ICD-MaIE

Carlos Andrés Viteri Mera

C.C. N.° 87.069.670

caviteri@udenar.edu.co

TEÓRICAS

PRÁCTICAS

ADICIONALES

TOTALES

Coordinador MaIE

El curso adopta un enfoque práctico, utilizando problemas reales y datasets de diversos dominios (economía, redes eléctricas, salud, mercado inmobiliario) para que el estudiante aprenda no solo a calcular métricas, sino a derivar hallazgos relevantes fundamentados en datos.

2.     Comprender y aplicar conceptos de probabilidad y estadística para analizar información.

3.     Diagnosticar y corregir problemas comunes en datasets reales (valores nulos, inconsistencias, outliers) mediante técnicas de Data Wrangling.

4.     Crear visualizaciones efectivas de datos que faciliten la toma de decisiones.

5.    Entrenar, validar e interpretar modelos predictivos de regresión y clasificación, entendiendo las métricas de error para la evaluación de su desempeño.

Como parte de la metodología se impartirán clases magistrales, se desarrollarán talleres con sustentación oral y se propondrá un proyecto final para ser desarrollado y sustentado por los estudiantes. Esta metodología está acorde con la visión pedagógica de la maestría, que se centra en la resolución de problemas a través de proyectos reales.

Cuatro talleres prácticos con los siguientes pesos sobre la nota final.

Taller 1: 22.5%

Taller 2: 22.5%

Taller 3: 12.5%

Taller 4: 12.5%

Proyecto final con un peso de 30% sobre la nota final.

Se evaluará la habilidad de los estudiantes para analizar e inferir información y realizar presentaciones técnicas a todo tipo de audiencias.

(5 semanas)

1. Motivación y Herramientas Computacionales (1,5 semanas): El flujo de trabajo en un problema de análisis de datos, introducción al manejo de Python y Pandas.

·         Dataset: Gapminder – datos sociales y económicos mundiales.

1. Fundamentos de Probabilidad y Estadística (2 semanas): Variables aleatorias discretas y continuas, medidas de tendencia central y dispersión, funciones de distribución, probabilidad condicional y correlación.

·         Dataset: Student Performance in Exams.

1. Limpieza de Datos – Data Wrangling (1 semana): Manejo de valores nulos (imputación con media/mediana vs. eliminación), detección de duplicados, corrección de tipos de datos.

·         Dataset: Used Cars.

1. Análisis Exploratorio de Datos – EDA (1 semana): Visualización de datos con Python (Matplotlib, Seaborn), conversión de variables categóricas a numéricas, escalamiento de datos.

·         Dataset: NYC Airbnb Open Data.

Taller 1

(5 semanas)

1. Fundamentos de Procesos Estocásticos (4 semanas): definiciones, valor esperado, autocorrelación, autocovarianza, correlación cruzada, covarianza cruzada, estacionariedad, ergodicidad,
2. Ruido blanco, procesos AR, MA y ARMA para generación de datos sintéticos.
3. Inferencia y estimación de parámetros.

·         Datasets: Irradiancia solar (energía fotovoltaica), series de tiempo financieras.

(2 semanas)

1. Construcción de Modelos 1 – Regresión Lineal: regresión lineal univariada y múltiple, train/test split, métricas de error (MAE, MSE, RMSE, R²).

·         Dataset: Medical Insurance Costs.

1. Construcción de Modelos 2 – Regresión Logística, clasificadores.
2. Pruebas de hipótesis.

·         Datasets: Irradiancia solar (energía fotovoltaica), series de tiempo financieras, señales biológicas.

El Magíster en Ingeniería Electrónica de la Universidad de Nariño …

Robert Gallager, Stochastic Processes: Theory and Applications, Cambridge University Press, 2013.

J. Blitzstein y J. Hwang, Introduction to Probability, 2da edición, CRC Press, 2019.

J. Grus, Ciencia de datos desde cero: Principios básicos con Python, 2da edición, Anaya Multimedia, 2020.

Material disponible en línea: https://scikit-learn.org/stable/modules/linear_model.html#regression

Germán Darío Obando Bravo

Departamento de Electrónica

Carlos Andrés Viteri Mera

Departamento de Electrónica