O recurso

Este recurso está pensado para que o alumnado aprenda o deseño dun modelo de IA para unha aplicación real concreta,  dunha maneira práctica. Mediante unha serie de actividades guiadas e resoltas , introduce todos os pasos relacionados coa posta en funcionamento dun modelo de IA.

Aínda que é un ODE completo e ten sentido e funcionalidade en sí mesmo, ten relación directa con ODE3: Ferramentas para IA: Cadernos de programación e librerías, xa que é unha posta en práctica das competencias adquiridas no mesmo, e compleméntase con outros 2 ODES da miña autoría:

• ODE1: Como pensan as máquinas?
• ODE2: Fundamentos de programación en Python

O produto final consiste

• na elaboración dun modelo de IA de predición de supervivencia no Titanic , en parella ou en pequeno grupo, donde o alumnado deberá poñer en xogo todos os coñecementos e habilidades adquiridas.

Distribución dos contidos

O ODE divídese en 5 actividades , comezando cunha páxina de introdución ó contido do OD O meu primeiro proxecto de IA.

• Actividade 1: Exploración inicial dos datos-Onde se traballará a obtención e procesamento de datos para IA
• Actividade 2: Preprocesado e transformación dos datos-Onde se traballará a normalización e escalado de datos para uso en modelos de IA
• Actividade 3: Análise Exploratoria-Onde se traballará a visualización e relación entre os datos e a variable obxectivo que queremos predicir
• Actividade 4: Proba de modelos e adestramento-Onde se traballará o proceso de adestramento e avaliación de distintos modelos
• Actividade 5: Predición e interpretación dos resultados-Onde se traballará a proba e optimización do modelo elixido

Contidos prácticos

Todas as actividades veñen acompañadas dos programas documentados e listos para usar. Isto, facilita a comprensión por todo o alumnado.

As actividades, están pensadas para que poidan completarse en parella ou en pequeno grupo no tempo de clase, tras as correspondentes instrucións. Están detallados e con retroalimentación de resolución.

Incúense  listas de cotexo para cada actividade, que servirán para orientar ao alumnado na súa aprendizaxe.

Outros aspectos

Ademais, ofrécese unha sección inicial O meu primeiro proxecto de IA, destinada a fomentar a autorregulación da aprendizaxe por parte do alumnado, na que se detalla que se espera que aprendan, como se estrutura a aprendizaxe.

O recurso está deseñado para utilizarse cunha metodoloxía ABE, que pode complementarse perfectamente con outras técnicas de aprendizaxe cooperativa. Con este tipo de técnicas favoreceremos, dunha maneira estruturada, a interacción do alumnado coa súa propia aprendizaxe e coa do resto do grupo clase.

Despós de realizar este ODE o alumnado adquirirá unha visión real, crítica e desmitificada do deseño da IA,  que lle aportará coñecementos e destrezas usables e trasladables tanto á súa vida cotiá, coma ó seu futuro académico e profesional, xa que a IA nos acompañará en todos esos ámbitos.

Obxectivos didácticos

Obxectivos do ODE

OBJ3. Interaccionar con modelos artificiais baseados nos datos, aplicando habilidades e coñecementos interdisciplinares que permitan o seu manexo, tratamento, contextualización, interpretación e inclusión nos sistemas intelixentes, recoñecendo o importante papel da persoa na toma de decisións relacionadas coa aprendizaxe das máquinas, e na execución das mesmas.

OBJ4. Desenvolver solucións prácticas que inclúan o razoamento algorítmico e que incorporen alternativas eficaces, novos produtos e tecnoloxías intelixentes aplicando estratexias de aprendizaxe baseadas na programación para un modelizado e resolución autónoma e eficiente de problemas reais.

• Comprender e realizar o procesamento de datos necesario para uso en IA
• Distinguir datos categóricos e numéricos
• Identificar e procesar valores nulos
• Recoñecer a necesidade e realizar a normalización e escalado de datos para IA
• Analizar os datos mediante gráficos
• Recoñecer a influencia dos datos no obxectivo concreto da aplicación de IA
• Coñecer, adestrar e probar algoritmos clásicos de modelos de IA e os seus parámetros
• Coñecer, adestrar e probar algoritmos de redes neuronais e os seus parámetros
• Tomar decisións fundamentadas sobre datos e modelos según os resultados
• Implementar un modelo, adestralo e avalialo

Contidos do recurso

Contidos curriculares da materia Tecnoloxías Intelixentes traballados neste ODE:(que establece a ORDE do 9 de agosto de 2023 pola que se amplía a relación de materias optativas do bacharelato)

• Os cadernos de programación: Jupyter notebook, DeepNote ou similares.
• Os fundamentos de programación en Python.
• As librerías básicas na intelixencia artificial: Pandas, Numpy, OpenCV, Pytorch, Scikit-learn, Keras, entre outras.

