SÍLABO

TECNOLOGÍAS EMERGENTES

I. Datos generales

Nombre de la unidad didáctica : TECNOLOGÍAS EMERGENTES

Código de la unidad didáctica : 40039
Créditos :3
Periodo académico : 202510

II. Sumilla

La unidad didáctica de Tecnologías emergentes es de naturaleza teórico-práctica y tiene

como propósito desarrollar en el estudiante las habilidades que le permitan diseñar,
desarrollar, validar y desplegar soluciones de inteligencia artificial, así como brindarle los
conceptos clave para dominar el uso y explotación de los algoritmos para resolver
problemas en situaciones donde no se puede contar con un experto o automatizar
procesos en donde se requiera la acción automática y oportuna de un agente
inteligente, explorar las diferentes tecnologías relacionadas para el tratamiento de la
información en las organizaciones, así como perfeccionarse en su empleo adecuado. Las
unidades temáticas están referidas a: La disrupción de la inteligencia artificial; Machine
Learning; Machine learning supervisado y no supervisado; y Aprendizaje por refuerzo y
Deep learning.

III. Sistema de competencias

Competencia específica de la unidad didáctica

El estudiante reconoce la Inteligencia artificial como parte de un proceso disrupción

digital y el Aprendizaje Automático (Machine Learning) con un enfoque práctico, los tipos de
datos que son útiles y cómo han de estar formateados para usarlos en el Aprendizaje
Automático.

Unidad de aprendizaje Indicador de logro Sesiones

Presenta los conceptos, principios y reglas
fundamentales de la inteligencia artificial
La Disrupción de la
como parte del proceso de disrupción 4
Inteligencia artificial
digital en un entorno de transformación
digital
Aplica machine learning como disciplina
dentro del área de conocimiento de la IA y,
Machine learning mediante ejemplos de uso, plasma el 3
grado de integración de aprendizaje
automático en procesos cotidianos.
Machine Learning Reconoce y aplica algoritmos como el
supervisado y no aprendizaje supervisado que supone que 4
supervisado partimos de un conjunto de datos
 etiquetado previamente, es decir,
conocemos el valor del atributo objetivo
para el conjunto de datos que
disponemos.
Aplica estrategias automáticamente de
Aprendizaje por Refuerzo manera predictiva o de acuerdo a la
3
y Deep Learning personalización de experiencias del
cliente.

