ITA-AC-PO-004-07-Rev. 0 InstrumentacionMINERIADATOS19

Instrumentación Didáctica para la formación y desarrollo de Código: ITA-AC-PO-004-07
competencias Revisión: 1
Referencia a la Norma ISO 9001:2015: 7.1.5, 8.1, 8.2.2, 8.5.1 Página 1 de 24
INSTITUTO TECNOLÓGICO DE ACAPULCO
SUBDIRECCIÓN ACADÉMICA
Periodo: AGOSTO - DICIEMBRE 19.
Nombre de la asignatura: MINERÍA DE DATOS.
Plan de Estudios: ISIC – 2010 - 224
Clave de la asignatura: STC - 1706
Horas teoría-Horas práctica-Créditos: 2-2-4
1. Caracterización de la asignatura
La materia de Minería de Datos proporciona al estudiante una introducción a los métodos de extracción de información
útil para la toma de decisiones a partir de un conjunto de datos estructurados o sin estructura y que son procedentes de
distintas fuentes de información no necesariamente homogéneas. La Minería de Datos nace de la necesidad de
construir patrones inherentes en la posible relación subyacente en los datos, dicha necesidad tienen su origen en la
cada vez más creciente capacidad de almacenamiento de los procesos electrónicos en diferentes ámbitos
(comerciales, científicos y/o académicos), lo que conlleva al acumulando grandes volúmenes de información. Sin
embargo, no toda esta información resulta realmente útil. El encontrar información útil y convertirla en conocimiento no
es una tarea fácil. Tradicionalmente, los analistas de datos cumplían esta labor. En la actualidad, el proceso de
extracción de información útil requiere la aplicación de técnicas de análisis de datos automáticas que sean capaces de
procesar grandes volúmenes de información. Estos métodos fueron originados en áreas de computación, Probabilidad,
Estadística e Inteligencia Artificial. La Minería de Datos se define como el proceso de aplicar metodologías basadas en
computadores, conceptos estadísticos y administración para extraer conocimiento útil de grandes volúmenes de
información. Actualmente y de forma muy general, los métodos permiten aproximar funciones lineales y no lineales;
asimismo clasificar, segmentar, extraer patrones y tendencias a partir de un grupo de datos. Los métodos de la Minería
de Datos han sido aprovechados por las instituciones proveedoras de productos y servicios para analizar, organizar y
comprender la información generada en la operación de la más diversa índole. De tal forma que se ha permitido apoyar
la toma de decisiones en organizaciones, por ejemplo, vinculadas a la extracción petrolera, los servicios financieros y
de crédito, las transacciones electrónicas, u observaciones científicas.
ITA-AC-PO-004-07 Rev. 1
2. Intención Didáctica
El propósito de este curso es proporcionar una visión panorámica de la Minería de Datos; qué tipos de problemas puede resolver,
en qué consisten sus técnicas, qué herramientas existen y cómo se desarrolla una aplicación de Minería de Datos. Para conseguir
el objetivo, la realización de trabajos, ejercicios, prácticas y programas por parte de los estudiantes constituye un elemento
importante del aprendizaje.
En la primera unidad se presenta el panorama general de la Minería de Datos, se definen los conceptos básicos, su relación con
el proceso de descubrimiento de información, sus aplicaciones, las implicaciones éticas, así como las herramientas de software
desarrolladas para la aplicación de esta disciplina.
En la segunda unidad, se describen las etapas previas al procesamiento de información derivadas por la variabilidad de los
distintos formatos que pudieran presentar las fuentes de datos. Se explican conceptos tales como: la limpieza de los datos, la
integración y transformación de los datos, discretización y jerarquías conceptuales, y por último la reducción de datos.
En la tercera unidad se estudian los métodos básicos para el análisis de datos con el fin de extraer patrones de interés. Esta
unidad organiza los métodos en dos categorías principales; los métodos basados en técnicas en Probabilidad y Estadística; y la
segunda categoría engloba los métodos basados en técnicas simbólicas aplicadas a la Minería de Datos.
La cuarta unidad se enfoca a la evaluación y difusión de los patrones encontrados, donde se examinan las técnicas de evaluación,
el grado de interés de los patrones, su aplicación, la transformación de estos patrones en reglas comprensibles y por último la
interpretación, difusión y explotación de los modelos encontrados.
Finalmente, en la quinta unidad se exponen situaciones relevantes sobre casos de estudio en los que la Minería de Datos ha
funcionado exitosamente. El objetivo es relacionar o implementar los conceptos vistos en unidades anteriores a un problema de la
industria o del ámbito científico.
Con esta materia, el Ingeniero en Sistemas Computacionales tendrá las herramientas necesarias para poder interactuar de
manera congruente con profesionales en otros ámbitos de la ciencia para solucionar problemas con bases científico-
metodológicas congruentes afrontando los retos actuales del desarrollo tecnológico y económico.
3. Competencia de la asignatura
El estudiante comprende los conceptos básicos de la Minería de Datos, el proceso que se sigue para la preparación de los datos, las
técnicas de análisis exploratorio y finalmente la evaluación, difusión y aplicabilidad de los resultados obtenidos destinados a resolver
problemas del mundo real, para conseguir esto, en el transcurso de la materia se elaboran resúmenes, se aplican exámenes y se
desarrollan prácticas de laboratorio, lo anterior facilitará el reconocimiento de las fases del proceso de descubrimiento de información
en bases de datos así como de los algoritmos y técnicas aplicables a la Minería de Datos.
4. Análisis por competencias específicas
Competencia No.: Tema 1. Visión general de la minería de datos.
Conoce los conceptos y características básicas de la Minería de Datos, además de reconocer y relacionar temas de otras áreas de
conocimiento como base de la Minería de Datos con el fin de ser tomadas en cuenta en su aplicación y desarrollo de soluciones construyendo
cada una de las fases del KDD para la toma de decisiones.
TEMAS Y SUBTEMAS PARA DESARROLLO DE HORAS

