FACULTAD DE INGENIERÍA Y GESTIÓN - FIG

ESCUELA PROFESIONAL DE INGENIERÍA SISTEMAS

SÍLABO

I. DATOS GENERALES
1.1. Asignatura : Big Data
1.2. Código : IS07E3
1.3. Semestre : 2020-II
1.4. Ciclo : VII
1.5. Carácter : Electivo
1.6. Área : Estudios De Especialidad .- Tecnologías de Información
1.7. Créditos :3
1.8. Pre requisito : Gestión de Base de Datos
1.9. Duración : 17 semanas
1.10. Horas Teóricas :2
1.11. Horas Taller :2
1.12. Horas totales :4
1.13. Docente :

II. SUMILLA

Asignatura teórico - práctico, perteneciente al área de formativa de estudios de especialidad,

sub área de Tecnologías de información y Sistemas de Información y es de carácter
obligatorio, esta asignatura busca que el estudiante aplique un conjunto de tecnologías,
herramientas y procesos que faciliten la extracción, depuración, análisis y almacenamiento
de los datos generados en una organización, con la velocidad adecuada para generar
conocimiento y apoyar la toma de decisiones inteligentes de los directivos. Abarca los ítems:
Introducción al Big Data, Arquitecturas Big Data, Obtención y movimiento de datos,
Procesamiento del Big Data, Casos de Estudio.

III. COMPETENCIA
Implementa proyectos de Business Intelligence/Big Data para diversos tipos de negocio.

IV. CAPACIDADES
• Aplica todos los pasos a seguir dentro de un proyecto de Big Data. Desde el
momento inicial con la arquitectura de los datos como la estrategia a seguir con
el conocimiento extraído de los datos.
• Maneja y gestiona los datos: estructura, carga, análisis, creación de procesos y
algoritmos para poder optimizar mejor los recursos.

P.j. Villa El Salvador Mz. A, Sub Lote 3, Grupo 1, Sector 3 (cruce Av. Central y Av. Bolívar) - Villa El Salvador
www.untels.edu.pe
 V. PROGRAMACIÓN DE CONTENIDOS
UNIDAD DE APRENDIZAJE I
Herramientas, fundamentos estadísticos y gestión de datos digitales
CAPACIDAD: Maneja y aplica una herramienta de gestión de datos, aplicando criterios estadísticos para
representar adecuadamente la información de un negocio, orientándose al entendimiento sencillo
CONTENIDO
SEMANA CONTENIDO CONCEPTUAL CONTENIDO PROCEDIMENTAL
ACTITUDINAL
Asume una aptitud
Conoce el contenido del curso y
crítica y responsable.
Introducción a la asignatura, define e identifica los conceptos y
Reflexiona sobre la
Almacenamiento de grandes definiciones para atender un caso
temática tratada. Es
volúmenes de datos: data mark¸ real
solidario y responsable
data lakes¸ definición de big Clase expositiva y participativa,
1 en el trabajo de equipo
data, SQL, NoSQL y discusión académica dirigida,
Reflexiona sobre la
procesamiento escalable: elaboración. Lecturas adicionales
temática tratada. Es
Hadoop, MapReduce y Spark. para mejorar la comprensión de los
solidario y responsable
temas tratados
en el trabajo de equipo
Brainstorming, clase expositiva y
Herramientas en cloud: servicios participativa, discusión académica Es solidario y
en la nube. Diferencias entre las dirigida, empleo de casos y talleres responsable en el
IaaS, PAAS, SaaS. Google participativos enfocados a la trabajo de equipo
Cloud, Azure Amazon Web deducción. Lecturas adicionales para Asume una aptitud
Services, Monitorización y mejorar la comprensión de los temas crítica y responsable.
2
control. Control de versiones: Git tratados Reflexiona sobre la
o SVVN. Ventajas e Conoce y comprende ejemplos temática tratada. Es
inconvenientes de utilizar reales que permitan esclarecer solidario y responsable
GitHub. Alternativas a GitHub inquietudes relacionadas al tema que en el trabajo de equipo
se aborda
Asume una aptitud
Clase expositiva y participativa, crítica y responsable.
Herramientas de análisis:
discusión académica dirigida, Reflexiona sobre la
programación en R y
empleo de casos y talleres temática tratada. Es
programación en Python,
participativos enfocados a la solidario y responsable
Herramientas de visualización:
3 deducción. Análisis de bibliografía en el trabajo de equipo
Power BI y Power Query
Brainstorming, clase expositiva y Reflexiona sobre la
(Microsoft Office Excel), Qlik y
participativa, discusión académica temática tratada. Es
Tableau
dirigida solidario y responsable
en el trabajo de equipo
PRIMERA PRÁCTICA CALIFICADA
Estadística Descriptiva Es solidario y
Clase expositiva y participativa,
Unidimensional: Distribución de responsable en el
discusión académica dirigida,
frecuencias, métodos gráficos, trabajo de equipo
4 empleo de casos y talleres
tablas estadísticas. Medidas de Reflexiona sobre la
participativos enfocados a la
posición, dispersión, forma y temática tratada. Es
deducción. Debate en clase entre los
concentración. Gráficos solidario y responsable
alumnos
en el trabajo de equipo

