Tarea de Investigación 2do Parcial

Machine Learning
Aprendizaje Supervisado
Algoritmos de Clasificación
*Posible opción de Examen Practico (dependiendo de la calidad del trabajo)

1. Rúbrica de Evaluación:

a. Redacción Parafraseado.
b. Investigar en artículos científicos de alto impacto (mínimo 3), utilizar los
indicados en punto 2.
c. Citar los párrafos de teoría usando Norma APA 7.0
d. Incluir sección de Bibliografía con referencias bibliográficas en APA 7.0
e. Cantidad de hojas requerida mínimo: 8 máximo: 15
f. El trabajo debe incluir:
• Caratula (Logos UG, FII, Carrera, Nombres UG, FII, Carrera, Tema,
Integrantes, Materia Paralelo, Docente, Periodo Ciclo.
• Índice de contenido (creado automáticamente con Word)
• Cuerpo: Desarrollo de la investigación (incluya texto y gráficos
creados por el grupo, citar fuente)
• Referencias bibliográficas: Mínimo 3 papers conde consulto la
teoría, y 1 donde encontró el ejemplo a citar.

g. Fecha Máxima Entrega: Vie 2-sep-2022 23:59

2. Portales de Artículos científicos de Alto Impacto:

https://www.mendeley.com/search/
https://scielo.org
https://dialnet.unirioja.es
https://www.redalyc.org
https://www.sciencedirect.com
https://scholar.google.com

3. Para rápida citación y referenciación use

Mendeley Reference Manager (online) y

https://www.mendeley.com/?interaction_required=true

Mendeley Reference Manager (Para PC)

https://www.mendeley.com/download-reference-manager/windows
4. Para traducción de alta calidad
https://www.deepl.com

5. Grupo y tema asignados

Cibernética e IA - 81
Tema
Grupo Nombre Grupo Líder Grupo
Asignado
1ro CYBER-HOPLITAS LORENTY SUAREZ JOSE FRANCISCO 7
2do TI FORCE VINUEZA CERVONET DANIELA ELIZABETH 1
3er CYBERS WARRIORS LIGUA SALAVARRIA CARLOS ANDRES - 6
4to BUFO POZO GARCIA BRYAN ADAMS 10
5to SPARTANS TEAM PINTO ALVARADO TOMMY ANDERSON 3
6to THE PROGRAMERS CALDERON ORDOÑEZ GABRIEL ALEJANDRO 5
7mo PROGRAMATION FC JURADO VILLON STEVEN EDUARDO 4
8vo LOS EMPERADORES RAMIREZ SANCHEZ FRANCISCO JAVIER 9

Cibernética e IA - 85
Tema
Grupo Nombre Grupo Líder Grupo
Asignado
9no SECURITY SQUAD LIMA LUCAS NOEMI LILIBETH 8
10mo EQUIPO CIBERNÉTICO CAUJA VARGAS IRMA JANET 2
 Temas Machine Learning
Aprendizaje Supervisado
Algoritmos de Clasificación

Tema 1: Algoritmo Regresión Logística (Binomial)

1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.

Link a Video Aprendizaje Supervisado: LOGISTIC REGRESSION

https://www.youtube.com/watch?v=NgXNOlrYRh0&list=PLJjOveEiVE4Cbbx1dVjydfmPPpjl0pg86&index=10
Tema 2: Algoritmo Nayve Bayes (Bayesiano Ingenio)
1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.
Tema 3: ALGORITMO DE ML KNN (K VECINOS CERCANOS)
1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.
Tema 4: Algoritmo de ML Decisión Tree (Arboles de Decisión)
1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.

Link a Video Aprendizaje Supervisado: RANDOM FOREST CLASSIFICATION

https://www.youtube.com/watch?v=T8moEJtxaJk&list=PLJjOveEiVE4Cbbx1dVjydfmPPpjl0pg8
6&index=13
Tema 5: Algoritmo Random Forest (Bosque Aleatorio)
1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.

Link a Video Aprendizaje Supervisado: RANDOM FOREST CLASSIFICATION

https://www.youtube.com/watch?v=VH7eLWsLCks&list=PLJjOveEiVE4Cbbx1dVjydfmPPpjl0pg
86&index=14
Tema 6: Algoritmo Support Vector Machine (SVM).
1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.

