Diseño de Bases de Datos Relacionales y Normalización
Los estudiantes aplican los principios de normalización (1FN, 2FN, 3FN) para diseñar bases de datos relacionales robustas y sin redundancia.
Preguntas Clave
- ¿Cómo la normalización reduce la redundancia y mejora la integridad de los datos?
- ¿De qué manera cada forma normal aborda problemas específicos en el diseño de bases de datos?
- ¿Por qué la desnormalización puede ser útil en ciertos escenarios de rendimiento?
Aprendizajes Esperados SEP
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.
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.
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.
Cuidado con estas ideas erróneas
Idea errónea comúnCreer 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 comúnPensar 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.
Metodologías Sugeridas
¿Listo para enseñar este tema?
Genera una misión de aprendizaje activo completa y lista para el salón en segundos.
Preguntas frecuentes
¿Cuál es la diferencia entre IA y Machine Learning?
¿Se necesita mucha matemática para entender ML?
¿Cómo beneficia el aprendizaje activo al estudio del Machine Learning?
¿Qué es un sesgo algorítmico?
Más en Análisis de Datos e Inteligencia Artificial
Introducción a Bases de Datos y Modelado de Datos
Los estudiantes comprenden los conceptos de bases de datos, sistemas de gestión de bases de datos (DBMS) y el modelado entidad-relación.
2 methodologies
Consultas SQL Básicas: SELECT, FROM, WHERE
Los estudiantes escriben consultas SQL para seleccionar, filtrar y recuperar datos de una o varias tablas.
2 methodologies
Consultas SQL Avanzadas: JOINs, Agregación y Subconsultas
Los estudiantes utilizan JOINs para combinar datos de múltiples tablas, funciones de agregación y subconsultas para resolver problemas complejos.
2 methodologies
Introducción a la Inteligencia Artificial y Machine Learning
Los estudiantes distinguen entre IA, Machine Learning y Deep Learning, comprendiendo sus aplicaciones y limitaciones.
2 methodologies
Tipos de Aprendizaje Automático: Supervisado y No Supervisado
Los estudiantes exploran los paradigmas de aprendizaje supervisado (regresión, clasificación) y no supervisado (clustering), y sus casos de uso.
2 methodologies