UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERÍA DE TELECOMUNICACIONES
SYLLABUS
I. INFORMACIÓN GENERAL
Curso : APRENDIZAJE DE MAQUINA Y MINERIA DE DATOS
Código : CIB12
Pre-requisito : Ninguno
Dpto. Académico : Telecomunicaciones
Condición : Obligatorio
Ciclo Académico : 2022-1
Créditos :4
Horas Teóricas : 2 horas semanales
Horas Prácticas / Laboratorio : 2 horas semanales
Sistema de Evaluación :D
Docente : Dra Lupe Pizán Toscano
Correo : [email protected]; [email protected]
II. SUMILLA
La asignatura APRENDIZAJE DE MAQUINA Y MINERIA DE DATOS, es un curso obligatorio de la carrera
de Ingeniería de Telecomunicaciones y está dirigida a los estudiantes que habiendo ya obtenido una
formación en temas de estadística y programación comiencen a desarrollar aplicaciones utilizando las
herramientas que la teoría de la Inteligencia artificial ofrece como Aprendizaje de maquina y minería de
datos.
La asignatura desarrolla una introducción a los temas teóricos básicos de la Inteligencia Artificial
mostrando sus principales tendencias y aplicaciones. Además, direcciona al abordaje y desarrollo de los
temas de investigación y aplicación actuales en especial de APRENDIZAJE DE MAQUINA Y MINERIA DE
DATOS, así como en general de todas las herramientas de IA.
III. COMPETENCIAS
La asignatura contribuye a formar las siguientes competencias:
A. Competencias Transversales o Genéricas
1. Capacidad de abstracción, análisis y síntesis.
2. Capacidad de aplicar los conocimientos en la práctica.
3. Capacidad para organizar y planificar el tiempo.
4. Capacidad de comunicación oral y escrita.
5. Habilidades en el uso de las TIC’s.
6. Habilidades para buscar, procesar y analizar información procedente de fuentes diversas.
7. Capacidad para identificar, plantear y resolver problemas.
8. Capacidad de trabajo en equipo.
9. Compromiso con la preservación del medio ambiente.
B. Competencias Específicas de la asignatura
1. Comprender los hechos, conceptos, principios y teorías relacionadas con el contenido de la
asignatura, demostrándolo mediante la resolución de problemas conceptuales y de procesos.
2. Interpretación y síntesis de la abundante información relacionada a inteligencia artificilal,
aprendizaje automatizado( Learning machine) y minería de datos(Data mining).
Pág. 1
UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERÍA DE TELECOMUNICACIONES
3. Expresar sus cálculos numéricos y aplicaciones computacionales adecuadamente, incluyendo
análisis de errores, estimaciones de órdenes de magnitud, documentación de programas e
interpretación de resultados.
4. Conocer y saber elegir y aplicar técnicas de Inteligencia Artificial, aprendizaje automatizado y
minería de datos.
5. Ser capaz de distinguir entre los modelos de Inteligencia Artificial más usados, así como entre los
modelos supervisados y no supervisados de aprendizaje automatizado y los modelos en el análisis
de datos.
IV. UNIDADES DE APRENDIZAJE
CAPÍTULO 1: INTRODUCCIÓN A LA INTELIGENICA ARTIFICIAL IA. REPRESENTACIÓN DEL
CONOCIMIENTO Y RAZONAMIENTO / 4 HORAS
Qué es la inteligencia artificial. Bases de la inteligencia artificial. Definición de IA. Evolución histórica.
Paradigmas. Ámbitos de aplicación. Concepto de conocimiento. Lenguajes utilizados en la representación
de conocimiento. Introducción a los sistemas basados en el conocimiento. Arquitectura de los sistemas
basados en el conocimiento. Construcción de un Sistema Experto. Aplicaciones. Plan de investigación y
desarrollo.
CAPÍTULO 2: INTRODUCCIÓN A LA CIENCIA DE DATOS Y MINERIA DE DATOS / 8 HORAS
Introducción. Definición Data Science. Data y variables. Base de Datos. Extracción de conocimiento en
bases de datos KDD (Knowledge Discovery in Databases). Datos y Conocimiento. Fuentes de Datos.
Minería de Datos. Antecedentes. Definición. Sistemas de Data Mining. Los Algoritmos de Minería de Datos.
