FACULTAD DE

CIENCIAS E
INGENIERÍA
ANALYTICS 2
2022-2

I. INFORMACIÓN GENERAL
CURSO ANALYTICS 2
CLAVE 1IND51
CRÉDITOS 3
HORAS DE DICTADO CLASE: 2 Semanal
LABORATORIO: 2 Semanal
EXAMEN:
HORARIO TODOS
PROFESORES MIGUEL HERMOGENES MEJIA PUENTE
MIGUEL ANGEL FERNANDEZ PEREZ
JONATAN EDWARD ROJAS POLO
EDUARDO CARBAJAL LOPEZ
CHRISTIAN SANTOS CORNEJO SANCHEZ

II. PLANES CURRICULARES DONDE SE DICTA EL CURSO

ESPECIALIDAD ETAPA NIVEL CARÁCTER REQUISITOS
INGENIERÍA INDUSTRIAL PREGRADO EN 7 OBLIGATORIO 1IND48 ANALYTICS 1
FACULTAD [07]
Tipos de requisito
04 = Haber cursado o cursar simultáneamente
05 = Haber aprobado o cursar simultáneamente
06 = Promedio de notas no menor de 08
07 = Haber aprobado el curso

III. DESCRIPCIÓN DEL CURSO

Este curso es parte del área Investigación de Operaciones y aporta a las siguientes competencias:

1. Resolución de problemas: Formula y resuelve problemas complejos de ingeniería industrial

mediante la aplicación de las ciencias básicas y principios de ingeniería y gestión, utilizando un
enfoque sistémico y evaluando la solución a través el modelamiento.
2. Diseño: Diseña un sistema o proceso, a partir del análisis y modelamiento, para producir
soluciones que satisfagan necesidades específicas teniendo en cuenta factores de salud pública,
seguridad, bienestar, globales, culturales, sociales, ambientales o económicos.
6. Experimentación: Desarrolla experimentos apropiados; analiza e interpreta datos, y emite
conclusiones usando herramientas estadísticas y juicios de ingeniería.

IV. SUMILLA
Es un curso teórico-práctico que tiene como propósito diseñar modelos de estimación, segmentación
y análisis de patrones en la analítica de datos y experimentar con ellos para la resolución de
problemas comunes a proyectos de analítica de negocio, ciencia de los datos y big data. Se
revisarán dentro del curso aplicaciones de árboles de clasificación y scoring, clustering, reglas de
asociación, regresión logística, redes neuronales, análisis discriminante lineal, naive-Bayes,
máquinas de soporte vectorial y modelos lineales incluyendo la revisión de supuestos, el cálculo de
tasas de errores y validación del modelo recomendado en contextos prácticos. El curso desarrolla de
un proyecto de analítica de negocio hasta la fase de validación y recomendación de la solución de
analítica a implementar. El curso contribuye al desarrollo de la comunicación eficaz, el desempeño en
equipo y el aprendizaje autónomo.

V. OBJETIVOS
 FACULTAD DE CIENCIAS E INGENIERÍA
1IND51 - ANALYTICS 2

El curso contribuye al logro de los siguientes Resultados de Aprendizaje

RA 1: Definir las propiedades de los modelos de analítica para diferenciar su uso en situaciones
reales propias de la ingeniería industrial.
RA 2: Relacionar los modelos de analítica con un problema real de ingeniería industrial para
proponer un método de solución.
RA 3: Selecciona el modelo de analítica más adecuado para resolver el problema de ingeniería
industrial formulado.
RA 4: Diseña un conjunto de soluciones al problema estudiado de ingeniería industrial, empleando
algoritmos de analítica.
RA 5: Construir un modelo de analítica considerando las características específicas del problema
identificado para obtener una solución usando herramientas estadísticas, matemáticas y
computacionales.
RA 6: Evalúa los resultados y los indicadores de precisión de los modelos de analítica, para
seleccionar la mejor alternativa y generar un juicio de ingeniería sobre el comportamiento de la
organización.
RA 7: Formula conclusiones y recomendaciones sobre la aplicación de los algoritmos de analítica
para el mejor desempeño organizacional.

