20/2/25, 17:08 Sílabo

Código: PP1-PR.02 Versión: 02 Fecha: 02/09/2024

FACULTAD DE INGENIERÍA, ARQUITECTURA Y URBANISMO

PROGRAMA DE ESTUDIOS DE INGENIERÍA DE SISTEMAS

SILABO
I. DATOS INFORMATIVOS
1. Nombre del Curso : MACHINE LEARNING
2. Modalidad del Curso : VIRTUAL
3. Código del Curso : 1IS062
4. Créditos : 4
5. Ciclo de Estudios : VI
6. Tipo de Estudios : De especialidad
7. Pre Requisito(s) : 1IS042
8. Semestre Académico : 201901
9. Duración : 16 Semanas
10. Horas Teóricas : 3 VIRTUAL
11. Horas Prácticas : 2 VIRTUAL
12. Docente(s) Responsable(s) : MANUEL GUILLERMO FORERO VARGAS

[Link] 1/9
20/2/25, 17:08 Sílabo
II. COMPETENCIA DEL CURSO

Implementa soluciones de software haciendo uso de técnicas de aprendizaje supervisado y no supervisado, aplicados a problemas del mundo real,
con perseverancia y responsabilidad.

III. SUMILLA

Es un curso de especialidad; de naturaleza teórico-práctico, se desarrolla de forma virtual y es de carácter obligatorio. El curso aporta al desarrollo
del perfil de egreso, concretamente a la competencia Implementa soluciones innovadoras de tecnologías de la información y comunicación en las
organizaciones utilizando como base las ciencias de la computación, actuando con creatividad, precisión y trabajo en equipo. Aborda contenidos
relacionados con, el estudio introductorio de aprendizaje automático, con el propósito es que el estudiante utilice técnicas de aprendizaje
automático en la implementación de soluciones de software, y cubre la visión general de los métodos por los cuales las computadoras pueden
aprender de los datos o de la experiencia y tomar decisiones en consecuencia, abordando la Teoría del aprendizaje, y los principales algoritmos para
Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje por refuerzo y control, tiene como resultado de aprendizaje la elaboración de
código fuente compilable y ejecutable del clasificador automático cuyos resultados se presentan un artículo científico.

IV. EJES CURRICULARES

Investigación formativa

La formación del pensamiento y actitud investigativa comprometen a la interacción y dinámica entre los sujetos y objetos que
participan en el proceso de aprendizaje; es decir, todo curso debe aportar a generar e ir consolidando habilidades para la observación,
comparación, contrastación, aplicación, generalización de situaciones o hechos que les permitan plantear problemas, proponer
alternativas, hacer indagaciones teóricas, alcanzar soluciones a hechos relacionados con la profesión. Es decir, la investigación
formativa orienta el proceso de maduración mental para el algún momento facilitar la investigación científica. Es eminentemente
contextual.

Práctica pre profesional

El trasladar el conocimiento a los campos de aplicación es un proceso que enriquece la constatación teórica, pero a su vez, posibilita
al estudiante hacer nuevos planteamientos en base a lo que el contexto requiere. Vale decir que la sociedad, la empresa, el mundo
externo se convierte en un respetable laboratorio de aprendizaje en el acto. Se asocia a la práctica pre profesional, desde una
perspectiva del aprender haciendo y aportando a mejora o transformación social.

[Link] 2/9
20/2/25, 17:08 Sílabo
V. METODOLOGÍA ACADÉMICA
TEMPORALIZACIÓN EVIDENCIAS DEL
UNIDAD/ ESTRATEGIAS APRENDIZAJE
CAPACIDADES ACTITUDES CONTENIDOS
MÓDULO/ SEMANA DIDÁCTICAS (Producto/Desempeño/
SESIÓN Actitud/Contenido)

