Fisiología Sistémica e Integración · IV Bimestre

Sistema Nervioso: Neuronas y Potencial de Acción

Los estudiantes investigan la organización del sistema nervioso, la estructura de las neuronas y la generación del impulso nervioso.

Acerca de este tema

El Machine Learning (ML) introduce a los estudiantes en el paradigma donde las computadoras aprenden de los datos en lugar de seguir instrucciones explícitas. En este nivel, se exploran los fundamentos de cómo los algoritmos identifican patrones para realizar predicciones o clasificaciones. Este tema es central en la formación tecnológica actual y se alinea con los estándares de la SEP sobre inteligencia artificial y análisis de datos.

Los alumnos comprenden la importancia crítica de los datos de entrenamiento y cómo los sesgos en estos datos pueden afectar los resultados. No se trata solo de matemáticas, sino de entender el flujo: recolección, limpieza, entrenamiento y evaluación. El aprendizaje activo es vital aquí para desmitificar la IA y verla como una herramienta estadística avanzada y no como 'magia'.

Ideas de aprendizaje activo

Juego de Simulación: Entrenamiento Humano

La mitad del grupo actúa como 'algoritmo' y la otra como 'datos'. Los 'datos' muestran fotos de perros y gatos; el 'algoritmo' debe intentar adivinar la regla de clasificación sin que se la digan, ajustando su criterio con cada error.

⏱ 35 min·Toda la clase

Generar misión

Círculo de Investigación: Cazadores de Sesgos

Los equipos analizan casos reales donde la IA falló (ej. reconocimiento facial que no detecta ciertas etnias). Deben identificar si el problema estuvo en los datos de entrenamiento y proponer cómo mejorarlo.

⏱ 45 min·Grupos pequeños

Generar misión

Pensar-Emparejar-Compartir: IA en mi Comunidad

Las parejas proponen un uso del Machine Learning para mejorar algo en su escuela o colonia (ej. predecir fugas de agua o clasificar basura). Discuten qué datos necesitarían recolectar.

⏱ 25 min·Parejas

Generar misión

Cuidado con estas ideas erróneas

Idea errónea común

Creer que la IA tiene conciencia o 'entiende' como un humano.

Qué enseñar en su lugar

Es fundamental explicar que son modelos matemáticos de probabilidad. Comparar una calculadora avanzada con un modelo de ML ayuda a aterrizar el concepto de procesamiento numérico.

Idea errónea común

Pensar que más datos siempre significan mejores predicciones.

Qué enseñar en su lugar

Se debe enseñar que la calidad es más importante que la cantidad. Datos 'sucios' o irrelevantes llevan a conclusiones erróneas, concepto que se refuerza con ejercicios de limpieza de datos.

Preguntas frecuentes

¿Cuál es la diferencia entre IA y Machine Learning?

La IA es el concepto amplio de máquinas que imitan la inteligencia humana. El Machine Learning es una rama específica de la IA que se enfoca en que las máquinas aprendan solas a partir de datos.

¿Se necesita mucha matemática para entender ML?

Para los fundamentos, basta con entender conceptos básicos de estadística y lógica. En preparatoria nos enfocamos más en la lógica del proceso y el impacto social que en las fórmulas complejas.

¿Cómo beneficia el aprendizaje activo al estudio del Machine Learning?

El aprendizaje activo ayuda a desmitificar la IA. Al participar en simulaciones donde los mismos estudiantes actúan como el algoritmo, comprenden que el aprendizaje automático es un proceso de prueba y error basado en datos, lo que elimina el miedo a la tecnología y fomenta una actitud crítica ante sus resultados.

¿Qué es un sesgo algorítmico?

Es cuando un modelo de IA da resultados injustos o prejuiciosos porque fue entrenado con datos que no representaban bien a toda la población o que contenían prejuicios humanos previos.

Explorar currículo por país

• Américas
• US
• CA
• MX
• CL
• CO
• BR

• Europa
• UK
• IE
• FR
• DE
• ES
• IT
• NL
• PT
• SE

• Asia y Pacífico
• IN
• SG
• AU