Contidos desenrolados neste ODE

Actividade 1: Exploración inicial dos datos

Onde se traballará:

• Obtención de arquivos de datos
• Como importar e cales son as librarías necesarias:  Pandas, Numpy, Seaborn, Matplotlib inicialmente e OpenCV, Pytorch, Scikit-learn, Keras según o obxectivo da aplicación e modelo de IA
• Como cargar os arquivos de datos no caderno de programación e visualizalos
• Exploración da estrutura e formato dos datos: Cantas columnas e filas ten, tipo de variables de cada unha e información que aportan
• Que son os valores nulos e como se identifican
• Tratamento inicial de valores nulos: en que casos é recomendable a sustitución por media ou moda, en que casos é mellor a eliminación de datos nulos

Actividade 2: Preprocesado e transformación dos datos

Onde se traballará:

• Que son os datos categóricos e non categóricos
• Necesidade da normalización de datos en IA
• Conversión de variables categóricas(non numéricas) en numéricas: Codificación con One-Hot Encoding
• Identificación e eliminación de columnas de datos non relevantes
• Necesidade do escalado de datos en IA
• Métodos de escalado de datos: StandardScaler e MinMaxScaler. Proba e decisión do mellor método para a aplicación concreta.

Actividade 3: Análise Exploratoria

Onde se traballará:

• Visualización mediante gráficas de datos clave con seaborn e matplotlib.
• Identificación de columnas de datos máis relevantes para a supervivencia
• Concepto e implementación da correlación entre variables
• Correlación entre datos clave e supervivencia. Como cada dato independente inflúe no dato obxectivo
• Correlación entre varios datos clave e supervivencia. Como inflúen uns datos noutros con respecto ó dato obxectivo
• Toma de decisións: Cal dos datos ten máis influencia e cal menos, para o problema concreto do dato obxectivo

Actividade 4: Proba de modelos e adestramento

Onde se traballará:

• División de datos para adestramento e test. Concepto, necesidade e realización
• Proba con modelo clásico Regresión Loxística. Implementación, adestramento, axuste de parámetros e análise de resultados de predición mediante matriz de confusión
• Proba con modelo clásico Random Forest. Implementación,  adestramento, axuste de parámetros e análise de resultados de predición mediante matriz de confusión
• Proba con modelo clásico Support Vector Machine. Implementación, adestramento, axuste de parámetros e análise de resultados de predición mediante matriz de confusión
• Proba cun modelo de rede neuronal. Implementación,  adestramento, axuste de parámetros e análise de resultados de predición mediante matriz de confusión
• Toma de decisións fundamentada nas probas de modelos: Cal dos modelos probados é o máis axeitado para o problema concreto da predición do dato obxectivo

Actividade 5: Predición e interpretación dos resultados

Onde se traballará:

• Selección de datos e modelo para predicir.
• Obtención e uso de datos de proba
  • Realización de predicións cos datos test usados previamente
  • Realización de predicións con datos test totalmente novos descargados de internet

Metodoloxía, agrupamentos e temporalización

Metodoloxía

O recurso está deseñado para utilizarse cunha metodoloxía ABE, que pode complementarse perfectamente con outras técnicas de aprendizaxe cooperativa. Con este tipo de técnicas favoreceremos, dunha maneira estruturada, a interacción do alumnado coa súa propia aprendizaxe e coa do resto do grupo clase.

Agrupamentos

As actividades de aprendizaxe recoméndase realizalas en parella cunha posta en común de resultados en gran grupo.

