SÍLABO DE LA ASIGNATURA: INTELIGENCIA DE NEGOCIOS 1. DATOS GENERALES Y ESPECÍFICOS DE LA ASIGNATURA Unidad Académica: Carrera: Eje de formación: Tipo de asignatura
Facultad Ciencias Informáticas Ingeniería en Sistemas (11085) Formación profesional Obligatoria
Organización del tiempo:
Componente presencial Horas en otros Total componente escenarios 50 14 64 Sistemas Corporativos de Gestión Ing. Jorge Iván Pincay Ponce
Periodo académico / Semestre: Paralelo: Año lectivo:
Horas teóricas
Pre requisito: Docente/s responsable/s:
2. RELACIÓN DE LA ASIGNATURA CON EL PERFIL DE EGRESO Competencia del perfil Nivel de Nivel de dominio de de egreso impacto la competencia (asignatura) MEDIO Utiliza tecnologías y herramientas actuales y emergentes acordes a las necesidades del entorno
Organizar y aplicar herramientas de Inteligencia de Negocios, relacionados con el estudio, el aprendizaje y la solución de problemas de toma de decisiones, aplicando las metodologías de extracción de conocimientos, con iniciativa, creatividad y actitud científica.
2018 / 2 A 2018 - 2019
Componente autónomo
Total horas
Créditos
64
128
4
Desempeños esperados (por unidad) Analiza conceptos básicos de Inteligencia de negocio. Identifica herramientas actuales para toma de decisiones. Manipula conceptos básicos de Big Data. Analiza conceptos básicos de Minería de Datos Identifica herramientas actuales para realizar minerías de datos Manipula algoritmos de aprendizajes Analiza y monitorea datos usando técnicas de Pronóstico Analiza conceptos básicos de Minería de Proceso Identifica herramientas actuales para realizar minería de proceso Manipula algoritmos para Process mining
3. ESTRUCTURA CONCEPTUAL Y DESARROLLO METODOLÓGICO DE LA ASIGNATURA Nombre de la actividad curricular: Desempeños esperados: Indicadores de verificación Elabora exposición de tópicos mostrando características de Inteligencia de Negocio
1. Introducción a Inteligencia de Negocios – IN (Business Intelligence – BI) Analiza conceptos básicos de Inteligencia de negocio. Identifica herramientas actuales para toma de decisiones. Manipula conceptos básicos de Big Data. COMPONENTE PRESENCIAL Contenidos Procesos Recursos Horas Actividades Escenarios de didácticos y didácticos prácticas aprendizaje estrategias Presentación Conferencia Diapositivas Resolución de Aula de clases, Definiciones Exposición grupal Bibliografía problemas concretos y Clasificación de B.I. Internet al tema Aula virtual 4 Tecnologías de B.I. Big Data Tendencias en B.I. Horas teóricas del componente presencial
Nombre de la actividad curricular: Desempeños esperados: Indicadores de verificación Aplica y presenta técnicas de data mining a casos con datos reales.
4
Horas prácticas del componente presencial
Hora s
COMPONENTE AUTÓNOMO Actividad Horas
4
Horas del componente autónomo
4
2. Data Mining Analiza conceptos básicos de Minería de Datos Identifica herramientas actuales para realizar minerías de datos Manipula algoritmos de aprendizajes COMPONENTE PRESENCIAL Contenidos Procesos Recursos Horas Actividades didácticos y didácticos prácticas estrategias Definición y tipos Conferencia Diapositivas 16 Resolución de de Data Mining. Exposición grupal Bibliografía problemas concretos Metodología Internet al tema CRISP. Algoritmos de clasificación:
Escenarios de aprendizaje Aula de clases, y Aula virtual
Hora s
COMPONENTE AUTÓNOMO Actividad Horas
4 Informe de conceptos y algoritmos de data mining y sus aplicaciones
32
Nombre de la actividad curricular: Desempeños esperados: Indicadores de verificación
2. Data Mining Analiza conceptos básicos de Minería de Datos Identifica herramientas actuales para realizar minerías de datos Manipula algoritmos de aprendizajes COMPONENTE PRESENCIAL Contenidos Procesos Recursos Horas Actividades didácticos y didácticos prácticas estrategias Árboles de decisiones, reglas de asociación, etc. Algoritmos de conglomerados. Text Mining. Horas teóricas del componente presencial
Nombre de la actividad curricular: Desempeños esperados:
16
Escenarios de aprendizaje
Horas prácticas del componente presencial
Hora s
COMPONENTE AUTÓNOMO Actividad Horas
Horas del componente autónomo
4
3. Técnicas de Forecasting Analiza y monitorea datos usando técnicas de Pronóstico
Indicadores de verificación
Contenidos
Aplica y presenta técnicas de pronósticos con datos reales.
