Introducción a Bases de Datos Relacionales
Los estudiantes aprenden los principios de organización de datos estructurados en tablas, relaciones y claves.
Preguntas Clave
- ¿Cómo podemos diseñar una base de datos relacional para evitar la redundancia de datos?
- ¿Qué ventajas ofrece el modelo relacional para la integridad y consistencia de la información?
- ¿De qué manera las relaciones entre tablas facilitan la consulta y el análisis de datos?
Aprendizajes Esperados SEP
Acerca de este tema
La Ciencia de Datos y la Inteligencia Artificial (IA) han dejado de ser ciencia ficción para convertirse en motores de la economía y la sociedad moderna. En este tema, los estudiantes de primer año de preparatoria se introducen a los conceptos de algoritmos predictivos y aprendizaje automático (Machine Learning). Bajo el marco de la SEP, el enfoque no es solo técnico, sino profundamente ético, analizando cómo estas tecnologías impactan la vida en México.
Los alumnos exploran cómo las máquinas aprenden de los patrones en los datos para realizar tareas como el reconocimiento de voz o la recomendación de contenidos. Es crucial que comprendan que la IA no es infalible y que refleja los sesgos de quienes la programan. El aprendizaje activo, a través de simulaciones de entrenamiento de modelos, permite que los jóvenes desmitifiquen la IA y entiendan su potencial para resolver problemas sociales locales.
Ideas de aprendizaje activo
Juego de Simulación: Entrenando a un Clasificador Humano
La mitad del grupo actúa como 'datos de entrenamiento' (fotos de frutas) y la otra mitad como el 'algoritmo'. El algoritmo debe aprender a identificar una fruta específica basándose solo en las características que los 'datos' le proporcionan, enfrentando errores si los datos son incompletos.
Círculo de Investigación: Sesgos en la IA
Los equipos investigan casos reales donde la IA ha mostrado sesgos (ej. en selección de personal o reconocimiento facial). Deben proponer una estrategia para 'limpiar' los datos de entrenamiento y hacer el sistema más justo.
Pensar-Emparejar-Compartir: IA para el Bien Social
Los estudiantes piensan en un problema de su comunidad (ej. baches en las calles o desperdicio de agua). En parejas, diseñan una idea básica de cómo una IA podría ayudar a solucionar ese problema usando datos específicos.
Cuidado con estas ideas erróneas
Idea errónea comúnLa Inteligencia Artificial piensa como un ser humano.
Qué enseñar en su lugar
La IA actual es matemática y estadística avanzada; encuentra patrones en datos, pero no tiene conciencia ni sentimientos. Las actividades de 'desmitificación' ayudan a los alumnos a ver la IA como una herramienta poderosa pero limitada.
Idea errónea comúnLa IA siempre da respuestas objetivas y verdaderas.
Qué enseñar en su lugar
Si los datos con los que se entrenó tienen prejuicios, la IA los repetirá. Mediante debates sobre ética, los estudiantes aprenden que la supervisión humana es indispensable para garantizar la justicia de los algoritmos.
Metodologías Sugeridas
¿Listo para enseñar este tema?
Genera una misión de aprendizaje activo completa y lista para el salón en segundos.
Preguntas frecuentes
¿Qué es el Machine Learning?
¿Cómo afecta la IA al empleo en México?
¿Es difícil aprender Ciencia de Datos?
¿Cómo beneficia el aprendizaje activo el estudio de la IA?
Más en Datos, Información y Big Data
Conceptos Fundamentales de Datos e Información
Los estudiantes diferencian entre datos crudos e información procesada, comprendiendo su ciclo de vida.
2 methodologies
Sistemas de Almacenamiento de Datos
Los estudiantes exploran diferentes métodos y tecnologías para almacenar datos, desde archivos hasta sistemas distribuidos.
2 methodologies
Consultas SQL Básicas
Los estudiantes practican la extracción y manipulación de datos de bases de datos utilizando sentencias SQL básicas.
2 methodologies
Big Data: Conceptos y Desafíos
Los estudiantes exploran el concepto de Big Data, sus características (volumen, velocidad, variedad) y los desafíos asociados.
2 methodologies
Análisis Exploratorio de Datos
Los estudiantes aplican técnicas para examinar conjuntos de datos, identificar patrones, anomalías y generar hipótesis.
2 methodologies