RESOLUCIÓN DE VICERRECTORÍA ACADÉMICA N° X/2019

MATERIA: Oficializa programa de asignatura Minería de Datos y

Big Data, perteneciente al noveno semestre del Plan de Estudio de
la carrera de Ingeniería Civil Informática decreto N° 68/ 2019, de
la Facultad de Ingeniería y Tecnología.

VISTOS:
1.- La aprobación del Consejo de Facultad;
2.- Lo informado por el Decano y la opinión favorable de la Directora de Procesos académicos, y
3.- Las facultades que me confiere la reglamentación vigente.

RESUELVO:

1. Oficialícese el programa de asignatura Minería de Datos y Big Data, perteneciente al noveno

semestre del Plan de Estudio de la carrera de Ingeniería Civil Informática, como se detalla a
continuación:

1
 PROGRAMA DE ASIGNATURA

I. IDENTIFICACIÓN

Nombre+ de la Asignatura: MINERÍA DE DATOS Y BIG DATA

Decreto (N° Y Fecha): Código de Asignatura: Equivalencia: Régimen

(anual/semestral/otra):
N°68/ 2019 ICIF l004 NO TIENE Semestral

Prerrequisitos Co-requisitos
INGE1421 ESTADÍSTICA PARA INGENIERÍA;
ICIFE002 MATEMÁTICAS DISCRETAS; ICIFF003
PROGRAMACIÓN AVANZADA

Créditos SCT Horas pedagógicas Número de Horas Horas

semanales semanas de cronológicas Cronológicas
presenciales clases semanales autónomas
presenciales semanales
8 Horas Teo: 4 18 7 7
Horas Ayu: 0
Horas Lab: 6

II. DESCRIPCIÓN
Curso de carácter teórico práctico que proporciona conocimientos en técnicas de minería de datos,
requeridas para la extracción y elaboración de información relevante desde almacenes de datos; por
otra parte, proporciona conocimientos de Big Data, introduciendo y explicando los principales
conceptos y tecnologías con las que se van a procesar grandes volúmenes de datos. Se promueve la
creatividad, la investigación y la capacidad de adoptar nuevas tecnologías para generar información
relevante a partir de datos provistos desde muy diversas fuentes.

2
III. APORTE DE LA ASIGNATURA AL PERFIL DE EGRESO
Esta asignatura tributa directamente al área de desempeño Sistemas de Información y Gestión del
área informática declaradas en el perfil de egreso, en los siguientes desempeños esperados:

Sistemas de Información

 Diagnostica necesidades de usuarios, clientes y procesos con una visión integral para buscar
oportunidades de mejora que permitan dar respuesta a las problemáticas detectadas en sistemas
de información, haciendo uso para ello de sus habilidades de abstracción, síntesis, comunicación y
trabajo en equipo.
 Diseña soluciones de software viables a problemas de la organización, utilizando herramientas y
metodologías de modelamiento de sistemas.
 Desarrolla soluciones de software para sistemas de información considerando su integración en la
organización, normas de calidad y seguridad, estándares y metodologías de desarrollo y las mejores
prácticas de la industria, a partir del análisis de un equipo multidisciplinario.
 Genera información a partir de la recolección y análisis de datos para agregar valor al negocio o a
procesos, a través de la integración de las ciencias de la ingeniería y la computación teórica y
práctica.

Gestión de Área Informática

 Evalúa soluciones tecnológicas acordes que den valor a los procesos del negocio, integrando
equipos multidisciplinarios para apoyar la gestión del área informática y de esta forma garantizar la
prestación de los servicios TI.

IV. APORTE PREFERENTE DE LA ASIGNATURA AL ESTÁNDAR DE EGRESO NACIONAL O DE CARRERA

Incluir en el caso de que la carrera tenga esto definido.
El aporte al estándar de la carrera, de acuerdo a los desempeños esperados para carreras de Ingeniería
con base científicas tales como ingeniería civil Informática, establecidos por la comisión Nacional de
Acreditación son:

 Posee la capacidad de adaptación de tecnologías propias de su área de desempeño.

 Conocimientos de las ciencias de la ingeniería, en forma completa y actualizada, y de las
tecnologías y las herramientas asociadas con una o más disciplinas de su especialidad.
 Tiene la capacidad de integrarse a grupos multidisciplinarios, para estudiar y resolver los
problemas de la realidad industrial y de servicios.