Introducción a los pronósticos. Metodología para pronóstico Promedios Móviles y Suavizamiento exponencial Modelo ARIMA
Procesos didácticos y estrategias Conferencia Exposición grupal
COMPONENTE PRESENCIAL Recursos Horas Actividades didácticos prácticas Diapositivas Bibliografía Internet
16
Resolución de problemas concretos al tema
Escenarios de aprendizaje Aula de clases, y Aula virtual
Hora s
COMPONENTE AUTÓNOMO Actividad Horas
4 Informe de conceptos y aplicaciones de Forecasting
32
Nombre de la actividad curricular: Desempeños esperados: Indicadores de verificación
3. Técnicas de Forecasting Analiza y monitorea datos usando técnicas de Pronóstico Contenidos
Procesos didácticos y estrategias
COMPONENTE PRESENCIAL Recursos Horas Actividades didácticos prácticas
Horas teóricas del componente presencial
Nombre de la actividad curricular: Desempeños esperados: Indicadores de verificación Analiza y presenta monitoreo de procesos usando Process Mining
16
Escenarios de aprendizaje
Horas prácticas del componente presencial
Hora s
COMPONENTE AUTÓNOMO Actividad Horas
Horas del componente autónomo
4
4. Process Mining Analiza conceptos básicos de Minería de Proceso Identifica herramientas actuales para realizar minería de proceso Manipula algoritmos para Process mining COMPONENTE PRESENCIAL Contenidos Procesos Recursos Horas Actividades didácticos y didácticos prácticas estrategias Introducción a Conferencia Diapositivas Resolución de Minería de Exposición grupal Bibliografía problemas concretos procesos. Internet al tema Tipos de Minería de Procesos. 14 Estructura de Log files. Herramientas de Minería de Procesos Horas teóricas del componente presencial
14
Escenarios de aprendizaje
Hora s
COMPONENTE AUTÓNOMO Actividad Horas
Aula de clases, y Aula virtual
Horas prácticas del componente presencial
2
2
Horas del componente autónomo
4. CRITERIOS NORMATIVOS DE EVALUACIÓN DE LA ASIGNATURA Ámbito Estrategias Escenario/Indicadores evaluativas
Ponderaci ón
1-2
30%
Definición de Técnicas de Inteligencia de Negocios Modelamiento de proceso de minería de datos. Modelamiento de estructuras de minería de datos.
6-8
15%
3-5
15%
Instrumento de evaluación Aula de clases Aula de clases
8 9 - 11
40% 30%
Aplicación de Técnicas de Pronósticos Análisis de proceso con minería de procesos.