Técnicas Usadas en Minería de Datos. Fases de un Proyecto de Minería de Datos. Comprensión del
Problema. Comprensión de los Datos. Preparación de los Datos. Modelación. Evaluación de Resultados.
Despliegue de Resultados. Temas de Investigación. Herramientas utilizadas en Ciencia de Datos.
Introducción a Python. Fundamentos de Python para Data Science. Aplicación. Estudio de un caso.
CAPÍTULO 3: RECOLECCION Y PREPARACIÓN DE DATOS /16 HORAS
Introducción a las técnicas de recolección y preparación de datos. DataFrames, series y uso de librerías
especializadas para el análisis de Datos. Recolección de información de páginas web. Leyendo diferentes
tipos de fuentes. Series de Tiempos y Datos. Limpieza de datos. Definición. Tratamiento de Datos
repetidos y faltantes. Limpieza de datos atípicos por cuartiles y desviación standard. Visualización de
datos. Introducción a Base de Datos. Manejo de Base de Datos. Aplicación. Estudio de un caso.
CAPÍTULO 4: INTRODUCCION AL APRENDIZAJE DE MAQUINA / 4 HORAS
Definiciones. Información general y conceptos básicos. Aprendizaje supervisado y no Supervisado.
Modelamiento. Identificando los Tipos de Modelos. Desarrollo de un modelo y Evaluación. Aplicación
Estudio de un caso.
CAPÍTULO 5: REGRESION Y CLASIFICACIÓN / 16 HORAS
Introducción. Definiciones. Modelo de Regresión lineal simple. Regresión Múltiple. Evaluación de un
modelo de Regresión. Regresión Polinomial. Máquina de Soporte Vectorial. Árbol de Regresión.
Clasificación. Regresión Logística. Matriz de Confusión. Aplicaciones. Estudio de un caso.
Pág. 2
UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERÍA DE TELECOMUNICACIONES
CAPÍTULO 6: AGRUPAMIENTO Y SERIES DE TIEMPO / 8 HORAS
Introducción. Algoritmos de agrupamiento. Clúster. K-means. Series de Tiempo. Predicciones.
Aplicaciones. Estudio de un caso.
METODOLOGÍA
La asignatura se desarrolla en sesiones de teoría y aplicaciones prácticas. Todas las sesiones
comprenden una parte de teoría y otra de taller o laboratorio de aplicaciones. El alumno será evaluado
en el desarrollo de todas las sesiones obteniéndose siete notas globales que comprenden una parte de
los aspectos de fundamento teórico y otra de desarrollo de trabajos prácticos. En todas las sesiones se
promueve y evalúa la participación activa del alumno y su integración en grupos de trabajo.
V. PRACTICAS - TRABAJOS CALIFICADOS
TRABAJO PRACTICO 1: TEMA TEORICO: CAP01.CAP02. ANALISIS E INTERPRETACION DE
PROPUESTAS DE INVESTIGACIÓN. ENTREGA DE PRABAJO PRACTICO 1: SEMANA 02.
TRABAJO PRACTICO 2: TEMA TEORICO: CAP03. TRABAJO DE INVESTIGACION EXPLORATORIO
AVANCE-1: BUSQUEDA, ANALISIS BIBLIOGRAFICO Y REFERENCIAS. ENTR.EGA DE TRABAJO
PRACTICO 2: SEMANA 4
TRABAJO PRACTICO 3: TEMA TEORICO: CAP04. CAP05. PLAN DE TRABAJO DE INVESTIGACION
AVANCE-1: PROPUESTA DE TEMA DE INVESTIGACIÓN, AVANCE DE PROPUESTA DE PLAN DE
INVESTIGACIÓN. ENTREGA DE TRABAJO PRACTICO 3: SEMANA 05.
TRABAJO PRACTICO 4: TEMA TEORICO: CAP06. TRABAJO DE INVESTIGACION EXPLORATORIO:
ENTREGA DE ARTICULO. RESUMEN Y VERSION COMPLETA. ENTREGA DE TRABAJO PRACTICO
4: SEMANA 10.
TRABAJO PRACTICO 5: TEMA TEORICO: CAPITULOS 1-6. TRABAJO DE INVESTIGACION:
ENTREGA DE TRABABAJO FINAL DE INVESTIGACIÓN. RESUMEN Y VERSION COMPLETA.
ENTREGA DE TRABAJO PRACTICO 5: SEMANA 12.
