Todas las lecciones

Curso

IA de 9.º: Python y aprendizaje automático

Usa Python, NumPy y pandas para entrenar y evaluar modelos clásicos de aprendizaje automático.

Haz las lecciones en orden. Al final puedes escribir Python con estructuras de datos y funciones reutilizables. Puedes sumar vectores, calcular probabilidades y hallar la media y la desviación estándar. Puedes cargar, limpiar y graficar una tabla con NumPy y pandas. Puedes ajustar una recta a los datos, entrenar clasificadores de regresión logística, árbol de decisión y k-NN, y agrupar datos con k-means. Puedes calcular la exactitud, la precisión y la exhaustividad, detectar el sobreajuste, comparar un modelo con una línea base simple y presentar predicciones de un conjunto de datos ambiental.

Cómo usar estas lecciones

  • Empieza en la lección que dice Haz esto. Sigue adelante cuando puedas hacer tú solo la línea bajo el título.
  • Juega primero los Juegos. Luego haz las Pruebas. 8 de 10 correctas para aprobar. Las Fichas están en papel. Las respuestas están abajo.
  • Cada lección se apoya en la anterior. Anota cada experimento: qué cambiaste, qué pasó y por qué.
  • Las lecciones de código usan Python en un cuaderno en línea gratis. Usa solo las herramientas de IA que apruebe tu profesor, explica cualquier código que la IA escriba por ti y nunca pongas datos personales en un conjunto de datos que compartas.

Cada lección tiene juegos, pruebas y fichas.

0 de 36

Programación en Python

  1. 1Repaso de sintaxisEscribe Python con variables, condiciones y bucles.
    • Usa variables, tipos y f-strings.
    • Escribe bloques if, for y while.
    • Lee un traceback y corrige el error.
  2. 2Estructuras de datosElige entre listas, tuplas, conjuntos y diccionarios.
    • Usa cada estructura para su mejor trabajo.
    • Escribe comprensiones de listas y de diccionarios.
    • Anida estructuras para guardar registros.
  3. 3Funciones y módulosEscribe funciones reutilizables y pruébalas.
    • Usa argumentos por defecto y por nombre.
    • Escribe pruebas con assert.
    • Importa tus funciones desde un módulo.
  4. 4Scripts de datosEscribe un script que limpia un archivo de texto.
    • Lee un archivo línea por línea.
    • Corrige las filas malas y salta las vacías.
    • Escribe los datos limpios en un archivo nuevo.

Matemáticas para el aprendizaje automático

  1. 5VectoresSuma vectores y halla la distancia entre puntos.
    • Representa un punto de datos como un vector.
    • Suma vectores y cámbiales la escala.
    • Calcula la distancia euclidiana y el producto escalar.
  2. 6ProbabilidadCalcula probabilidades simples y condicionales.
    • Calcula la probabilidad de un suceso.
    • Calcula una probabilidad condicional a partir de una tabla.
    • Simula lanzamientos de moneda para comprobar tu respuesta.
  3. 7EstadísticaHalla la media, la varianza y la desviación estándar.
    • Calcula cada una a mano y en código.
    • Explica qué te dice la desviación estándar.
    • Compara dos conjuntos de datos por su dispersión.
  4. 8Experimentos de matemáticasGrafica datos y describe su dispersión.
    • Haz un histograma.
    • Haz un diagrama de dispersión.
    • Describe el centro, la dispersión y los valores atípicos.

Ciencia de datos

  1. 9NumPyHaz matemáticas con arrays completos en NumPy.
    • Crea arrays y cambia su forma.
    • Usa operaciones vectorizadas en vez de bucles.
    • Indexa arrays y toma partes.
  2. 10pandasCarga, filtra y agrupa una tabla con pandas.
    • Carga un CSV en un DataFrame.
    • Filtra filas y elige columnas.
    • Agrupa los datos y resúmelos.
  3. 11Limpieza de datosTrata valores que faltan y tipos incorrectos.
    • Encuentra los valores que faltan.
    • Rellénalos o quítalos, y explica tu elección.
    • Corrige tipos incorrectos y filas duplicadas.
  4. 12VisualizaciónHaz gráficas que respondan una pregunta.
    • Elige la gráfica adecuada para la pregunta.
    • Etiqueta los ejes y añade un título.
    • Encuentra una gráfica engañosa y corrígela.

Bases del aprendizaje automático

  1. 13Qué es el aprendizaje automáticoExplica cómo un modelo aprende un patrón a partir de datos.
    • Compara escribir reglas y aprender de los datos.
    • Define modelo, parámetros y entrenamiento.
    • Nombra tres usos reales del aprendizaje automático.
  2. 14Supervisado y no supervisadoDistingue tareas supervisadas de tareas no supervisadas.
    • Di que el aprendizaje supervisado usa etiquetas.
    • Di que el aprendizaje no supervisado halla estructura sin etiquetas.
    • Reparte diez tareas en cada grupo.
  3. 15El flujo de MLLista los pasos desde los datos hasta un modelo que funciona.
    • Ordena los pasos: pregunta, datos, características, entrenar, evaluar, desplegar.
    • Di qué puede salir mal en cada paso.
    • Di por qué los pasos se repiten.
  4. 16Compara tareas de MLUne problemas con regresión, clasificación o agrupamiento.
    • Di qué predice cada tarea.
    • Une diez problemas con una tarea.
    • Reescribe un problema como otra tarea.