DESARROLLAR LA COMPETENCIA ACTIVIDADES DE APRENDIZAJE ACTIVIDADES DE ENSEÑANZA COMPETENCIAS TEÓRICO-
ESPECÍFICA GENÉRICAS PRÁCTICA
Definir y comprender el campo Investigar aplicaciones de la Semanas
1.1. La Minería de Datos y el de la Minería de Datos. Minería de Datos y el software  Aplica actividades 1, 2, 3.
KDD process especializado para tal fin. de búsqueda,
Además, aplicar los conceptos
1.2. Minería de Datos: Conocer el proceso de KDD. selección y 12/08/19 al
ejemplos y aplicaciones Aplicar conocimientos de Base de Limpieza, Integración y análisis de
Transformación de Datos. 30/08/19
1.3. Comparativa entre el de Datos para comprender el información en
Aprendizaje Automático y la alcance y áreas de Propiciar actividades de distintas fuentes.
oportunidad de la Minería de 2 -2 -4
Estadística búsqueda, selección y análisis  Realiza
1.4. Minería de Datos y sus Datos. de información en distintas actividades
implicaciones éticas fuentes. grupales que
1.5. Software para Minería de Investigar software de • Propiciar el uso de las propicien la
Datos propósito específico para el nuevas tecnologías en el comunicación, el
procesamiento y análisis de desarrollo de los temas de intercambio
información aplicando la asignatura. argumentado de
algoritmos de Minería de • Propiciar actividades de ideas, la reflexión,
Datos. planeación y organización de la integración y la
distinta índole en el desarrollo
colaboración de y
de la asignatura.
entre los
estudiantes.
 Resuelve
problemas que la
integración de
contenidos de la
asignatura y entre
distintas
asignaturas, para
su análisis y
solución.
 Usa la
terminología
técnica adecuada
al programa.
INDICADORES DE ALCANCE VALOR DEL INDICADOR

Buscar, seleccionar y analizar información en distintas fuentes de los conceptos de 5
minería de datos.
Cuadro comparativo entre aprendizaje automático y estadístico. 10