TRABAJO PRACTICO 6: TEMA TEORICO: CAPITULOS 1-6. TRABAJO FINAL DE INVESTIGACIÓN.
VERSION ARCHIVO PRESENTACIÓN Y VIDEO. ENTREGA DE TRABAJO PRACTICO 6: SEMANA 13.
TRABAJO PRACTICO 7: TEMA TEORICO: CAPITULOS 1-6. VERSION FINAL DE TRABAJO DE
INVESTIGACION EXPLORATORIA. VERSION ARCHIVO PRESENTACIÓN Y VIDEO. ENTREGA DE
TRABAJO PRACTICO 7: SEMANA 14.
Pág. 3
UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERÍA DE TELECOMUNICACIONES
VI. SISTEMA DE EVALUACIÓN
Sistema de evaluación D:
Trabajos Calificados: Siete (07)
El PROMEDIO FINAL (PF) se obtiene de la siguiente manera: Se elimina, por Reglamento, dos (02) prácticas o
trabajos con la nota más baja y se obtiene el PROMEDIO FINAL (PF).
El promedio final (PF) se calcula tal como se muestra a continuación después de haberse eliminado las dos notas
más bajas:
𝑻𝑷𝟏 + 𝑻𝑷𝟐 + 𝑻𝑷𝟑 + 𝑻𝑷𝟒 + 𝑻𝑷𝟓
𝑷𝑭 =
𝟓
Observación: El trabajo de investigación TP7 no se puede eliminar.
VII. BIBLIOGRAFÍA
• Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach, 4th Edition. Pearson 2020.
Introduction to machine learning - Alpaydin, E, The MIT Press, 2020.
• Feature Engineering for Machine Learning. Alice Zheng and Amanda Casari. Copyright © 2018.USA.
Published by O’Reilly Media.
• Rudolph Russell. Guía Paso a Paso Para Implementar Algoritmos De Machine Learning Con Python.
© Copyright 2018.
• Jake VanderPlas. Python Data Science Handbook. Essential Tools for Working with Data. Copyright ©
2017.USA.
• Mohammed j. Zaki. Wagner Meira. Data Mining and Analysis. Fundamental Concepts and Algorithms.
Cambridge University Press. 1ra ed 2014.
• Vladimir Cherkassky, Filip M. Mulier. Learning from data: concepts, theory, and methods. 2nd Edition. Wiley-
IEEE Press. 2007.
• Hastie, T.; Tibshirani, R.; Friedman. The elements of statistical learning: data mining, inference, and
prediction. Springer, 2009.
Pág. 4
UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
ESCUELA PROFESIONAL DE INGENIERÍA DE TELECOMUNICACIONES
TEMAS DE PRACTICA:
FECHA FECHA LABORATORIOS,
TEMAS DE TEORIA
de a EVALUACIONES, TALLERES
DE INVESTIGACIÓN
CAPÍTULO 1: INTRODUCCIÓN A LA INTELIGENICA ARTIFICIAL IA, APRENDIZAJE DE MAQUINA Y MINERIA
DE DATOS. REPRESENTACIÓN DEL CONOCIMIENTO Y RAZONAMIENTO.Qué es la inteligencia artificial. Bases
de la inteligencia artificial. Definición de IA. Evolución histórica. Paradigmas. Ámbitos de aplicación. Concepto de
conocimiento. Lenguajes utilizados en la representación de conocimiento. Introducción a los sistemas basados en el
conocimiento. Arquitectura de los sistemas basados en el conocimiento. Construcción de un Sistema Experto. Aplicaciones y Estudio de caso. Formulación del
11/04/2022 16/04/2022 Aplicaciones. Plan de investigación y desarrollo. plan de Investigación y desarrollo.
CAPÍTULO 2: INTRODUCCIÓN A LA CIENCIA DE DATOS Y MINERIA DE DATOS.Introducción. Definición
Data Science. Data y variables. Base de Datos. Extracción de conocimiento en bases de datos KDD
(Knowledge Discovery in Databases). Datos y Conocimiento. Fuentes de Datos. Minería de Datos.
Antecedentes. Definición. Sistemas de Data Mining. Los Algoritmos de Minería de Datos. Técnicas ENTREGA DE TRABAJO PRACTICO 1.
Usadas en Minería de Datos. Fases de un Proyecto de Minería de Datos. Comprensión del Problema. Aplicaciones y Estudio de caso. Formulación del
18/04/2022 23/04/2022 Comprensión de los Datos. Preparación de los Datos. plan de Investigación y desarrollo.