Regresión

  1. 17Regresión linealAjusta una recta a los datos.
    • Explica la pendiente y la ordenada.
    • Ajusta una recta con scikit-learn.
    • Dibuja la recta sobre los datos.
  2. 18CaracterísticasElige características y cámbiales la escala.
    • Usa más de una característica.
    • Pon las características en el mismo rango.
    • Codifica una característica de categoría.
  3. 19ErrorMide el error con el error cuadrático medio.
    • Calcula los residuos.
    • Calcula el error cuadrático medio y el error absoluto medio.
    • Grafica los residuos para hallar un patrón.
  4. 20Predice númerosEntrena un modelo de regresión y predice valores nuevos.
    • Entrena con una parte de los datos.
    • Predice el resto.
    • Informa el error en unidades reales.

Clasificación

  1. 21Regresión logísticaEntrena un clasificador de regresión logística.
    • Explica cómo convierte una puntuación en una probabilidad.
    • Entrénalo y predice probabilidades.
    • Cambia el umbral y compara.
  2. 22Árboles de decisiónEntrena un árbol de decisión y lee sus divisiones.
    • Entrena un árbol.
    • Dibuja sus divisiones y léelas.
    • Limita su profundidad y compara las puntuaciones.
  3. 23k vecinos más cercanosClasifica con k-NN y elige k.
    • Explica cómo vota k-NN.
    • Prueba varios valores de k.
    • Di por qué la escala importa para k-NN.
  4. 24Entrena un clasificadorCompara tres clasificadores en un conjunto de datos.
    • Entrena los tres con la misma división.
    • Compara sus puntuaciones.
    • Elige uno y explica por qué.

Aprendizaje no supervisado

  1. 25SimilitudMide la similitud de dos muestras.
    • Usa la distancia euclidiana.
    • Usa la similitud del coseno.
    • Halla los elementos más similares de un conjunto de datos.
  2. 26k-meansAgrupa datos con agrupamiento k-means.
    • Haz k-means a mano, paso a paso.
    • Ejecútalo en scikit-learn.
    • Grafica los clústeres.
  3. 27Elegir kUsa el método del codo para elegir un número de clústeres.
    • Ejecuta k-means con varios valores de k.
    • Grafica la curva del codo.
    • Comprueba que los clústeres tienen sentido.
  4. 28Agrupa muestrasAgrupa un conjunto de datos y describe cada grupo.
    • Agrupa un conjunto de datos real.
    • Resume cada clúster.
    • Ponle un nombre a cada clúster.

Evaluación del modelo

  1. 29División de entrenamiento y pruebaDivide los datos y explica por qué.
    • Divide con train_test_split.
    • Usa un conjunto de validación para ajustar.
    • Usa validación cruzada.
  2. 30Exactitud, precisión y exhaustividadCalcula la exactitud, la precisión y la exhaustividad.
    • Haz una matriz de confusión.
    • Calcula cada medida a partir de ella.
    • Elige la medida que encaja con el problema.
  3. 31SobreajusteDetecta el sobreajuste al comparar las puntuaciones de entrenamiento y de prueba.
    • Entrena un modelo que tiene sobreajuste.
    • Grafica las puntuaciones de entrenamiento y de prueba.
    • Reduce el sobreajuste y compara.
  4. 32Líneas baseCompara un modelo con una línea base simple.
    • Haz una línea base que siempre adivina la respuesta más común.
    • Compara tu modelo con ella.
    • Explica cuándo un modelo no merece usarse.

Proyecto de aprendizaje automático

  1. 33Elige un conjunto de datosElige un conjunto de datos ambiental abierto y una pregunta.
    • Encuentra un conjunto de datos abierto del tiempo o de la calidad del aire.
    • Escribe una pregunta que pueda responder.
    • Elige regresión o clasificación.
  2. 34Prepara y exploraLimpia los datos y grafica los patrones principales.
    • Limpia los datos.
    • Grafica tres patrones.
    • Elige características.
  3. 35Entrena y comparaEntrena dos modelos y compáralos con una línea base.
    • Entrena dos modelos.
    • Compáralos con una línea base.
    • Comprueba el sobreajuste.
  4. 36Predecir condiciones ambientalesPresenta resultados, límites y próximos pasos.
    • Muestra tus resultados y gráficas.
    • Explica los límites del modelo.
    • Sugiere próximos pasos.