Buscar y analizar información en distintas fuentes de los diferentes software de 5
minería de datos.
Niveles de desempeño:
VALORACIÓN
DESEMPEÑO NIVEL DE DESEMPEÑO INDICADORES DE ALCANCE
NUMÉRICA
a) Expone e Identifica perfectamente las características, la
conceptualización de los espacios y su expresión artística. Mediante
una exposición donde cumple de forma excelente los siguientes
criterios:
Competencia alcanzada a Presentación, b Orden, c Ortografía, d Fotos imágenes, e Evidencia
fotográfica, f Distingue, g Participación
Excelente b) Integra y realiza portafolio de evidencias para evidenciar lo 95-100
aprendido utilizando su creatividad mediante materiales reciclados,
donde cumple de forma excelente los siguientes criterios:
a Armado de Carpeta, b Portada de Carpeta, c Contraportada, d Índice,
e Orden, f Contenido, g Ortografía, h Letra, i Fotografías, j Entrega.
a) Cumple con a, b, d, f, g de los indicadores definidos en
desempeño excelente.
Notable
b) Cumple con a, b, d, f, g, h, i de los indicadores definidos en 85-94
desempeño excelente
a) Cumple con a, b, f, g de los indicadores definidos en
desempeño excelente. 75-84
b) Cumple con a, b, d, f, g de los indicadores definidos en
Bueno desempeño excelente.
a) Cumple con f, g de los indicadores definidos en desempeño
Suficiente excelente. 70-74

b) Cumple con a, b, d, f de los indicadores definidos en
Competencia no alcanzada Insuficiente No se cumple con el 100% de evidencias conceptuales, NA (no

procedimentales y actitudinales de los indicadores definidos en el alcanzada)
Matriz de evaluación:
EVALUACIÓN FORMATIVA DE LA
INDICADOR DE ALCANCE
EVIDENCIA DE APRENDIZAJE % COMPETENCIA
A B
Buscar, seleccionar y analizar 5 5 Se realizará una
información en distintas fuentes de los heteroevaluación del reporte
de la información utilizando
conceptos de minería de datos. una rúbrica como instrumento
(Reporte) de evaluación.
Se realizará una
heteroevaluación del cuadro
sinóptico utilizando una
rúbrica como instrumento de
evaluación.
Cuadro comparativo entre aprendizaje 10 10 Se realizará una heteroevaluación
automático y estadístico. del cuadro comparativo utilizando
una rúbrica como instrumento de
evaluación.
Buscar y analizar información en 5 5 Se realizará una heteroevaluación
distintas fuentes de los diferentes del resumen utilizando una rúbrica
como instrumento de evaluación.
software de minería de datos. (Resumen)
Total 5 10 5
Competencia No.: Preprocesamiento de datos.
Conoce y aplica las actividades a realizar en la limpieza, integración, transformación, discretización y reducción de datos, con el
fin de construir una base de datos homogénea a partir de la cual monitorizar el comportamiento de los datos.

2.1 Limpieza de datos Estudiar las etapas del Propiciar el uso adecuado  Aprende nuevas Semanas
2.1.1 Valores faltantes preprocesamiento. de conceptos, y de herramientas y 4,5,6.
2.1.2 Ruido en los Datos terminología científico- técnicas para
Aplicar una o más técnicas de tecnológica. implementar modelos 5/09/19
2.2 Integración y cada una de las etapas del estadísticos, al
Transformación preprocesamiento a fuentes de probabilistas y de
Aplicar actividades de 25/09/19
2.2.1 Integración de los Datos datos de diferente naturaleza. toma de decisiones.
2.2.2 Transformación de los búsqueda, selección y  Aplica actividades
Datos Construir bases de datos análisis del procesamiento de búsqueda,
homogéneas a partir de de datos. selección y análisis de
2.3 Discretización de datos y diferentes fuentes de información en
Jerarquías Conceptuales información. Selección del software para distintas fuentes.
el procesamiento y análisis  Realiza actividades
2.4 Reducción de datos Utilizar software de propósito de información en minería grupales que
2.4.1 Cubo de Datos específico para el de datos. propicien la
2.4.2 Subconjuntos de procesamiento y análisis de comunicación, el
Atributos información aplicando intercambio
2.4.3 Reducción de algoritmos de Minería de argumentado de
Dimensiones. Datos. ideas, la reflexión, la
integración y la
colaboración de y
entre los estudiantes.
 Desarrolla
actividades de
aprendizaje que
propicien la aplicación
de los conceptos,
modelos y
metodologías que se
van aprendiendo en el
desarrollo de la
asignatura.
 Utiliza las nuevas
tecnologías en el
desarrollo de la
asignatura.
 Usa la terminología
técnica adecuada al
programa.
 Realiza la
exposición en plenaria
de un proyecto final
con apoyo de material
didáctico (cañón,
proyector de acetatos,
rota folios, pizarrón,
entre otros).

