Tecnología · 3o de Preparatoria

Ideas de aprendizaje activo

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.

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

• 25–45 min
• Parejas → Toda la clase
• 4 actividades

Actividad 01

• 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.

¿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.

Qué observar

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.

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

Actividad 02

• Sesión de Exploración al Aire Libre
• 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.

¿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.

Qué observar

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?

• Recordar
• Comprender
• Analizar
• Conciencia Social
• Autoconciencia
• Toma de Decisiones

Actividad 03

• Sesión de Exploración al Aire Libre
• 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.

¿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.

Qué observar

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.'

• Recordar
• Comprender
• Analizar
• Conciencia Social
• Autoconciencia
• Toma de Decisiones

Actividad 04

• Sesión de Exploración al Aire Libre
• 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.

¿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.

Qué observar

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.

• Recordar
• Comprender
• Analizar
• Conciencia Social
• Autoconciencia
• Toma de Decisiones

Algunas notas para enseñar esta unidad

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.

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

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

  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.

• 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.

  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.

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

  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.

---

Metodologías usadas en este resumen

• Enseñanza entre Pares
• Sesión de Exploración al Aire Libre