Link a Video Aprendizaje Supervisado: SUPPORT VECTOR MACHINE

https://www.youtube.com/watch?v=_lXhf_uoZGQ&list=PLJjOveEiVE4Cbbx1dVjydfmPPpjl0pg86&index=12
Tema 7: Algoritmo Red Neuronal Simple de Capa Densa (NCC)
1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.
Tema 8: Algoritmo Long Short-Term Memory (LSTM)
1. Definicion: Características, ventajas, desventajas. Hiper parámetros del Algoritmo. (citar)
2. Fórmula Matemática/Estadistica empleada (creado original en Word)
3. Gráfica ilustrativa del algoritmo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)

4. Métricas de evaluación calidad de predicción del modelo

4.1 Matriz de confusión (Concepto, ejemplo)
4.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
4.3. Curva ROC (Concepto, y fórmula)

5. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

5.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
5.2. Problema
5.3. Objetivo de la Investigación (que desean predecir)
5.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
5.5 Extracto de Código (De haberlo, citar)
5.6. Resultados alcanzados en métricas

6. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.
Tema 9: Tipos de Modelos de Clasificación (concepto y ejemplos)
A. Modelos de Clasificación Binaria (una Y Binaria)
B. Modelos de Clasificación Multiclase (una Y de 3 o mas clases)
C. Modelos de Clasificación Multietiqueta (Varias Ys Binarias)
D. Modelos de Clasificación Multiclase Multietiqueta (varias Ys de 3 o más clases)

1. Definicion: De cada tipo de modelo (citar)

2. Gráfica ilustrativa de cada modelo (creado en Excel, Lucidchart)
Indicar: Elaborado por los Autores, fuente Pérez (2018) (citar)
3. Métricas recomendadas por los investigadores de papers, para cada modelo
i. Nombre de métrica
ii. Concepto y
iii. Fórmula
4. Ejemplo Practico: Encontrar un paper de cada tipo de modelo de clasificación

2.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de

… (Citar paper)
2.2. Problema
2.3. Objetivo de la Investigación (que desean predecir)
2.4. Modelo aplicado (respetando el tema de su grupo, explique cómo
aplicaron el modelo)
2.5 Extracto de Código (De haberlo, citar)
2.6. Resultados alcanzados en métricas

5. Bibliografía en Apa versión 7, mínimo con 4 referencias de papers de alto impacto que
leyó la teoría y/o ejemplo elegido.
Tema 10: Fases del Proceso de creación de Modulo de ML para NLP
(concepto y ejemplos)
Fases de Modelo Machine Learning de NLP para Clasificación de texto:

1. Definicion: de cada fase (citar)

A. Identificación de Librerías, Carga de Datos

B. Técnica de Pre Procesamiento
C. Técnica de Procesamiento (Feature Engeniering)
D. Creacion de Modelo
E. Métricas de evaluación
F. Análisis de Errores
G. Puesta en producción (Breve exlicacion)

Considere en cada fase

• Estrategia o Fórmula empleada en cada fase
• Gráfica ilustrativa (creado en Excel, Lucidchart) Indicar: Elaborado por los Autores, fuente
Pérez (2018) (citar)

2. Métricas de evaluación calidad de predicción del modelo

2.1 Matriz de confusión (Concepto, ejemplo)
2.2. Métricas:
o Acurracy (Concepto, y fórmula)
o Precisión (Concepto, y fórmula)
o Recall (Concepto, y fórmula)
o F1 (Concepto, y fórmula) (Average: ‘binary’, micro’, ‘macro’, ‘samples’, ‘weighted’)
o AUC (Concepto, y fórmula)
2.3. Curva ROC (Concepto, y fórmula)

3. Ejemplo Practico: Encontrar un paper de su algoritmo asignado, usado para clasificación

3.1. Introducción. Breve introducción, ej: El siguiente ejercicio fue tomado de … (Citar paper)
3.2. Problema
3.3. Objetivo de la Investigación (que desean predecir)
3.4. Modelo aplicado (respetando el tema de su grupo, explique cómo aplicaron el modelo)
3.5 Extracto de Código (De haberlo, citar)
3.6. Resultados alcanzados en métricas

4. Bibliografía en Apa versión 7, mínimo con 3 referencias de papers de alto impacto que leyó la
teoría y 1 paper del ejemplo elegido.