Inteligencia computacional en negocios

SIGLA : INF3310
CURSO : INTELIGENCIA COMPUTACIONAL EN NEGOCIOS
CARÁCTER : OPTATIVO
CRÉDITOS : 5
PROFESOR : ÁLVARO SOTO
MODULOS : 2

I. DESCRIPCIÓN

Este curso familiariza al alumno con la teoría y práctica de técnicas modernas de inteligencia de máquina, destinadas a dotar a sistemas computacionales de una mayor autonomía y eficacia en el análisis de información. En el curso se estudiarán las principales técnicas utilizadas por computadores con el objeto de extraer nuevos conocimientos que permitan extraer modelos o tomar decisiones apropiadas en términos de satisfacer restricciones o actuar en forma óptima. En especial el curso se centrará en la utilización de estas técnicas en aplicaciones de marketing, producción y servicios, así como también comercio electrónico. Se pretende lograr una amplia visión del rol actual y las perspectivas futuras del uso de computadores inteligentes en el mundo empresarial.

II. OBJETIVO

Al final del curso los alumnos deberán:
• Tener un conocimiento teórico y práctico de algunas de las principales técnicas utilizadas actualmente en la creación de programas capaces de modelar incertezas, generar conocimiento, aprender con la experiencia y/o tomar decisiones en forma autónoma
• Entender los aspectos más relevantes en el desarrollo de aplicaciones computacionales capaces de procesar información con el objeto de realizar predicciones, hacer sugerencias o tomar decisiones.
• Conocer algunas de las áreas del mundo empresarial donde en la actualidad este tipo de técnicas está teniendo una amplia aceptación, así como entender sus potencialidades y limitaciones.

III. CONTENIDOS

• Introducción: Visión genérica al aprendizaje de máquina.
• Aprendizaje basado en casos.
• Reglas de asociación.
• Algoritmos de boosting: Adaboost.
• Algoritmos de clustering.
• Técnicas de selección y transformación de variables, y selección de modelos.
• Redes neurales.
• Algoritmos genéticos.
• Razonamiento probabilístico: algoritmo ingenuo de Bayes.
• Máquinas de vectores de soporte.
• Aplicaciones.

IV. METODOLOGÍA

Clases expositivas, lecturas individuales y actividades de laboratorio. El curso comenzará con una visión genérica acerca de la filosofía y metodología detrás de la creación de programas basados en técnicas de aprendizaje de máquina. Luego se presentarán desde una perspectiva teórica y práctica algunas de las técnicas más utilizadas, tales como, aprendizaje bayesiano, redes neurales, algoritmos genéticos y técnicas de clustering en general. La discusión práctica estará centrada en aplicaciones del mundo empresarial y será apoyada por actividades de laboratorio destinadas a trabajar con bases de datos reales.

V. EVALUACIÓN

La nota final del curso se calcula de acuerdo a la siguiente ponderación:
Prueba 1 30%
Prueba 2 30%
Laboratorio 1 20%
Laboratorio 2 20%

VI. BIBLIOGRAFÍA

Mitchell, T., “Machine Learning”, McGraw-Hill, 1997.
Rusell, S., Norvig, P., “Artificial Intelligence, A Modern Approach (2nd Edition)”, Prentice Hall, 2002.
Bishop, C., “Pattern Recognition and Machine Learning”, Springer, 2006.
Han, J., Kamber, M., “Data Mining: Concepts and Techniques”, Morgan Kaufmann, 2000.
Hastie, T., Tibshirani, R., Friedman, J., “The Elements of Statistical Learning: Data Mining, Inference and Prediction (2nd Edition)”, Springer, 2009.