Introducción a la Inteligencia Artificial

1. Tema 1: Conceptos básicos de IA, ML y DL. Descripción de qué significa cada término y cómo se relacionan.
2. Tema 2: Ejemplos cotidianos de IA. Situaciones del día a día donde aparece la IA (recomendaciones, asistentes, reconocimiento básico).
3. Tema 3: Palabras clave y conceptos relacionados (datos, modelos, algoritmos, entrenamiento, predicción).

1. Actividad 1: Juego de definiciones - En parejas, definan IA, ML y DL con sus propias palabras y comparen las definiciones con ejemplos reales. Puntos clave: claridad conceptual, uso de ejemplos simples y precisión de definiciones. Aprendizajes: identificar y diferenciar términos clave.
2. Actividad 2: IA en casa - Observen dispositivos o apps de uso cotidiano y señalen qué parte podría considerarse IA, ML o DL a un nivel básico. Puntos clave: reconocer evidencia de IA en la vida diaria. Aprendizajes: correlacionar conceptos con tecnologías reales.
3. Actividad 3: Mapa mental de conceptos - Construyan un mapa mental en grupo que conecte IA, ML, DL, datos y modelos. Puntos clave: relaciones entre conceptos. Aprendizajes: visualización de la estructura conceptual.
4. Actividad 4: Adivina la tecnología - Presenten mini escenarios y planteen si la solución propicia es IA, ML o DL, explicando por qué. Puntos clave: justificación simple. Aprendizajes: aplicar criterios básicos de selección.
5. Actividad 5: Mini proyecto escolar - Identifiquen un problema cotidiano (p. ej., sugerencias de música, clasificación de fotos) y propongan si conviene usar IA/ML/DL, describiendo el enfoque a alto nivel. Puntos clave: propuesta de solución y elección razonada. Aprendizajes: aplicar conceptos a un proyecto simple.

La evaluación se centra en la comprensión de conceptos y la capacidad de distinguir entre IA, ML y DL a través de actividades y una breve evaluación escrita:

• Cuestionario corto de definiciones (IA, ML, DL) para verificar la comprensión del Objetivo General.
• Rúbrica de cada actividad para valorar claridad conceptual, uso de ejemplos y justificación de selección (objetivos específicos).
• Participación y calidad de las actividades de clase (observación formativa).

4 semanas

1. Tema 1: Diferencias clave entre IA, ML y DL. Conceptos y ejemplos claros.
2. Tema 2: Tipos de problemas y enfoques adecuados. Clasificación, predicción, reconocimiento, clustering (visión general, sin matemáticas complejas).
3. Tema 3: Guía práctica para elegir enfoque. Criterios simples basados en datos y objetivo.

1. Actividad 1: Comparación de enfoques - Analicen tres casos simples (p. ej., spam, reconocimiento de voz básico, predicción de calificaciones) y determinen si serían mejor resueltos con IA general, ML o DL. Puntos clave: criterios de selección. Aprendizajes: habilidad de decidir entre enfoques en situaciones simples.
2. Actividad 2: Clasificación de problemas - Dado un conjunto de descripciones de problemas, clasifiquen si requieren IA, ML o DL y expliquen por qué. Puntos clave: justificación. Aprendizajes: distinguir entre tipos de problemas y enfoques.
3. Actividad 3: Casos prácticos - En grupos, propongan un caso escolar y justifiquen la elección entre IA/ML/DL citando datos disponibles y objetivo esperado. Puntos clave: viabilidad y simplicidad. Aprendizajes: aplicar criterios prácticos a un proyecto real.
4. Actividad 4: Debate corto - Discusión: ¿cuándo es suficiente ML y cuándo DL?, con ejemplos simples. Puntos clave: límites y costos. Aprendizajes: valorar restricciones prácticas y éticas.
5. Actividad 5: Mini simulación - Usando datos simples, simulen un proceso de decisión y determinen qué enfoque permitiría mejores predicciones con menor complejidad. Puntos clave: eficiencia y complejidad. Aprendizajes: comprender trade-offs.

Evaluación enfocada en la capacidad de distinguir enfoques y justificar elecciones:

• Examen corto con preguntas de opción y explicación corta sobre diferencias entre IA/ML/DL (objetivo general).
• Actividad de clasificación de problemas y justificación escrita (objetivos específicos 1 y 2).
• Presentación breve de un caso práctico con argumento de selección de enfoque (objetivo específico 3).

