Tecnología · 3o de Preparatoria · Análisis de Datos e Inteligencia Artificial · IV Bimestre

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.

• Aprendizajes Esperados SEP
• SEP EMS: Fundamentos de Inteligencia Artificial
• SEP EMS: Aprendizaje Automatizado

Acerca de este tema

Los tipos de aprendizaje automático supervisado y no supervisado son pilares del análisis de datos e inteligencia artificial en el plan SEP de preparatoria. En el supervisado, los modelos se entrenan con datos etiquetados para predecir resultados: la regresión estima valores continuos como precios de viviendas, mientras la clasificación asigna categorías como detección de spam en correos. El no supervisado, por su parte, explora datos sin etiquetas para descubrir patrones mediante clustering, agrupando clientes similares en marketing o detectando anomalías en transacciones.

Este tema responde a preguntas clave del programa: cómo el supervisado usa etiquetas para predicciones precisas, el no supervisado revela estructuras ocultas y la elección depende de la disponibilidad de datos y objetivos. Conecta con fundamentos de IA y aprendizaje automatizado, fomentando habilidades en Python o herramientas como Scikit-learn, análisis crítico y resolución de problemas reales.

El aprendizaje activo beneficia este tema porque los estudiantes manipulan datasets auténticos, codifican algoritmos simples y comparan visualizaciones de resultados. Estas experiencias prácticas convierten ideas abstractas en observables, fortalecen la comprensión comparativa y preparan para aplicaciones profesionales en datos.

Preguntas Clave

1. ¿Cómo el aprendizaje supervisado utiliza datos etiquetados para predecir resultados?
2. ¿De qué manera el aprendizaje no supervisado descubre patrones ocultos en datos sin etiquetas?
3. ¿Por qué la elección del tipo de aprendizaje depende de la disponibilidad de datos etiquetados y el objetivo del problema?

Objetivos de Aprendizaje

• Clasificar conjuntos de datos en supervisados y no supervisados basándose en la presencia o ausencia de etiquetas.
• Explicar el funcionamiento de algoritmos de regresión y clasificación en el aprendizaje supervisado, identificando sus diferencias clave.
• Identificar patrones y agrupar datos similares en conjuntos no etiquetados utilizando el concepto de clustering.
• Comparar la aplicabilidad del aprendizaje supervisado y no supervisado según el objetivo del problema y la naturaleza de los datos disponibles.
• Evaluar casos de uso específicos para la regresión, clasificación y clustering en contextos prácticos.

Antes de Empezar

Introducción a los Tipos de Datos (Numéricos, Categóricos)

Por qué: Es fundamental que los estudiantes comprendan las diferencias entre datos numéricos y categóricos para entender cómo se aplican las etiquetas y los patrones.

Conceptos Básicos de Algoritmos y Lógica de Programación

Por qué: Los estudiantes necesitan una base en cómo funcionan los algoritmos y la lógica de programación para comprender el proceso de entrenamiento de los modelos de aprendizaje automático.

Vocabulario Clave

Aprendizaje Supervisado	Un tipo de aprendizaje automático donde el modelo aprende de un conjunto de datos que incluye tanto las entradas como las salidas deseadas (etiquetas).
Aprendizaje No Supervisado	Un tipo de aprendizaje automático donde el modelo aprende de datos que no tienen etiquetas, buscando patrones o estructuras intrínsecas.
Regresión	Una tarea de aprendizaje supervisado que predice un valor numérico continuo, como el precio de una casa o la temperatura.
Clasificación	Una tarea de aprendizaje supervisado que asigna una entrada a una de varias categorías discretas, como identificar si un correo es spam o no.
Clustering (Agrupamiento)	Una tarea de aprendizaje no supervisado que agrupa puntos de datos similares en clústeres o grupos, revelando estructuras ocultas en los datos.
Datos Etiquetados	Conjuntos de datos donde cada punto de entrada está asociado con una etiqueta o resultado correcto, utilizado en el aprendizaje supervisado.

Cuidado con estas ideas erróneas

Idea errónea común

El aprendizaje supervisado siempre es superior al no supervisado.

Qué enseñar en su lugar

La superioridad depende del objetivo y datos disponibles; supervisado brilla con etiquetas para predicciones, pero no supervisado es ideal para exploración inicial. Discusiones en grupos ayudan a comparar casos reales y ajustar mental models.

Idea errónea común

El no supervisado no requiere datos de calidad.

Qué enseñar en su lugar

Requiere datos limpios para patrones válidos, aunque sin etiquetas. Actividades de clustering con datasets ruidosos muestran cómo preprocesar mejora resultados, fomentando experimentación iterativa.