12 - 15
15%
12 - 15
15%
Parcial
Semana
Producción (Trabajo autónomo)
Informes
Producción (Prácticas)
Construcción de modelos
Acreditación Actuación
Reactivos Exposiciones grupales Exposiciones individuales
Producción (Autónomo) Producción (Prácticas)
Informes
mpeñ o
Resolución de problemas
deseIndica dores de
Exposiciones individuales
Aula de clases
Escenario de aprendizaje
Exposiciones grupales
Resolución de problemas
Escenario de aprendizaje
SEGUNDO
PRIMER PARCIAL
Actuación
Aula de clases
Estrategias evaluativas
Acreditación
Reactivos
Escenario/Indicadores
Semana
Ponderaci ón
16
40%
Indicadores de desempeño
PARCIAL Parcial
Ámbito
Instrumento de evaluación
5. REFERENCIAS (Física y/o Digital) Básica: Curto, D. J. (2016). Introducción al business intelligence. Retrieved from https://ebookcentral.proquest.com/lib/uleamecsp/reader.action?ppg=1&docID=4824060&tm=1523376840132 Gironés, J., Casas, J., & Minguillón, J. (2017). Minería de datos: modelos y algoritmos. Retrieved from https://ebookcentral.proquest.com/lib/uleamecsp/reader.action?ppg=1&docID=5045398&tm=1523378320333 García, D. J. C. (2016). Predicción en el dominio del tiempo: análisis de series temporales para ingenieros. Retrieved from https://ebookcentral.proquest.com/lib/uleamecsp/reader.action?ppg=10&docID=4795086&tm=1523378679024 Orellana, G. A. (2016). Modelo para la detección de variabilidad en procesos hospitalarios utilizando técnicas de minería de procesos. Retrieved from https://ebookcentral.proquest.com/lib/uleamecsp/reader.action?ppg=9&docID=4946015&tm=1523378993642 Complementaria: Howson, C. (2009). Business intelligence: estrategias para una implementación exitosa. Retrieved from https://ebookcentral.proquest.com/lib/uleamecsp/reader.action?ppg=6&docID=3191903&tm=1523377422384 Web: 1. Congreso colombiano de Inteligencia de Negocios: http://colbi.upb.edu.co/ 2. 80+ Free Data Science Books: http://www.datasciencecentral.com/profiles/blogs/80-free-data-science-books 3. Try R: http://tryr.codeschool.com/ 4. Process Mining Manifesto: http://www.tue.nl/dsce/ 5. Libro online para Pronósticos: http://robjhyndman.com/hyndsight/forecasting/
6. PERFIL DEL PROFESOR QUE IMPARTE LA ASIGNATURA Ingeniero en Sistemas por la Universidad Laica Eloy Alfaro de Manabí (Ecuador), Diplomado en Educación Universitaria por Competencias por la Universidad del Azuay (Ecuador), Máster en Gestión de TICs por la Universidad Nacional de Piura (Perú), Máster en Ingeniería de Software por la Universidad de Alcalá (España) y Doctorando en Informática por Universidad Nacional de Plata (Argentina). Docente en la ULEAM desde el 2008 en la Carrera de Ingeniería en Sistemas. Estudiante certificado en MOOCs de universidades de USA, Bélgica y España. Autor y coautor de varias ponencias y publicaciones relacionadas a la planeación estratégica de TI en PYMES; diseño curricular y modelos didácticos aplicables en la educación superior; y la accesibilidad del contenido en la web. Autor de los libros: Prototipos de videojuegos para PC (2016), ISBN: 978-3-639-85287-5; M&M TICs, Modelando el planeamiento estratégico de tecnologías de información en las PYMES (2016), ISBN: 978-9942-959-55-3; Una Web para Todos. Comprendiendo y aplicando las WCAG 2.0. (2017), ISBN: 978-9942-959-81-2; y co-autor del libro Educación Superior y Formación del Profesorado. Dimensión social, Innovación docente, Pertinencia curricular y Gobernanza y Política, ISBN: 978-84-09-00078-4.
7. VISADO ELABORACIÓN
APROBACIÓN Y REGISTRO DEL SÍLABO REVISIÓN
APROBACIÓN
_____________________________________________________________________________________ Sílabo de la Asignatura: Inteligencia de Negocios – Ingeniería en Sistemas 2018 - 2019
Firma
(f) Docente Responsable FECHA: 4 de octubre de 2018
Firma y sello
(f) Comisión Académica FECHA:
Firma y sello
(f) Decano/a FECHA:
_____________________________________________________________________________________ Sílabo de la Asignatura: Inteligencia de Negocios – Ingeniería en Sistemas 2018 - 2019