Aprendizaje basado en
problemas, que permita al
estudiante interpretar,
Tema 01: Introducción al curso argumentar y proponer
1.1. Presentación del curso (sílabo) solución a los problemas
Perseverante para
1.2. Modos de aprendizaje – planteados. - Descarga y lectura de sílabo /
aplicar los algoritmos de
Supervisado – No supervisado – Por Revisión general de contenidos.
aprendizaje automático
SESION 01 refuerzo. Desarrollo de proyectos, - Revisión de sistema de
Implementa en sus
1.3. Introducción al Aprendizaje donde se aplica la calificación e instrumentos de
algoritmos de implementaciones
SESION Semana Automático. aprendido con casos evaluación.
aprendizaje
01: Conozcamos la 01 1.4. Terminología importante de reales y el estudiante
automático no Responsable con los
finalidad del curso
supervisado. datos que se procesan Aprendizaje Automático. (Etiquetas, proporciona soluciones. - Desarrollo de la evaluación
en el aprendizaje atributos, ejemplos, modelos, diagnóstica
automático para obtener regresión, clasificación, inferencia, Estrategias aprendizaje
entrenamiento) basado en la - Participación en Clase en Línea.
resultados fidedignos.
1.5. Preparación de dataset de investigación, para que
entrenamiento (CSV). desarrolle habilidades de
búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

Aprendizaje basado en
problemas, que permita al
estudiante interpretar,
argumentar y proponer
Semana solución a los problemas
02 Tema 02: Representación de datos-ETL planteados.
Es perseverante para - Análisis del material de estudio
2.1. Ingeniería de atributos.
aplicar los algoritmos de
2.2. Identificación de buenos atributos Desarrollo de proyectos, sesión 2.
aprendizaje automático
SESION 02 2.3. Cualificación de atributos – donde se aplica la
Implementa en sus - Participación en Clase en Línea.
Discretización aprendido con casos
algoritmos de implementaciones.
SESION 02 - Hagamos 2.4. Limpieza de datos reales y el estudiante
aprendizaje - Presentación de producto
ingeniería de 2.5. Ejercicio de cualificación de proporciona soluciones.
automático no Es responsable con los académico No.1.
atributos. atributos. (programación)
supervisado. datos que se procesan
Estrategias aprendizaje
en el aprendizaje
Tema 03: Combinación de atributos basado en la
automático obtener
3.1. Atributos sintéticos o combinación investigación, para que
resultados fidedignos.
Semana de funciones. desarrolle habilidades de
03 búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

Aprendizaje basado en
problemas, que permita al
estudiante interpretar,
Tema 04: Aprendizaje basado en argumentar y proponer
Semana
Clasificador bayesiano solución a los problemas
04 Es perseverante para
planteados.
SESION 03 aplicar los algoritmos de 4.1. Teorema de Bayes
aprendizaje automático
Desarrollo de proyectos,
SESION 03 - Usando Implementa en sus 4.2 Clasificador Bayesiano simple.
donde se aplica la - Análisis del material de estudio
técnicas de algoritmos de implementaciones.
aprendido con casos sesión 3
aprendizaje aprendizaje Tema 05: Selección de características
reales y el estudiante - Participación en la clase en
estadístico y selección automático no Es responsable con los
de características más supervisado. datos que se procesan 5.1 Aproximación gaussiana de las proporciona soluciones. línea.
discriminantes. en el aprendizaje distribuciones de descriptores.
Estrategias aprendizaje
automático obtener
5.2 PCA basado en la
Semana resultados fidedignos.
investigación, para que
05
5.3 LDA desarrolle habilidades de
búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

SESION 04
Implementa Es perseverante para Tema 06: Aprendizaje no supervisado Aprendizaje basado en - Análisis del material de estudio
SESION 04 - Usando algoritmos de aplicar los algoritmos de problemas, que permita al sesión 4.
aprendizaje no aprendizaje aprendizaje automático 6.1 Algoritmos de agrupamiento. estudiante interpretar,
supervisado y automático no en sus argumentar y proponer - Participación en Clase en Línea.
Semana 6.2 Algoritmo K-medias.
midiendo el supervisado. implementaciones. solución a los problemas
06
desempeño de un 6.3 Modelos gaussianos mixtos planteados.
modelo de Es responsable con los
aprendizaje datos que se procesan Tema 07: Evaluación de modelos Desarrollo de proyectos,
en el aprendizaje donde se aplica la
automático obtener 7.1. Verdadero o falso positivo o aprendido con casos
Semana resultados fidedignos. negativo. (matriz de confusión) reales y el estudiante
07 7.2. Exactitud proporciona soluciones.
7.3. Precisión y recuperación

