Data Science Curso (MII707)
CASO DE USO APLICADO A LA
CIENCIA DE DATOS, TERCERA FASE
Semana: 4
Sumativa: 3
2
Aprendizaje esperado:
Seleccionar set de datos y muestreo utilizando herramientas de exploración de data y reducción de
dimensiones, considerando por ello las limitaciones en términos de cantidad de registros y variables.
Indicador/es de logro:
3.1 Describen los conceptos fundamentales de similaridad, clustering y vecindad.
3.2 Identifican conceptos de visualización de rendimiento bajo incertidumbre.
3.3 Identifican elementos de diseño experimental y pensamiento analítico para la toma de decisiones.
3.4 Utilizan razonamiento bayesiano para evidencia y razonamiento probabilístico.
Instrucciones generales
Lea con atención la experiencia de aprendizaje situado y la rúbrica correspondiente.
1. Revise los recursos de la semana y guíese en ellos para desarrollar el estudio de caso. Lea el documento
con el caso de uso aplicado a la ciencia de datos.
2. De manera grupal deben aplicar clustering, similarities, y/o best-prospect target, como herramientas y
exploración de Data en un caso de uso.
Le recordamos que contará con la posibilidad de plantear sus consultas respecto de los contenidos
tratados, en el foro “Consultas al docente”, que estará abierto durante toda la semana.
Esta es una instancia de evaluación sumativa, con calificación, que pondera un 40% de la nota final.
3
Instrucciones específicas
Lea el documento con el caso de uso aplicado a la ciencia de datos.
El estudio de caso debe presentar en su primera etapa un informe de avance escrito conteniendo lo
siguiente:
1. Introducción: se mantiene la descripción del problema exigido en la evaluación sumativa 1, mejorando
eventuales observaciones. Se debe expresar en forma escrita su entendimiento mediante el análisis
del problema, determinación de variables que se trabajaron con la data y las medidas de rendimiento,
y finalmente qué se obtuvo. (hasta 1 página)
2. Análisis preliminar de la data: descripción de la data (entendimiento), procesamiento y preparación
referido a la proveniencia de la data (básica, sin procesar, desordenada).
Se exige para esta etapa argumentar el análisis preliminar en forma definitiva, profundizando en las
fortalezas y debilidades de la data (por ejemplo, si la data está orientada a la solución del problema;
data histórica no siempre es así).
3. Modelo definitivo: deberá contener la descripción del modelo implementado, considerando una
diagramación de los conceptos fundamentales de ciencia de datos, técnicas o algoritmos que pueda
utilizar.
4. Evaluación del modelo: deberá consignar los resultados de la minería de datos y realizar una evaluación
tanto cualitativa como cuantitativa, considerando que esta evaluación es de carácter preliminar “de
laboratorio”.
Nos referimos al carácter “de laboratorio” en términos de que su evaluación es bajo este ambiente, por
lo que se deberá posteriormente y en una evaluación final (3 fase), asegurarse que el modelo satisface
el objetivo general del proyecto de inteligencia de negocios. No olvidar que el desarrollo de nuestro
modelo está orientado a la toma de decisiones de los stakeholders.
5. Desarrollo: deberá concluir su modelo mediante el desarrollo o puesta en marcha del modelo, utilizando
para ello la data de su proyecto, demostrando la utilidad del proceso. Deberá considerar discusión y
conclusiones basadas en evidencia.
Posteriormente deberá responder de acuerdo a los contenidos vistos en clases, lo siguiente:
6. Defina los conceptos de similaridad, clustering y vecindad.
7. Describa las características de una curva ROC.
8. Cuide su ortografía y redacción.
9. Respete los aspectos formales solicitados.
4
Aspectos formales
●
Debe entregar el archivo en formato Word usando el entregable, este no debe superar las 20 páginas
tamaño carta, incluida la portada y la bibliografía en formato APA (en caso de tener dudas, consultar
el apartado bibliografía en el menú del curso).
●
Para textos utilice letra Arial o Calibri, tamaño 11, interlineado 1,15 y márgenes justificados por defecto
en ambos lados.
