# 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 1. **Lectura:** Cada semana, lee la introducción teórica en la hoja correspondiente aquí en BookStack. 2. **Práctica:** Sigue los pasos para programar tu modelo en **Google Colab**. 3. **Reto:** Al final de cada práctica, encontrarás un pequeño desafío que deberás resolver solo. 4. **Entrega:** Sube tu notebook `.ipynb` o 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](https://www.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](https://colab.research.google.com/) > **💡 Tarea Previa:** > Entra a tu Google Drive, crea una carpeta llamada `Curso_ML` y dentro crea otra llamada `Datasets`. Ahí guardaremos todo para tener orden. --- ## 🌐 4. Sitios Web Clave Guarda estos enlaces en tus favoritos, los usaremos recurrentemente: 1. **Teachable Machine:** [teachablemachine.withgoogle.com](https://teachablemachine.withgoogle.com/) (Para la Práctica 1). 2. **Scikit-Learn Docs:** [scikit-learn.org](https://scikit-learn.org/stable/) (La "biblia" de las herramientas que usaremos). 3. **Pandas Cheat Sheet:** [Guía rápida de Pandas](https://pandas.pydata.org/Pandas_Cheat_Sheet.pdf) (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**.