I.

INFORMACIÓN GENERAL

CURSO : Business Predictive Analytics

CÓDIGO : SI709
CICLO : 202301
CUERPO ACADÉMICO : Matos Sánchez, Edilberto Christian Martín
Rodriguez Castillo, Hugo Maximiliano
CRÉDITOS : 4
SEMANAS : 16
HORAS : 4 H (Teoría) Semanal
ÁREA O CARRERA : Computacion E Informatica

II. MISIÓN Y VISIÓN DE LA UPC

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

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

III. INTRODUCCIÓN

Descripción:
El curso de Business Predictive Analytics inicia sentando las bases sobre el análisis de datos y las disciplinas
con las cuales se interrelaciona. Se enfatiza en el ecosistema de herramientas open source a utilizar a lo largo
del curso, así como en los conceptos, definiciones claves, técnicas y su puesta en práctica a través de notebooks
de código con la finalidad de desarrollar un proyecto de Machine Learning, desde la concepción, identificación
de la fuente de datos, tratamiento, transformación de datos, continuando con la utilización de algoritmos para la
modelización del caso de negocio y la evaluación de los resultados a través de métricas. Dado la naturaleza del
curso se proponen actividades de investigación y autoaprendizaje que complementan y aportan al análisis de
datos.
Propósito:
El curso de Business Predictive Analytics tiene como propósito brindar a los estudiantes las competencias para
el desarrollo de proyectos y/o soluciones de analítica predictiva de datos enfocada en soluciones de negocio y la
generación de valor en las organizaciones.
El curso contribuye directamente al desarrollo de la competencia general de razonamiento cuantitativo (nivel 2)
para la carrera de Ingeniería de Sistemas de Información y la competencia específica Aprendizaje continuo
(nivel 2). Tiene como requisito el curso de MA642 Estadística Aplicada.

IV. LOGRO (S) DEL CURSO

Al finalizar el curso el estudiante, a partir de los tópicos vistos en clase y las actividades de autoaprendizaje,
podrá desarrollar una solución, enmarcado en un proyecto de analítica predictiva que permita la mejor toma de
decisiones de un caso de negocio propuesto, debidamente sustentado, siguiendo la metodología y/o
aproximaciones expuestas en el curso, que permita el uso de las técnicas adecuadas para tratamiento de datos,
entrenamiento, validación, evaluación y optimización de modelos predictivos de machine learning enfocado en

1
los negocios. Así como comunicar los resultados y diversos insights identificados en el análisis del caso para
finalmente exponerlos en un entorno productivo controlado

Competencia 1:Razonamiento Cuantitativo

Nivel de Logro: 2
Definición: Capacidad para interpretar, representar, comunicar y utilizar información cuantitativa diversa en
situaciones de contexto real. Incluye calcular, razonar, emitir juicios y tomar decisiones con base en esta
información cuantitativa.

Competencia 2: Aprendizaje contínuo y autónomo

Nivel de Logro: 2
Definición: La capacidad de adquirir y aplicar nuevos conocimientos según sea necesario, utilizando estrategias
de aprendizaje apropiadas..

V. UNIDADES DE APRENDIZAJE

UNIDAD Nº: 1 Fundamentos de Análisis Predictivo y Machine Learning

LOGRO
Competencia(s):
Razonamiento Cuantitativo
Aprendizaje contínuo y autónomo

Logro de la unidad: Al finalizar la unidad, el alumno comprende de manera práctica, las funciones básicas de Google
Analytics, entre las que se incluyen cómo crear una cuenta, implementar un código de seguimiento, analizar informes
básicos y configurar el seguimiento de campañas y objetivos.

TEMARIO
Teoría:
-Data como protagonista
-Tipos de análisis
-Campos en el análisis de datos
-Como hacer un proyecto de Machine Learning
-Setup de un ambiente de Análisis de Datos (conda y/o Google collab)
-Requisito: Algebra Lineal
-Temas de investigación propuestos
Laboratorio:
-Creación de un entorno de analítica predictiva con Laboratorio:
-Notebooks de aplicación

HORA(S) / SEMANA(S)
Semanas 1.

UNIDAD Nº: 2 Business Understanding

LOGRO
Competencia(s):
Razonamiento Cuantitativo
Aprendizaje contínuo y autónomo

2
 Logro de la unidad:
Al finalizar la unidad, el alumno comprende la manera comparar el rendimiento de distintos canales de marketing y
averiguar qué fuentes le envían el tráfico y las conversiones de más calidad.

