SILABO

I. DATOS GENERALES

PROGRAMA: Maestría en Data Science

VERSIÓN: 2021 V2

CURSO: Metodologías en Data Science

CÓDIGO:

CICLO: 1er ciclo

CRÉDITOS: 3

HORAS: 48 horas (44 horas presenciales y 4 autónomas)

PROFESOR: Rosario Villalta Riega

CORREO: [email protected]

FECHAS: 18 de octubre– 29 de noviembre

HORARIO: Lunes de 6:30 P.M. a 10:30 P.M.

II. MISIÓN Y VISIÓN

MISIÓN UPC

Formar líderes íntegros e innovadores con visión global para que transformen el Perú

VISIÓN UPC

Ser líder en la educación superior por su excelencia académica y su capacidad de innovación

MISIÓN EPG

Formar profesionales, a nivel de maestría y especialidad, líderes íntegros e innovadores con visión global
para que agreguen valor en las organizaciones y la sociedad para que contribuyan a transformar el Perú
 VISIÓN EPG

Ser reconocidos por formar profesionales a nivel de maestría y especialidad con las más altas
competencias profesionales y su liderazgo en la transformación del Perú.

III. INTRODUCCIÓN

El curso desarrolla las competencias general Ciudadanía y competencia específica Resuelve problemas en
Ingeniería.

El curso describe el ciclo de una solución de Data Science desde la contextualización de un problema de
negocio hasta la entrega de la solución, identificando las áreas de conocimiento necesarias de aplicar, el
perfil del equipo Data Science y definición de indicadores de éxito del proyecto.

IV. LOGRO DEL CURSO

Al finalizar el curso y alienado a los objetivos empresariales el participante identifica con claridad los
conocimientos técnicos y no técnicos que debe desarrollar como Data Scientist para definir y gestionar
un proyecto de Ciencia de Datos, identificando con claridad las tareas por desarrollar en cada etapa
metodológica del proyecto y definiendo indicadores que permitan definir el éxito del mismo.

V. LOGROS DE LAS UNIDADES DE APRENDIZAJE Y CRONOGRAMA DE ACTIVIDADES

SESIÓN/ LOGRO DE LA UNIDAD TEMARIO ACTIVIDADES LECTURAS

HORAS
Fundamentos de Data Presentación curso Cady F (2017)
El alumno identifica el glosario de Science. Data Science
términos y palabras reservadas Historia: evolución y Apertura Handbook. Cap
Sesión en ciencia de datos, así como las futuro del Data Exposición del II
1-2 perspectivas de la especialización Science profesor
8 horas en los negocios de hoy en el Pautas para
corto, mediano y largo plazo Trabajo Grupal

Sesión 3 El alumnos identifica las El equipo Data Science Exposición del Cady F (2017)
-5 metodologías a seguir en un Metodologias en Data profesor Data Science
12 horas proyecto Data Science, así como Science: artefactos, Presentación de Handbook. Cap
las habilidades requeridas en entregables trabajo grupal, II
cada rol a ser ejecutado evaluación
continua
Sesión 6 El alumno identifica las áreas de Cuerpo de Exposición del Weiss (2018)
a9 conocimiento del mundo de la Conocimiento del Data profesor Data Science:
24 horas ciencia de datos, revisando los Science Presentación de The impact of
principales conceptos y Principales modelos, Trabajos grupales statistic.
algoritmos asociados a cada área validación y Evaluación Kume HIroshi
así como su ámbito de aplicación experimentación. continua (2002)
Herramientas
Básicas para el
Mejoramiento de
la Calidad. Cap
II,III,VI.VII
Mueller J(2020)
Deep Learning,
Parte I (cap 1 y 2 )

Sesión Metodología de investigación Entrega de Resultados Exposición del Cady F (2017)