P.j. Villa El Salvador Mz. A, Sub Lote 3, Grupo 1, Sector 3 (cruce Av. Central y Av. Bolívar) - Villa El Salvador
www.untels.edu.pe
 Estadística Descriptiva
Bidimensional: Distribución de
frecuencias bidimensionales.
Tablas estadísticas de doble
entrada. Métodos gráficos
Regresión y Correlación: Línea
Brainstorming, clase expositiva y
general de regresión.
participativa, discusión académica
Correlación. Regresión lineal.
dirigida, empleo de casos y talleres
Correlación entre atributos.
participativos enfocados a la Trabaja en equipo
Coeficiente Sperman, Kendall y
deducción. Lecturas adicionales para Asume una aptitud
Chi-cuadrado, Cálculo de
5 mejorar la comprensión de los temas crítica y responsable.
Probabilidades: Azar y
tratados Reflexiona sobre la
probabilidad. Definiciones y
Discusión académica dirigida, temática tratada.
propiedades. Probabilidad
empleo de casos y talleres
condicionada e independencia.
participativos enfocados a la
Teorema de Bayes y
deducción.
probabilidad total.
Digital data: fuentes de datos Muestra alta
externas oficiales (INE, Clase expositiva y participativa, responsabilidad y
EUROSTAT, etc), Google discusión académica dirigida, solidaridad para con el
Analytics. Social anatlytics: empleo de casos y talleres equipo de trabajo
6 Hootsuite, Twitter analytics y participativos enfocados a la
Facebook insights, Web deducción.
scrapping, Data management.
SEGUNDA PRÁCTICA CALIFICADA
Gobierno de los datos. Ética y
leyes, Data cooking.
Clase expositiva y participativa,
Preparación de los datos:
discusión académica dirigida,
selección, transformación y
empleo de casos y talleres
codificación. Data discovery:
participativos enfocados a la
creación de nuevas métricas
deducción.
7 (KPI, insights), discretización de Trabaja en equipo
Clase expositiva y participativa,
variables, Data quality. Técnicas
discusión académica dirigida,
avanzadas de detección de
empleo de casos y talleres
outliers, valores missing,
participativos enfocados a la
imputación, Muestreo
deducción.
probabilístico, aleatorio,
estratificado y sistemático.
8 EXAMEN PARCIAL

UNIDAD DE APRENDIZAJE II
Minería de datos, Técnicas avanzadas de predicción y Aprendizaje automático para machine learning
CAPACIDAD: implementa proyectos de manejo de grandes volúmenes de datos en una organización.
CONTENIDO
SEMANA CONTENIDO CONCEPTUAL CONTENIDO PROCEDIMENTAL
ACTITUDINAL

P.j. Villa El Salvador Mz. A, Sub Lote 3, Grupo 1, Sector 3 (cruce Av. Central y Av. Bolívar) - Villa El Salvador
www.untels.edu.pe
 Análisis multivariante: Brainstorming, clase expositiva y Asume una aptitud
estimación, contraste de participativa, discusión académica crítica y responsable.
hipótesis e intervalos de dirigida, empleo de casos y talleres Reflexiona sobre la
confianza, Análisis de participativos enfocados a la temática tratada.
componentes principales (PCE) deducción. Lecturas adicionales
9 y factorial. Análisis para mejorar la comprensión de los
discriminante: elección de temas tratados
variables (forward, backward¸
stepwise). Análisis clúster:
algoritmos de clasificación
jerárquica y no jerárquica
Preparación de tablero de Muestra alta
modelización. Modelos responsabilidad y
supervisados vs. Modelos no solidaridad para con el
supervisados. Técnicas para Conoce y comprende ejemplos equipo de trabajo
mejorar un modelo: training reales que permitan esclarecer
validation y cross validation. inquietudes relacionadas al tema
10
Regresión lineal y regresión que se aborda
logística. GLM (modelo lineal
general). Ridge y PLS. Series
temporales.
TERCERA PRACTICA CALIFICADA
Classification algorithms: Muestra alta
• arboles de decisión. Conoce y comprende ejemplos responsabilidad y
• K-nearest neighbors. reales que permitan esclarecer solidaridad para con el
inquietudes relacionadas al tema equipo de trabajo
• Modelo probabilístico:
que se aborda
11 Bayes.
Genera una discusión académica
• Random forest.
dirigida, empleo de casos y talleres
• Boosting. participativos enfocados a la
• Bagging. deducción.
• Adaboost
Redes neuronales (neural Muestra alta
networks – NN). Support vector responsabilidad y
machine (SVN). Deep learning. solidaridad para con el
Desarrolla las técnicas de redes
Técnicas de machine learning equipo de trabajo
12 neuronales, generando un análisis
en imágenes y videos. Modelos
comparativo
de sentimientos (computación
sobre texto, redes sociales,
etc.).
Herramientas para la gestión de
clúster.
Validación del modelo:
Conoce y valida las herramientas
13 verificación p-values en Trabaja en equipo
para la gestión de clúster
regresiones; test de bondad de
ajuste; R-cuadrado, MSE, BIC,
AIC.

