Curso:

Fundamentos de IA
para los Negocios
Código:
6MACT007
Programa:
Maestría en
Administración con
Especialización en
Innovación y Gestión
de la Ciencia y
Tecnología
Promoción:
Cuarta
Profesor:
Álvaro Talavera López

Ciclo: II
Créditos: 1
Período lectivo:
Del 06 de octubre al 05 de
noviembre de 2022

SÍLABO
Página 1/7
I. Información General
PROGRAMA : Maestría en Administración con Especialización
en Innovación y Gestión de la Ciencia y Tecnología.

CURSO : Fundamentos de IA para los negocios

CÓDIGO DEL CURSO : 6MACT007
CICLO / MÓDULO : II
PROMOCIÓN : Cuarta
PROFESOR : Álvaro Talavera López
CÓDIGO DEL PROFESOR : 000-17-9402
CRÉDITOS : 1
HORAS ACADÉMICAS : 16
PERÍODO LECTIVO : Del 06/10/2022 al 05/11/2022

II. Descripción del curso

Este curso presenta los fundamentos del campo de la Inteligencia Artificial, y
de su correcta aplicación a los negocios. Los alumnos entenderán la
diferencia entre Inteligencia Artificial vs. Machine learning. Se estudiarán e
implementarán algoritmos predictivos, aprendizaje supervisado y aprendizaje
no supervisado para el apoyo en la toma de decisiones. Además, se
analizarán distintos tipos de problemas de negocios desde un punto de vista
computacional que pueden ser abordados, a nivel organizacional, utilizando
la IA.

III. Metas de aprendizaje de la Maestría en Administración

Metas de aprendizaje
(Learning Goals)
1. Asume roles de liderazgo
efectivo dentro de una
organización
2. Diseña soluciones innovadoras
3. Toma decisiones con ética y
responsabilidad social
Objetivos de aprendizaje
(Learning Objectives)
1.1. Demuestra capacidad para reconocer las características de la
organización y el contexto.
1.2. Identifica y evalúa el estilo de liderazgo en función del
contexto organizacional.
1.3. Demuestra autoconocimiento.
1.4. Identifica y potencia los atributos positivos de los miembros
del equipo en función de los objetivos organizacionales
previstos.
2.1. Propone soluciones innovadoras en un entorno organizacional.
2.2. Propone planes de implementación de soluciones innovadoras.
3.1. Incorpora consideraciones éticas en la toma de decisiones.
3.2. Toma decisiones con un enfoque de sostenibilidad.
3.3. Alinea las acciones de responsabilidad social con la estrategia
de la organización, buscando el bienestar social general.

Página 2/7
 Metas de aprendizaje
(learning Goals)
4. Desarrolla una visión
estratégica y global
5. Desarrolla habilidades
directivas
Objetivos de aprendizaje
(learning Objectives)
4.1. Plantea de manera consistente los criterios esenciales
del proceso de formulación estratégica de la
organización (misión, visión, valores y objetivos
estratégicos).
4.2. Identifica los factores críticos de éxito de una
organización a partir del análisis interno y externo y de
sus interrelaciones.
4.3. Establece estrategias que respondan a los objetivos de
la organización.
4.4. Desarrolla los planes funcionales alineados con la
estrategia de la organización (Finanzas, Operaciones,
Comercial y Recursos Humanos).
4.5. Identifica los factores globales de una organización y
hace de la diversidad y multiculturalidad una ventaja
diferenciadora en la organización.
5.1. Desarrolla habilidades de comunicación efectivas
5.2. Desarrolla pensamiento crítico
5.3. Toma decisiones efectivas con visión integral
5.4. Ser un integrante clave en equipos de alto desempeño
5.5. Desarrolla iniciativas emprendedoras que generen valor
5.6. Gestiona el cambio en las organizaciones

IV. Objetivos del curso

Al finalizar el curso, los participantes estarán en capacidad de:

• Comprender y utilizar los algoritmos de aprendizaje supervisado.

• Comprender y utilizar algoritmos de aprendizaje no supervisado.
• Evaluar y proponer proyectos que consideren soluciones de Inteligencia
Artificial.

V. Metodología del curso

a. Estrategia didáctica
En el presente curso se aplicará una metodología mixta de aprendizaje basado en
problemas (PBL) con una componente teoría y práctica hands-on, dando un
enfoque amplio de los temas, validado por la elaboración de un mini proyecto de
aplicación.

Página 3/7
b. Actividades a desarrollar
La participación esperada del estudiante se concretará en las siguientes
acciones:

• Recapitulación de lo aprendido hasta la clase anterior, con el fin de

mantener una secuencia lógica de los temas.
• Desarrollo activo en el diseño y programación de los ejercicios.
• Discusión en clase del marco teórico y de los ejercicios prácticos.

c. Sistema de evaluación

Criterio de Ponderación
Instrumento de evaluación
Evaluación sobre la nota final

Evaluación de Examen
40%
proceso (Individual)

Participación y Participación en clase y trabajos

trabajos en clase grupales 10%
(grupal)

Dominio de la Trabajo final - Aplicación de

20%
materia (Grupal) Aprendizaje Maquina

Dominio de la Trabajo final - Aplicación de

30%
materia (Individual) Aprendizaje Maquina

Página 4/7
VI. Cronograma de actividades:

Sesión Contenido Estrategia Material Entregables

en clase

I. Introducción a IA:
Modelos predictivos

• Machine learning.
• Configuración básica
de aprendizaje.
Exposición del
• Evaluación de
profesor.
proyectos usando IA.
Ejercicios.
Sesión 1 Aplicaciones en Diapositivas, lecturas y
II. Aprendizaje
(06/10.22) Rapidminer. videos
supervisado.