[Link] 3/9
20/2/25, 17:08 Sílabo
7.4. ROC y UAC Estrategias aprendizaje
7.5. Margen de predicción basado en la
investigación, para que
desarrolle habilidades de
búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

Aprendizaje basado en
Tema 08: Aprendizaje basado en problemas, que permita al
árboles de decisión y vecinos más estudiante interpretar,
próximos argumentar y proponer
Semana
solución a los problemas
08 Es perseverante para
8.1 Árboles de decisión planteados. - Análisis del material de estudio
SESION 05 aplicar los algoritmos de
aprendizaje automático sesión 8.
Implementa 8.2 Entropía Desarrollo de proyectos,
SESION 05 - Usando en sus
algoritmos de donde se aplica la - Participación en la clase en
técnicas de implementaciones. 8.3 Índice de Gini
aprendizaje aprendido con casos línea.
aprendizaje basadas
automático reales y el estudiante
en árboles de Es responsable con los 8.4 Modelos conjuntos
supervisado, por proporciona soluciones. EVALUACIÓN PARCIAL.-
decisión y vecinos datos que se procesan
refuerzo y control. cuestionario
más próximos. en el aprendizaje 8.5 Random forest
Estrategias aprendizaje
automático obtener
8.6 Adaboost basado en la
Semana resultados fidedignos.
investigación, para que
09
8.7 Vecinos más próximos desarrolle habilidades de
búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

Aprendizaje basado en
problemas, que permita al
estudiante interpretar,
argumentar y proponer
Semana
solución a los problemas
10 Es perseverante para
planteados.
aplicar los algoritmos de
SESION 06
aprendizaje automático
Implementa Desarrollo de proyectos, - Análisis del material de estudio sesión 6.
en sus Tema 09: Aprendizaje basado en
SESION 06 - Usando algoritmos de donde se aplica la - Participación en Clase en Línea.
implementaciones. maximización de márgenes
técnicas de aprendizaje aprendido con casos
aprendizaje basadas automático reales y el estudiante -Presentación Producto académico
Es responsable con los 9.1 Algoritmo Rocco 2: Programa para realizar identificación de
en maximización de supervisado, por proporciona soluciones.
refuerzo y control. datos que se procesan 9.2 Support Vector Machine muestras utilizando las técnicas vistas en
márgenes. en el aprendizaje clase
Estrategias aprendizaje
automático obtener
basado en la
Semana resultados fidedignos.
investigación, para que
11
desarrolle habilidades de
búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

Aprendizaje basado en
Tema 10: Fundamentos de la problemas, que permita al
regresión. estudiante interpretar,
10.1. Regresión lineal. argumentar y proponer
Semana
Es perseverante para 10.2. Entrenamiento y pérdida. solución a los problemas
12
planteados.
aplicar los algoritmos de 10.3. Implementación de regresión
aprendizaje automático lineal con SkLearn.
SESION 07 Implementa Desarrollo de proyectos,
en sus
algoritmos de donde se aplica la
implementaciones Tema 11: Reducción de pérdida de - Análisis del material de estudio
SESION 07 - aprendizaje aprendido con casos
entrenamiento. sesión 7.
Empleemos la automático reales y el estudiante
Es responsable con los 11.1. Enfoque iterativo de - Participación en Clase en Línea.
regresión supervisado, por proporciona soluciones.
datos que se procesan entrenamiento de modelo de AM.
refuerzo y control.
en el aprendizaje 11.2. Descenso de gradientes. Estrategias aprendizaje
automático para obtener 11.3. Tasa de aprendizaje basado en la
Semana resultados fidedignos. 11.4. Optimización de la tasa de investigación, para que
13 aprendizaje desarrolle habilidades de
11.5. Descenso de gradiente búsqueda de información
estocástico. y genere comportamiento
crítico y autoaprendizaje.

