Cursos Completo

Aprendizaje automático: conceptos y aplicaciones básicas

Creado por Profesora D.

Tecnología e Informática Tecnología Publicado en EdutekaLab · términos de origen

DOCX PDF

Me sirvió · 0

Guardar en un portafolio

Cómo fue en el aula

Todavía nadie ha contado cómo le fue con este recurso.

Descripción del Curso

Este curso, dentro de la asignatura Tecnología, está organizado para estudiantes a partir de 17 años y se estructura en cuatro unidades. La Unidad 1, Aprendizaje automático: conceptos y aplicaciones básicas, sirve como introducción a una disciplina cada vez más presente en la vida diaria. En esta unidad, se exploran conceptos clave como datos, modelos, entrenamiento y evaluación sin necesidad de programación. Se busca que los estudiantes reconozcan qué es el aprendizaje automático, por qué es relevante y cómo se manifiesta en situaciones cotidianas mediante ejemplos simples y accesibles. El enfoque es teórico-práctico: se analizan casos reales, se describen procesos de forma clara y se desarrollan habilidades de análisis, comunicación y pensamiento crítico. Propósito general de la unidad: identificar al menos tres aplicaciones prácticas de aprendizaje automático en la vida real y describir brevemente cómo funcionan en cada caso. Además, se pretende que el alumnado pueda describir, de manera sencilla, el flujo de datos, el papel de los modelos y el entrenamiento subyacentes a una de esas aplicaciones, y que redacte consideraciones básicas de seguridad, privacidad y ética relacionadas con estas tecnologías. En este curso, el aprendizaje se apoya en ejemplos cotidianos y en discusiones guiadas que permiten comprender conceptos sin requerir habilidades de programación. Se fomentan habilidades de observación, razonamiento lógico, comunicación efectiva y trabajo colaborativo para analizar escenarios del mundo real donde ML tiene impacto. La Unidad 1 sienta las bases para las siguientes unidades del curso, que ampliarán conceptos, tipos de modelos y metodologías de evaluación, siempre desde una perspectiva crítica, ética y orientada a la comunicación, con énfasis en la capacidad del estudiante para aplicar lo aprendido en contextos variados de la vida diaria y futura formación académica o profesional.

Competencias

- Comprender y describir de forma clara los conceptos fundamentales del aprendizaje automático sin necesidad de programar. - Identificar al menos tres aplicaciones prácticas del aprendizaje automático en la vida real y explicar, de manera simple, su funcionamiento. - Analizar el flujo de datos, el rol del modelo y el proceso de entrenamiento en escenarios simples. - Evaluar consideraciones básicas de seguridad, privacidad y ética asociadas a las aplicaciones de ML. - Desarrollar habilidades de comunicación para presentar ideas técnicas a audiencias no expertas. - Fomentar el pensamiento crítico y la capacidad de tomar decisiones informadas ante dilemas éticos y de uso de datos. - Trabajar de forma colaborativa para analizar casos prácticos y comunicar conclusiones de manera estructurada.

Requerimientos

- Participación activa en clase y en debates sobre aplicaciones de ML. - Lecturas y videos semanales que expliquen conceptos sin código. - Presentaciones orales o escritas simples que describan una aplicación de ML y su funcionamiento. - Sin necesidad de conocimientos de programación; enfoque teórico-práctico. - Material de apoyo: cuaderno, bolígrafo y acceso a recursos digitales para consultar casos reales. - Evaluaciones periódicas: tareas cortas, actividades de reflexión y un proyecto breve de aplicación de ideas de ML en un contexto cotidiano. - Espacios de trabajo colaborativo para análisis de casos y exposición de conclusiones.

