PLANTILLA SYLLABUS

PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

UCompensar
EDUCACIÓN PARA AVANZAR

SYLLABUS
Machine Learning

Dirección Académica – Currículo – abril de 2019

PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

FUNDACIÓN UNIVERSITARIA PANAMERICANA – UNIPANAMERICANA

Machine Learning

1. INFORMACIÓN GENERAL DEL CURSO

Programa ESPECIALIZACIÓN EN BIG
Nivel de Formación. Posgrado - Especialización
Académico: DATA
Sede: Bogotá Código del curso: N/A
Nombre del curso: Machine Learning Modalidad Presencial y virtual
Semestre: II Número de Créditos: 2
Tipo del curso: Componente o Área de Electiva de
Teórico Práctico
formación: Facultad
Carácter del curso: Electiva Versión: 1.0
Horas de Trabajo Directo 24
96 con Docente
Horas Totales:
Horas Trabajo 72
Independiente:
2. PRESENTACIÓN DEL CURSO

El presente curso proporciona los conocimientos necesarios para el desarrollo de la asignatura Machine
Learning; se induce al estudiante en reconocimiento de patrones estadísticos, discriminación de patrones, etc.
Los temas incluyen: aprendizaje supervisado (aprendizaje generativo / discriminativo, aprendizaje paramétrico
/ no paramétrico, redes neuronales, máquinas de vectores de soporte); aprendizaje no supervisado
(agrupamiento, reducción de dimensionalidad, métodos del núcleo); teoría de aprendizaje (compensaciones
de sesgo / varianza, consejos prácticos); aprendizaje de refuerzo y control adaptativo.

Para su abordaje, se realizan actividades con acompañamiento del docente-tutor y actividades de trabajo
independiente de orden particular o grupal, en medio de los cuales se realizarán los desarrollos conceptuales
requeridos y la aplicación en contextos, casos o situaciones reales, con lo cual se hace posible la comprensión
de los fundamentos de la inteligencia de negocios y el gobierno de datos, clave del especialista en Big Data.

3. COMPETENCIAS ESPECIFICAS, TRANSVERSALES Y GENÉRICAS

Formula y modela grandes volúmenes de datos estructurados provenientes de alguna fuente
Resultado de
de información para la creación de sistemas que facilite la toma de decisiones en el ámbito
competencia
empresarial en el cual se aplique.
Comprende, aplica y modela datos por de medio de herramientas de inteligencia artificial
Resultado de
para el análisis organizacional, sin dejar de lado los principios de la confidencialidad y
aprendizaje
custodia del dato.
4. CRITERIOS DE REALIZACIÓN
A continuación, se presentan los criterios de realización que corresponden al desarrollo del curso y los
respectivos criterios de realización, asociados a los desempeños que debe evidenciar el estudiante en su
actuación. Estos son la base de las rúbricas de evaluación, de los cuales se derivarán los indicadores y sus
descriptores por nivel de desempeño.
CR 1. Identificación de los fundamentos de Machine Learning en la analítica de datos y gobierno de
datos.

Dirección Académica – Currículo – abril de 2019

PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

CR 2. Comprende ya aplica los conceptos de álgebra lineal y cálculo multivariable en aplicaciones

modernas.
Esquematización de los procesos de algoritmos gaussianos a partir de la sustentación e
importancia de la integridad, custodia y confidencialidad del dato dentro y para la
organización.
CR 3. Modelamiento de redes neuronales por medio de herramientas tecnológicas a partir de los
datos masivos y su relación con el Big Data y la Inteligencia de los negocios.
5. METODOLOGÍA QUE SE DESARROLLA EN EL CURSO

Etapa 0. Reconocimiento: se valora el nivel de competencia de entrada del estudiante y sus

presaberes (preconceptos) sobre: la diferencia entre el dato, la información y el conocimiento, así
como sus posturas éticas con respecto al manejo de la información. Esto se realiza a través de un
instrumento dispuesto en plataforma. El estudiante la presenta de manera individual y tendrá un
carácter diagnóstico, no de calificación.

Etapa 1. Contextualización: mediante la presentación de casos de estudio con enfoque

organizacional el grupo de estudiantes irá identificando cada uno de los conceptos asociados a
“Machine Learning ”, usando herramientas de cálculo diferencial e integral, estadística y probabilidad,
todo esto integrado de forma trasversal a través de la programación.