CAPÍTULO 2: INTRODUCCIÓN A LA CIENCIA DE DATOS Y MINERIA DE DATOS / 6 HORAS. Introducción.
Modelación. Evaluación de Resultados. Despliegue de Resultados. Temas de Investigación.
Herramientas utilizadas en Ciencia de Datos. Introducción a Python. Fundamentos de Python para Data Aplicaciones y Estudio de caso. Formulación del
25/04/2022 30/04/2022 Science. plan de Investigación y desarrollo.
CAPÍTULO 3: RECOLECCION Y PREPARACIÓN DE DATOS
Introducción a las técnicas de recolección y preparación de datos. DataFrames, series y uso de librerías ENTREGA DE TRABAJO PRACTICO 2.
especializadas para el análisis de Datos. Recolección de información de páginas web. Leyendo Aplicaciones y Estudio de caso. Formulación del
2/05/2022 7/05/2022 diferentes tipos de fuentes. plan de Investigación y desarrollo.
CAPÍTULO 3: RECOLECCION Y PREPARACIÓN DE DATOS. ENTREGA DE TRABAJO PRACTICO3.
Series de Tiempos y Datos. Limpieza de datos. Definición. Tratamiento de Datos repetidos y faltantes. Aplicaciones y Estudio de caso. Formulación del
9/05/2022 14/05/2022 Aplicación. Estudio de un caso. plan de Investigación y desarrollo.
CAPÍTULO 3: RECOLECCION Y PREPARACIÓN DE DATOS.
16/05/2022 21/05/2022 Limpieza de datos atípicos por cuartiles y desviación standard. Aplicación. Visualización de datos. Exposición de trabajos de investigación.
CAPÍTULO 3: RECOLECCION Y PREPARACIÓN DE DATOS. Introducción a Base de Datos. Manejo de Evaluación de teoría y avances de
23/05/2022 28/05/2022 Base de Datos. investigación
30/05/2022 4/06/2022 SEMANA DE EXAMENES PARCIALES
44718 44723 CAPÍTULO 4: INTRODUCCION AL APRENDIZAJE DE MAQUINA. Definiciones. Información general y conceptos Exposición
básicos.
deAprendizaje
trabajos de supervisado
investigación.y no Supervisado. Modelamiento. Identif
ENTREGA DE TRABAJO PRACTICO 4. Exposición
44725 44730 CAPÍTULO 5: REGRESION, CLASIFICACIÓN. Introducción. Definiciones. Modelo de Regresión lineal simple.deRegresión
trabajos de
Múltiple.
investigación
CAPÍTULO 5: REGRESION, CLASIFICACIÓN. Evaluación de un modelo de Regresión. Regresión Aplicaciones y Estudio de caso. Formulación del
20/06/2022 25/06/2022 Polinomial. Máquina de Soporte Vectorial. Estudio de un caso. plan de Investigación y desarrollo.
ENTREGA DE TRABAJO PRACTICO 5.
CAPÍTULO 5: REGRESION, CLASIFICACIÓN. Árbol de Regresión. Estudio de caso y aplicación. Aplicaciones y Estudio de caso. Formulación del
27/06/2022 2/07/2022 Clasificación. Regresión Logística. plan de Investigación y desarrollo.
ENTREGA DE TRABAJO PRACTICO 6.
Aplicaciones y Estudio de caso. Formulación del
4/07/2022 9/07/2022 CAPÍTULO 5: REGRESION, CLASIFICACIÓN. Matriz de Confusión. Estudio de caso y aplicación. plan de Investigación y desarrollo.
CAPÍTULO 6: AGRUPAMIENTO Y SERIES DE TIEMPO. Tecnicas de agrupamiento. Estudio de caso y Entrega de Trabajo Practico 7. Exposición
11/07/2022 16/07/2022 aplicación. de trabajos de investigación
Evaluación de teoría y avances de
18/07/2022 23/07/2022 CAPÍTULO 6: AGRUPAMIENTO Y SERIES DE TIEMPO. Series de Tiempo.Estudio de caso y aplicación. investigación.
25/07/2022 30/07/2022 SEMANA DE EXAMENES FINALES
1/08/2022 6/08/2022
8/08/2022 13/08/2022 SEMANA DE EXAMENES SUSTITUTORIOS
Pág. 5