Mapa mental de las diferentes técnicas de cada una de las etapas del preprocesamiento a 10
fuentes de datos de diferente naturaleza.
Ficha de resumen de los diferentes algoritmos vistos en clases. 10
VALORACIÓN
NUMÉRICA
c) Expone e Identifica perfectamente las características, la
criterios:
Excelente d) Integra y realiza portafolio de evidencias para evidenciar lo 95-100
c) Cumple con a, b, d, f, g de los indicadores definidos en
Notable
d) Cumple con a, b, d, f, g, h, i de los indicadores definidos en 85-94
c) Cumple con a, b, f, g de los indicadores definidos en
d) Cumple con a, b, d, f, g de los indicadores definidos en
c) Cumple con f, g de los indicadores definidos en desempeño

d) Cumple con a, b, d, f de los indicadores definidos en

A B
Mapa mental de las diferentes técnicas 10 10 Se realizará una heteroevaluación
de cada una de las etapas del del mapa mental utilizando una
rúbrica como instrumento de
preprocesamiento a fuentes de datos de
evaluación.
diferente naturaleza.
Ficha de resumen de los diferentes 10 10 Se realizará una heteroevaluación
algoritmos vistos en clases. de la ficha de resumen utilizando
evaluación.
Total 20
Competencia No.: Métodos básicos para el análisis de datos.
Conoce, diferencia y aplica los métodos básicos para el análisis de datos que se aplican en la Minería de Datos, con el fin de
obtener patrones de interés.

Estudiar los procedimientos Desarrollar prácticas para Aprende nuevas Semanas
3.1. Procedimientos estadísticos y simbólicos para que promueva el herramientas y 7, 8, 9, 10
estadísticos aplicados para el análisis de datos. desarrollo de habilidades técnicas para
la minería de datos para la experimentación, implementar modelos 30/09/19
3.1.1. Cálculo de parámetros Identificar las condiciones bajo tales como: observación, estadísticos, al
estadísticos (Medias, las cuales aplicar técnicas identificación manejo y probabilistas y de
18/10/19
varianzas, correlaciones) estadísticas o simbólicas. control de variables y toma de decisiones.
3.1.2. Técnicas Bayesianas datos relevantes,
3.1.3. Técnicas para Aplicar las diversas técnicas planteamiento de  Aplica actividades 2 – 2 - 4
agrupamiento de análisis a un caso de de búsqueda,
hipótesis, de trabajo en
3.1.4. Técnicas para estudio. selección y análisis de
equipo.
clasificación información en
Utilizar software de Aplicar conceptos, modelos distintas fuentes.
3.2. Procedimientos propósito específico para el y metodologías que se va  Realiza actividades
simbólicos aplicados para la procesamiento y análisis de aprendiendo en el grupales que
minería de datos información aplicando desarrollo de la asignatura. propicien la
3.2.1. Reglas de asociación algoritmos de Minería de comunicación, el
3.2.2. Árboles de decisión Datos. Usar adecuadamente intercambio
3.2.3. Lógica difusa en minería conceptos, y terminología argumentado de
de datos científico-tecnológica ideas, la reflexión, la
3.2.4. Computación evolutiva integración y la
3.2.5. Razonamiento basado colaboración de y
en casos entre los estudiantes.
 Desarrolla
actividades de
aprendizaje que
propicien la aplicación
de los conceptos,
modelos y
metodologías que se
van aprendiendo en el
desarrollo de la
asignatura.
 Propiciar el uso de
las nuevas
tecnologías en el
desarrollo de la
asignatura.
programa.
Cuadro comparativo de las diferentes técnicas aplicadas a los estadísticos para la 5
minería de datos.
Mapa mental de los procedimientos simbólicos vistos en clases 15
VALORACIÓN
NUMÉRICA
e) Expone e Identifica perfectamente las características, la
criterios:
Competencia alcanzada a P resentación, b Orden, c Ortografía, d Fotos imágenes, e Evidencia
Excelente f) Integra y realiza portafolio de evidencias para evidenciar lo 95-100
e) Cumple con a, b, d, f, g de los indicadores definidos en
Notable
f) Cumple con a, b, d, f, g, h, i de los indicadores definidos en 85-94
e) Cumple con a, b, f, g de los indicadores definidos en
f) Cumple con a, b, d, f, g de los indicadores definidos en
e) Cumple con f, g de los indicadores definidos en desempeño

