aux objectifs industriels. Aligne l'évaluation des modèles sur les critères de coût opérationnel et de risque.

Leçon 1 • Fondamentaux des stratégies de maintenance

Compare les approches de maintenance réactive, préventive et prédictive en termes de coût et de risque. Positionne l'analytique de données comme le moteur des décisions basées sur l'état.

Leçon 2 • Estimation de la durée de vie utile restante

Construit des modèles de régression et de survie pour estimer le temps avant défaillance des actifs critiques. Produit des fenêtres de maintenance exploitables à partir de flux continus de capteurs.

Leçon 3 • Données de capteurs pour la santé des équipements

Identifie les signaux de vibration, de température, de courant et acoustiques pertinents pour la santé des actifs. Guide la sélection et le placement des capteurs pour une valeur diagnostique maximale.

Leçon 4 • Détection d'anomalies pour le diagnostic des défauts

Applique des méthodes non supervisées et semi-supervisées pour détecter les défauts précoces des équipements. Réduit les fausses alarmes tout en maintenant une sensibilité élevée à la détection des défauts.

Leçon 1 • Principes des plans d'expériences

Présente les plans factoriels, factoriels fractionnaires et de surfaces de réponse pour les études de procédés. Établit une rigueur expérimentale qui sépare les vrais effets du bruit.

Leçon 2 • Analyse de la variance pour les facteurs de procédé

Applique l'ANOVA à un et plusieurs facteurs pour quantifier la signification des facteurs dans les expériences planifiées. Relie la signification statistique à l'amélioration pratique des procédés.

Leçon 3 • Méthodes Taguchi et conception robuste

Utilise des tableaux orthogonaux et des rapports signal/bruit pour minimiser la sensibilité du procédé au bruit. Offre des conceptions qui fonctionnent de manière constante dans des conditions réelles de variation.

Leçon 4 • Algorithmes d'optimisation pour les réglages de procédé

Applique des algorithmes basés sur le gradient et des métaheuristiques pour trouver les paramètres de procédé optimaux. S'étend au-delà des DOE aux problèmes d'optimisation continue et sous contraintes.

Leçon 1 • Passage à l'échelle de l'analytique dans l'entreprise

Conçoit des modèles de centre d'excellence et des stratégies de plateforme pour l'adoption de l'analytique à l'échelle de l'organisation. Traite de la gestion du changement et du renforcement des capacités à grande échelle.

Leçon 2 • Intégration des jumeaux numériques à l'analytique

Relie les modèles de simulation basés sur la physique aux données de capteurs en direct pour une compréhension en temps réel des procédés. Permet l'analyse de scénarios sans perturber les opérations physiques.

Leçon 3 • Élaboration du dossier d'affaires pour l'analytique

Quantifie les avantages financiers et opérationnels des initiatives d'analytique pour l'approbation de la direction. Structure les calculs de ROI, les évaluations des risques et les feuilles de route des jalons.

Leçon 4 • Gouvernance et éthique de l'analytique

Établit des normes de responsabilité des modèles, de vérification des biais et d'explicabilité pour l'IA industrielle. Garantit que les résultats de l'analytique répondent aux exigences réglementaires et de confiance organisationnelle.