TEMARIO
Teoría:
-Terminología básica
-Áreas de Machine Learning
-Tipos de Variable
-Business Understanding
Laboratorio:
-Notebooks de aplicación:

HORA(S) / SEMANA(S)
Semana 2

UNIDAD Nº: 3 Data Pre-Processing (Data Collect, Data Quality & Cleaning, EDA, Data Transformation)

LOGRO
Competencia(s):
Razonamiento Cuantitativo
Aprendizaje contínuo y autónomo

Logro de la unidad: Al finalizar la unidad, el alumno comprende los obstáculos que tendrá que afrontar en su búsqueda
por convertirse en un analista orientado a los datos. La búsqueda se basa en el planteamiento y modelo mental
adecuado y en el hecho de pensar de forma diferente e internalizar el coste de las decisiones.

TEMARIO
Teoría:
-Recolectar datos
-Data Collect
-Data Quality & Cleaning (duplicados, nulos, outliers, etc.)

Lab:
- Notebook de aplicación
Teoría:
-Análisis Exploratorio de datos (EDA) (Conclusiones analíticas y entendimiento de los datos)
-Requisito: Estadística
Lab:
- Notebook de aplicación
Teoría:
-Data Transformation (Feature Engineering: (Encoding, Reescalado, Text and Date Data, Numerical)
Laboratorio:
- Notebooks de aplicación
Teoría:
-Sistemas de recomendación
Laboratorio:
- Notebooks de aplicación
Exposición de trabajos parciales
Evaluación Parcial

3
HORA(S) / SEMANA(S)
Semana 3, 4, 5 ,6 ,7 y 8

UNIDAD Nº: 4 Modelización y Evaluación

LOGRO
Competencia(s):
Razonamiento Cuantitativo
Aprendizaje contínuo y autónomo

Logro de la unidad: Al finalizar la unidad, el alumno comprende las mejores prácticas y consejos para hacer frente a las
mayores barreras y crear una estrategia de medición web que sea productiva.

TEMARIO
Teoría:
Modelización
-Regresión
-Regresión Logística
Métricas de Evaluación
-Target continua: R2, MAE, MAPE, MSE y RMSE (regresión)
-Target dicotómica: Matriz de confusión, acurracy, recall, precision, F1-Score, Especificidad, AUC, Gain Chart y
Curva ROC
Lab:
- Notebook de aplicación
Teoría:
-Arboles de decisión (Supervisado)
-Bagging y Boosting
Random Forest
XGBoost
Lab:
- Notebook de aplicación
Teoría:
-KNN (Supervisado)
-K-Means (No Supervisado)
-Market Basquet Analysis
Lab:
- Notebook de aplicación
-Revisión de temas de investigación

HORA(S) / SEMANA(S)
Semanas 9, 10, 11 y 12

UNIDAD Nº: 5 Optimización y Comunicación de resultados

LOGRO
Competencia(s):

Razonamiento Cuantitativo
Aprendizaje Continuo

4
 Logro de la unidad: Al finalizar la unidad, el alumno aplica técnicas avanzadas para optimizar la modelización y
comunica los resultados con enfoque en el negocio

TEMARIO
Teoría:
-Hiperparametrización (GridSearch)
-Feature Selection o Preselección de variables
Lab:
- Notebook de aplicación
Teoría:
-Librería imbalanced-learn
-Balanceo de datos (oversample y undersample)
-Comunicación de resultados enfocados en el negocio
Lab:
- Notebook de aplicación
Exposición de proyectos grupal

HORA(S) / SEMANA(S)
Semanas 13, 14, 15 y 16

VI. METODOLOGÍA

El Modelo Educativo de la UPC asegura una formación integral, que tiene como pilar el desarrollo de
competencias, las que se promueven a través de un proceso de enseñanza-aprendizaje donde el estudiante
cumple un rol activo en su aprendizaje, construyéndolo a partir de la reflexión crítica, análisis, discusión,
evaluación, exposición e interacción con sus pares, y conectándolo con sus experiencias y conocimientos
previos. Por ello, cada sesión está diseñada para ofrecer al estudiante diversas maneras de apropiarse y poner en
práctica el nuevo conocimiento en contextos reales o simulados, reconociendo la importancia que esto tiene
para su éxito profesional.
El curso se desarrolla en sesiones tanto teóricas como laboratorio-taller, en las cuales se fomenta la
participación individual y grupal de los alumnos, el debate y la sustentación de argumentos. El profesor
cumplirá el rol de facilitador y compartirá sus experiencias en clase contribuyendo al crecimiento profesional
del estudiante.
El cumplimiento del logro de cada una de las unidades responde a la base sobre la que se trabajará el siguiente,
por lo que de esta manera y mediante actividades de aplicación de conceptos, sesiones de trabajo colaborativo e
individuales, sustentación de trabajos y actividades virtuales, el alumno irá adquiriendo las habilidades y
competencias para la aplicación de análisis predictivo enfocado en los negocios, a través de un proyecto de
Machine Learning al final de todo el ciclo. El estudiante deberá dedicar al menos cuatro horas a la semana fuera
del horario de clases para revisar los apuntes de las sesiones, leer lecturas propuestas, desarrollar los casos
propuestos, desarrollar investigaciones, estudiar, practicar los laboratorios realizados en clase, reunirse para
construir progresivamente el proyecto del curso y desarrollar las actividades complementarias.

