MathPlayMathplayMate · Curso 2 · Aplicaciones ML
Caso aplicado · Curso 2 · Módulo 4 · Unidad 29

Enfoque guía: Aplicaciones con minería de datos

Proyecto integral flotación Cu — del CSV al valor en operación

Mate MathPlay · Flotación Cu · Material complementario

Flotación CuExcelPythonAplicaciones ML
Ver concepto general MathPlay · Ruta IA matemática (MathPlay) →
Curso 2 — Aplicaciones ML en minería · Módulo 4 · Unidad 3 de 3 · CIERRE CURSO 2
Caso flotación Cu · Curso 2 · Unidad 29

Aplicaciones con minería de datos

El hilo completo: Curso 1 (matemática) + Curso 2 (ML y datos) → decisión en flotación

Mapa del Curso 2 (unidades 16–29)

MÓDULO 1 Supervisado (16–19) 16 Regresión · 17 Clasificación · 18 Anomalía integrada · 19 Series MÓDULO 2 No supervisado (20–22) 20 Clustering · 21 PCA · 22 Anomalía sin etiqueta MÓDULO 3 Minería de datos (23–26) 23 Features · 24 Limpieza · 25 KDD · 26 DSS MÓDULO 4 Aplicaciones (27–29) 27 Piloto supervisado · 28 Piloto NS · 29 Proyecto integral

1. Caso de negocio cerrado

Problema: sobre-espumación reduce recuperación de Cu (~10 pp en demo).

Objetivo: estimar recuperación, anticipar espuma y apoyar al turno antes de perder cobre al relave.

Valor: si 1 pp de recuperación = X USD/t, el DSS justifica inversión en sensores y equipo de datos.

Fase proyectoSemanasEntregable
Diagnóstico KDD1–2Informe hallazgos U25
Datos + features2–4Pipeline U23–24
Modelos4–8Modelos U16–22 validados
DSS piloto8–12Panel U26 en turno
Escala12+Más celdas / otras etapas

2. Puente con Curso 1

Curso 1 enseñó a pensar: σ, correlación, y=Xβ, gradiente, optimización, distancia.
Curso 2 enseñó a entrenar y desplegar: modelos, minería de datos, DSS.
Juntos: ingeniero que habla con operación y con datos.

3. Actividad final — comité simulado

Presenten en 10 min:

  1. KPI y costo de 1 pp de recuperación (hipótesis)
  2. 3 hallazgos del CSV (U25)
  3. Panel DSS (U26) — captura o Excel
  4. Riesgos: falsas alarmas, drift, dependencia de sensores
  5. Próximo paso: Curso 3 o piloto en su operación

Fin Curso 2. Mismo archivo datos_flotacion_demo.csv, 14 unidades de ML y minería de datos. En planta real el flujo es idéntico; solo cambia la escala de datos y el comité de aprobación.

4. Python — script maestro (esqueleto)

# Pipeline integral Curso 2 - Flotacion Cu
import pandas as pd

def run_pipeline(csv_path="datos_flotacion_demo.csv"):
    df = pd.read_csv(csv_path)
    # 1. Limpieza (U24)
    # 2. Features (U23)
    # 3. Modelos supervisados (U27) → MAE, recall
    # 4. Modelos NS (U28) → cluster, score
    # 5. Panel DSS (U26)
    report = {
        "horas": len(df),
        "rec_media": round(df["recuperacion_cu_pct"].mean(), 1),
        "eventos_espuma": int(df["sobre_espumacion"].sum()),
    }
    return report

if __name__ == "__main__":
    print(run_pipeline())

5. Investigación sugerida

Replica el proyecto con otro KPI (ley concentrado, consumo espumante). ¿Qué unidades del 16–29 cambian y cuáles se reutilizan tal cual?

Regístrate al boletín MathPlay

Datos, simulación, visualización, IA y tecnología aplicada a problemas reales de industria y minería.

Sin calendario fijo. Sin spam.

Listo. Te escribo cuando haya algo nuevo.

← App. NS Inicio Curso 2 Curso 2 M3 Descargar CSV