VI. PROGRAMA ANALÍTICO

UNIDAD 1 ANÁLISIS DE CONGLOMERADOS, CLASIFICACIÓN Y CLUSTERIZACIÓN (5
semanas)
1.1 Discriminante lineal
1.1.1 Concepto de distancia
1.1.2 Ecuaciones de Fisher
1.2 Análisis de clúster y k-vecinos más cercanos
1.2.1 Algoritmos de Clustering
1.2.2 Métodos jerárquicos
1.2.3 K Vecinos más cercanos
1.3 Soporte de maquina vectorial
1.3.1 Aplicaciones
1.3.2 SVM Lineal
1.3.3 Kernel No Lineales
1.3.4 El truco del Kernel en SVM
1.3.5 SVC
1.4 Naive Bayes
1.4.1 Principios del método de Naive Bayes
1.4.2 Construcción del clasificador
1.4.3 Estimación de parámetros
1.4.4 Aplicaciones
1.4.5 Ventajas y desventajas
UNIDAD 2 ANÁLISIS DE SENTIMIENTOS Y TEXT MINING (1 semanas)
2.1 Text Mining
2.1.1 Introducción a Text Mining
2.1.2 Métodos de Análisis en Text Mining
2.1.3 Técnicas de Visualización en Text Mining
2.2 Análisis de redes sociales
2.2.1 Análisis de sentimientos
2.2.2 Léxicos
UNIDAD 3 MACHINE LEARNING (7 semanas)
 FACULTAD DE CIENCIAS E INGENIERÍA
1IND51 - ANALYTICS 2

3.1. ¿Qué es Machine Learning?

3.1.1 Aprendizaje Supervisado
3.1.2 Aprendizaje no Supervisado
3.1.3 Escalar modelos
3.2. Reducción dimensional
3.2.1 Análisis de principales componentes
3.2.2 Validación de principales componentes
3.3. Análisis de regresión lineal múltiple
3.3.1 Principios de varianza, normalidad y Homocedasticidad
3.3.2 Análisis de regresión lineal generalizado
3.4. Análisis de regresión logística

Examen Parcial (1 semana)

3.5. Arboles de clasificación

3.5.1 Árboles de clasificación
3.5.2 Árboles de regresión
3.5.3 Medición de evaluación
3.5.4 Partición Recursiva
3.5.5 Poda
3.5.6 Ventajas y Desventajas
3.6. Reglas de Asociación
3.7. Redes neuronales
3.7.1 El modelo de la red neuronal
3.7.2 Construcción de la red neuronal
3.7.3 Arquitectura de las redes neuronales
3.7.4 Backpropagation
3.7.5 Ventajas y desventajas
3.8. Evaluación de métodos de analytics
3.8.1 Accuracy
3.8.2 Precision, Specificity and Recall
3.8.3 F1-score
3.8.4 ROC-AUC
UNIDAD 4 BIG DATA ANALYTICS (2 semanas)
4.1 Big Data Analytics
4.2 Estrategias de implementación de soluciones Big Data
4.3 Arquitectura de Hadoop
4.4 Procesamiento paralelo
4.5 MapReduce
UNIDAD 5 EXAMEN FINAL (1 semanas)
.

VII. METODOLOGÍA
El curso se desarrolla en modalidad virtual. Se desarrollan actividades síncronas y asíncronas.
Actividades síncronas donde el profesor desarrollará conceptos teóricos y ejercicios ilustrativos.
Actividades asíncronas donde el alumno deberá resolver ejercicios y casos de manera individual y
grupal.

Los principales recursos son videos de la temática desarrollada en clase, separatas de ejercicios
resueltos y propuestos, presentaciones electrónicas, guías y videos de autoestudio para los
laboratorios.

VIII. EVALUACIÓN
Sistema de evaluación
N° Codigo Tipo de Cant. Forma de Pesos Cant. Eval. Consideracion Observaciones
Evaluación Eval. aplicar los Eliminables es adicionales
pesos
 FACULTAD DE CIENCIAS E INGENIERÍA
1IND51 - ANALYTICS 2

1 Pb Práctica tipo 10 Por Promedio Pb=8 1

B
2 Ta Tarea 1 Por Promedio Ta=6 0
académica
3 Ex Examen 2 Por Ex1=3
Evaluación Ex2=3

Modalidad de evaluación: 2
Fórmula para el cálculo de la nota final
( 8Pb + 6Ta + 3Ex1 + 3Ex2 ) / 20
Aproximación de los promedios parciales No definido
Aproximación de la nota final No definido

IX. BIBLIOGRAFÍA
Referencia obligatoria
- Libro
Ahmed F. Zobaa & Trevor J. Bihl
2019
Big Data Analytics in Future Power Systems.
CRC Press is an imprint of Taylor & Francis Group.
- Libro
Ahmed F. Zobaa & Trevor J. Bihl
2019
Big Data Analytics in Future Power Systems.
CRC Press is an imprint of Taylor & Francis Group.
- Libro
BERRY L
2000
Mastering Data Mining.
Wiley
- Libro
Brown M.
2014
Data Mining for Dummies.
Published by: John Wiley & Sons, Inc., Hoboken, New Jersey
- Libro
DELMATER, H.
2001
Data Mining.
Explained Digital Press
- Libro
Graham Williams
2011
Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery.
Baltimore ¿ USA
- Libro
Gurney, Kevin
1997
An introduction to neural networks.
 FACULTAD DE CIENCIAS E INGENIERÍA
1IND51 - ANALYTICS 2

