I.

Datos generales del curso

Nombre del
Inteligencia Artificial y Machine Learning
curso:
Prerrequisito: Estadística Código: 13924

Precedente: - Semestre: 2020-2

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

El curso es una introducción a las teorías relacionadas a la transformación digital,

explicando cómo estas teorías están transformando el comportamiento de los agentes
económicos y la forma de hacer negocios. En la primera unidad se estudian los principios
básicos del big data. En particular, los tipos de datos que disponen las empresas (datos
estructurados y no estructurados) y como analizarlos para obtener insights que aumenten
la probabilidad de éxito de las decisiones de negocios.

En la segunda unidad se desarrollan las ideas básicas de inteligencia artificial, se

explicarán los conocimientos generales y su terminología. Se explicará de manera general
como se combina el poder de los datos, Reinforcement Learning, Q-Learning y Deep
Learning para crear modelo de inteligencia artificial. Finalmente, en la unidad tres se
estudiarán los principales modelos de machine learning, tales como: Regresión,
Classification trees, Random forests y Model based recursive partitioning.

El curso es totalmente aplicado y se proporcionará la bibliografía estadística y matemática

para los alumnos que deseen profundizar en estos temas. La aplicación se realizará
utilizando datos reales de la banca retail y se estimará un modelo de machine learning
que está en producción. Debido a su orientación aplicada, todos los temas serán
enseñados utilizando los programas: SQL Server y Python en el ambiente de la
plataforma Anaconda.

III. Objetivos del curso

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.

Sílabo del curso “Inteligencia Artificial y Machine Learning” 2

 IV. Resultados de aprendizaje

Al finalizar el curso el alumno:

 Conocerá los fundamentos del big data (data estructurada y no estructurada).
 Aprenderá los principales comandos en el programa SQL-Server para analizar datos.
 Se enseñarán lineamientos generales para descubrir insights que ayuden en la toma
de decisiones de los negocios.
 Entenderá de manera general los conceptos de inteligencia artificial y sus aplicaciones
en la economía y los negocios.
 Será capaz de estimar modelos de machine Learning utilizando el programa Python
en el ambiente de Anaconda.
 Aprenderá las cuatro etapas fundamentales del proceso de machine Learning.

V. Metodología

El curso es totalmente aplicado. Los conceptos de inteligencia artificial y machine learning

se enseñarán a través de un caso aplicado con datos reales de la banca retail. El material
de clase estará disponible vía la plataforma UE virtual, y se pondrá a disposición las
lecturas para que el alumno profundice en los métodos estadísticos y matemáticos. Cada
tema se basará en un ejemplo que será programado en Python por el alumno y guiado por
el profesor.

VI. Evaluación

El sistema de evaluación es permanente e integral. La nota de la asignatura se obtiene

promediando la evaluación permanente (60%), el examen parcial (20%) y el examen final
(20%). El promedio de evaluación permanente resulta del promedio de 2 controles de
lectura, 2 prácticas calificadas, un trabajo aplicado (supervisados por el profesor) y la
participación en los ejercicios de programación realizados en clase. Las ponderaciones al
interior de la evaluación permanente se describen en el cuadro siguiente:

PROMEDIO DE EVALUACIÓN PERMANENTE 60%

Ponderación
Tipo de evaluación Descripción
%
Prácticas Calificadas 2 PC (no se anula ninguna
10 10
Otros: casos, participación, etc. PC)
Trabajos Aplicativos Integrador 1 trabajo encomendado 20
Participación en los ejercicios de
60
programación en clase

El promedio final (PF) se obtiene del siguiente modo:

PF = (0,20 x EP) + (0,60 x PEP) + (0,20 x EF)

EVALUACIONES:
Dónde:

PF = Promedio Final
EP = Examen Parcial
PEP = Promedio de evaluación permanente
EF = Examen Final

Sílabo del curso “Inteligencia Artificial y Machine Learning” 3

 VII. Contenido programado

SEMANA CONTENIDOS ACTIVIDADES / EVALUACIÓN

UNIDAD DE APRENDIZAJE I: INTRODUCCIÓN A INTELIGENCIA ARTIFICIAL Y MANEJO
DE BASE DE DATOS EN PYTHON Y SQL

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.

Sílabo del curso “Inteligencia Artificial y Machine Learning” 4

 Lecturas:
Capítulo 9 y 14. Trevor Hastie, Robert
Tibshirani y Jerome Friedman. “The Elements
of Statistical Learning: Data Mining Inference,
and Prediction”. Springer, 2017.
2.6.Caso aplicado Teoría 1: Estimación
de Modelo de Willingness-to pay
con machine learning.
6° 2.7.Aplicación en Pythom 1.
Del 5 al 10 de Lecturas: Presentación multimedia.
octubre Arevalillo (2019). A machine learning Discusión y Trabajo en Sala Virtual
approach to assess price sensitivity with
application to automobile loan segmentation.
Applied Soft Computing Journal 76 (2019)
390–399
UNIDAD DE APRENDIZAJE III: ALGORITMOS DE MACHINE LEARNING CON
APLICACIÓN A LOS NEGOCIOS PARTE II.

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

3.3. Máquinas de vectores de soporte

(MVS) en Machine Learning.
3.4. Aplicación de MVS a créditos de
09° consumo.
Del 26 al 31 de Presentación multimedia.
octubre Lecturas: Discusión y Trabajo en Sala Virtual
Capítulo 9 y 14. Trevor Hastie, Robert
Tibshirani y Jerome Friedman. “The Elements
of Statistical Learning: Data Mining Inference,
and Prediction”. Springer, 2017.
UNIDAD DE APRENDIZAJE IV: ALGORITMOS DE MACHINE LEARNING CON
APLICACIÓN A LOS NEGOCIOS PARTE III.

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

Sílabo del curso “Inteligencia Artificial y Machine Learning” 5

 Statistical Learning: Data Mining Inference,
and Prediction”. Springer, 2017.
4.3. Análisis de cluster.
4.4. Aplicación de análisis de cluster al
11° segmento retail.
Del 09 al 14 de Lecturas: Presentación multimedia.
noviembre Capítulo 14. Trevor Hastie, Robert Tibshirani Discusión y Trabajo en Sala Virtual
y Jerome Friedman. “The Elements of
Statistical Learning: Data Mining Inference,
and Prediction”. Springer, 2017.
UNIDAD DE APRENDIZAJE V: ALGORITMOS DE MACHINE LEARNING CON
APLICACIÓN A LOS NEGOCIOS PARTE IV.

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

Sílabo del curso “Inteligencia Artificial y Machine Learning” 6

 VIII. Bibliografía

Bibliografía básica (obligatoria)

Arevalillo, Jorge M “A machine learning approach to assess price sensitivity with

application to automobile loan segmentation”. Applied Soft Computing Journal 76
(2019) 390–399.
Gomilla, Juan Gabriel. “Machine Learning A-Z in Python”. Apuntes.
Thomas, L.C., 2009. Consumer Credit Models: Pricing, Profit and Portfolios. Oxford
University Press, Oxford
Trevor Hastie, Robert Tibshirani y Jerome Friedman. “The Elements of Statistical
Learning: Data Mining Inference, and Prediction”. Springer, 2017.

Bibliografía complementaria (no obligatoria)

Machine Learning for Dummies de John Paul Mueller y LucaMassaron

Machine Learning for Absolute Beginners: A plain english introduction de Oliver Theobald
Machine Learning in Action de Peter Harrington

IX. Laboratorio

Requerido.

X. Profesor

Pablo Azabache La Torre

[email protected]

Sílabo del curso “Inteligencia Artificial y Machine Learning” 7