—
CURSO: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL CON PYTHON PARA REFUERZO ESCOLAR
Subtítulo: Descubre cómo las máquinas aprenden, explorando los fundamentos del Machine Learning con Python. Entrena tus primeros modelos, comprende sus límites éticos y construye aplicaciones inteligentes sin magia, solo con datos, matemáticas y pensamiento crítico
—
FICHA TÉCNICA
Campo Descripción
Código MUN-IA-001
Carga horaria total 45 horas (recomendado: 3 horas por semana durante 15 semanas)
Modalidad 100% textual guiada por DeepSeek AI, con ejercicios prácticos en Python, entrenamiento de modelos supervisados y no supervisados, análisis de resultados, y proyecto final de ciencia de datos
Nivel educativo Avanzado. Adaptable a Bachillerato, Formación Profesional (Informática) y ámbito universitario (primeros cursos). La complejidad de los ejercicios se gradúa según el nivel del alumno.
Riesgo Medio-Alto (posible «caja negra» si no se comprende la matemática subyacente, sesgo en los datos de entrenamiento perpetuado por el modelo, falsa sensación de conocimiento si se usan librerías sin entender la lógica, consideraciones éticas sobre el uso de la IA). El facilitador debe enfatizar la interpretabilidad, la transparencia y la ética.
Dirigido a Estudiantes que ya dominan la programación básica en Python y quieren dar el salto al mundo de la inteligencia artificial y la ciencia de datos. Ideal como continuación del curso de Programación con Python o Análisis de Datos con Python.
Prerrequisito Haber completado el curso de Programación y Pensamiento Computacional con Python (MUN-PYT-001) o tener conocimientos equivalentes. Es muy recomendable tener nociones de análisis de datos con Python (pandas, matplotlib). Disponer de un ordenador con Python instalado y las librerías scikit-learn, pandas, matplotlib y numpy. Conexión a internet. Autorización parental para menores de edad.
Corpus obligatorio cargado en DeepSeek Documentación oficial de Scikit-learn, Guía de inicio al Machine Learning, Conceptos de ética en IA (sesgo, equidad, transparencia), Referencia de métricas de evaluación (accuracy, precisión, recall), Guía de visualización de datos para ML
Certificación Diploma de aprovechamiento en Introducción a la IA con Python. NO es una certificación profesional de científico de datos.
—
AVISO PARA EL ESTUDIANTE (LECTURA OBLIGATORIA)
La Inteligencia Artificial no es magia. Es matemáticas, datos y, sobre todo, responsabilidad.
DeepSeek te guiará en la creación de modelos, pero recuerda:
· Los modelos aprenden de los datos que les das. Si los datos están sesgados, el modelo será injusto. No es culpa de la máquina; es responsabilidad de quien la entrena.
· Una métrica perfecta no siempre es buena señal. A veces el modelo «acierta» por razones equivocadas o simplemente memoriza. Aprenderás a detectarlo.
· La IA no te va a quitar el trabajo, pero una persona que sepa usarla sí. Aprender los fundamentos te da el control sobre una herramienta que está cambiando el mundo.
· La ética no es un módulo opcional. Cada línea de código que escribas debe considerar el impacto humano, social y ambiental.
—
MAPA GENERAL DEL CURSO
Parte Título Horas Enfoque
I Fundamentos de la IA y preparación del entorno 8 h Historia, tipos de aprendizaje, setup con Scikit-learn, numpy y pandas
II Aprendizaje Supervisado (Regresión y Clasificación) 14 h Regresión Lineal, Árboles de Decisión, KNN, métricas y evaluación
III Aprendizaje No Supervisado y Reducción de Dimensionalidad 12 h Clustering (K-Means), PCA, sistemas de recomendación
IV Ética, sesgos y proyecto integrador 11 h Sesgos en IA, explicabilidad, proyecto final, presentación
PARTE I: FUNDAMENTOS DE LA IA Y PREPARACIÓN DEL ENTORNO
(8 horas)
—
Capítulo 1. ¿Pueden pensar las máquinas?
(1 hora)
· Inciso 1.1. Breve historia de la IA: del Test de Turing a la explosión de la IA Generativa.
· Inciso 1.2. Tipos de IA: IA Débil (la de hoy), IA General (lejana), y la diferencia entre IA, Machine Learning y Deep Learning.
· Inciso 1.3. ¿Cómo «aprende» una máquina? Del algoritmo al dato. El ciclo de vida de un proyecto de ML.
· Inciso 1.4. Primera provocación: «DeepSeek, ¿por qué es más fácil enseñar a una IA a jugar al ajedrez que a atarse los cordones? Explícame la paradoja de Moravec.»
—
Capítulo 2. El laboratorio del científico de datos
(2 horas)
· Inciso 2.1. Herramientas del oficio: Jupyter Notebook, Google Colab o VS Code.
· Inciso 2.2. Librerías esenciales: numpy para cálculo numérico, pandas para manipulación de datos, matplotlib y seaborn para visualización, y scikit-learn para los modelos.
· Inciso 2.3. Repaso rápido de pandas: cargar un CSV, explorar los datos con .head(), .describe(), e .info(), y limpiar valores nulos.
· Inciso 2.4. Ejercicio guiado: «DeepSeek, guíame para cargar un dataset de flores Iris y mostrarme sus estadísticas básicas. No lo hagas; dime qué funciones debo usar.»
—
Capítulo 3. El ingrediente secreto: los datos
(2 horas)
· Inciso 3.1. Estructura de los datos para ML: instancias (filas), características o features (columnas) y etiquetas o target (lo que queremos predecir).
· Inciso 3.2. El error más común: fuga de datos (data leakage).