Unidades del Curso

Unidad 1: Aprendizaje automático: conceptos y aplicaciones básicas

<p>Esta unidad introduce el aprendizaje automático (ML) y su relevancia en la vida diaria. Se explorarán conceptos clave como datos, modelos, entrenamiento y evaluación, sin necesidad de programación. Los estudiantes identificarán al menos tres aplicaciones prácticas de ML y aprenderán a describir, de forma simple, cómo funcionan en cada caso, desarrollando habilidades de análisis, comunicación y pensamiento crítico.</p>

Objetivos de Aprendizaje

Identificar al menos tres aplicaciones prácticas de aprendizaje automático en la vida real y describir brevemente cómo funcionan en cada caso.
Explicar de forma simple el flujo de datos, modelo y entrenamiento que subyacen a una de esas aplicaciones.
Analizar consideraciones básicas de seguridad, privacidad y ética relacionadas con estas aplicaciones.

Contenidos Temáticos

Tema 1: Conceptos clave del aprendizaje automático
Descripción: conceptos fundamentales como datos, conjuntos de entrenamiento y prueba, modelos, entrenamiento supervisado y no supervisado, y evaluación básica.
Tema 2: Aplicaciones prácticas y ejemplos reales
Descripción: ejemplos como filtrado de correo no deseado, recomendaciones de productos o contenidos y reconocimiento de voz/imágenes, y cómo funcionan a nivel general.
Tema 3: Cómo funcionan: flujo de datos, modelo y entrenamiento
Descripción: el pipeline típico de ML (recolección de datos, división en entrenamiento/prueba, selección de modelo, entrenamiento, evaluación y posibles mejoras) explicado de forma simple.

Actividades

Actividad 1: Exploración de aplicaciones ML en la vida real
Tema de la actividad: identificar al menos 3 aplicaciones reales de ML y describir, de manera breve, cómo funciona cada una.

Resumen de puntos clave: qué datos se usan, qué tipo de resultados se obtiene, cómo se evalúa la efectividad y qué limitaciones pueden tener.

Principales aprendizajes: reconocer la presencia de ML en situaciones cotidianas, usar un vocabulario básico de ML y explicar conceptos sin jerga técnica.
Actividad 2: Descripción del flujo de ML para un caso sencillo
Tema de la actividad: seleccionar una aplicación (p. ej., filtrado de correo o recomendaciones) y describir el flujo de datos, el tipo de modelo y el entrenamiento de forma simple y clara.

Resumen de puntos clave: datos necesarios, división en entrenamiento/prueba, tipo de modelo aproximado, criterios de evaluación y resultados esperados.

Principales aprendizajes: comprender el pipeline de ML, identificar posibles sesgos y pensar en mejoras simples.
Actividad 3: Debate corto sobre ética y privacidad
Tema de la actividad: discutir impactos sociales y éticos de estas tecnologías (privacidad, sesgo, transparencia, uso responsable).

Resumen de puntos clave: ejemplos de sesgo y de uso indebido, importancia de la transparencia y límites de recopilación de datos.

Principales aprendizajes: desarrollar pensamiento crítico, argumentos responsables y empatía sobre las implicaciones sociales.

Evaluación

La evaluación se alinea con los objetivos de aprendizaje descritos. Se utilizan productos y participación para valorar lo aprendido:

Identificación y descripción de al menos 3 aplicaciones reales y explicación de su funcionamiento: 40 puntos. Criterios: claridad, precisión, ejemplos relevantes y conexión con conceptos de ML.
Explicación del flujo de datos, modelo y entrenamiento para al menos una aplicación: 25 puntos. Criterios: precisión conceptual, uso de conceptos simples y ejemplos concretos.
Análisis de consideraciones de seguridad, privacidad y ética: 20 puntos. Criterios: identificación de riesgos, propuestas de mitigación y reflexión ética.
Participación y desempeño en las actividades: 15 puntos. Criterios: participación, trabajo en equipo, contribución y entrega a tiempo.

Duración

4 semanas

Crea tus propios cursos con EdutekaLab

Diseña cursos completos con unidades, objetivos y actividades usando IA.

Comenzar gratis