Estudiantes de la EPN representaron a Latinoamérica en competencia internacional
Kharol Chicaiza, Ivanna Cevallos, Mateo Sarzosa y Fabricio Simbaña, estudiantes de la Facultad de Ingeniería de Sistemas de la Escuela Politécnica Nacional (FIS-EPN) representaron a Latinoamérica en la competencia internacional Cyber 9/12 Strategy Challenge, que se realizó en Washington DC, Estados ...
CALL FOR PAPERS Latin-American Journal of Computing (LAJC)
La Revista Latin American Journal of Computing (LAJC) es una publicación de Acceso Abierto Diamante revisada por pares doble ciego, auspiciada por la Facultad de Ingeniería de Sistemas de la Escuela Politécnica Nacional de Ecuador, una de las mejores universidades de investigación en Ciencias de la ...
New Issue Published Volume 11 Issue 1 (January 2024)
We cordially invite our readership worldwide to check out the new issue of the Latin-American Journal of Computing (LAJC)
loading...
loading...
loading...

Analítica Predictiva

DATOS GENERALES

Código ISID723
Pensum 2023
Horas semanales 9
Tipo Obligatoria
Asignaturas pre-requisitos ISID653 - Fundamentos de Ciencia de Datos
Asignaturas co-requisitos Ninguna
Campo de formación
Unidad de organización curricular Unidad Profesional

RESULTADOS DE APRENDIZAJE

De conocimiento
 Estudiar y analizar los fundamentos, enfoques y algoritmos de machine learning y data mining
De destrezas Diseñar e implementar soluciones basadas en algoritmos de machine learning para la extracción de información, análisis, visualización y construcción de modelos de predicción a partir de datos 
De valores y actitudes Abstraer problemas y desarrollar soluciones con responsabilidad y ética profesional

CONTENIDO

Capítulo 1 Fundamentos de Machine Learning
  1. Introducción al problema de aprendizaje: planteamiento del problema y ejemplos;
  2. Problemas de machine learning: clasificación, regresión y clustering;
  3. Conjuntos de entrenamiento, validación y testeo, y
  4. Overfitting, underfitting y maldición de la dimensión.
Capítulo 2 Aprendizaje supervisado
  1. Estimación de error y análisis de resultados: hold-out, cross-validation, matriz de confusión y curva ROC;
  2. Algoritmos no paramétricos: Naïve Bayes, k-nearest neighbors (kNN) y árboles de decisión;
  3. Algoritmos paramétricos: regresión lineal, regresión logística y clasificador sofmax;
  4. Algoritmos paramétricos: redes neuronales artificiales;
  5. Algoritmos paramétricos: support vector machines (SVM), y
  6. Introducción a deep learning: convolutional neural networks (CNN) y autoencoders.
Capítulo 3 Aprendizaje no supervisado
  1. Métricas para análisis de resultados de clustering;
  2. Algoritmos para reducción de dimensión: PCA y tSNE;
  3. Clustering: k-means, x-means
  4. Clustering: Self-organizing maps.
  5. Análisis de asociación (apriori, eclat, fp-growth, basket analysis)
Capítulo 4 Aprendizaje por refuerzo
  1. Procesos de decisión Markovianos;
  2. Exploración vs. Explotación, y
  3. Algoritmos de aprendizaje por refuerzo.
Capítulo 5 Data Mining y Predicción
  1. Fundamentos de data mining, KDD y predicción 
  2. Metodologias de minería de datos: CRISP-DM,SEMMA y otros.
  3. Entendimiento del negocio y datos
  4. Preparación de datos
  5. Modelamiento de la técnica (prediction, clustering, outliers) 
  6. Evaluación de las técnicas
  7. Despliegue

Teléfono
(+593) 2 2976 300 ext 4701
Correo electrónico
info@epn.edu.ec
Dirección
Av. Ladrón de Guevara 253, Quito 170517

Back to top