●
El nombre del archivo se debe ajustar al siguiente ejemplo: mii707_s3grupo1, y no debe incluir tildes,
símbolos, letra “ñ”, un solo guion medio o bajo, y no superar los 20 caracteres.
●
Si se detecta plagio en su trabajo será calificado, automáticamente, con nota mínima.
●
Esta evaluación es grupal/individual, complete el entregable que se adjunta y luego envíelo en Word
a través del buzón de entrega correspondiente. Para esto:
a) Diríjanse a la sección entrega de actividad.
b) Un integrante del grupo deberá enviar el archivo final.
c) Haga clic en “Examinar mi equipo”.
d) Adjunte el archivo con la tarea (del grupo).
●
El documento deberá ser entregado durante la semana en curso.
5
A continuación, revisen la lista de cotejo asociada a la evaluación:
Rúbrica de evaluación
NIVELES DE LOGRO
CRITERIOS
EXCELENTE
100
BUENO
75
ACEPTABLE
50
INSUFICIENTE
25
NO CUMPLE
0
Introducción.
Entendimiento del
problema
(15 %)
Describe el
problema, mediante
la determinación
de variables que
se trabajaron
con la data con
las medidas de
rendimiento y lo
qué se obtuvo,
aplicando todas
las correcciones
a partir de la
retroalimentación de
la evaluación 2.
Describe el
problema, mediante
la determinación
de variables que
se trabajaron
con la data con
las medidas de
rendimiento,
omitiendo lo qué
se obtuvo o sin
aplicar una de
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe el
problema, omitiendo
la determinación
de variables que se
trabajaron con la
data o las medidas
de rendimiento, o
lo qué se obtuvo, o
sin aplicar dos de
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe el
problema, omitiendo
la determinación
de variables que se
trabajaron con la
data y las medidas
de rendimiento, y lo
qué se obtuvo, o sin
aplicar más de dos
de las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
No cumple, no
entrega introducción.
Entendimiento
de la data,
procesamiento,
preparación
(10 %)
Describe la data,
procesamiento y
preparación referido
a su proveniencia,
argumentando sobre
las fortalezas y
debilidades de ella,
aplicando todas
las correcciones
a partir de la
retroalimentación de
la evaluación 2.
Describe la data,
procesamiento y
preparación referido
a su proveniencia,
mencionando
fortalezas y
debilidades, sin
argumentarlas, o
sin aplicar una de
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe la data,
omitiendo su
procesamiento o
preparación referido
a su proveniencia,
o sus fortalezas
y debilidades, o
sin aplicar dos de
las correcciones
solicitadas en la
retroalimentación de
la evaluación 1.
Describe la data,
omitiendo su
procesamiento y
preparación referido
a su proveniencia,
y sus fortalezas y
debilidades, o sin
aplicar más de dos
de las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
No cumple, no
describe la data.
Modelo definitivo
(10 %)
Describe el modelo
implementado,
diagramando
los conceptos
fundamentales
de ciencia de
datos, técnicas o
algoritmos a utilizar,
aplicando todas
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe el modelo
a implementar,
considerando una
idea a través de
una diagramación
de los conceptos
fundamentales
de ciencia de
datos, omitiendo
las técnicas o los
algoritmos a utilizar,
o sin aplicar una
de las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe el modelo
a implementar,
omitiendo la
diagramación de
los conceptos
fundamentales de
ciencia de datos,
o las técnicas o
los algoritmos, o
sin aplicar dos de
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe el modelo
a implementar,
omitiendo la
diagramación de
los conceptos
fundamentales de
ciencia de datos, y
las técnicas y los
algoritmos, o sin
aplicar más de dos
de las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
No cumple, no
describe el modelo a
implementar.