P.j. Villa El Salvador Mz. A, Sub Lote 3, Grupo 1, Sector 3 (cruce Av. Central y Av. Bolívar) - Villa El Salvador
www.untels.edu.pe
 Test discriminate: curva ROC,
curva lift, Gini index. Jackknifing
y bootrstrapping.
Diagnóstico de los residuos.
Prueba de estabilidad y
validación con prueba ciega.
Implementación del modelo:
metodología para garantizar una
solución viable
CUARTA PRACTICA CALIFICADA
Mantenimiento y actualización. Conoce y comprende ejemplos Muestra alta
Uso del modelo y requerimientos reales que permitan esclarecer responsabilidad y
de implementación. inquietudes relacionadas al tema solidaridad para con el
Monitorización del rendimiento y que se aborda equipo de trabajo
14 la efectividad de los modelos Clase expositiva y participativa,
implementados. Gestión de discusión académica dirigida,
proyectos: planificación de un empleo de casos y talleres
proyecto. participativos enfocados a la
Metodología scrum aplicada deducción.
15 SUSTENTACIÓN DEL TRABAJO FINAL DE LA ASIGNATURA

16 EXAMEN FINAL

17 EXAMEN SUSTITUTORIO

VI. METODOLOGIA
La asignatura sigue la siguiente metodología
• Sesiones teóricas visuales y auditivas.
• Dinámica grupal
• Trabajo en grupo
• Investigación de temas específicos en libros, revistas, páginas webs.

VII. EVALUACIÓN
El sistema de evaluación es permanente y sistemático y de acuerdo a las normas establecidas
por la Universidad.
a) La evaluación de proceso y de productos es permanente, integral y presencial según el
avance de las sesiones de aprendizaje programadas semanalmente; permite el logro de las
competencias a través de los rubros: conceptual, procedimental y actitudinal considerando
los siguientes aspectos:
- Logro de conocimientos y muestra de desempeño
- Desarrollo y adquisición de destrezas operativas, aplicativas y capacidades y
competencias.

P.j. Villa El Salvador Mz. A, Sub Lote 3, Grupo 1, Sector 3 (cruce Av. Central y Av. Bolívar) - Villa El Salvador
www.untels.edu.pe
 - Adquisición de actitudes.
b) La evaluación final de la asignatura es el promedio ponderado de la evaluación continua que
constituye: el trabajo académico (20%), el examen parcial (30%), el examen final (30%) y el
promedio de las prácticas de laboratorio (20%).
Examen Parcial (EP) : 30%
Examen Final (EF) : 30%
Trabajo Académico (TA) : 20%
Prácticas Laboratorio (PC) : 20%

Nota Final: (EP*30% + EF*30% + PL*20%+TA*20%)

c) La asistencia es obligatoria. El alumno que no desarrolla en clases, no presenta una actividad

o un trabajo académico solicitado será calificado con cero (0).

d) Al finalizar el ciclo el alumno habrá logrado una calificación final de acuerdo a la escala
vigesimal donde:

Aprobado : De 11 a 20
Desaprobado : De 00 a 10

e) El Examen Sustitutorio se rendirá después de haber obtenido el promedio final

desaprobado y reemplazará a la menor nota desaprobada ya sea del Examen Parcial o
Examen Final y/o no haber rendido uno de los exámenes anteriormente indicados.

VIII. FUENTES DE INFORMACIÓN

• Mayer-Schönberger, V & Cukier, K. (2014). Big Data: A Revolution That Will Transform How We Live, Work, and
Think. Wall Street Journal, USA
• Nussbaumer, C. (2015). Storytelling with Data: A Data Visualization Guide for Business Professionals, ed.
Wiley,USA.
• Guida, T. (2019). Big Data and Machine Learning in Quantitative Investment, ed. Wiley,USA.
• Sosa W. (2019). Big Data, Siglo XXI Editores, Argentina
• Marr, B. (2019). Big Data En RR.HH, ed. Teell, España.
• Caballero F. & Martin E. (2015). Las Bases Del Big Data, ed. Catarata, España
• Perez, A. (2009). Ensayos De Informática Jurídica, ed. Fontamara, Mexico.
• Denzin, N. & Lincoln, Y. (2015). Métodos De Recolección Y Análisis De Datos, ed. Gedisa, España

Elaborado por: Visado por: Revisado por:

Frank Edmundo Nombres de Docentes Nombre
Escobedo Bailon Integrantes de la Comisión Responsable de la EPIS
Docente de la EPIS Comisión Curricular - EPIS

Villa El Salvador, agosto 2020

P.j. Villa El Salvador Mz. A, Sub Lote 3, Grupo 1, Sector 3 (cruce Av. Central y Av. Bolívar) - Villa El Salvador
www.untels.edu.pe