Aquí tienes la propuesta de organización para la Semana 1, optimizada para sesiones efectivas de 80 a 90 minutos. Se ha estructurado considerando el inicio de clases el 3 de agosto de 2026, integrando el caso de estudio de la lámina de riego, el uso de Google Colab y la transición guiada hacia Posit Cloud mediante chatbots.
Resultado de aprendizaje: Explica principios éticos del análisis de datos y establece un protocolo de aprendizaje con control humano.
Objetivo: Establecer las reglas de juego (reserva cognitiva y uso de IA) e introducir el análisis de calidad de datos en Google Colab usando un caso aplicado a la Ingeniería Agrícola.
15 min - Encuadre del curso y contrato de IA:
Presentación del enfoque del curso: “El lápiz y el algoritmo” y el concepto de human-in-the-loop.
Firma del manifiesto manuscrito y protocolo de uso responsable de IA.
25 min - Análisis de caso (Actividad sin pantallas):
Situación: Un sistema de IA recomienda una lámina de riego utilizando datos de sensores de humedad que tienen fallos e información incompleta.
Discusión socrática: ¿Qué riesgos existen si aplicamos la recomendación a ciegas? ¿Cómo auditar la integridad de los datos?
45 min - Exploración en Google Colab (Python):
Carga de un cuaderno interactivo preconfigurado.
El cuaderno carga un dataset simulado (sensores de humedad con
datos NaN y valores atípicos absurdos).
Se utilizan funciones básicas de pandas
(.head(), .info(), .isna().sum())
para que el estudiante visualice computacionalmente el problema
discutido a mano.
Objetivo: Configurar el entorno de R y enseñar a los estudiantes a generar documentos RMarkdown interactuando de manera estructurada con chatbots.
20 min - Configuración del entorno R:
Ingreso y configuración del espacio de trabajo en Posit Cloud.
Explicación de la estructura básica de un documento RMarkdown (YAML, bloques de código o chunks, y texto).
30 min - Ingeniería de prompts para traducción de código:
Demostración en vivo: Cómo usar un chatbot para traducir el código de exploración de datos hecho en Python (pandas) durante la Sesión 1, a R (tidyverse).
Enfoque en la trazabilidad: Cómo solicitarle al chatbot que explique cada línea de código generada y no solo copiar y pegar.
35 min - Trabajo colaborativo / Reto práctico:
Los estudiantes implementan el código proporcionado por el chatbot en su RMarkdown dentro de Posit Cloud.
Generación del documento renderizado (HTML o PDF) y creación de la bitácora inicial de IA.
Al final del cuaderno de Colab de la primera sesión, puedes incluir el siguiente bloque de texto (Markdown) para establecer las directrices del trabajo independiente y la conexión con la Sesión 2:
Instrucciones para el reto en R (Trabajo Autónomo y Sesión 2)
Misión: Todo lo que hemos auditado y explorado hoy sobre los sensores de humedad utilizando Python, deberás replicarlo en R utilizando Posit Cloud y un documento RMarkdown. Pasos a seguir: 1. Abre tu cuenta de Posit Cloud y crea un nuevo proyecto. Abre un archivo RMarkdown en blanco. 2. Selecciona un asistente de inteligencia artificial de tu preferencia (ChatGPT, Claude, Gemini, etc.). 3. Utiliza el siguiente prompt sugerido para iniciar tu consulta (recuerda que tú eres quien audita a la máquina): * “Actúa como un experto en programación en R y ciencia de datos. Hoy en clase de Ingeniería Agrícola analizamos un dataset de humedad de suelo usando Python y Pandas (usamos df.head(), df.info() y df.isna().sum()). Necesito replicar exactamente esto en R usando la librería tidyverse. Genera el código necesario y explícame cómo integrarlo en un documento RMarkdown.”
- Copia, ejecuta y verifica el código en tus chunks de R. Observa las diferencias sintácticas entre pandas y tidyverse.
- Entrega: Renderiza tu documento (botón Knit) y anexa tu “Bitácora de IA”, explicando brevemente qué prompt usaste y qué correcciones tuviste que hacerle a la respuesta del chatbot antes de que funcionara correctamente.