f) Cumple con a, b, d, f de los indicadores definidos en

A B
Cuadro comparativo de las diferentes 5 5 Se realizará una heteroevaluación
técnicas aplicadas a los estadísticos para del cuadro comparativo utilizando
la minería de datos. evaluación.
Mapa mental de los procedimientos 15 15 Se realizará una heteroevaluación
simbólicos vistos en clases del los mapas mentales, utilizando
evaluación.
Total 20 5 15
Competencia No.: Evaluación y difusión de patrones encontrados
Evalúa la calidad de los patrones resultantes de la aplicación de algún algoritmo de Minería con el fin de determinar la
comprensibilidad, interés y aplicabilidad del modelo, así como también su interpretación y difusión para la toma de decisiones.

Estudiar las distintas • Participar en  Aplica actividades Semanas
4.1. Técnicas de evaluación técnicas de evaluación de actividades grupales que de búsqueda, 11, 12, 13
patrones. propicien la comunicación, selección y análisis de
4.2. Comprensibilidad el intercambio argumentado información en 23/10/19
Aplicar las diversas técnicas de ideas, la reflexión, la distintas fuentes. al
4.3. Interés de evaluación de patrones a integración y la  Realiza actividades
12/11/19
un caso de estudio. colaboración. grupales que
4.4. Aplicabilidad • Desarrollar prácticas propicien la
Utilizar software de para que promueva el comunicación, el 2-2-4
4.5. Extracción de reglas propósito específico para el desarrollo de habilidades intercambio
comprensibles procesamiento y análisis de para la experimentación, argumentado de
información aplicando tales como: observación, ideas, la reflexión, la
4.6. Interpretación, difusión algoritmos de Minería de identificación manejo y integración y la
y uso de Datos. control de variables y datos colaboración de y
relevantes, planteamiento entre los estudiantes.
Modelos de hipótesis, de trabajo en  Desarrolla
equipo. actividades de
• Aplicar conceptos, aprendizaje que
modelos y metodologías propicien la aplicación
que se va aprendiendo en de los conceptos,
el desarrollo de la modelos y
asignatura. metodologías que se
• Usar decuadamente van aprendiendo en el
conceptos, y terminología desarrollo de la
científico-tecnológica. asignatura.
tecnologías en el
desarrollo de la
asignatura.
programa.

Determinar la calidad y/o grado de interés, aplicabilidad y comprensión de patrones 20
encontrados en bases de datos.
VALORACIÓN
NUMÉRICA
g) Expone e Identifica perfectamente las características, la
criterios:
Excelente h) Integra y realiza portafolio de evidencias para evidenciar lo 95-100
g) Cumple con a, b, d, f, g de los indicadores definidos en
Notable
h) Cumple con a, b, d, f, g, h, i de los indicadores definidos en 85-94
g) Cumple con a, b, f, g de los indicadores definidos en
h) Cumple con a, b, d, f, g de los indicadores definidos en
g) Cumple con f, g de los indicadores definidos en desempeño

h) Cumple con a, b, d, f de los indicadores definidos en

A B
Determinar la calidad y/o grado de 20 20 Se realizará una heteroevaluación
interés, aplicabilidad y comprensión de del ensayo utilizando una rúbrica
como instrumento de evaluación.
patrones encontrados en bases de datos.
Total 20 20
Competencia No.: Aplicación de la Minería de Datos (Caso Práctico)

Descubre un patrón o modelo que se encuentra oculto en un cumulo significativo de datos que provienen de distinta fuente,
mediante la Minería de Datos, con el fin de soportar y favorecer la toma de decisiones.