Etapa 2. Profundización: Para el desarrollo de los contenidos temáticos requeridos para en el

fortalecimiento de la competencia, se tiene previsto un proceso actividad acádemica,
acompañamiento y tutoría directa del docente al estudiante y unas actividades de aprendizaje en los
tiempos de estudio autónomo o independiente.

Para los tiempos de aprendizaje independiente, los estudiantes desarrollan actividades de aprendizaje
autónomo y social, individual o en grupo, abordando materiales y Recursos Educativos (Digitales o
físicos) disponibles en material de estudio o espacios On-Line (LMS o repositorios con Recursos
Educativos Digitales). Allí, los estudiantes avanzan en la comprensión, análisis y apropiación de
elementos conceptuales y teóricos propios de la competencia del curso.

En los tiempos de trabajo directo con docente realizan la discusión de los aspectos conceptuales
previamente abordados en trabajo independiente, para posteriormente realizar su aplicación en casos
o situaciones del entorno real, los cuales contarán con espacios para coaching y Co-working, entre otras
muchas posibilidades de aprendizaje individual o en equipo.

Etapa 3: Transferencia: en este momento del curso el estudiante contará con sesiones de trabajo
directo con docente (presenciales y/o virtuales mediadas por herramientas tecnológicas, según la
modalidad) y actividades independientes, en las cuales realizará la preparación de la sustentación en
la cual realizará la explicación auditable de los principios estandarizados (utilizando las herramientas
tecnológicas seleccionadas), evidenciando el uso de los datos masivos y su dominio conceptual de la
relación Big Data e Inteligencia de los negocios. Esta es una actividad formativa y calificable.

Al ser un proceso educativo por competencias la evaluación se convierte en formativa, permanente,

integrada, es decir, hace parte de la estrategia formativa (actividades de aprendizaje) y en integral, es

Dirección Académica – Currículo – abril de 2019

PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

decir, participan en la valoración de niveles de competencia los distintos actores que intervienen en el
proceso, así:

• Autoevaluación: El estudiante valora sus propios desempeños, identificando el nivel

alcanzado en cada momento, a partir de la revisión crítica y transparente de su propio
proceso, atendiendo a unos criterios de realización/desempeño establecidos para
estimar el nivel de competencia, detectando con ello fortalezas, talentos, capacidades
especiales al igual que dificultades, limitantes y oportunidades de mejora.
• Coevaluación: Los estudiantes realizan una valoración conjunta sobre la actuación del
grupo, atendiendo a unos criterios de realización/desempeño establecidos en
consenso; participando así en la valoración de los niveles de desempeño evidenciados.
• Heteroevaluación: El profesor y los expertos invitados, valoran los desempeños de los
estudiantes, identificando el nivel alcanzado en cada momento, atendiendo a unos
criterios de realización/desempeño establecidos para estimar el nivel de competencia.
6. CONTENIDOS TEMATICOS
En esta etapa el estudiante recuerda conceptos básicos de probabilidad, estadística, algebra lineal, cálculo
diferencial y programación de computadores.
Genera la información necesaria de acuerdo con las exigencias de la asignatura, para organizar el proceso
evolutivo de los procesos de implementación de un modelo de Machine Learning.

Etapa 0. Reconocimiento
Presentación del curso
Una breve introducción a la inteligencia artificial
¿Qué es Machine Learning?
Aplicación en el mundo real de machine Learning.

Curso de Programación Básica

¿Qué es Python?
Declaración de variables en Python
Sentencias de decisión
Ciclos de repetición
Lectura de archivos (I/O)

Etapa 1. Contextualización
Formulación y abstracción de Problemas

• Formulación del Problema

• Modelamiento gráfico del problema
• Conceptos asociados a la formulación y solución del problema
• Introducción de los conceptos de Machine Learning - Función de costo y modelos de
regresión (logística, lineal).
• Modelos de clasificación supervisados y no supervisados.
• Protocolo Experimental en Machine Learning

Dirección Académica – Currículo – abril de 2019

PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

Construcción del conjunto de datos y Muestreo

• Metodología de muestreo en machine learning.

• Validación cruzada
• Validación de K-foliois
• Muestreo estratificado
• Varianza y sesgo

Etapa 2. Profundización
Métodos de clasificación supervisada 1 (Máquinas de Soporte Vectorial)
• Métodos de clasificación supervisada.
• Aprendizaje No supervisado
• Otros Métodos de aprendizaje
• Máquinas de soporte vectorial.
• Métodos de Kernel
• Métricas de desempeño en machine learning supervisado.