IV. Programación de contenidos

Unidades de Contenido
Sesión Contenido conceptual
aprendizaje procedimental
Fundamentos de IA en
nuestro entorno
• Qué es y para qué
sirve IA
• La realidad IA en
Comprende el contexto
nuestras vidas
de la Inteligencia
• Revolución Industrial
Artificial y su
La Disrupción de la • Conceptos
1 aplicabilidad en las
Inteligencia artificial vinculados al
Organizaciones en un
conocimiento
proceso de
• Conocimiento del:
transformación digital.
Entorno,
transformación,
organización
• Enfoque determinista
y evolutivo
IA en la organización
• VUCA
• Acciones y logros de
Explica los conceptos
la Organización.
La Disrupción de la de IA en la
2 • Inteligencia por su
Inteligencia artificial organización y sus
origen
aplicaciones.
• Tipos de inteligencia
• Componentes de la
IA aplicada
IA es clave en la
transformación digital
• La IA como centro del
universo digital
Explica cómo IA es la
La Disrupción de la • Cómo preparar su
3 clave en el proceso de
Inteligencia artificial fuerza de trabajo para
transformación digital.
la automatización de IA
• Pilares de la
transformación digital
• Desafíos de la IA
 • Transformación
digital con IA
IA y la transformación
digital
• Estrategia de datos
Ejecuta aplicaciones clara y definida
La Disrupción de la básicas de IA en la • Meaning Cloud
4
Inteligencia artificial clasificación de texto y • Analítica de datos
de sentimientos. con IA
• Clasificación de texto
• Análisis de
sentimiento
Fundamentos de
Machine Learning(ML)
• Definición,
importancia y
aplicaciones de ML
• Paradigmas de
aprendizaje, modelos
Reconoce los
de representación de
5 Machine learning fundamentos de
aprendizaje, técnicas
Machine Learning.
de aprendizaje
• Proceso de
extracción de
conocimiento (KDD) y
su relación con ML
• Ciclo de vida de un
proyecto de ML
ML en un entorno de
investigación científica
• Paper de Machine
Learning en un
ecosistema global
Expone los elementos • Calidad de los datos:
más importantes del ruido; valores
6 Machine learning Machine learning en inconsistentes,
publicaciones duplicados y ausentes;
científicas. outliers
• Similitud y disimilitud
• Distancia y
correlación
• Proximidad entre
atributos heterogéneos
ML en Azure
Explica los elementos • Datos preparados
para desarrollar una para ML
7 Machine learning
aplicación ML en la • Tipos de datos útiles
nube. y formatos
• Análisis de datos
 antes del modelado
• Formato de datos
para ML.
• Machine learning en
la nube de Microsoft
Durante esta sesión de
2 horas, el profesor
brindará un espacio
El profesor indicará la
para consolidar
Sesión de repaso / dinámica y actividades
8 aprendizajes y resolver
asesoría según las necesidades
dudas. El profesor
del curso.
indicará la dinámica y
actividades según las
necesidades del curso.
Machine learning
supervisado
Desarrolla ML
• Clasificadores
Machine Learning supervisado aplicando
Bayesianos:
9 supervisado y no algoritmos
probabilidades,
supervisado tradicionales de redes
nociones de redes
Bayesianas.
Bayesianas, clasificador
naive Bayes
Machine learning
supervisado
• Clasificadores divide
y conquista: árboles de
decisión, espacio de
Desarrolla ML
hipótesis y bies
supervisado aplicando
inductivo, overfitting y
Machine Learning algoritmos
simplificación de
10 supervisado y no tradicionales de
árboles de decisión
supervisado árboles de decisión,
• Clasificadores
vecino más cercano y
basados en instancias:
redes neuronales.
clasificador de vecinos
más próximos (KNN)
• Clasificadores
bioinspirados: red
neuronal perceptrón
Machine learning no
supervisado
• Fundamentos y casos
Comprende los de ML no supervisado
Machine Learning fundamentos ML no • Algoritmos de
11 supervisado y no supervisado, así como clustering
supervisado sus principales • Análisis de
algoritmos. componentes
principales Clustering
• Aprendizaje
deductivo
 Machine learning no
supervisado
• Agrupamiento de
datos: algoritmos de
agrupamiento
jerárquico; algoritmos
de agrupamiento
Desarrolla ML no
particionales;
supervisado dedicado
Machine Learning algoritmo K-means
a las tareas de
12 supervisado y no • Evaluación de
agrupamiento
supervisado algoritmos de
(clustering o
agrupamiento: criterio
segmentación).
de Dunn
• Aprendizaje por
reglas de asociación:
transacciones,
conjuntos de ítems
frecuentes,reglas de
asociación
Aprendizaje por
refuerzo
Conoce las
• Fundamentos de
Aprendizaje por características del
aprendizaje por
13 Refuerzo y Deep aprendizaje por
Refuerzo
Learning refuerzo y sus
• Aprendizaje semi-
principales algoritmos.
supervisado: algoritmo
co- training
Aprendizaje por
refuerzo
Expone los elementos
• Paper de
más importantes del
Aprendizaje por investigación de
aprendizaje por
14 Refuerzo y Deep aprendizaje por
refuerzo en
Learning refuerzo
publicaciones
• Aprendizaje por
científicas.
refuerzo: algoritmo de
Monte Carlo
Deep Learning
• Fundamentos y
proyectos con Deep
Analiza los Learning
fundamentos del • Desafíos y riesgos
Aprendizaje por
aprendizaje profundo a con Deep Learning
15 Refuerzo y Deep
través de la simulación • Frameworks Deep
Learning
de las redes Learning
neuronales. • Redes de neuronas
• Entrenamiento por
capas
• Ética en la IA
V. Estrategias metodológicas
La unidad didáctica TECNOLOGÍAS EMERGENTES se basa en lineamientos metodológicos
que promueven la participación del estudiante, facilitando la integración de saberes previos
con nueva información y, en consecuencia, la construcción progresiva de conocimientos. En
este proceso, el docente asume un rol de facilitador y mediador, proporcionando recursos
y motivación en un ambiente positivo donde tanto el estudiante como el docente
comprenden y asumen sus responsabilidades, aportando lo mejor de sí mismos para el
logro de los objetivos formativos.