5.1. Definición del objetivo Aplicar los conceptos • Participar en  Desarrolla la Semanas
general estudiados en las actividades grupales que capacidad para 14, 15, 16
5.2. Preprocesamiento de unidades previas a un propicien la coordinar y trabajar
datos caso de estudio. comunicación, el en equipo; orientar el 15/11/19
trabajo y potenciar la
5.3. Evaluación y selección intercambio argumentado al
autonomía, el trabajo
de software para Minería de Aplicar técnicas de de ideas, la reflexión, la 27/11/19
cooperativo y la toma
Datos preprocesamiento de integración y la de decisiones.
5.4. Análisis y definición del datos, análisis de datos, colaboración.  Presentan un 2-2-4
algoritmo de Minería evaluación de patrones • Desarrollar proyecto de
5.5. Parametrización del para tomar decisiones prácticas para que asignatura que
algoritmo seleccionado. sobre un problema que se promueva el desarrollo incluya los aspectos
5.6. Implementar el presente en algún ámbito de habilidades para la relevantes de la
algoritmo sobre la base de de estudio (académico, experimentación, tales investigación de
datos científico, laboral, social, como: observación, campo. El proyecto
5.7. Análisis, visualización y industrial, político, identificación manejo y incluye una
presentación escrita y
validación de electoral, criminal, etc.) control de variables y
Resultados datos relevantes, una oral. Todos los
5.8. Conclusiones Utilizar software de planteamiento de integrantes de cada
propósito específico para hipótesis, de trabajo en grupo de trabajo
el procesamiento y equipo. deben participar para
análisis de información • Aplicar conceptos, incentivar y promover
el desarrollo de estas
aplicando algoritmos de modelos y metodologías capacidades.
Minería de Datos. que se va aprendiendo  Realiza actividades
en el desarrollo de la grupales que
asignatura. propicien la
• Usar comunicación, el
adecuadamente intercambio
conceptos, y terminología argumentado de
científico-tecnológica. ideas, la reflexión, la
integración y la
colaboración de y
entre los estudiantes.
tecnologías en el
desarrollo de la
asignatura.
 Realiza la
exposición en plenaria
de un proyecto final
con apoyo de material
didáctico (cañón,
proyector de acetatos,
rota folios, pizarrón,
entre otros).
Presentan un proyecto de asignatura que incluya los aspectos relevantes de la 20
investigación de campo.
VALORACIÓN
NUMÉRICA
i) Expone e Identifica perfectamente las características, la
criterios:
Excelente j) Integra y realiza portafolio de evidencias para evidenciar lo 95-100
i) Cumple con a, b, d, f, g de los indicadores definidos en
Notable
j) Cumple con a, b, d, f, g, h, i de los indicadores definidos en 85-94
i) Cumple con a, b, f, g de los indicadores definidos en
j) Cumple con a, b, d, f, g de los indicadores definidos en
i) Cumple con f, g de los indicadores definidos en desempeño

j) Cumple con a, b, d, f de los indicadores definidos en

A B
Presentan un proyecto de asignatura que 20 20 Se realizará una
incluya los aspectos relevantes de la heteroevaluación del
investigación de campo. proyecto utilizando una
rúbrica como instrumento
de evaluación.
Total 20 20
 Hernández
Fuentes Orallo,
de J., M. J. Ramírez Quintana, et al. (2007). Introducción a la
información Apoyos didácticos:
Minería de Datos. España, Pearson Educación SA.
 Ian H. Witten and Eibe Frank (2011). Data Mining: Practical Machine Learning
Tools and Techniques, Third Edition. Morgan Kaufmann Series in Data Proyector
Management Systems. Pizarrón
 Jiawei Han and Micheline Kamber (2011). Data Mining: Concepts and
Techniques, Third Edition. The Morgan Kaufmann Series in Data Management Plumones
Systems. Borrador
 Daniel T. Larose and Chantal D. Larose (2015). Data Mining and Predictive
Analytics. Wiley Series on Methods and Applications in Data Mining.
Cámara
 Mohammed J. Zaki and Wagner Meira Jr (2014). Data Mining and Analysis: Dispositivos electrónicos
Calendarización
Fundamental Concepts and de Algorithms.
evaluación (semanas):
Cambridge University press.
bocinas
 Max Bramer (2013). Principles of Data Mining (Undergraduate Topics in
Computer Science). 2nd Edition. Springer.
 Pawel Cichosz (2015). Data Mining Algorithms. Wiley.
 Pang-Ning Tan and Michael Steinbach (2005). Introduction to Data Mining.
Pearson Editions.
 David J. Hand and Heikki Mannila (2001). Principles of Data Mining (Adaptive
Computation and Machine Learning) MIT Press.
 Maimon, O. Z. and L. Rokach (2005). Data mining and knowledge discovery
ITA-AC-PO-004-07
handbook. USA, Springer. Rev. 1
 Pérez López, C. and D. Santín Gonzalez (2006). Data Mining-Soluciones Con
Enterprise Miner. México, Alfaomega, Ra-Ma.
Calendarización de evaluación (semanas): Grupo: IS2
Semana 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Tema ED EF ES EF EF ES ES ES EF ED ES ES ED EF EF ED
1 1 (1) 2 2 (2) 3 3 3 4 4 4 5 5 5 5
ED ED
(2) (3)
T.P.
T.R.
% de
Aprobación
S.J.Doc. 16-20 08–11 11-15