London: UCL Press

- Libro
HAN, J., KAMBER, M., y PEI, J.
2012
Data Mining: Concepts and Techniques.
3.a edición. Massachusetts: Morgan Kaufmann Publishers.
- Libro
HAN, J. y KAMBER, M.
2001
Data mining: Concepts and techniques.
Morgan Kauffman
- Libro
Hand, David.
2001
Principles of data mining.
Cambridge, MA: MIT Press
- Libro
Johannes Ledolter.
2013
Data mining and business analytics with R.
Published by John Wiley & Sons, Inc., Hoboken, New Jersey
- Libro
JOHNSON, R. y WICHERN,D.
2002
Applied multivariate statistical analysis.
Prentice Hall.
- Libro
Kerry Koitzsch
2017
Pro Hadoop Data Analytics: Designing and Building Big Data Systems using the Hadoop
Ecosystem.
Apress - Sunnyvale, California, USA.
- Libro
Kerry Koitzsch
2017
Pro Hadoop Data Analytics: Designing and Building Big Data Systems using the Hadoop
Ecosystem.
Apress - Sunnyvale, California, USA.
- Libro
Luís Torgo
2011
Data Mining with R: Learning with Case Studies.
Published by Chapman & Hall - CRC. Chapman & Hall/CRC data mining and knowledge discovery
series
[Link]
ne

- Libro
PRATT, John
1995
 FACULTAD DE CIENCIAS E INGENIERÍA
1IND51 - ANALYTICS 2

Introduction to Statistical Decision.

MIT Press
- Libro
Shmueli G., Bruce P., Stepiiens M. y Patel N.
2017
DATA MINING FOR BUSINESS ANALYTICS: Concepts, Techniques, and Applications with JMP
Pro.
Wiley. New Jersey.
- Libro
Shmueli G., Bruce P., Stepiiens M. y Patel N.
2017
DATA MINING FOR BUSINESS ANALYTICS: Concepts, Techniques, and Applications with JMP
Pro.
Wiley. New Jersey.
- Libro
Soraya Sedkaoui
2018
Data Analytics and Big Data.
Wiley - London SW19 4EU.
- Libro
Soraya Sedkaoui
2018
Data Analytics and Big Data.
Wiley - London SW19 4EU.
- Libro
WITTEN, I., FRANK, E. y HALL, M.
2011
Data Mining: Practical Machine Learning Tools and Techniques.
3.a edición. Massachusetts: Morgan Kaufmann Publishers.
- Libro
Yanchang Zhao y Yonghua Cen
2014
Data Mining Applications with R.
Published by: Academic Press is an imprint of Elsevier.
- Libro
ZHAO, Yanchang.
2015
R and Data Mining: Examples and Case Studies.
Referencia complementaria
- Libro
Angell, Robert Cooley.
2015
The integration of American society; a study of groups and institutions.
New York: McGraw-Hill Book Co.
[Link]
ne

- Libro
Baughman, Aaron K., Jiang Gao, Jia-Yu Pan, and Valery A. Petrushin.
2015
 FACULTAD DE CIENCIAS E INGENIERÍA
1IND51 - ANALYTICS 2

Multimedia Data Mining and Analytics Disruptive Innovation. Cham: Springer International
Publishing.
[Link]
ne

- Libro
Corea, Francesco
2016
Big Data Analytics: A Management Perspective.
Cham: Springer International Publishing.
[Link]
ne

- Libro
Fausto Pedro García Márquez, Benjamin Lev.
2015
Advanced Business Analytics
Springer, 2015.
[Link]
ne

- Libro
Jerry Rackley
2015
Marketing analytics roadmap: methods, metrics, and tools
Berkeley, CA : Apress, 2015.
[Link]
ne

- Libro
Oh, Seog-Chan, and Alfred J. Hildreth
2016
Analytics for smart energy management: tools and applications for sustainable manufacturing.
[Link]
ne

- Libro
Pilpel, Harriet F., and Morton David Goldberg.
2015
Big Data And Analytics: Strategic And Organizational Impacts
Springer, 2015.
[Link]
ne -Libro

- Libro
Pyne, Saumyadipta, B. L. S. Prakasa Rao, and S. B. Rao.
2016
Big Data Analytics: Methods and Applications.
New Delhi: Springer.
[Link]
ne

- Libro
Sarkar, Dipanjan.
2016
Text Analytics with Python A Practical Real-World Approach to Gaining Actionable Insights from
your Data.
[Link]
ne
 FACULTAD DE CIENCIAS E INGENIERÍA
1IND51 - ANALYTICS 2

X. POLÍTICA CONTRA EL PLAGIO

Para la corrección y evaluación de todos los trabajos del curso se va a tomar en cuenta el debido
respeto a los derechos de autor, castigando severamente cualquier indicio de plagio con la nota
CERO (00). Estas medidas serán independientes del proceso administrativo de sanción que la
facultad estime conveniente de acuerdo a cada caso en particular. Para obtener más información,
referirse a los siguientes sitios en internet
[Link]/documento/pucp/[Link]