4 semanas

1. Tema 1: Recopilación y calidad de datos: fuentes, cantidad y limpieza básica.
2. Tema 2: Procesamiento, entrenamiento y evaluación: separación de datos, entrenamiento y pruebas simples.
3. Tema 3: Generación de predicciones y sesgos comunes: interpretación de resultados y errores típicos.

1. Actividad 1: Caso ficticio de dataset - Revisen un conjunto de datos sencillo y identifiquen posibles problemas de calidad (datos faltantes, desbalanceo). Puntos clave: calidad de datos. Aprendizajes: importancia de una buena base de datos.
2. Actividad 2: Limpieza de datos básica - Realicen una limpieza de un conjunto de datos pequeño, indicando qué valores faltantes se eliminan o imputan y por qué. Puntos clave: preprocesamiento. Aprendizajes: manejo de datos para un modelo básico.
3. Actividad 3: Conceptualización de un modelo simple - Definan una regla o modelo muy simple (p. ej., una predicción basada en un par de reglas) para entender el ciclo de vida sin programación compleja. Puntos clave: entrenamiento y evaluación simples. Aprendizajes: entendimiento práctico del ciclo de vida.
4. Actividad 4: Detectar sesgos - Analicen un conjunto de datos ficticio para identificar sesgos (p. ej., distribución de respuestas) y describan posibles efectos en predicciones. Puntos clave: sesgo y errores. Aprendizajes: reconocer sesgos y su impacto.
5. Actividad 5: Plan de mitigación de sesgos - Elaboren un plan breve para mitigar sesgos en un proyecto escolar, con acciones concretas de datos y evaluación. Puntos clave: mitigación. Aprendizajes: proactividad en la mejora de modelos.

La evaluación considera la comprensión del ciclo de vida y la capacidad para identificar y proponer mitigaciones ante sesgos:

• Exposición o ensayo corto describiendo las etapas del ciclo de vida y un sesgo potencial en un ejemplo elegido (objetivo general).
• Actividad práctica de revisión de datos con propuestas de mejora (objetivos específicos 1 y 2).
• Proyecto corto de mitigación de sesgos (objetivo específico 3).

4 semanas

1. Tema 1: Riesgos éticos: privacidad, sesgo y transparencia.
2. Tema 2: Prácticas responsables y documentación de proyectos de IA en la escuela.
3. Tema 3: Plan de responsabilidad para un proyecto escolar de IA.

1. Actividad 1: Estudio de caso ético - Analicen un caso breve donde una IA presentó un problema ético y discutan posibles soluciones y límites. Puntos clave: comprensión ética. Aprendizajes: reconocer dilemas y pensar en respuestas responsables.
2. Actividad 2: Debate sobre privacidad y uso de datos - Debate en clase sobre cuándo es aceptable usar datos en un proyecto escolar y qué medidas protegen la privacidad. Puntos clave: derechos y límites. Aprendizajes: razonamiento crítico sobre datos personales.
3. Actividad 3: Checklist de prácticas responsables - Elaboren un checklist de prácticas para un proyecto escolar de IA (anonimización de datos, consentimiento, transparencia). Puntos clave: buenas prácticas. Aprendizajes: adquirir hábitos responsables.
4. Actividad 4: Presentación de un proyecto seguro y ético - Preparan una breve presentación que explique el enfoque ético y las medidas de seguridad adoptadas. Puntos clave: comunicación clara. Aprendizajes: capacidad de presentar responsabilidad.
5. Actividad 5: Diagrama de flujo de un proyecto con consideraciones éticas - Dibujen un diagrama de las etapas del proyecto y señalen puntos críticos de ética y seguridad. Puntos clave: revisión en cada etapa. Aprendizajes: verificación continua de la responsabilidad.

Evaluación centrada en la comprensión de conceptos éticos y la capacidad de aplicar prácticas responsables:

• Ensayo corto o reflexión sobre un riesgo ético y su mitigación (objetivo general).
• Revisión de un plan de proyecto escolar con checklist de prácticas responsables (objetivos específicos 1 y 2).
• Presentación final de un proyecto escolar que explique decisiones de diseño, privacidad y transparencia (objetivo específico 3).

4 semanas