3
V. RESULTADOS DE APRENDIZAJE GENERALES DE LA ASIGNATURA

Propone técnicas de Minería de Datos y Bigdata para solución de un problema.

VI. UNIDADES DE APRENDIZAJES

Unidad de aprendizaje 1 Inteligencia de Negocios

Horas presenciales 50 Horas Pedagógicas/ 34 Horas Cronológicas

Horas de aprendizaje autónomo
Resultados de aprendizaje Unidad 1
35 Horas Cronológicas
Desarrolla soluciones de inteligencia de negocios,
para proveer información estratégica a la
organización y que esté alineada con la toma de
decisiones.

Recursos de aprendizaje Unidad 1:

a) Recursos Conceptuales involucrados.

 Inteligencia de Negocios, Minería de datos, Bigdata.
 Inteligencia de Negocios, Data Warehouse.
 Procesos ETL
 KPI, Cuadros de mando, Balance Scorecard
 Algoritmos de optimización heurística en Minería de datos.

b) Recursos Procedimentales involucrados.

 Implementación de un Data Warehouse y cubos multidimensionales.

 Aplicación del Proceso ETL
 Elaboración de cuadro de mando.
 Aplicación de Algoritmos de optimización heurística como estrategia de resolución de
problemas de optimización para minería de datos.

c) Recursos relacionales que se le solicitarán al estudiante

 Formula juicios críticos sobre problemas y soluciones

 Participa activamente en grupos de trabajo.

4
 Unidad de aprendizaje 2
Horas presenciales
Horas de aprendizaje autónomo
Resultados de aprendizaje Unidad 2
Minería de datos
60 Horas Pedagógicas/ 40 Horas Cronológicas
42 Horas Cronológicas
Emplea herramientas de Minería de datos, a fin obtener
información desde los datos para así facilitar la gestión del
conocimiento.

Recursos de aprendizaje Unidad 2:

a) Recursos Conceptuales involucrados.

 Sistemas de Gestión del conocimiento, Preparación de los Datos (Datos ruidosos, faltantes),
Patrones, Evaluación / Interpretación / Visualización, Proceso KDD.
 Herramientas de Minería de datos (Software Weka y R)
 Reducción de la información (Selección de atributos, Mínimos componentes)
 Similaridad y Clustering (K-Means, Densidad, Jerárquico)
 Reglas de asociación (Algoritmo Apriori)
 Métodos de Clasificación (Árboles de decisión, Naive Bayes, Suport vector machine)
 Predicción (Redes neuronales)
 Que es un buen modelo (Rendimiento del modelo, Matriz de confusión, ROC,
sobreentrenamiento, sesgo).

b) Recursos Procedimentales involucrados.

 Aplicación del proceso KDD

 Utilización de algoritmos de agrupación
 Aplicación de algoritmos de clasificación
 Empleo de algoritmos de asociación
 Aplicación de algoritmos de predicción
 Discriminación de un modelo.

c) Recursos relacionales que se le solicitarán al estudiante

 Expresa sus conocimientos de forma oral y escrita en distintas áreas de desempeño para el
mundo laboral
 Participa activamente en grupos de trabajo.

5
  Desarrolla sus trabajos cumpliendo con plazos y procedimientos asignados.

Unidad de aprendizaje 3 Big data

Horas presenciales
Horas de aprendizaje autónomo
Resultados de aprendizaje Unidad 3
70 Horas Pedagógicas/ 47 Horas Cronológicas
49 Horas Cronológicas
Utiliza herramientas y procedimientos para
procesar datos considerados BIG DATA para una
gestión eficientemente de la información según
los objetivos de la empresa.

Recursos de aprendizaje Unidad 3:

a) Recursos Conceptuales involucrados.

 Arquitectura Big Data
 Herramientas Bigdata
 Software Cloudera, Hadoop, MapReduce, Spark, MongoDb.
 Big data pipeline
 Esquema mediado

b) Recursos Procedimentales involucrados.

 Recuperando Big Data
 Integración de Big Data
 Procesando Big Data
 Aplicación de procedimientos con datos considerados BigData para la extracción de datos.

c) Recursos relacionales que se le solicitarán al estudiante

 Formula juicios críticos sobre problemas y soluciones
 Expresa sus conocimientos de forma oral y escrita en distintas áreas de desempeño para el
mundo laboral
 Participa activamente en grupos de trabajo.
 Desarrolla sus trabajos cumpliendo con los plazos y procedimientos asignados.
 Demuestra respeto y tolerancia frente a opiniones diversas.