SESION 08
Implementa Es perseverante para Tema 12: Redes Neuronales (RN). Aprendizaje basado en - Análisis del material de estudio
SESION 08 - Haciendo algoritmos de aplicar los algoritmos de Tema 12: Redes Neuronales (RN). problemas, que permita al sesión 8.
una red neuronal aprendizaje aprendizaje automático 12.1. Arquitectura de RN. estudiante interpretar, - Participación en Clase en Línea.
automático en sus 12.2. Funciones de activación. argumentar y proponer
Semana
supervisado, por implementaciones 12.3. Ejemplo gráfico con TF. solución a los problemas
14
refuerzo y control. 12.4. Ejercicios con programación. planteados.
Es responsable con los 12.5. Consideraciones para el
datos que se procesan entrenamiento. Desarrollo de proyectos,
en el aprendizaje 12.6. Redes Neuronales multiclase. donde se aplica la
automático para obtener 12.7. Ejercicios con programación. aprendido con casos
Semana resultados fidedignos. reales y el estudiante
15 proporciona soluciones.

Estrategias aprendizaje
basado en la

[Link] 4/9
20/2/25, 17:08 Sílabo
investigación, para que
desarrolle habilidades de
búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

Aprendizaje basado en
problemas, que permita al
estudiante interpretar,
argumentar y proponer
solución a los problemas
Es perseverante para
planteados.
aplicar los algoritmos de
Implementa aprendizaje automático Desarrollo de proyectos,
SESION 09
algoritmos de en sus donde se aplica la
SESION 09 - Semana aprendizaje implementaciones aprendido con casos Evidencias de producto (EP)
Exposición TRABAJO FINAL
Demuestro lo 16 automático reales y el estudiante
Es responsable con los Evidencias de actitud(EA)
aprendido supervisado, por proporciona soluciones.
datos que se procesan
refuerzo y control.
en el aprendizaje
Estrategias aprendizaje
automático para obtener
basado en la
resultados fidedignos.
investigación, para que
desarrolle habilidades de
búsqueda de información
y genere comportamiento
crítico y autoaprendizaje.

Examen de Aplazados

[Link] 5/9
20/2/25, 17:08 Sílabo
VI. EVIDENCIAS DEL APRENDIZAJE
INSTRUMENTO
EVIDENCIA DESCRIPCIÓN DE LA EVIDENCIA DE EVALUACIÓN

Evidencia de
El examen de unidad comprende la evaluación de la temática de las 7 primeras semanas .
Conocimiento
El estudiante resolverá las preguntas basadas en casuística planteadas haciendo uso del IDE. El examen se rendirá en Cuestionario
Evaluación
el horario de clase (semana 8)
Parcial

El desempeño es el modo de actuar profesional para resolver problemas utilizando técnicas de aprendizaje de
máquinas, para ello se considera participar de manera grupal en las siguientes prácticas calificadas:

Programa para realizar ingeniería de atributos a una base de datos. - Consiste en escribir en lenguaje python
empleando Jupyter un programa que permita hacer ingeniería de atributos a una base de datos. El programa
debe corregir errores de codificación. Se presenta en la semana 4.
Evidencia de
Desempeño
Programa para clasificar muestras usando un clasificador bayesiano, árboles de decisión, random forest,
adaboost, KNN y SVM, con y sin reducción de descriptores. - Consiste en escribir en lenguaje python Lista de cotejo
Promedio de
empleando Jupyter un programa que permita identificar muestras usando clasificador bayesiano, árboles de
Prácticas
decisión, random forest, adaboost, KNN y SVM empleando los descriptores originales y luego de seleccionar
Calificadas
los descriptores más discriminantes, eliminando los menos significativos. Se presenta en la semana 12.

La calificación de desempeño corresponde al promedio simple de las notas de las prácticas y se registran en el
campus virtual en la semana 14.

El producto final es un programa como solución a un problema real de aprendizaje de máquinas, es una actividad
grupal, se considera la presentación de:

Programa de procesamiento de imágenes digitales. - Consiste en el desarrollo de código fuente sin errores en
Evidencia de lenguaje java o su equivalente que puede ser compilado y ejecutado.
Producto
Artículo científico. - Consiste en un documentocomo resultado de la investigación en el cual se presenta: el Rúbrica
Evaluación Final estado del arte, la justificación, objetivo del proyecto, los materiales y métodos desarrollados, los resultados
obtenidos y una discusión sobre los mismos, conclusiones, perspectivas y referencias bibliográficas.