• Redes neuronales
artificiales.
• Matriz de confusión
• Medidas de error.
• Aplicaciones de riesgo
crediticio e
implementación.

II. Aprendizaje
supervisado.
Exposición del
• Máquinas de Soporte profesor.
Vectorial. Ejercicios.
Sesión 2 • Medidas de error. Aplicaciones en Diapositivas, lecturas y Entregable
(18/10/.22) • Aplicaciones e Rapidminer. notebooks práctica 1
implementación.
• Aplicaciones en
clasificación y
predicción.

• Exámen

III. Aprendizaje no
supervisado.
Exposición del
• Clustering. profesor.
Sesión 3 • Tipos de clustering. Ejercicios.
Diapositivas y
(22/10/22) • Algoritmo Kmeans, Aplicaciones en
programas. • Entregable
• Algoritmo Fuzzy- Rapidminer.
práctica 2.
Kmeans.
• Examen.
• clustering.
• Interpretación y
evaluación de
resultados

Página 5/7
 VI. Proyectos
Exposición del
• Presentación de proyectos
profesor.
por parte de los
Ejercicios. Diapositivas, videos y
Sesión 4 estudiantes. Evaluación grupal
Aplicaciones en programas.
(05/11/22) • Realimentación de e individual.
Rapidminer.
resultados.

VII. Bibliografía y otras referencias recomendadas:

a. Bibliografía/referencias de revisión obligatoria:

Abu-Mostafa, Y, Magdon-Ismail, M & Lin, H (2017). Learning from data. United

States of America: AML book.com.

Adnan Khashman (2010). Neural networks for credit risk evaluation:

Investigation of different neural models and learning schemes, Expert Systems
with Applications, Volume 37, Issue 9. ISSN 0957-4174.
https://doi.org/10.1016/j.eswa.2010.02.101.

Jiawei Han, Micheline Kamber and Jian Pei. (2011). Data Mining: Concepts and
Techniques, 3rd ed. The Morgan Kaufmann Series in Data Management
Systems Morgan Kaufmann Publishers, July 2011. ISBN 978-0123814791

Rui Xu and D. Wunsch, "Survey of clustering algorithms," in IEEE Transactions

on Neural Networks, vol. 16, no. 3, pp. 645-678, May 2005, doi:
10.1109/TNN.2005.845141.

Vercellis, Carlo. (2009). Business Intelligence: Data Mining and Optimization for
Decision Making.

b. Bibliografía/referencias complementarias:

Bishop, C (2006). Pattern Recognition and Machine Learning. New York:

Springer Science+Business Media.

Hernani-Merino Martin, Lazo Lazo Juan, Talavera Alvaro, Mazzon José

Afonso,; López-Tafur Gisella. An international market segmentation model
based on susceptibility to global consumer culture. Cross Cultural Strategic
Management Journal. June 2020.

Página 6/7
 Luna, A., Nunez-del-Prado, M., Talavera, A., & Holguín, E. S. (2016, October).
Power demand forecasting through social network activity and artificial neural
networks. In 2016 IEEE ANDESCON (pp. 1-4). IEEE.
Talavera A. and Luna. A. Machine Learning: A Contribution to Operational
Research.
IEEE Revista Iberoamericana de Tecnologías del Aprendizaje. April 2020
Xu, R & Wunsch, D. C (2009). Clustering. New Jersey: John Wiley y Sons, Inc.

VIII. Información del profesor:

Álvaro Talavera López

Senior Machine learning, consultor, profesor asociado del Departamento

Académico de Ingeniería de la Universidad del Pacífico. Es ingeniero
electrónico por la Universidad Católica de Santa María. M.Sc. en Ingeniería
Eléctrica por la Pontificia Universidad Católica de Río de Janeiro (Brasil), con
especialidad en métodos de apoyo a decisión utilizando inteligencia
computacional aplicada. Doctor (Ph.D.) en ingeniería eléctrica en la Pontificia
Universidad Católica de Río de Janeiro (PUC-Rio) con especialidad en el área
de teoría de control de sistemas inciertos y optimización.

Posee experiencia en proyectos de investigación en el área de Petróleo,

energía y banca. Ha liderado centros de investigación en Brasil, tratando
proyectos de exploración y explotación de Petróleo, caracterización de
reservorios petrolíferos utilizando técnicas de inteligencia computacional.
Además, cuenta con experiencia en proyectos de investigación en Rio de
Janeiro en la gestión de riesgo en los contratos de compra de energía.

Fue investigador principal en el laboratorio de Inteligência Computacional

Aplicada (ICA) de la PUC-Rio, investigador del Group of Technology and
Petroleum Engineering (GTEP) en rio de janeiro. Consultor de proyectos por
medio del ICA de la PUC-Rio para Petrobras S.A. en el área de
gerenciamiento de reservatorios, para la distribuidora de energía eléctrica de
Rio de Janeiro Ligth S.A., negocios y proyectos financieros. Además, se
desempeñó como ingeniero de proyectos en el Servicio de Armas y
Electrónica (SAE) del Servicio Industrial de la Marina SIMA S.A.. Actualmente
trabaja en proyectos de inclusión financiera y vulnerabilidad en casos de
desastres utilizando IA para la toma de decisiones.

Correo electrónico: ag.talaveral@up.edu.pe

Página 7/7
Fecha de revisión del sílabo por parte del Director Académico
03/10/2022

Nombre del Director Académico

José Maguiña Aliaga

Página 8/7