Tecnología e Informática · 9o Grado · Análisis de Datos e Inteligencia Artificial · Periodo 3

Aprendizaje Automático (Machine Learning)

Los estudiantes comprenden los conceptos básicos del Machine Learning, tipos de aprendizaje y cómo las máquinas aprenden de los datos.

• Derechos Básicos de Aprendizaje (DBA)
• DBA Tecnologia e Informatica: Grado 9 - Introduccion a la Inteligencia Artificial
• DBA Tecnologia e Informatica: Grado 9 - Innovacion y Tecnologias Emergentes

Acerca de este tema

El aprendizaje automático forma parte esencial de la inteligencia artificial y permite que las máquinas mejoren su rendimiento mediante la experiencia y el análisis de datos. En noveno grado, de acuerdo con los Derechos Básicos de Aprendizaje (DBA) de Tecnología e Informática del MEN, los estudiantes comprenden conceptos básicos como los tipos de aprendizaje: supervisado, que usa datos etiquetados para predicciones; no supervisado, que identifica patrones sin etiquetas; y por refuerzo, que aprende optimizando acciones con recompensas y penalizaciones. Analizan ejemplos reales, como sistemas de recomendación en plataformas digitales o reconocimiento de imágenes en apps de salud.

Esta unidad de Análisis de Datos e Inteligencia Artificial conecta con estándares de innovación y tecnologías emergentes, fomentando habilidades de pensamiento computacional y análisis crítico. Los estudiantes responden preguntas clave sobre cómo las máquinas 'aprenden' de datos colombianos, como tráfico en Bogotá o cultivos en regiones cafetaleras, y evalúan impactos éticos en la sociedad.

El aprendizaje activo beneficia este tema porque ideas abstractas como el entrenamiento de algoritmos se hacen tangibles con manipulaciones de datos reales y simulaciones. Cuando los estudiantes clasifican datos en grupos o ajustan parámetros en herramientas simples, comprenden procesos complejos, retienen mejor y aplican conocimientos a problemas cotidianos.

Preguntas Clave

1. Explicar cómo el aprendizaje automático permite a las máquinas mejorar su rendimiento con la experiencia.
2. Diferenciar entre aprendizaje supervisado, no supervisado y por refuerzo.
3. Analizar ejemplos de algoritmos de Machine Learning en aplicaciones reales.

Objetivos de Aprendizaje

• Clasificar algoritmos de Machine Learning según su tipo: supervisado, no supervisado o por refuerzo, basándose en la descripción de su funcionamiento.
• Explicar el proceso mediante el cual un modelo de aprendizaje automático mejora su precisión con la adición de nuevos datos.
• Comparar las aplicaciones del aprendizaje supervisado y no supervisado en escenarios prácticos como la clasificación de correos electrónicos y la segmentación de clientes.
• Analizar un ejemplo de aprendizaje por refuerzo, como un robot aprendiendo a caminar, y describir la función de las recompensas y penalizaciones.

Antes de Empezar

Conceptos Básicos de Programación y Algoritmos

Por qué: Los estudiantes necesitan una comprensión fundamental de cómo funcionan las instrucciones paso a paso para entender la base de los algoritmos de aprendizaje automático.

Manejo Básico de Datos y Tablas

Por qué: El aprendizaje automático se basa en datos, por lo que los estudiantes deben estar familiarizados con la organización y lectura de información en formatos estructurados.

Vocabulario Clave

Aprendizaje Supervisado	Tipo de aprendizaje automático donde el algoritmo aprende de un conjunto de datos que incluye tanto las entradas como las salidas deseadas (etiquetas).
Aprendizaje No Supervisado	Tipo de aprendizaje automático donde el algoritmo busca patrones y estructuras en datos que no tienen etiquetas predefinidas.
Aprendizaje por Refuerzo	Tipo de aprendizaje automático en el que un agente aprende a tomar decisiones interactuando con un entorno y recibiendo recompensas o castigos.
Algoritmo	Un conjunto de reglas o instrucciones paso a paso que una computadora sigue para realizar una tarea o resolver un problema.
Conjunto de Datos (Dataset)	Una colección organizada de información, usualmente en formato tabular, que se utiliza para entrenar y evaluar modelos de aprendizaje automático.

Cuidado con estas ideas erróneas

Idea errónea común

El aprendizaje automático es magia y las máquinas piensan como humanos.

Qué enseñar en su lugar

Las máquinas aprenden patrones estadísticos de datos, no con comprensión humana. Actividades de clasificación manual ayudan a estudiantes a ver el rol de los datos y algoritmos, corrigiendo ideas mágicas mediante comparación de resultados iterativos.

Idea errónea común

Todo aprendizaje automático necesita datos etiquetados por humanos.

Qué enseñar en su lugar

El no supervisado encuentra estructuras sin etiquetas, y el por refuerzo usa retroalimentación ambiental. Simulaciones grupales de agrupamiento revelan estos procesos, permitiendo a estudiantes experimentar y diferenciar tipos sin supervisión constante.

