Sílabo Fundamentos de IA para Los Negocios - Prof. A. Talavera - MBA BA 4
Sílabo Fundamentos de IA para Los Negocios - Prof. A. Talavera - MBA BA 4
Fundamentos de IA
para los Negocios
Código:
6MACT007
Programa:
Maestría en
Administración con
Especialización en
Innovación y Gestión
de la Ciencia y
Tecnología
Promoción:
Cuarta
Profesor:
Álvaro Talavera López
Ciclo: II
Créditos: 1
Período lectivo:
Del 06 de octubre al 05 de
noviembre de 2022
SÍLABO
Página 1/7
I. Información General
PROGRAMA : Maestría en Administración con Especialización
en Innovación y Gestión de la Ciencia y Tecnología.
Página 2/7
Metas de aprendizaje Objetivos de aprendizaje
(learning Goals) (learning Objectives)
4.1. Plantea de manera consistente los criterios esenciales
del proceso de formulación estratégica de la
organización (misión, visión, valores y objetivos
estratégicos).
4.2. Identifica los factores críticos de éxito de una
organización a partir del análisis interno y externo y de
sus interrelaciones.
4. Desarrolla una visión
4.3. Establece estrategias que respondan a los objetivos de
estratégica y global
la organización.
4.4. Desarrolla los planes funcionales alineados con la
estrategia de la organización (Finanzas, Operaciones,
Comercial y Recursos Humanos).
4.5. Identifica los factores globales de una organización y
hace de la diversidad y multiculturalidad una ventaja
diferenciadora en la organización.
5.1. Desarrolla habilidades de comunicación efectivas
5.2. Desarrolla pensamiento crítico
5. Desarrolla habilidades 5.3. Toma decisiones efectivas con visión integral
directivas 5.4. Ser un integrante clave en equipos de alto desempeño
5.5. Desarrolla iniciativas emprendedoras que generen valor
5.6. Gestiona el cambio en las organizaciones
a. Estrategia didáctica
En el presente curso se aplicará una metodología mixta de aprendizaje basado en
problemas (PBL) con una componente teoría y práctica hands-on, dando un
enfoque amplio de los temas, validado por la elaboración de un mini proyecto de
aplicación.
Página 3/7
b. Actividades a desarrollar
La participación esperada del estudiante se concretará en las siguientes
acciones:
c. Sistema de evaluación
Criterio de Ponderación
Instrumento de evaluación
Evaluación sobre la nota final
Evaluación de Examen
40%
proceso (Individual)
Página 4/7
VI. Cronograma de actividades:
I. Introducción a IA:
Modelos predictivos
• Machine learning.
• Configuración básica
de aprendizaje.
Exposición del
• Evaluación de
profesor.
proyectos usando IA.
Ejercicios.
Sesión 1 Aplicaciones en Diapositivas, lecturas y
II. Aprendizaje
(06/10.22) Rapidminer. videos
supervisado.
• Redes neuronales
artificiales.
• Matriz de confusión
• Medidas de error.
• Aplicaciones de riesgo
crediticio e
implementación.
II. Aprendizaje
supervisado.
Exposición del
• Máquinas de Soporte profesor.
Vectorial. Ejercicios.
Sesión 2 • Medidas de error. Aplicaciones en Diapositivas, lecturas y Entregable
(18/10/.22) • Aplicaciones e Rapidminer. notebooks práctica 1
implementación.
• Aplicaciones en
clasificación y
predicción.
• Exámen
III. Aprendizaje no
supervisado.
Exposición del
• Clustering. profesor.
Sesión 3 • Tipos de clustering. Ejercicios.
Diapositivas y
(22/10/22) • Algoritmo Kmeans, Aplicaciones en
programas. • Entregable
• Algoritmo Fuzzy- Rapidminer.
práctica 2.
Kmeans.
• Examen.
• clustering.
• Interpretación y
evaluación de
resultados
Página 5/7
VI. Proyectos
Exposición del
• Presentación de proyectos
profesor.
por parte de los
Ejercicios. Diapositivas, videos y
Sesión 4 estudiantes. Evaluación grupal
Aplicaciones en programas.
(05/11/22) • Realimentación de e individual.
Rapidminer.
resultados.
Jiawei Han, Micheline Kamber and Jian Pei. (2011). Data Mining: Concepts and
Techniques, 3rd ed. The Morgan Kaufmann Series in Data Management
Systems Morgan Kaufmann Publishers, July 2011. ISBN 978-0123814791
Vercellis, Carlo. (2009). Business Intelligence: Data Mining and Optimization for
Decision Making.
b. Bibliografía/referencias complementarias:
Página 6/7
Luna, A., Nunez-del-Prado, M., Talavera, A., & Holguín, E. S. (2016, October).
Power demand forecasting through social network activity and artificial neural
networks. In 2016 IEEE ANDESCON (pp. 1-4). IEEE.
Talavera A. and Luna. A. Machine Learning: A Contribution to Operational
Research.
IEEE Revista Iberoamericana de Tecnologías del Aprendizaje. April 2020
Xu, R & Wunsch, D. C (2009). Clustering. New Jersey: John Wiley y Sons, Inc.
Página 7/7
Fecha de revisión del sílabo por parte del Director Académico
03/10/2022
Página 8/7