10 y 11 como complemento al desarrollo al Negocio profesor Data Science
8 horas de un proyecto en Data Science. Herramientas en Data Presentación de Handbook. Cap
Técnicas y herramientas en Data Science Trabajo grupal III y V
Science Evaluación Cole
continua Nussbaumer
Knaflic (2015)
Storytelling with
Data- Cap I. VIII
Sesión El alumno presenta la definición Presentación de Presentación del
12 de un proyecto en ciencia de Proyectos de Fin de Trabajo de Fin de
4 horas datos aplicando de manera Curso Curso
consolidada los conceptos Evaluación Final
aprendidos en el curso

VI. METODOLOGÍA

Metodología UPC: De acuerdo con el Modelo Educativo, la formación integral en la UPC, que tiene como
base el desarrollo de competencias, se promueve a través de un proceso de enseñanza-aprendizaje en el
que el estudiante, cumple un rol activo en su aprendizaje, construyéndolo a partir de la reflexión, análisis,
discusión, evaluación, exposición e interacción con tus pares, y conectándolo con tus experiencias y
conocimientos previos. Por ello, cada sesión estará diseñada para ofrecerle al estudiante diversas
maneras de apropiarse y poner en práctica el nuevo conocimiento, reconociendo la importancia que esto
tiene para su éxito profesional.

Metodología del curso: Las clases teóricas se complementarán con la participación de los
alumnos y sus aportes de acuerdo a su experiencia. Asimismo, se desarrollarán casos prácticos
para ser resueltos en grupos de trabajo. Aproximadamente será un 40% de enseñanza y 60% de
casos prácticos y trabajos grupales. Uno de los factores más importantes en el aprendizaje estará
en la participación activa de los alumnos y en su dinámica como grupo

VII. EVALUACIÓN

1. DESCRIPCIÓN DE LOS MEDIOS DE EVALUACIÓN

Participación en clase ……. 20%

Trabajo Final Grupal ……. 30%

Tareas Grupales ……. 25%

Controles de lectura …….. 25%

 Participación en clase: Se evaluará la asistencia y participación durante las sesiones de clase

(20%). En especial la participación en cada sesión, y desarrollo de ejercicios.
 Trabajo Grupal: Se evaluará un trabajo grupal que será desarrollado desde las primeras
sesiones.
 Tareas Grupales: Se evaluarán tareas que serán desarrolladas como parte de una evaluación
continua
 Controles de Lectura: Habrá controles de lectura de 20 minutos de duración que serán
individuales (20%). Se preguntarán conceptos básicos sobre las lecturas a leer en casa y su
preparación previa.

2. CRONOGRAMA DE EVALUACIÓN

MEDIO DESCRIPCION OBSERVACION FECHA/SEMANA PESO (%)

TB Trabajo Final Evaluación grupal Semana 12 30%
CL Promedio de Evaluación Semana 12 25%
Control de individual
Lectura
TA Promedio tareas Evaluación grupal Semana 12 25%
PA Participación Evaluación Semana 12 20%
Individual

3. FÓRMULA DE EVALUACIÓN

PF = = 0.25 CL + 0.25 TA + 0.20 PA + 0.30 TF

VIII. BIBLIOGRAFÍA

1. BIBLIOGRAFÍA BÁSICA

Alpaydin (2014) Introduction to Machine Learning. Proquest Ebook

Cady F (2017) Data Science Handbook.

Cole Nussbaumer Knaflic (2015) Storytelling with Data : A Data Visualization Guide for Business
Professionals

Gomez Marcelo (2018) Introducción a la metodología de la investigación científica

Kume HIroshi (2002) Herramientas Básicas para el Mejoramiento de la Calidad

Weiss (2018) Data Science: The impact of statistic

2. BIBLIOGRAFÍA COMPLEMENTARIA

Yang, Bingbing ; Zheng, Xin ; Guo, Ping. (2018) Software Metrics Data Clustering for Quality Prediction

Touzi et al (2012) Cluster_KDD: A Visual Clustering and Knowledge Discovery Platform Based on Concept
Lattice