· Inciso 3.3. Dividir el dataset: conjunto de entrenamiento y conjunto de prueba con train_test_split().
· Inciso 3.4. Ejercicio práctico: divide el dataset Iris en 80% entrenamiento y 20% prueba.
—
Capítulo 4. Tipos de Aprendizaje Automático
(1 hora)
· Inciso 4.1. Aprendizaje Supervisado: tenemos datos etiquetados (ej. fotos de perros y gatos con sus nombres). Regresión y Clasificación.
· Inciso 4.2. Aprendizaje No Supervisado: no tenemos etiquetas. El algoritmo busca patrones ocultos. Clustering.
· Inciso 4.3. Aprendizaje por Refuerzo: el agente aprende por ensayo y error, recibiendo recompensas.
—
Capítulo 5. Visualización de datos para entenderlos mejor
(2 horas)
· Inciso 5.1. Gráficos de dispersión (scatter plot) para ver relaciones entre variables.
· Inciso 5.2. Histogramas y diagramas de caja para distribuciones.
· Inciso 5.3. Matriz de correlación.
PARTE II: APRENDIZAJE SUPERVISADO
(14 horas)
—
Capítulo 6. Regresión Lineal: prediciendo números
(3 horas)
· Inciso 6.1. ¿Qué es una regresión? Trazar la mejor línea recta que pasa por los puntos.
· Inciso 6.2. Entrenar un modelo de Regresión Lineal con scikit-learn.
· Inciso 6.3. Evaluación: Error Absoluto Medio (MAE) y R-cuadrado.
· Inciso 6.4. Ejercicio práctico: predice el precio de una casa según sus metros cuadrados.
—
Capítulo 7. Clasificación con K-Nearest Neighbors (KNN)
(3 horas)
· Inciso 7.1. La idea más simple del ML: «Dime con quién andas y te diré quién eres».
· Inciso 7.2. Entrenar un clasificador KNN en Scikit-learn.
· Inciso 7.3. Matriz de confusión, precisión, recall y f1-score.
· Inciso 7.4. Ejercicio práctico: clasifica flores Iris según sus pétalos.
—
Capítulo 8. Árboles de Decisión
(4 horas)
· Inciso 8.1. Cómo piensa un árbol: preguntas secuenciales (¿es mayor de edad? -> ¿tiene ingresos?).
· Inciso 8.2. Visualizar el árbol de decisión.
· Inciso 8.3. Sobreajuste (Overfitting): cuando el árbol memoriza en lugar de aprender. Poda.
· Inciso 8.4. Ejercicio práctico: predecir si un pasajero del Titanic sobreviviría.
—
Capítulo 9. Regresión Logística
(2 horas)
· Inciso 9.1. No confundir con regresión: es para clasificación binaria (Sí/No).
· Inciso 9.2. La función sigmoide y su curva.
· Inciso 9.3. Aplicación: detección de spam.
—
Capítulo 10. Evaluación y Selección de Modelos
(2 horas)
· Inciso 10.1. Validación Cruzada (k-fold cross validation).
· Inciso 10.2. Sesgo vs. Varianza: bajo ajuste y sobreajuste.
· Inciso 10.3. ¿Qué modelo elijo? Comparativa práctica.
PARTE III: APRENDIZAJE NO SUPERVISADO Y SISTEMAS DE RECOMENDACIÓN
(12 horas)
—
Capítulo 11. Clustering con K-Means
(4 horas)
· Inciso 11.1. Agrupar clientes sin etiquetas previas.
· Inciso 11.2. Método del codo y visualización de clústeres.
· Inciso 11.3. Ejercicio práctico: segmentar clientes de un centro comercial por ingresos y gasto.
—
Capítulo 12. Reducción de dimensionalidad con PCA
(2 horas)
· Inciso 12.1. La maldición de la dimensionalidad: más columnas no siempre es mejor.
· Inciso 12.2. PCA (Análisis de Componentes Principales) para reducción de ruido y visualización.
—
Capítulo 13. Sistemas de Recomendación
(2 horas)
· Inciso 13.1. Filtrado colaborativo (similitud coseno) y basado en contenido.
· Inciso 13.2. Ejercicio práctico: recomendar películas basándose en gustos similares.
—
PARTE IV: ÉTICA EN LA IA Y PROYECTO INTEGRADOR
(11 horas)
—
Capítulo 14. Ética, sesgos y explicabilidad
(4 horas)
· Inciso 14.1. Tipos de sesgo en IA: datos históricos, muestreo, confirmación.
· Inciso 14.2. Casos reales: algoritmos de contratación sesgados, COMPAS, reconocimiento facial.
· Inciso 14.3. Equidad, Transparencia (XAI) y Responsabilidad (Accountability).
—
Capítulo 15. Proyecto Final y Cierre
(7 horas)
· Inciso 15.1. Propuesta: Predice la calidad del vino, clasifica críticas de películas, agrupa canciones, o predice la diabetes.
· Inciso 15.2. Análisis exploratorio, limpieza, modelado y evaluación.
· Inciso 15.3. Informe de impacto ético del modelo.
· Inciso 15.4. Reflexión y diploma.
—
RESUMEN EJECUTIVO DEL CURSO
Dimensión Resumen
Rol de la IA Tutora de Machine Learning, entrenadora de modelos, validación de resultados y asesora ética
Rol del estudiante Científico de datos en formación: entrena, evalúa y juzga modelos con rigor
Meta última Comprender cómo aprenden las máquinas y construir tus primeros modelos de IA responsables, transparentes y efectivos
Horas 45
Estructura 4 Partes, 15 Capítulos
—
¿Deseas que continuemos con el desarrollo de otro curso de la lista, o prefieres explorar otra área del ecosistema?