Idea errónea común

Clasificación y clustering hacen lo mismo.

Qué enseñar en su lugar

Clasificación usa etiquetas previas para asignar categorías nuevas; clustering agrupa sin conocimiento previo. Visualizaciones comparativas en parejas clarifican diferencias mediante observación directa.

Ideas de aprendizaje activo

Enseñanza entre Pares: Clasificación Supervisada con Iris Dataset

Proporciona el dataset Iris en Python. Los pares cargan datos, entrenan un clasificador K-NN y evalúan precisión con datos de prueba. Discuten cómo las etiquetas mejoran predicciones comparando con un modelo sin ellas.

30 min·Parejas

Grupos Pequeños: Clustering No Supervisado en Ventas

Asigna datos de ventas sin etiquetas. Grupos aplican K-means para segmentar clientes, visualizan clusters con gráficos y proponen estrategias de marketing basadas en patrones encontrados.

45 min·Grupos pequeños

Clase Completa: Debate de Casos de Uso

Presenta escenarios reales como diagnóstico médico (supervisado) vs. análisis de redes sociales (no supervisado). La clase vota, justifica elecciones y simula entrenamiento rápido con demos en pantalla.

35 min·Toda la clase

Individual: Regresión Lineal Simple

Estudiantes usan datos de salarios por experiencia, codifican regresión lineal en Jupyter, grafican la línea de predicción y calculan error medio. Reflexionan sobre limitaciones sin datos no etiquetados.

25 min·Individual

Conexiones con el Mundo Real

• Los analistas de datos en plataformas de streaming como Netflix utilizan algoritmos de clasificación para recomendar películas y series basadas en el historial de visualización del usuario, un ejemplo de aprendizaje supervisado.
• Los científicos de datos en el sector bancario emplean técnicas de clustering (aprendizaje no supervisado) para segmentar a sus clientes en grupos con comportamientos de gasto similares, permitiendo campañas de marketing personalizadas.
• Los ingenieros de machine learning en empresas automotrices usan regresión (aprendizaje supervisado) para predecir el desgaste de componentes críticos de un vehículo basándose en datos de sensores, optimizando los planes de mantenimiento.

Ideas de Evaluación

Boleto de Salida

Entregue a cada estudiante una tarjeta con un escenario breve (ej. predecir el precio de acciones, agrupar clientes por lealtad). Pida que identifiquen si el escenario requiere aprendizaje supervisado o no supervisado y justifiquen su elección en una oración.

Verificación Rápida

Presente dos conjuntos de datos simulados: uno con etiquetas claras (ej. fotos de perros y gatos con sus nombres) y otro sin ellas (ej. datos de compras de clientes). Pregunte a los estudiantes: ¿Cuál conjunto es para aprendizaje supervisado y por qué? ¿Qué tipo de tarea (regresión, clasificación, clustering) se podría aplicar al segundo conjunto?

Pregunta para Discusión

Plantee la siguiente pregunta para discusión en parejas: 'Imagina que trabajas para una tienda de ropa. ¿Cómo usarías el aprendizaje supervisado y el no supervisado para mejorar las ventas y la experiencia del cliente? Describan un ejemplo específico para cada tipo de aprendizaje.'

Preguntas frecuentes

¿Qué diferencia al aprendizaje supervisado del no supervisado?

El supervisado entrena con datos etiquetados para predecir (regresión o clasificación), como predecir precios. El no supervisado encuentra patrones en datos sin etiquetas vía clustering, como segmentar usuarios. Elegir depende de si hay labels y si se busca predicción o exploración, clave en proyectos de IA reales.

¿Cuáles son ejemplos de casos de uso de cada tipo?

Supervisado: clasificación de imágenes médicas o regresión para pronósticos de ventas. No supervisado: clustering para recomendaciones en Netflix o detección de fraudes. En clase, simular estos con datasets públicos ayuda a ver impactos prácticos en industrias mexicanas como retail o salud.

¿Cómo el aprendizaje activo ayuda a entender tipos de aprendizaje automático?

Actividades como codificar modelos en pares o visualizar clusters en grupos hacen tangibles conceptos abstractos. Estudiantes ajustan parámetros, ven errores y comparan resultados, lo que refuerza diferencias entre supervisado y no supervisado mejor que lecturas pasivas. Fomenta colaboración y retención a largo plazo.

¿Por qué elegir supervisado si hay datos etiquetados?

Datos etiquetados permiten entrenar modelos precisos para tareas específicas, minimizando errores en predicciones. Sin ellos, no supervisado es alternativa, pero menos dirigido. En SEP, enfatiza evaluar trade-offs mediante experimentos prácticos para decisiones informadas.