El producto final se considera la presentación del programa y artículo científico, así como su defensa. Se presenta en
las semanas 15 y 16.

Evidencia de
Se consideran las actitudes “esfuerzo continuo”, “seguridad”, “puntualidad”, “cumplimiento”, relacionadas con
actitud
perseverancia y responsabilidad declaradas en la competencia del curso. Se evalúa de manera permanente durante Lista de cotejo
todo el ciclo.

[Link] 6/9
20/2/25, 17:08 Sílabo
VII. SISTEMA DE EVALUACIÓN
7.1. El sistema de calificación
EVIDENCIA CÓDIGO PESO FECHA DE PRESENTACIÓN O DESARROLLO

Evidencia de
EC 0.25 Semana 8 [Examen Parcial]
Conocimiento

Semana 14 (Promedio de Prácticas Calificadas, las cuales se pueden programar a lo largo de las 14 primeras
Evidencia de Desempeño ED 0.30
semanas del ciclo)

Evidencia de Producto
EP 0.40 Semana 16 [El producto final se considera la presentación del producto, artículo y defensa del trabajo]

Evidencia de actitud EA 0.05 Semana 16 [Se evalúa de manera permanente durante todo el ciclo]

7.2. Fórmula de calificación

PF = EC*0.25+ED*0.30+EP*0.40+EA*0.05

7.3. Consideraciones

Sobre asistencias a clases:

La tolerancia para el ingreso a la clase es de máximo 10 minutos. El estudiante debe asistir por lo menos al 70% del desarrollo de clases. Los
alumnos que tengan igual o más del 30 % de inasistencias a clases serán inhabilitados en el curso. Las asistencias se toman al inicio de la clase, en
caso el estudiante no responda se le registrará como falta. Una vez registrada las asistencias no se podrá modificar a menos que se obtenga
justificación autorizada por la dirección de la escuela.

Sobre la calificación:

El estudiante debe participar activamente durante las clases, opinando y presentando las actividades desarrolladas por el docente, así como cumplir
con rendir todas las evaluaciones, presentación de proyectos y la sustentación del mismo. La nota mínima aprobatoria es 11 (el redondeo se
aplicará solo en la nota final del curso).

Si el alumno llegara a faltar a una evaluación definida en las evidencias de aprendizaje, se le calificará como nota cero (0.0). No se permite las
entregas tardías o presentación fuera de fecha programada. Las evaluaciones fuera de las fechas programadas por el profesor solo serán tomadas
en caso de ser autorizados previo trámite por la Dirección de Escuela.

Sobre justificación:

Para obtener la justificación de inasistencia a clases o a una evaluación del curso, deberá enviar una solicitud (Tiene costo) desde la opción
TRAMITES/OTROS de su campus virtual, luego debe remitir un correo electrónico a la dirección de escuela con el recibo de pago de la solicitud y las
evidencias que justifican problemas de salud, emergencia por accidentes, fallecimiento de familiar directo, problemas de energía o conectividad,
debidamente sustentadas, la dirección de la escuela analizará el caso y determinará si amerita la justificación y comunicará al docente. La solicitud
de justificación deberá hacerlo con un plazo máximo de 72 horas después de ocurrido el incidente.

El estudiante tendrá derecho a rendir examen de rezagado cuando no hubiere rendido un examen parcial (semana 8/semana 16); según la fórmula
consignada en el sílabo. Para ello debe desde la opción TRÁMITES de su campus virtual programar el EXAMEN DE REZAGADO y presentarse al
docente con el recibo cancelado.

Sobre examen extraordinario:

El estudiante que desapruebe el curso (con nota inferior a 10.5) luego de culminar con todas las evaluaciones hasta la semana 16, podrá rendir el
EXAMEN EXTRAORDINARIO que será promediado con la nota del promedio del curso. Se rendirá examen extraordinario, siempre y cuando, se haya
obtenido nota promedio del curso entre: 8.5 y 10.4. Si rinde el examen extraordinario, la nota final de la asignatura, se obtiene sumando el
promedio del curso (PC), con la nota de su examen extraordinario, dividido entre dos. Se rinde el examen extraordinario previa cancelación de
derecho del examen. (Trámites/examen de aplazados).

