Tipos de Aprendizaje Automático: Supervisado y No Supervisado

Este tema conecta directamente con la vida cotidiana de los estudiantes, ya que el aprendizaje automático ya está presente en apps, recomendaciones y servicios digitales. Trabajar con datos concretos y actividades prácticas les permite ver cómo estas técnicas transforman información en decisiones reales, lo que aumenta su motivación y comprensión profunda.

• 3o de Preparatoria
• Tecnología
• 4 actividades
• 25 min–45 min

Objetivos de Aprendizaje

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

Enseñanza entre Pares

⏱ 30 min·Parejas

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.

Preparación y detalles

¿Cómo el aprendizaje supervisado utiliza datos etiquetados para predecir resultados?

Consejo de Facilitación: Durante la actividad de pares con el Iris Dataset, pídeles que comparen manualmente la clasificación de flores con la del algoritmo para que identifiquen la diferencia entre etiquetas previas y predicciones.

Setup: Área de presentación al frente, o múltiples estaciones de enseñanza

Materials: Tarjetas de asignación de temas, Plantilla de planificación de lección, Formulario de retroalimentación entre pares, Materiales para apoyo visual

• Comprender
• Aplicar
• Analizar
• Crear
• Autogestión
• Habilidades de Relación

Análisis de Estudio de Caso

⏱ 45 min·Grupos pequeños

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.

Preparación y detalles

¿De qué manera el aprendizaje no supervisado descubre patrones ocultos en datos sin etiquetas?

Consejo de Facilitación: En el clustering de ventas, guíalos a elegir entre 2 y 5 grupos usando el método del codo y observa cómo discuten los criterios de decisión.

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

Análisis de Estudio de Caso

⏱ 35 min·Toda la clase

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.

Preparación y detalles

¿Por qué la elección del tipo de aprendizaje depende de la disponibilidad de datos etiquetados y el objetivo del problema?

Consejo de Facilitación: Para el debate de casos de uso, asigna roles específicos (ej. científico de datos, gerente de marketing) para que cada uno argumente desde su perspectiva con datos reales.

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

Análisis de Estudio de Caso

⏱ 25 min·Individual

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.

Preparación y detalles

¿Cómo el aprendizaje supervisado utiliza datos etiquetados para predecir resultados?

Consejo de Facilitación: En la regresión lineal simple, usa una calculadora en línea para que visualicen cómo los datos se ajustan a la línea y cuestionen los supuestos del modelo.

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 este tema requiere equilibrar teoría y práctica para evitar que los estudiantes memoricen definiciones sin entender su aplicación. Evite largas explicaciones abstractas; en su lugar, use ejemplos cotidianos y permita que los estudiantes experimenten iterativamente con datos. La visualización de resultados es clave: gráficos claros y tablas comparativas ayudan a fijar los conceptos. Recuerde que muchos estudiantes confunden correlación con causalidad, así que enfatice la importancia de las etiquetas y el contexto en los modelos.

Qué Esperar

Al finalizar estas actividades, los estudiantes podrán distinguir claramente entre aprendizaje supervisado y no supervisado, elegir el enfoque adecuado según el problema y justificar sus decisiones con ejemplos verificables. La participación activa en pares, grupos y discusiones grupales confirmará que han internalizado los conceptos.

Cuidado con estas ideas erróneas

Idea errónea común

Durante la actividad de pares 'Clasificación Supervisada con Iris Dataset', algunos estudiantes podrían pensar que el aprendizaje supervisado siempre da mejores resultados.

Qué enseñar en su lugar

Durante esta actividad, muestre un dataset pequeño sin etiquetas y pídales que intenten agruparlo manualmente. Luego comparen los grupos con los resultados del algoritmo para demostrar que el no supervisado puede revelar patrones ocultos incluso cuando falta información previa.

Idea errónea común

Durante el clustering en la actividad de grupos pequeños 'Clustering No Supervisado en Ventas', algunos podrían creer que el no supervisado no requiere limpieza de datos.

Qué enseñar en su lugar

En esta actividad, proporcione un dataset con datos faltantes o ruidosos y observe cómo los grupos intentan preprocesarlo. Use esto para destacar que la calidad de los datos afecta directamente la validez de los patrones encontrados.

Idea errónea común

Durante la discusión en la actividad de clase completa 'Debate de Casos de Uso', los estudiantes pueden confundir clasificación con clustering.

Qué enseñar en su lugar

En esta actividad, entregue dos ejemplos en tarjetas: uno con datos etiquetados (clasificación) y otro sin etiquetas (clustering). Pídales que identifiquen qué tipo de aprendizaje se aplica y expliquen por qué, usando las tarjetas como referencia visual constante.

Ideas de Evaluación

Boleto de Salida

Después de la actividad 'Clasificación Supervisada con Iris Dataset', entregue a cada estudiante una tarjeta con un escenario nuevo (ej. predecir el riesgo de crédito de clientes). Pídales que identifiquen si es supervisado o no supervisado y justifiquen su respuesta en una frase.

Verificación Rápida

Durante la actividad 'Clustering No Supervisado en Ventas', muestre dos gráficos: uno con clusters bien definidos y otro con datos dispersos. Pregunte: ¿Cuál dataset es más útil para análisis de marketing y por qué? Observe cómo usan los criterios del codo o la inercia para responder.

Pregunta para Discusión

Después del 'Debate de Casos de Uso', pida a cada pareja que elija un ejemplo de aprendizaje supervisado y uno no supervisado de su discusión y lo presenten brevemente al grupo. Escuche si pueden explicar las diferencias en términos de datos disponibles y objetivo del modelo.

Extensiones y Apoyo

• Challenge: Pida a estudiantes avanzados que propongan un dataset propio para aplicar clustering y regresión, documentando el proceso en un informe breve con visualizaciones.
• Scaffolding: Para quienes no logren identificar el tipo de aprendizaje en un caso, proporcione una tabla comparativa con columnas: '¿Hay etiquetas?', 'Objetivo del modelo', 'Ejemplo de resultado'.
• Deeper: Invite a los estudiantes a investigar cómo se usa el aprendizaje por refuerzo en juegos o robótica, comparando su enfoque con los modelos supervisado y no supervisado.

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.