VII. ESTRATEGIAS y RECURSOS DE ENSEÑANZA

Las estrategias de enseñanza-aprendizaje tendrán un carácter teórico-práctico donde el rol del

estudiante debe darse desde la proactividad, la autonomía y el trabajo colaborativo. El rol del docente
6
 será de apoyo y retroalimentación constante. De acuerdo a los resultados de aprendizaje planteados
anteriormente, se utilizarán las siguientes estrategias.

Por parte del docente:

o Clases expositivas
o Ejercicio de pregunta respuesta.

Por parte del estudiante:

o Desarrollo de guías de trabajo grupal e individual
o Desarrollo de actividades prácticas en laboratorio
o Desarrolla talleres para la solución de problemas
o Desarrolla ejercicios de aplicación

Los recursos de enseñanza:

o Como recurso computacional para uso en laboratorios de computación, se utiliza ambientes
virtualizados, los que contienen la gran cantidad de softwares que la asignatura requiere.
o Salidas a terreno: Se realiza un mínimo de 2 salidas a empresas de todos los estudiantes, para
reuniones, realización de trabajos u observación de ambientes informáticos durante el
semestre. Incluye colación y traslado de Docente y estudiantes.

VIII. EVALUACIÓN Y REQUISITOS DE APROBACIÓN

Resultado aprendizaje Unidad I: Criterios de Evaluación con Foco en Aprendizaje Unidad I:

Desarrolla soluciones de inteligencia o Relaciona la Inteligencia de Negocios, Minería de datos y

de negocios, para proveer Bigdata.
información estratégica a la o Diseña datawarehouse y Cuadros de mando.
organización y que esté alineada con o Aplica espacios de búsqueda como estrategia de resolución
la toma de decisiones. de problemas.

Resultado aprendizaje Unidad II: Criterios de Evaluación con Foco en Aprendizaje Unidad II:

Emplea herramientas de Minería de o Relaciona los modelos de Minería de datos con las
datos, a fin obtener información necesidades de información.
desde los datos para así facilitar la o Aplica herramientas de Minería de datos en la extracción de
gestión del conocimiento. información.
o Integra elementos sobre un buen modelo (Rendimiento del
modelo, Matriz de confusión, ROC, sobre entrenamiento,
sesgo).

7
 Resultado aprendizaje Unidad III: Criterios de Evaluación con Foco en Aprendizaje Unidad III:

Utiliza herramientas y o Explica el concepto de Bigdata

procedimientos para procesar datos
considerados BIG DATA para una
gestión eficientemente de la
información según los objetivos de
la empresa.
o Aplica procedimientos para procesar datos en modo Batch y
Streaming.
o Emplea herramientas de Bigdata para procesamiento
distribuido/paralelo.

Evaluaciones y su ponderación Solemne 1: 20%

Asistencia (teórica/práctica):
Requisitos de aprobación:
Solemne 2: 30%,
Solemne 3: 20%,
Proyecto/Controles: 30%
75% LABORATORIO como mínimo
Calificación igual o superior a 4,0 y asistencia igual o superior a
75% en laboratorio. Clases Teóricas no tienen asistencia
obligatoria.

Existe una evaluación recuperativa, que se rinde posterior a la

última evaluación del curso y permite reemplazar una de las
evaluaciones indicadas como solemnes. Podrán optar a rendirla
todos los estudiantes.

IX. FUENTES DE INFORMACIÓN

Bibliografía Mínima Obligatoria:
(Máximo 3 títulos)
1. Provost, F., Fawcett, T. (2013). Data science for business.
What you need to know about data mining and data-
analytic thinking, Editorial o distribuidor: O''Reilly.
2. Sherman, R. (2015), Business intelligence guidebook: from
data integration to analytics, Elsevier Morgan Kaufmann.

Bibliografía Mínima 1. Laursen, G., Thorlund, J. (2010). Business analytics for

Complementaria: (Máximo 2 títulos) managers : taking business intelligence beyond reporting,
Wiley.

Otras Fuentes de Consulta: Impresas https://aws.amazon.com/es/big-data/datalakes-and-analytics/

y /o digitales https://cloud.google.com/solutions/big-data/?hl=es
https://www.cloudera.com/

8
Publíquese, comuníquese y archívese,

XIMENA DE JUAN GUZMAN CLAUDIO ORELLANA FERNÁNDEZ

SECRETARIO GENERAL VICERRECTOR ACADÉMICO