5
VII. EVALUACIÓN

FÓRMULA
10% (PC1) + 10% (TP1) + 20% (EA1) + 10% (PC2) + 15% (TF1) + 15% (DD1) + 20% (EB1)

TIPO DE NOTA PESO %

PC - PRÁCTICAS PC 10
TP - TRABAJO PARCIAL 10
EA - EVALUACIÓN PARCIAL 20
PC - PRÁCTICAS PC 10
TF - TRABAJO FINAL 15
DD - EVAL. DE DESEMPENO 15
EB - EVALUACIÓN FINAL 20

6
VIII. CRONOGRAMA

TIPO DE DESCRIPCIÓN NOTA NÚM. DE FECHA OBSERVACIÓN RECUPERABLE

PRUEBA PRUEBA
PC PRÁCTICAS PC 1 Semana 6 Evidencia de SÍ
a p r e n d i z a j e :
Fundamenta los
conceptos de análisis
predictivo y Machine
Learning en los negocios
y Entendimiento del
Negocio Competencias
e v a l u a d a s :
Razonamiento
cuantitativo Aprendizaje
continuo Práctica
individual
TP TRABAJO PARCIAL 1 Semana 7 E v i d e n c i a de NO
aprendizaje: Trabajo de
investigación y
sustentación del
proyecto parcial del
curso Competencia
e v a l u a d a :
Razonamiento
cuantitativo Aprendizaje
continuo Trabajo grupal
EA EVALUACIÓN PARCIAL 1 Semana 8 E v i d e n c i a de SÍ
a p r e n d i z a j e :
Entendimiento del
negocio, Data Pre-
Processing y
conclusiones de análisis
Competencias
e v a l u a d a s :
Razonamiento
cuantitativo Aprendizaje
continuo Evaluación
individual
PC PRÁCTICAS PC 2 Semana 14 0 4 P C 2 P r á c t i c a SÍ
calificada 10% 12
Evidencia de
aprendizaje: Modeliza y
evalúa los resultados de
algoritmos Machine
Learning Competencia
evaluada: Razonamiento
cuantitativo Aprendizaje
continuo Práctica
individual
TF TRABAJO FINAL 1 Semana 15 0 5 T F 1 T r a b a j o f i n a l NO
Evidencia de
aprendizaje: Proyecto
del curso de acuerdo con
m e t o d o l o g í a ,
documentado de acuerdo
a rúbrica Competencias
e v a l u a d a s :
Razonamiento
cuantitativo Aprendizaje
continuo Trabajo grupal
DD EVAL. DE DESEMPENO 1 Semana 15 E v i d e n c i a de NO
aprendizaje: Proyecto
del curso de acuerdo con
m e t o d o l o g í a ,
documentado de acuerdo
a rúbrica Competencias
e v a l u a d a s :
Razonamiento
cuantitativo Aprendizaje
continuo Trabajo grupal

7
EB EVALUACIÓN FINAL 1 Semana 16 E v i d e n c i a d e SÍ
aprendizaje: Aplica
análisis predictivo, a
través, de un proyecto de
Machine Learning
orientado a negocio
Competencias
e v a l u a d a s :
Razonamiento
cuantitativo Aprendizaje
continuo Evaluación
individual

IX. BIBLIOGRAFÍA DEL CURSO

https://upc.alma.exlibrisgroup.com/leganto/readinglist/lists/9513105170003391?institute=51UPC_INST
&auth=LOCAL

ANEXO

En este anexo, se encuentran los reglamentos que todo alumno está obligado a leer y a cumplir en su rol de estudiante
universitario en la UPC.
REGLAMENTO DE DISCIPLINA DE ALUMNOS :
https://sica.upc.edu.pe/categoria/reglamentos-upc/sica-reg-26-reglamento-de-disciplina-de-alumnos
REGLAMENTO PARA LA PREVENCIÓN E INTERVENCIÓN EN CASOS DE HOSTIGAMIENTO SEXUAL- UPC:
https://sica.upc.edu.pe/categoria/normalizacion/sica-reg-31-reglamento-para-la-prevencion-e-
intervencion-en-casos-de-hostiga