Aprendizaje Automático (Machine Learning)

El aprendizaje automático puede parecer abstracto, pero al convertirlo en experiencias prácticas y participativas, los estudiantes comprenden que no es magia, sino el análisis de patrones en datos. Las actividades propuestas conectan conceptos técnicos con aplicaciones cotidianas, haciendo visible lo invisible en algoritmos que ya usan.

• 9o Grado
• Tecnología e Informática
• 4 actividades
• 25 min–40 min

Objetivos de Aprendizaje

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

Juego de Simulación

⏱ 35 min·Grupos pequeños

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.

Preparación y detalles

Explicar cómo el aprendizaje automático permite a las máquinas mejorar su rendimiento con la experiencia.

Consejo de Facilitación: En la Simulación de Aprendizaje Supervisado, pida a los estudiantes que comparen manualmente imágenes antes y después de entrenar el modelo para que vean cómo los datos etiquetados mejoran las predicciones.

Setup: Espacio flexible para estaciones de grupo

Materials: Tarjetas de rol con metas/recursos, Moneda de juego o fichas, Marcador de rondas

• Aplicar
• Analizar
• Evaluar
• Crear
• Conciencia Social
• Toma de Decisiones

Juego de Simulación

⏱ 30 min·Parejas

Exploración: 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.

Preparación y detalles

Diferenciar entre aprendizaje supervisado, no supervisado y por refuerzo.

Consejo de Facilitación: Durante la Exploración de Agrupamiento No Supervisado, guíe a los grupos a explicar en una frase por qué ciertas imágenes quedaron en el mismo grupo, usando vocabulario técnico como 'distancia entre puntos' o 'centroide'.

Setup: Espacio flexible para estaciones de grupo

Materials: Tarjetas de rol con metas/recursos, Moneda de juego o fichas, Marcador de rondas

• Aplicar
• Analizar
• Evaluar
• Crear
• Conciencia Social
• Toma de Decisiones

Juego de Simulación

⏱ 25 min·Individual

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.

Preparación y detalles

Analizar ejemplos de algoritmos de Machine Learning en aplicaciones reales.

Consejo de Facilitación: En el Juego de Aprendizaje por Refuerzo, establezca rondas cortas con recompensas claras para que los estudiantes identifiquen patrones en las estrategias ganadoras y cómo el algoritmo ajusta sus acciones.

Setup: Espacio flexible para estaciones de grupo

Materials: Tarjetas de rol con metas/recursos, Moneda de juego o fichas, Marcador de rondas

• Aplicar
• Analizar
• Evaluar
• Crear
• Conciencia Social
• Toma de Decisiones

Análisis de Estudio de Caso

⏱ 40 min·Grupos pequeños

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.

Preparación y detalles

Explicar cómo el aprendizaje automático permite a las máquinas mejorar su rendimiento con la experiencia.

Setup: Grupos en mesas con materiales del caso

Materials: Paquete del estudio de caso (3-5 páginas), Hoja de trabajo del marco de análisis, Plantilla de presentación

• Analizar
• Evaluar
• Crear
• Toma de Decisiones
• Autogestión

Enseñando Este Tema

Enseñar aprendizaje automático en noveno grado requiere equilibrar teoría con práctica tangible. Evite explicar solo algoritmos: use analogías accesibles, como comparar el aprendizaje supervisado con un profesor que corrige ejercicios. La clave está en que los estudiantes vivan el proceso iterativo de prueba y error, donde los errores son oportunidades para ajustar el modelo. La investigación muestra que los estudiantes retienen mejor cuando construyen modelos simples y ven sus resultados en tiempo real.

Qué Esperar

Al finalizar las actividades, los estudiantes explican con ejemplos los tres tipos de aprendizaje automático, identifican sus componentes clave en situaciones reales y discuten limitaciones técnicas con argumentos basados en datos. La participación activa y la reflexión escrita son indicadores de comprensión.

Cuidado con estas ideas erróneas

Idea errónea común

Durante la Simulación: Aprendizaje Supervisado con Imágenes, watch for...

Qué enseñar en su lugar

Corrija diciendo: 'Miren cómo el modelo no adivina, sino que identifica patrones en los píxeles que ustedes etiquetaron como 'gato' o 'perro'. Cada error es un dato más para ajustar las reglas de decisión'.

Idea errónea común

Durante la Exploración: Agrupamiento No Supervisado, watch for...

Qué enseñar en su lugar

Redirija con: 'Observen cómo el algoritmo no necesita que alguien le diga qué es una manzana o una pera. Solo agrupa lo similar por distancia en el espacio de características que ustedes definieron'.

Idea errónea común

Durante el Juego: Aprendizaje por Refuerzo, watch for...

Qué enseñar en su lugar

Aclare con: 'La máquina no piensa, ajusta sus acciones para maximizar puntos. Si falla, es porque los datos de recompensa no eran suficientes, no porque entiende el juego'

Ideas de Evaluación

Boleto de Salida

After Simulación: Aprendizaje Supervisado con Imágenes, entregue a cada estudiante una tarjeta con la descripción de un escenario (ej. 'un sistema que predice si un cultivo necesita riego') y pida que escriban a qué tipo de aprendizaje automático corresponde y una razón breve basada en los datos necesarios.

Pregunta para Discusión

During Exploración: Agrupamiento No Supervisado, plantee: 'Si tuvieran que diseñar un sistema para agrupar noticias sobre tecnología, ¿qué características usarían para definir la distancia entre textos? Discutan en grupos y compartan su criterio'.

Verificación Rápida

After Juego: Aprendizaje por Refuerzo, presente una lista de 5 aplicaciones (ej. asistente de voz, traductor automático, sistema de recomendación de música) y pida a los estudiantes que identifiquen cuáles usan aprendizaje automático y justifiquen con una palabra clave como 'recompensa', 'patrones' o 'etiquetas'.

Extensiones y Apoyo

• Challenge: Pida a los estudiantes que propongan una mejora al modelo de agrupamiento no supervisado usando una métrica de validación propia, como la coherencia de los grupos formados.
• Scaffolding: Para estudiantes con dificultades, proporcione plantillas con preguntas guía para registrar observaciones durante la simulación de aprendizaje supervisado, como '¿Qué patrones notaste en las imágenes etiquetadas?'
• Deeper: Invite a los estudiantes a investigar cómo el sesgo en los datos afecta los modelos de aprendizaje automático, usando ejemplos de sistemas de recomendación con datos incompletos o desbalanceados.

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.