Con el fin de optimizar la experiencia de aprendizaje, la metodología ISIL dispone de

diversas estrategias metodológicas, entre ellas el aprendizaje adaptativo, el aprendizaje
cooperativo, el aprendizaje basado en problemas, el método de casos, el aprendizaje
basado en proyectos y la simulación. Para esta unidad didáctica, se seleccionarán aquellas
que resulten más adecuadas a los objetivos y la naturaleza de los contenidos. Estas
estrategias promueven la autorregulación del aprendizaje, la reflexión y la comprensión
de la práctica profesional, articulando el conocimiento de la disciplina con las demandas
del contexto real.

Esta unidad didáctica puede ser dictada en las siguientes modalidades: presencial,
semipresencial, remota, semirremota o virtual. Cada una de ellas tiene sus propias
características

El 100% de las horas académicas del curso se dictan en alguno de

Presencial
nuestros campus físicos.

Una parte de las horas académicas del curso se dictan en alguno de

Semipresencial nuestros campus físicos. El resto de las horas el estudiante debe
desarrollar actividades académicas por su cuenta.

El 100% de las horas académicas del curso se dictan a través de la

Remota Sala del Curso en ISIL+ (ZOOM o la herramienta de videoconferencia
de que se disponga).

Una parte de las horas académicas del curso se dictan a través de la

Sala del Curso en ISIL+ (ZOOM o la herramienta de videoconferencia
Semirremota
de que se disponga). El resto de las horas el estudiante debe
desarrollar actividades académicas por su cuenta.

El 100% de horas académicas el estudiante debe desarrollar

Virtual actividades académicas por su cuenta, siguiendo las indicaciones del
docente. Esta es una modalidad asíncrona.

VI. Sistema de evaluación

En la unidad didáctica TECNOLOGÍAS EMERGENTES, se implementa un sistema de
evaluación basado en el enfoque por competencias. Por ello, la evaluación se concibe
 como un proceso continuo y transversal a la enseñanza y el aprendizaje, cuyo objetivo
principal es retroalimentar ambos para optimizarlos.

En este contexto, los procedimientos de evaluación se fundamentan en criterios e

indicadores claros que especifican qué se evalúa y cómo se evalúa. Asimismo, se emplean
técnicas e instrumentos apropiados, de acuerdo con la naturaleza de los aprendizajes que
se busca desarrollar.

A continuación, se presenta el esquema de evaluación del curso:

ESQUEMA DE EVALUACIÓN
En este NRC se aplica el esquema de evaluación 1
Semana Código Proceso de Aprendizaje Porcentaje
4 PA1 Proceso de Aprendizaje 1 15%
7 PA2 Proceso de Aprendizaje 2 15%
10 PA3 Proceso de Aprendizaje 3 15%
13 PA4 Proceso de Aprendizaje 4 15%
16 EI Evaluación Integral 40%

VII. Referencias
Link
[Link]
[Link]
Textos
Alpaydin, E. (2014). Introduction to machine learning (Third ed., Adaptive computation
and machine learning). Cambridge, Massachusetts: MIT Press
Bowles, M. (2015). Machine learning in python: Essential techniques for predictive
analysis. Indianapolis, Indiana:Wiley.
Christoph Korner, Kaijisse Waaijer (2020). Mastering Azure Machine Learning: Perform
large- scale end-to-end advanced machine learning in the cloud with Microsoft Azure
Machine Learning.
Dennis Michael Sawyers(2021). Automated Machine Learning with Microsoft Azure: Build
highly accurate and scalable end-to-end AI solutions with Azure AutoML
Herrera, F & Charte, F & Rivera, A J & del Jesus, M J. (2016). Multilabel classification:
Problem Analysis, Metrics and Techniques. Springer International Publishing
Jamison Zabawa(2021). Learning With Python Book: How To Code Machine Learning
Models In Python: Learning With Python Tapa blanda .
Takemoto, K & Oosawa C. (2012) Statistical and Machine Learning Approaches for
Network Analysis. John Wiley & Sons. Capítulo 2 (pag. 45-75).