[Link] 7/9
20/2/25, 17:08 Sílabo
VIII. HERRAMIENTAS TECNOLÓGICAS PARA EL APRENDIZAJE
8.1. Herramientas tecnologicas generales
- Campus Virtual: Herramienta que será empleada para acceder al curso, visualización del sílabo, registro de notas, registro asistencia, acceso a la
base de datos: Ebsco, Proquest, Scopus, vLex, etc. De la misma forma, permitirá el acceso al Aula Virtual, entro otros componentes académicos
administrativos.
- Aula Virtual: OPEN LMS, es la herramienta que sustenta el aula virtual, espacio donde se integrará la comunicación didáctica (asincrónica y
sincrónica) entre los estudiantes y el docente, además será empleada para organizar y acceder al contenido, a los recursos y a las actividades de
evaluación.
- Plataforma de vídeo conferencia: ZOOM, herramienta para el desarrollo de las clases en línea y la comunicación didáctica sincrónica o en tiempo
real, entre el estudiante y el docente, con fines de desarrollar los contenidos y las actividades programadas en el sílabo.

8.2. Herramientas específicas para el curso

8.1. Herramientas tecnológicas generales

- Campus Virtual: Herramienta que será empleada para acceder al curso, visualización del sílabo, registro de notas, registro asistencia, acceso a la
base de datos: EBSCO, Proquest, Scopus, vLex, etc. De la misma forma, permitirá el acceso al Aula Virtual, entro otros componentes académicos
administrativos.
- Aula Virtual: OPEN LMS, es la herramienta que sustenta el aula virtual, espacio donde se integrará la comunicación didáctica (asincrónica y
sincrónica) entre los estudiantes y el docente, además será empleada para organizar y acceder al contenido, a los recursos y a las actividades de
evaluación.
- Plataforma de vídeo conferencia: ZOOM, herramienta para el desarrollo de las clases en línea y la comunicación didáctica sincrónica o en tiempo
real, entre el estudiante y el docente, con fines de desarrollar los contenidos y las actividades programadas en el sílabo.

8.2. Herramientas tecnológicas específicas

SkLearn. ([Link] Scikit-learn es una biblioteca clave para el lenguaje de programación Python que normalmente se usa en
proyectos de aprendizaje automático

Google Drive - Google Drive es un servicio gratuito de Google de almacenamiento de archivos en la nube. Documento, Hoja de cálculo,
Presentación, Colaboratory.

PlayGroud - TensorFlow ([Link] Es una web que da accesos a una técnica para construir un programa de computadora
que aprende de los datos

Neuroph ([Link] Neuroph es un marco de red neuronal artificial orientado a objetos escrito en Java

Python.- Lenguaje de programación para la escritura de código fuente para el aprendizaje de máquinas

Spyder/Jupyter- IDE de desarrollo para la escritura de código fuente en lenguaje Python.

[Link] 8/9
20/2/25, 17:08 Sílabo
IX. REFERENCIAS

Centro de Información USS

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. 003.1/B59/Ej.2 (Bib. Básica)

García Serrano, A. (2017). Inteligencia [Link]. 006.3/G24/2017/Ej.2 (Bib. Regular)

Ponce Cruz, P. (2010). Inteligencia artificial con aplicaciones en la ingeniería. Alfaomega. 006.3/P77/Ej.1 (Bib. Regular)

Mathivet, V. (2017). Inteligencia artificial para desarrolladores. Ediciones Eni. 006.3/M28/Ej.2 (Bib. Regular)

Palma Méndez, J. T. (2008). Inteligencia artificial. Mcgraw-Hill Interamericana. 006.3/I4/Ej.1 (Bib. Regular)

Villena Pairazaman, L. (2016). Tesis: Aplicación de redes neuronales artificiales y su optimización para el pronóstico de la demanda del agua potable
en la Empresa Epsel S.A. De Mocupe. Pimentel - Chiclayo: Universidad Señor De Sipán. T/620.0011/V67/2016 (Bib. Regular)

Base de Datos USS

Benítez, R., Escudero, G., & Kanaan, S. (2013). Inteligencia artificial avanzada.

