Capítulo 0: Información General del Curso
Temario y Calendario
Bienvenido a la ruta de aprendizaje de Introducción al Machine Learning. Durante las próximas 16 semanas, pasaremos de no saber nada sobre Inteligencia Artificial a construir nuestras propias Redes Neuronales capaces de "ver".
Este curso es práctico. La teoría es importante, pero aquí aprenderemos haciendo.
🗺️ Mapa de Ruta Semanal
A continuación se detalla qué práctica realizaremos cada semana. Las semanas marcadas con 🛑 corresponden a evaluaciones o periodos vacacionales.
| Semana | Módulo | Actividad / Práctica | Tema Principal |
|---|---|---|---|
| 01 | Módulo 1 | 📄 Práctica 1: La Magia sin Código | Intro a IA & Teachable Machine |
| 02 | Módulo 1 | 📄 Práctica 2: Nuestro Laboratorio | Google Colab & Python Básico |
| 03 | Módulo 1 | 📄 Práctica 3: El Petróleo del Siglo XXI | Carga de datos con Pandas |
| 04 | Módulo 2 | 📄 Práctica 4: Datos que Cuentan Historias | Visualización de Datos |
| 05 | Módulo 2 | 📄 Práctica 5: Detectives de Datos | Limpieza y Preprocesamiento |
| 06 | 🛑 PAUSA | 📝 PRIMERA EVALUACIÓN PARCIAL | Revisión de Módulos 1 y 2 |
| 07 | Módulo 3 | 📄 Práctica 6: Adivinando el Futuro | Regresión Lineal |
| 08 | Módulo 3 | 📄 Práctica 7: ¿Clase A o Clase B? | K-Vecinos Cercanos (KNN) |
| 09 | Módulo 3 | 📄 Práctica 8: El Árbol de las Decisiones | Árboles de Decisión |
| 10 | Módulo 3 | 📄 Práctica 9: ¿Qué tan bueno es mi modelo? | Métricas de Evaluación |
| 11 | 🛑 PAUSA | 🏖️ PUENTE / SEGUNDA EVALUACIÓN | Descanso o Repaso |
| 12 | Módulo 4 | 📄 Práctica 10: Agrupando sin Etiquetas | Clustering (K-Means) |
| 13 | Módulo 5 | 📄 Práctica 11: La Neurona Artificial | Lógica del Perceptrón |
| 14 | Módulo 5 | 📄 Práctica 12: Cerebros Digitales | Redes Densas (MNIST) |
| 15 | Módulo 5 | 📄 Práctica 13: Visión por Computadora | Redes Convolucionales (CNN) |
| 16 | 🛑 CIERRE | 🏆 PROYECTO FINAL / EXPO | Presentación de Resultados |
🚀 Metodología de Trabajo
- Lectura: Cada semana, lee la introducción teórica en la hoja correspondiente aquí en BookStack.
- Práctica: Sigue los pasos para programar tu modelo en Google Colab.
- Reto: Al final de cada práctica, encontrarás un pequeño desafío que deberás resolver solo.
- Entrega: Sube tu notebook
.ipynbo el enlace compartido a la plataforma de tareas.
Nota: Este calendario está sujeto a ajustes dependiendo del ritmo del grupo y las fechas oficiales de la institución.
Criterios de Evaluación
⚖️ Criterios de Evaluación
Para aprobar este curso no necesitas memorizar fórmulas complejas, pero sí necesitas constancia. La programación y el Machine Learning son habilidades que se desarrollan practicando semana tras semana.
A continuación se detalla cómo se compondrá tu calificación final.
📊 Desglose de Calificación
| Concepto | Peso | Descripción |
|---|---|---|
| Portafolio de Prácticas | 60% | La suma de las 13 prácticas realizadas en clase y tarea. |
| Evaluaciones Parciales | 20% | Dos revisiones de conocimientos (Semana 6 y Semana 11). |
| Proyecto Final | 20% | Aplicación de lo aprendido en un problema real (Semana 16). |
| Total | 100% |
📝 Detalles de los Entregables
1. Portafolio de Prácticas (60%)
Cada semana realizaremos una práctica guiada. Para que tu práctica cuente con el puntaje completo, debe cumplir con los siguientes requisitos en tu Google Colab:
- Código Funcional: El notebook debe correr de principio a fin sin errores.
- Comentarios: Debes explicar con tus palabras qué hace el código en las secciones clave.
- Reto Resuelto: Cada práctica tiene un pequeño "Reto Final" que debes resolver por tu cuenta.
- Organización: El notebook debe tener título, tu nombre y secciones ordenadas.
