1) Introducción
El Machine Learning (Aprendizaje Automático) permite que las computadoras aprendan patrones a partir de datos para realizar predicciones o clasificaciones. En esta WebQuest explorarás conceptos básicos y construirás una mini‑demostración con un conjunto de datos sencillo.
2) Tarea
- En equipos de 2–3, elijan un problema simple (p. ej., clasificar si un mensaje es spam o no, o predecir si una flor es de tipo Iris setosa o no).
- Usen un conjunto de datos pequeño y limpio.
- Entrenen un modelo básico (árbol de decisión, k‑NN, regresión logística, etc.).
- Expliquen el proceso y presenten resultados (métrica principal y 1–2 visualizaciones).
3) Proceso
Paso A: Conceptos clave
- ¿Qué es dato, característica y etiqueta?
- Diferencia entre entrenamiento y prueba.
- Métricas básicas: exactitud (accuracy), precisión, recall.
Paso B: Elegir datos
Usa un dataset pequeño y público. Ejemplos:
Si no deseas registrarte en Kaggle, elige Iris de UCI (descarga directa).
Paso C: Herramientas
- Sin código: Teachable Machine.
- Con código (opcional): scikit‑learn en Python (Google Colab o local).
Paso D: Entrenamiento y prueba
- Divide datos en entrenamiento/prueba (p. ej., 80/20).
- Entrena un modelo sencillo.
- Evalúa con una métrica: empieza por accuracy.
- Muestra 1–2 gráficos o tablas (matriz de confusión, curva de precisión vs. recall).
4) Recursos
5) Evaluación (rúbrica)
| Criterio | Excelente (4) | Bueno (3) | Básico (2) | Inicial (1) |
|---|---|---|---|---|
| Definición del problema | Claramente definido y relevante. | Claro, con leve ambigüedad. | Poco claro o muy amplio. | No definido. |
| Selección de datos | Datos apropiados y justificados. | Datos adecuados. | Datos parcialmente adecuados. | Datos inadecuados o no citados. |
| Modelo y explicación | Modelo correcto y bien explicado. | Modelo correcto con explicación básica. | Modelo con errores menores o explicación débil. | Modelo incorrecto o sin explicación. |
| Evaluación de resultados | Métricas bien usadas e interpretadas. | Métricas correctas, interpretación básica. | Métricas limitadas o mal interpretadas. | Sin métricas. |
| Comunicación | Presentación clara, visual y concisa. | Presentación clara. | Presentación confusa o extensa. | Sin presentación. |
6) Conclusión
Con esta WebQuest habrás recorrido el flujo básico de un proyecto de ML: definir un problema, elegir datos, entrenar un modelo simple y evaluar resultados. Lo importante es entender el por qué de cada paso, no obtener la mejor métrica.
7) Créditos
Actividad creada para fines educativos. Agradecimientos a los repositorios públicos de datasets (UCI, Kaggle) y a la documentación de scikit‑learn y Google.