Introducción al Aprendizaje Automático
Esta sección establece el marco de nuestra primera clase. Aquí conocerás los propósitos del módulo, cómo se conecta con aplicaciones reales que usas todos los días y la ruta de aprendizaje que seguiremos para dominar los fundamentos del Machine Learning.
🎯 Objetivos de la Clase
- ✓ Presentar el módulo, expectativas y bibliografía.
- ✓ Introducir conceptos fundamentales del Aprendizaje Automático.
- ✓ Conectar con aplicaciones reales y motivación.
- ✓ Realizar actividades prácticas de reconocimiento.
📚 Contenidos Clave
- → El paradigma del Machine Learning.
- → Aprendizaje Supervisado vs No Supervisado.
- → De los Datos a los Modelos (Flujo).
- → Interacción con NotebookLM Studio.
El Cambio de Paradigma
Para entender qué es el Aprendizaje Automático, primero debemos contrastarlo con la programación clásica. Esta sección te muestra interactivamente cómo el ML invierte el proceso lógico: en lugar de programar reglas estrictas, dejamos que los algoritmos infieran esas reglas a partir de generalizaciones útiles sobre los datos.
Paradigma Tradicional
(Programadas explícitamente)
Machine Learning
(Ejemplos / Etiquetas)
Tipos de Aprendizaje
Explora las diferencias visuales entre los dos enfoques principales del ML. Utiliza los botones bajo el gráfico para alternar entre el Aprendizaje Supervisado (donde los datos tienen etiquetas conocidas) y el Aprendizaje No Supervisado (donde el algoritmo busca patrones ocultos por sí solo).
Aprendizaje Supervisado: El modelo se entrena con datos etiquetados (conocemos la "respuesta"). El gráfico muestra dos clases distintas separadas visualmente (ej: Spam vs No Spam).
🕹️ Aprendizaje por Refuerzo: Existe un tercer tipo donde un agente aprende a tomar decisiones maximizando recompensas a través de prueba y error en un entorno dinámico.
Flujo General de un Proyecto de ML
Un proyecto de Machine Learning no es solo entrenar un algoritmo. Es un ciclo de vida completo. Interactúa con las fases a continuación para descubrir qué sucede en cada etapa crítica, desde la recolección de los datos crudos hasta la puesta en producción.
📊 1. Datos
Recolección y exploración inicial de los datos crudos. Entender la naturaleza del problema y la disponibilidad de información.
Actividad Práctica: Identificación de Casos
Es momento de aplicar lo aprendido. Analiza los siguientes 5 escenarios reales del entorno empresarial y tecnológico. Selecciona en los menús desplegables qué tipo de aprendizaje automático es el más adecuado para resolver cada problema. Recibirás validación inmediata al responder.
Laboratorio: Código y GenAI
La práctica moderna del Machine Learning combina la escritura de código tradicional con el uso de Inteligencia Artificial generativa. En esta sección, analizaremos un script base y utilizaremos Google Colab con Gemini para generar y comparar modelos avanzados.
Ejercicio 1: Tu Primer Modelo
Ejemplo funcional de clasificación (aprendizaje supervisado) utilizando la librería scikit-learn.
# 1. Importar librerías
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
# 2. Generar datos (Características X y Etiquetas y)
X, y = make_classification(n_samples=100, n_features=2, random_state=42)
# 3. Entrenar el modelo (Aprender reglas)
modelo = LogisticRegression()
modelo.fit(X, y)
# 4. Evaluar la precisión
precision = modelo.score(X, y)
print(f"Precisión del modelo: {precision * 100}%")✨ Ejercicio 2: Prompting en Colab
Abre Google Colab, crea un nuevo cuaderno y utiliza la herramienta integrada de Gemini (botón "Generar con IA") introduciendo el siguiente prompt:
Misión del Estudiante:
- Ejecuta el código generado por Gemini.
- Modifica el parámetro
n_samplesen el código para ver cómo reaccionan y cambian las gráficas con un mayor volumen de datos.
Mini-Quiz Conceptual
Para consolidar tu asimilación de la Clase 1, completa este quiz rápido inspirado en las evaluaciones generadas por NotebookLM Studio. Selecciona la opción que consideres correcta para avanzar.