6
Evaluación de un
modelo
(10 %)
Describe los
resultados de la
minería de datos
y realiza una
evaluación final
de laboratorio,
cualitativa y
cuantitativa,
considerando si el
modelo satisface el
objetivo general del
proyecto, y si está
orientado a la toma
de decisiones de
los stakeholders,
aplicando todas
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe los
resultados de
la minería de
datos y realiza
una evaluación
de laboratorio,
cualitativa y
cuantitativa, sin
considerar si el
modelo satisface el
objetivo general del
proyecto, o si está
orientado a la toma
de decisiones de
los stakeholders, o
sin aplicar una de
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe los
resultados de
la minería de
datos, sin realizar
una evaluación
de laboratorio,
cualitativa y
cuantitativa, o sin
considerar si el
modelo satisface el
objetivo general del
proyecto, o si está
orientado a la toma
de decisiones de
los stakeholders, o
sin aplicar dos de
las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
Describe los
resultados de
la minería de
datos, sin realizar
una evaluación
de laboratorio,
cualitativa y
cuantitativa, y sin
considerar si el
modelo satisface el
objetivo general del
proyecto, o si está
orientado a la toma
de decisiones de los
stakeholders, o sin
aplicar más de dos
de las correcciones
solicitadas en la
retroalimentación de
la evaluación 2.
No cumple, no
describe los
resultados de la
minería de datos.
Conclusión sobre el
modelo de proyecto
(25 %)
Concluye su
modelo mediante
el desarrollo o
puesta en marcha,
utilizando para
ello la data de
su proyecto,
demostrando la
utilidad del proceso
y basado en la
evidencia.
Concluye su
modelo mediante
el desarrollo o
puesta en marcha,
utilizando para
ello la data de su
proyecto, omitiendo
la demostración
de la utilidad del
proceso y basado en
la evidencia.
Concluye su
modelo mediante el
desarrollo o puesta
en marcha, sin
utilizar para ello la
data de su proyecto,
u omitiendo la
demostración de la
utilidad del proceso,
o sin basarse en la
evidencia.
Concluye su
modelo mediante el
desarrollo o puesta
en marcha, sin
utilizar para ello la
data de su proyecto,
y omitiendo la
demostración de la
utilidad del proceso,
y sin basarse en la
evidencia.
No cumple, no
concluye sobre el
modelo del proyecto.
Definición de
los conceptos
de similaridad,
clustering y
vecindad
(10 %)
Define los conceptos
de similaridad,
clustering y
vecindad.
Define los conceptos
de similaridad,
clustering y
vecindad, con hasta
un error en las
definiciones.
Define los conceptos
de similaridad,
clustering y
vecindad, con hasta
dos errores en las
definiciones.
Define los conceptos
de similaridad,
clustering y
vecindad, con más
de dos errores en
las definiciones.
No cumple, no
define los conceptos
de similaridad,
clustering y
vecindad.
Descripción de
curva ROC
(10 %)
Describe 4
características de
una curva ROC.
Describe 3
características de
una curva ROC.
Describe 2
características de
una curva ROC.
Describe 1
característica de una
curva ROC.
No cumple, no
describe curva ROC.
Redacción y
ortografía
(5 %)
El producto
entregado no posee
errores ortográficos
ni gramaticales.
El producto
entregado posee
hasta cinco errores
ortográficos y/o
gramaticales.
El producto
entregado posee
entre seis y diez
errores ortográficos
y/o gramaticales.
El producto
entregado posee
entre once y quince
errores ortográficos
y/o gramaticales.
El producto
entregado posee
más de quince
errores ortográficos
y/o gramaticales.
Cumplimiento de
aspectos formales.
(5 %)
El producto es
entregado a tiempo
y cumple con
todos los aspectos
formales indicados.
Se distinguen
citas y referencias
en norma APA,
correctamente
aplicada, según
corresponda.
El producto es
entregado a tiempo,
pero solo cumple
con 3 de los
aspectos formales
indicados. Se
distinguen citas
y referencias en
norma APA, según
corresponda, sin
embargo, existen
algunos errores en
su aplicación.
El producto es
entregado con un
máximo de 24 horas
de retraso o solo
cumple con 2 de los
aspectos formales
indicados. No utiliza
norma APA en citas
y referencias.
El producto es
entregado con
un máximo de 48
horas de retraso o
solo cumple con un
aspecto formal de
los indicados. No
utiliza norma APA en
citas y referencias.
No cumple los
aspectos formales
indicados y no utiliza
norma APA en citas
y referencias.