⚠️ Política de entregas tardías: Las prácticas se entregan semanalmente.
- Entrega a tiempo: 100% del valor.
- 1 día de retraso: 80% del valor.
- 2 días de retraso: 50% del valor.
- Más de 2 días: No se acepta (salvo justificante médico).
2. Evaluaciones Parciales (20%)
Realizaremos dos cortes para asegurar que los conceptos teóricos están claros.
- Parcial 1 (Semana 6): Enfoque en manejo de datos (Pandas) y visualización.
- Parcial 2 (Semana 11): Enfoque en modelos supervisados y evaluación.
- Formato: Pueden ser cuestionarios rápidos o ejercicios breves de código en clase.
3. Proyecto Final (20%)
En la última semana, presentarás un modelo de Machine Learning creado por ti.
- Elegirás un dataset de tu interés (deportes, música, salud, videojuegos, etc.).
- Entrenarás un modelo para resolver un problema.
- Expondrás los resultados ante el grupo.
🤖 Uso de Inteligencia Artificial (ChatGPT, Gemini, etc.)
Estás en un curso de Inteligencia Artificial, por lo que usar estas herramientas no está prohibido, pero su uso debe ser inteligente:
- ✅ PERMITIDO: Usar IA para explicarte un error de código, para sugerirte cómo mejorar una gráfica o para entender un concepto matemático.
- 🚫 PROHIBIDO: Copiar y pegar la solución completa del "Reto Final" sin entenderla.
Regla de Oro: Si te pregunto "¿Qué hace esta línea de código?" y no sabes explicarlo, la práctica se anula, aunque el código funcione perfectamente.
🌟 Puntos Extra
Podrás obtener puntos extra sobre la calificación parcial si:
- Ayudas a compañeros a "debuggear" (solucionar errores) en sus códigos (sin pasarles la respuesta).
- Encuentras formas más eficientes de resolver los retos planteados.
- Participas activamente en las discusiones de clase.
Recursos necesarios
🛠️ Recursos y Herramientas Necesarias
Para este curso, no necesitas instalar nada complejo en tu computadora. Hemos diseñado las prácticas para trabajar 100% en la nube. Esto significa que podrás avanzar en tus proyectos desde la escuela, tu casa o cualquier lugar con internet.
A continuación, la lista de lo que necesitas tener listo antes de empezar.
💻 1. Hardware (Tu equipo)
- Computadora: Laptop o escritorio (Windows, Mac o Linux/Chromebook).
- Nota: Aunque se puede acceder desde tablets, no se recomienda para escribir código cómodamente.
- Conexión a Internet: Estable, ya que trabajaremos en línea todo el tiempo.
🆔 2. Cuentas Requeridas
🔹 Una Cuenta de Google
Necesitarás una cuenta de Gmail (personal o institucional, si la escuela lo permite). Esta es la llave maestra para todas nuestras herramientas.
- ¿Por qué? Usaremos el ecosistema de Google para programar y guardar archivos.
🔹 Kaggle (Opcional por ahora)
Kaggle.com es la comunidad de Ciencia de Datos más grande del mundo.
- ¿Por qué? De aquí descargaremos muchos de los "datasets" (conjuntos de datos) para las prácticas. Te avisaremos cuándo registrarte.
☁️ 3. El Laboratorio: Google Colab
Nuestro entorno de desarrollo principal será Google Colaboratory (o "Colab").
- ¿Qué es? Es como un documento de Word, pero que te permite escribir y ejecutar código de Python.
- Ventaja: Te presta una computadora virtual potente (GPU) de Google gratis.
- Acceso: colab.research.google.com
💡 Tarea Previa: Entra a tu Google Drive, crea una carpeta llamada
Curso_MLy dentro crea otra llamadaDatasets. Ahí guardaremos todo para tener orden.
🌐 4. Sitios Web Clave
Guarda estos enlaces en tus favoritos, los usaremos recurrentemente:
- Teachable Machine: teachablemachine.withgoogle.com (Para la Práctica 1).
- Scikit-Learn Docs: scikit-learn.org (La "biblia" de las herramientas que usaremos).
- Pandas Cheat Sheet: Guía rápida de Pandas (Tu "acordeón" autorizado para manipular datos).
📚 5. Bibliografía de Apoyo (Opcional)
Si eres curioso y quieres profundizar más allá de las clases, estos recursos son excelentes:
- Videos: Canal de YouTube "Dot CSV" (Explica IA en español de forma genial).
- Libro: Python Data Science Handbook (Disponible gratis en línea en inglés).
¡Eso es todo! Si tienes tu cuenta de Google y acceso a internet, estás listo para la Práctica 1.