Sep Oct Sept
Observaciones
ED = Evaluación diagnóstica. EF = Evaluación formativa. ES = Evaluación sumativa.

TP= Tiempo planeado TR=Tiempo real, % de aprobación, SJD = Seguimiento Jefe de Docencia
Fecha de elaboración: Acapulco, Gro. A 09 de Agosto del 2019.
Dra. Carolina Astudillo Hernández Ing. Gilberto Vales Ortiz.
Nombre y Firma del Docente Vo. Bo. Jefe de Proyectos de Docencia

ITA-AC-PO-004-07-Rev. 0 InstrumentacionMINERIADATOS19

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ITA-AC-PO-004-07-Rev. 0 InstrumentacionMINERIADATOS19

Cargado por

Copyright:

Formatos disponibles

Instrumentación Didáctica para la formación y desarrollo de Código: ITA-AC-PO-004-07

4. Análisis por competencias específicas

Competencia No.: Tema 1. Visión general de la minería de datos.

TEMAS Y SUBTEMAS PARA DESARROLLO DE HORAS

INDICADORES DE ALCANCE VALOR DEL INDICADOR

Cuadro comparativo entre aprendizaje automático y estadístico. 10

Suficiente excelente. 70-74

Competencia no alcanzada Insuficiente No se cumple con el 100% de evidencias conceptuales, NA (no

Competencia No.: Preprocesamiento de datos.

TEMAS Y SUBTEMAS PARA DESARROLLO DE HORAS

INDICADORES DE ALCANCE VALOR DEL INDICADOR

Suficiente excelente. 70-74

Competencia no alcanzada Insuficiente No se cumple con el 100% de evidencias conceptuales, NA (no

Competencia No.: Métodos básicos para el análisis de datos.

TEMAS Y SUBTEMAS PARA DESARROLLO DE HORAS

Suficiente excelente. 70-74

Competencia no alcanzada Insuficiente No se cumple con el 100% de evidencias conceptuales, NA (no

4. Análisis por competencias específicas

Competencia No.: Evaluación y difusión de patrones encontrados

TEMAS Y SUBTEMAS PARA DESARROLLO DE HORAS

INDICADORES DE ALCANCE VALOR DEL INDICADOR

Suficiente excelente. 70-74

Competencia no alcanzada Insuficiente No se cumple con el 100% de evidencias conceptuales, NA (no

4. Análisis por competencias específicas

Competencia No.: Aplicación de la Minería de Datos (Caso Práctico)

TEMAS Y SUBTEMAS PARA DESARROLLO DE HORAS

Suficiente excelente. 70-74

Competencia no alcanzada Insuficiente No se cumple con el 100% de evidencias conceptuales, NA (no

Calendarización de evaluación (semanas): Grupo: IS2

S.J.Doc. 16-20 08–11 11-15

ED = Evaluación diagnóstica. EF = Evaluación formativa. ES = Evaluación sumativa.

Fecha de elaboración: Acapulco, Gro. A 09 de Agosto del 2019.

Dra. Carolina Astudillo Hernández Ing. Gilberto Vales Ortiz.

Nombre y Firma del Docente Vo. Bo. Jefe de Proyectos de Docencia

También podría gustarte