Métodos de clasificación supervisada 2 (Arboles)

• Random Forest.
• Nearest Neighbor.
• Árboles de decisión.

Métodos de clasificación supervisada y no supervisada (Redes Neuronales)

• Redes Neuronales.
• Red Neuronal Convolucional Supervisada.
• Algoritmo de Backpropagation.

Etapa 3: Transferencia
Introducción a Deep Learning
• Definición de Convolución.
• Redes neuronales convolucionales.
• Preprocesamiento con ACP (Análisis de componentes principales).

Presentación de Experimentación y Resultados

• Tipos de publicaciones (Póster, articulo, conferencia, Proceedings).
• Como se construye un póster de investigación.
• Presentación visual de un poster científico.

Plataformas de Servicios de Machine Learning en la Nube

• Introducción a BigData y DataAnalytics
• Comparación entre Google Cloud Platform, Amazon AWS, IBM Watson.

Dirección Académica – Currículo – abril de 2019

PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1
• Introducción a la creación y publicación de API’s.
Recursos bibliográficos
Libro Python
programming in context
/ Bradley N. Miller,
David L. Ranum.
Libro: Inteligencia
artificial : Fundamentos,
práctica y aplicaciones /
Alberto García Serrano
Creating a Data-Driven
Enterprise with DataOps
Obligatorios
/ Ashish Thusoo and
Joydeep Sen Sarma /
2917
Libro digital: BIG DATA
- Técnicas,
herramientas y com.unipanamericana.bas
aplicaciones / María
Pérez Marques / 2016
Libro digital: Big Data:
una breve introducción
/ Dawn E. Holmes /2018
Libro digital: Una ética
Complementarios para Big data:
introducción a la
gestión ética de datos
masivos / Rosa
Colmenarejo
Fernández/2017
Glosario:
Dirección Académica – Currículo – abril de 2019
Recurso disponible en
Biblioteca de la institución Otras bibliotecas
https://biblioteca.unipanamer
icana.edu.co/cgi-
bin/koha/opac-
detail.pl?biblionumber=4908
&shelfbrowse_itemnumber=1
0985#holdings
https://biblioteca.unipanamer
icana.edu.co/cgi-
bin/koha/opac-
MARCdetail.pl?biblionumber=
8524
https://testbacblog.files.word
press.com/2017/12/click-
here-to-access-the-ebook-
data-driven-organizations.pdf
https://www-
alfaomegacloud-
esdedatosezproxy.com/re
ader/big-data-tecnicas-
herramientas-y-
aplicaciones?location=1
https://ebookcentral-
proquest-
com.unipanamericana.bas
esdedatosezproxy.com/lib
/unipanamericanasp/read
er.action?docID=5756204
&ppg=1
https://ebookcentral-
proquest-
com.unipanamericana.bas
esdedatosezproxy.com/lib
/unipanamericanasp/read
er.action?docID=5308419
&ppg=1
PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

• ACP

( Análisis principal de componentes): Es una técnica para reducir la dimensionalidad de las

características de un conjunto de datos en términos de variables no correlacionadas.

• AWS

Amazón Web Services.

• Big Data

Big Data is an umbrella term used for huge volumes of heterogeneous datasets that cannot be
processed by traditional computers or tools due to their varying volume, velocity, and variety.

• Deep Learning:

Es un conjunto de algoritmos basado en arquitecturas computacionales basado en redes

neuronales.

• Hadoop

Java open source distributed application framework, intended to process data volumes of
several petabytes and with miles of nodes.

• Machine Learning (Aprendizaje automático)

This term refers to the creation of systems through Artificial Intelligence, where what you really
learn is an algorithm, which monitors the data with the intention of being able to predict future
behaviors.

• Random Forest

Es una combinación de árboles para predecir, en donde los valores dependen de un vector
aleatorio con probabilidad independiente y la misma distribución de probabilidad para las
ramas del árbol.

• Serveless

Dirección Académica – Currículo – abril de 2019

PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

Modelo de ejecución de computación usando herramientas en la nube en donde un proveedor

asigna los recursos.

Dirección Académica – Currículo – abril de 2019

PLANTILLA SYLLABUS
PROGRAMAS ACADEMICOS UNIPANAMERICANA – V1

Dirección Académica – Currículo – abril de 2019