Sílabo - Inteligencia Artificial y Machine Learning-2-7
Sílabo - Inteligencia Artificial y Machine Learning-2-7
Sílabo - Inteligencia Artificial y Machine Learning-2-7
Nombre del
Inteligencia Artificial y Machine Learning
curso:
Prerrequisito: Estadística Código: 13924
Créditos: 4 Ciclo: VI
Horas
3 horas teóricas Modalidad del
semanales: Remoto-Síncrono
/prácticas curso:
Tipo de Curso obligatorio: Jubitza Franciskovic
Coordinador del
Curso y Economía y Negocios Ingunza
curso:
Carreras Internacionales [email protected]
II. Sumilla
Brindar al alumno el conocimiento básico para entender los temas de inteligencia artificial.
Que entiendan la globalidad de los datos y aprendan las cuatro etapas de la ejecución de
los modelos de machine learning: comprensión de los datos, predicción, toma de
decisiones e inferencia causal. Introducir al alumno en la metodología de redes
neuronales en el proceso de machine learning para establecer relaciones y patrones entre
los conjuntos de datos.
V. Metodología
VI. Evaluación
EVALUACIONES:
Dónde:
PF = Promedio Final
EP = Examen Parcial
PEP = Promedio de evaluación permanente
EF = Examen Final
RESULTADOS DE APRENDIZAJE:
Conocer los diferentes softwares que se utilizan en el diseño de algoritmos de AI.
Inducción a las aplicaciones de AI.
Inicio del proyecto aplicado en Machine Learning
1.1. Introducción a Inteligencia Artificial.
1.2. Mapa de algoritmos de Inteligencia
1° Artificial.
Del 31 Agosto Lecturas: Presentación multimedia.
al 5 de Capítulo 1. Trevor Hastie, Robert Tibshirani y Discusión y Trabajo en Sala Virtual
Setiembre Jerome Friedman. “The Elements of
Statistical Learning: Data Mining Inference,
and Prediction”. Springer, 2017.
1.3. Tipos de datos: estructurado y no
estructurado.
1.4. Manejo de base de datos en SQL.
2° Aplicación al caso de créditos de Presentación multimedia.
Del 7 al 12 consumo. Discusión y Trabajo en Sala Virtual
de Setiembre Lecturas:
Capítulo 1, 2 y 3. Pedro Beltran Canessa.
Fundamentos de SQL. (3ª. ed.) McGrawHill,
2010.
1.5. Instalación de Anaconda: Python.
1.6. Introducción al programa Python.
1.7. Módulo Numpy para análisis de datos. Presentación multimedia.
3°
Discusión y Trabajo en Sala
Del 14 al 19 1.8. Módulo Pandas: análisis de datos.
Virtual. 1° Práctica Calificada
de Setiembre Lecturas:
Anaconda Quick Start Guide.
Jupyter Documentation.
UNIDAD DE APRENDIZAJE II: ALGORITMOS DE MACHINE LEARNING CON
APLICACIÓN A LOS NEGOCIOS PARTE I.
RESULTADOS DE APRENDIZAJE:
Aprender los fundamentos de los algoritmos básicos de Machine Learning: regresión y
modelos Logit.
Aplicación al caso de créditos de consumo.
2.1.Regresión Lineal en Machine
Learning.
4 2.2.Regresión Logística en Machine
Del 21 al 26 de Learning.
Presentación multimedia.
Setiembre
Lecturas: Discusión y Trabajo en Sala Virtual
Capítulo 3. Trevor Hastie, Robert Tibshirani y
Jerome Friedman. “The Elements of
Statistical Learning: Data Mining Inference,
and Prediction”. Springer, 2017.
2.3.K vecinos más cercanos en Machine
5°
Learning.
2.4.Arboles de decisión en Machine Presentación multimedia.
Del 28
Learning. Discusión y Trabajo en Sala Virtual
Setiembre al
03 de Octubre 2.5.Aplicación al caso de créditos de
consumo.
RESULTADOS DE APRENDIZAJE:
Aprender sobre los conceptos del algoritmo Random Forest.
Aprender sobre los conceptos de Máquina de Vectores de Soporte.
3.1. Random forest en Machine Learning.
3.2. Aplicación de RF a créditos de
consumo.
7°
Presentación multimedia.
Del 12 al 17 de Lecturas:
Discusión y Trabajo en Sala Virtual
Octubre Capítulo 9 y 14. Trevor Hastie, Robert
Tibshirani y Jerome Friedman. “The Elements
of Statistical Learning: Data Mining Inference,
and Prediction”. Springer, 2017.
08°
Del 19 al 24 EXAMENES PARCIALES
de octubre
RESULTADOS DE APRENDIZAJE:
Aprender algoritmo no supervisado K-medias.
Aplicar algoritmo no supervisados a la economía.
4.1. Algoritmos de K – Medias en Machine
Learning.
10° 4.2. Segmentación de clientes de tarjetas Presentación multimedia.
Del 02 al 07 de de créditos aplicando K - Medias. Discusión y Trabajo en Sala
Noviembre Lecturas: Virtual. 2° Práctica Calificada
Capítulo 14. Trevor Hastie, Robert Tibshirani
y Jerome Friedman. “The Elements of
RESULTADOS DE APRENDIZAJE:
Comprenderá por qué algunos países son ricos y otros son pobres.
Tendrá un entendimiento de las fuentes de crecimiento de los países.
5.1. Programación de Modelos de Default
12° usando machine learning 1.
Del 16 al 21 de Lecturas: Presentación multimedia.
noviembre Capítulo 1 y 2. Thomas, L.C., 2009. Discusión y Trabajo en Sala Virtual
Consumer Credit Models: Pricing, Profit and
Portfolios. Oxford University Press, Oxford.
5.2. Programación de Modelos de Default
usando machine learning 2.
13°
Del 23 al 28 de Presentación multimedia.
noviembre Lecturas: Discusión y Trabajo en Sala Virtual
Capítulo 1 y 2. Thomas, L.C., 2009.
Consumer Credit Models: Pricing, Profit and
Portfolios. Oxford University Press, Oxford.
14° 5.3. Programación de test de evaluación
Del 30 de pronósticos usando Python.
noviembre al Lecturas: Presentación multimedia.
05 de Capítulo 1 y 2. Thomas, L.C., 2009. Discusión y Trabajo en Sala Virtual
diciembre Consumer Credit Models: Pricing, Profit and
Portfolios. Oxford University Press, Oxford.
15° 5.4. Mapa de Inteligencia Artifical.
Del 07 al 12 de Lecturas:
Presentación multimedia.
diciembre Diapositivas del curso
Discusión y Trabajo en Sala Virtual
16°
Del 14 al 19 EXÁMENES FINALES OBLIGATORIOS
de Diciembre
IX. Laboratorio
Requerido.
X. Profesor