Idea errónea común

Una vez entrenado, un modelo nunca falla.

Qué enseñar en su lugar

Los modelos dependen de calidad y cantidad de datos, y generalizan imperfectamente. Juegos de refuerzo con datos variables muestran fallos reales, fomentando discusiones donde estudiantes ajustan y prueban, fortaleciendo comprensión de limitaciones.

Ideas de aprendizaje activo

Juego de Simulación: Aprendizaje Supervisado con Imágenes

Proporcione un conjunto de imágenes de frutas colombianas etiquetadas. Los grupos usan una hoja de cálculo para clasificar nuevas imágenes y 'entrenar' un modelo simple contando aciertos. Discutan cómo más datos mejoran la precisión.

35 min·Grupos pequeños

Sesión de Exploración al Aire Libre: Agrupamiento No Supervisado

Entregue datos anónimos de hábitos de estudiantes, como horas de estudio y notas. En parejas, usen marcadores de colores para agrupar similitudes sin etiquetas previas. Compartan patrones encontrados con la clase.

30 min·Parejas

Juego de Simulación: Aprendizaje por Refuerzo

Cree un tablero simple de 'cruzar la calle' con recompensas. Individualmente, los estudiantes simulan decisiones de una máquina, ajustando estrategias por puntos. Registren iteraciones hasta optimizar el camino.

25 min·Individual

Análisis de Estudio de Caso: Aplicaciones Reales

Muestre videos de ML en Colombia, como predicción de cosechas. En grupos pequeños, identifiquen el tipo de aprendizaje y dibujen diagramas de flujo de datos. Presenten uno por grupo.

40 min·Grupos pequeños

Conexiones con el Mundo Real

• En Colombia, las empresas de telecomunicaciones utilizan el aprendizaje supervisado para predecir la probabilidad de que un cliente se retire de su servicio, basándose en su historial de uso y datos demográficos.
• Plataformas de comercio electrónico como Mercado Libre emplean algoritmos de aprendizaje no supervisado para agrupar productos similares y recomendar artículos a los usuarios basándose en sus hábitos de compra y navegación.
• Los sistemas de conducción autónoma, aunque en desarrollo, usan aprendizaje por refuerzo para que los vehículos aprendan a navegar en entornos complejos, optimizando sus acciones para evitar obstáculos y seguir las reglas de tránsito.

Ideas de Evaluación

Boleto de Salida

Entregue a cada estudiante una tarjeta con la descripción de un escenario (ej. 'un sistema que recomienda películas basadas en lo que has visto antes', 'un programa que agrupa noticias por tema'). Pida que escriban a qué tipo de aprendizaje automático corresponde y una razón breve.

Pregunta para Discusión

Plantee la siguiente pregunta al grupo: 'Si tuvieras que diseñar un sistema para detectar si una foto de un cultivo de café en el Eje Cafetero muestra signos de una plaga específica, ¿qué tipo de aprendizaje automático usarías y por qué? ¿Qué tipo de datos necesitarías?'

Verificación Rápida

Presente una lista de 5-6 aplicaciones comunes de tecnología (ej. filtros de spam, reconocimiento facial, chatbots, predicción del clima, videojuegos de ajedrez). Pida a los estudiantes que identifiquen cuáles creen que utilizan aprendizaje automático y que justifiquen su elección con una palabra clave (ej. 'patrones', 'decisiones', 'predicción').

Preguntas frecuentes

¿Cómo diferenciar aprendizaje supervisado de no supervisado?

El supervisado usa datos con etiquetas para entrenar predicciones, como clasificar correos spam. El no supervisado agrupa datos sin etiquetas para hallar patrones ocultos, como segmentar clientes. Ejemplos prácticos con datos locales ayudan a estudiantes a visualizar estas diferencias y su uso en apps cotidianas.

¿Cuáles son ejemplos de machine learning en Colombia?

En agricultura, algoritmos predicen rendimientos de café con datos satelitales. En transporte, optimizan rutas en ciudades como Medellín mediante refuerzo. Estas aplicaciones reales conectan teoría con contexto nacional, motivando análisis ético sobre privacidad y equidad en datos.

¿Cómo el aprendizaje activo ayuda a entender el machine learning?

Actividades prácticas como etiquetar datos o simular juegos de refuerzo hacen abstractos conceptos concretos. Los estudiantes experimentan iteraciones, ven mejoras por datos y discuten fallos en grupos, lo que aumenta retención en un 40% según estudios pedagógicos y desarrolla pensamiento computacional aplicado.

¿Qué es el aprendizaje por refuerzo?

Es un tipo donde agentes aprenden óptimas acciones mediante prueba y error, recibiendo recompensas o penalizaciones. Ejemplos incluyen robots que aprenden caminar o juegos como ajedrez. En clase, simulaciones simples permiten a estudiantes iterar estrategias, entendiendo su poder en entornos dinámicos como el tráfico urbano.