Palma, M. J. T., & Marín, M. R. (2008). Inteligencia artificial: Métodos, técnicas y aplicaciones.

Pat, F. L. A., Martínez, M. A. H., & Pat, F. J. M. (2013). Introducción a los modelos de regresión.

Silva, A. L. C. (1994). Excursión a la regresión logística en ciencias de la salud.

Valencia-Duque, A. F., Meza, A. M. Á., & Orozco-Gutiérrez, A. A. (2019). Automatic identification of power quality events using a machine learning
approach. Scientia et Technica, 24(2), 183–189.

Caicedo Londoño, M. A., & Chacón Hurtado, J. C. (2015). Evaluación de métodos convencionales y de aprendizaje de máquina para completar series
de precipitación. Revista Épsilon, 25, 11–38.

Mosquera, R., Castrillón, O. D., & Parra, L. (2018). Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos utilizando
Técnicas de Inteligencia Artificial. Información Tecnológica, 29(4), 267–282.

Mosquera, R., Castrillón, O. D., & Parra, L. (2018). Máquinas de Soporte Vectorial, Clasificador Naïve Bayes y Algoritmos Genéticos para la Predicción
de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos. Información Tecnológica, 29(6), 153–161.

Jiménez Moreno, R., Martínez Baquero, J. E., & Rodríguez Umaña, L. A. (2018). Sistema automático de clasificación de peces. Visión Electrónica,
12(2), 1–19.

Mejia Cabrera, H. I., Vilchez, D., Tuesta, V. A., & Forero, M. G. (2020). Soil salinity estimation of sparse vegetation based on multispectral image
processing and machine learning. Applications of Digital Image Processing XLIII, 1-11.

Tuesta, V. A., Alcarazo, F. D., Mejia, H. I., & Forero, M. G. (2020). Automatic classification of citrus aurantifolia based on digital image processing and
pattern recognition. Applications of Digital Image Processing XLIII, 1-14.

Mejia Cabrera, H. I., Antón, R. J., Flores, J. N., Tuesta, V. A. & Forero, M. G. (2020). New method for subject identification based on palm print.
Applications of Digital Image Processing XLIII, XLIII(115100L), 1-9.

Utami, N. A., Maharani, W., & Atastina, I. (2021). Personality Classification of Facebook Users According to Big Five Personality Using SVM (Support
Vector Machine) Method. Procedia Computer Science, 179, 177-184.

Narayan, Y. (2021). Comparative analysis of SVM and Naive Bayes classifiers for the SEMG signal classification. Materials Today: Proceedings, 37,
3241-3245.

Kashef, R. (2021). A boosted SVM classifier trained by incremental learning and decremental unlearning approach. Expert Systems with Applications,
167, 114154.

Tesis

Villegas, J. (2021). Modelo de machine learning en la detección de sitios web phishing. [Link]

Chang, H.(2023). Comparación de técnicas de estimación basadas en machine learning para predecir costos en los planes de adquisiciones de las
entidades públicas del Perú. [Link]

Montenegro, V. (2022). Análisis comparativo de algoritmos de machine learning para detección de malware en aplicaciones Android.
[Link]

Lucero Carrillo, E. D., & Saldaña, H. A. (2016). Tesis: Utilización de técnicas de visión artificial para la detección automática de defectos externos del
mango. Pimentel - Chiclayo: Universidad Señor De Sipán. T/620.0011/S17/2016 (Bib. Regular)

Piscoya Sánchez, P. L., & Torres García, D. D. (2013). Tesis: Implementación de un sistema inteligente utilizando un modelo de redes neuronales
artificiales para el pronóstico de enfermedades gineco-obstétricas recurrentes en el Hospital Provincial Belén - Lambayeque. Pimentel - Chiclayo:
Universidad Señor De Sipán. T/620.0011/T74/2013 (Bib. Regular)

Imprimir

[Link] 9/9