Temporalización

• As actividades que deberán realizar terán unha duración de entre 50 min  e  100 min  dependendo da complexidade
  • as actividades 1,2 e 3 100 min cada unha (6 sesións)
  • a proba de modelos, actividade 4, 150 min (3 sesións)
  • a actividade 5 final, 50 min (1 sesión)

No apartado de secuenciación competencial de esta guía didáctica, detállase a temporalización de cada sección do ODE

Secuenciación competencial

Actividade do ODE	Competencias a desenrolar	Actividades asociadas	Recursos necesarios	Temporalización	Criterios de avaliación
Exploración inicial dos datos	Comprender a estrutura dos datos e a súa organización	Importación de datos, revisión de valores e tratamento inicial	Equipo informático con conexión a internet, caderno Colab	2 sesións	Participación activa, identificación correcta dos conceptos
Preprocesado e transformación	Conversión de variables, normalización e preparación de datos	Codificación de variables, escalado e limpeza	Equipo informático con conexión a internet, caderno Colab	2 sesións	Comprensión do proceso, uso correcto das ferramentas
Análise Exploratoria	Visualización de datos e correlacións	Uso de gráficos e técnicas estatísticas Detección de patróns clave e tendencias	Equipo informático con conexión a internet, caderno Colab	2 sesións	Identificación acertada de variables relevantes
Proba de modelos e adestramento	Implementación de modelos de aprendizaxe automática	Aplicación de modelos clásicos e deep learning	Equipo informático con conexión a internet, caderno Colab	3 sesións	Funcionamento efectivo do modelo, xustificación das eleccións
Predición e interpretación	Uso dun modelo para realizar predicións	Análise e interpretación dos resultados	Equipo informático con conexión a internet, caderno Colab	1 sesión	Correcta aplicación do modelo e interpretación dos resultados

Avaliación e cualificación

Criterios de avaliación da materia Tecnoloxías Intelixentes traballados asociados a este ODE:(que establece a ORDE do 9 de agosto de 2023 pola que se amplía a relación de materias optativas do bacharelato)

CE1.2 Utilizar bibliotecas e ferramentas de aprendizaxe automática para construír modelos de intelixencia artificial.
CE1.3. Demostrar habilidades en programación para a intelixencia artificial, utilizando linguaxes de programación e ferramentas de desenvolvemento.

Criterios de avaliación deste ODE

O proceso de avaliación incluirá...

• Autoavaliación: O alumnado poderás comprobar o seu avance cunha lista de cotexo de cada actividade e terá acceso ás rúbricas que usará o profesorado en cada actividade , isto axudaralle a comprobar se está alcanzando os obxectivos
• Avaliación do profesorado:
  • Durante o proceso: avaliará o progreso mediante as  rúbricas de cada actividade, e realizará a retroalimentación
  • Ó finalizar o ODE cualificará cada actividade coa rúbrica e peso Actividade 1,2,3 20% cada unha, a 4 un 30% e a 5 un 10%.

Actividade	Instrumento de avaliación (Profesorado)	Instrumento de avaliación (Alumnado)	Quen avalía	Momento da avaliación	Peso (%)
Actividade 1	Rúbrica	Lista de cotexo	Profesorado / Alumnado	Final da actividade	20%
Actividade 2	Rúbrica	Lista de cotexo	Profesorado / Alumnado	Final da actividade	20%
Actividade 3	Rúbrica	Lista de cotexo	Profesorado / Alumnado	Final da actividade	20%
Actividade 4	Rúbrica	Lista de cotexo	Profesorado / Alumnado	Final da actividade	30%
Actividade 5	Rúbrica	Lista de cotexo	Profesorado / Alumnado	Final da actividade	10%

Desafíos do S. XXI e  ODS

Os catro piares da educación propostos pola UNESCO, aprender a coñecer, a facer, a ser e a vivir xuntos, concrétanse nos principais desafíos do século XXI, dos cales traballaremos os seguintes neste ODE:

1. Aprender ao longo da vida :Presente en todas as actividades, pois implican a adquisición de habilidades de análise, programación e interpretación de datos, favorecendo o pensamento crítico e a aprendizaxe continua.
2. Aceptación e manexo da incerteza : Actividade 4 e 5, especialmente ao traballar con modelos de Machine Learning, onde os resultados nunca son totalmente predecibles e deben ser avaliados con precisión estatística e probas de validación.
3. Análise crítica e responsable das tecnoloxías : Actividade 2, 3, 4 e 5, onde se aprende a procesar e interpretar datos, garantindo que as tecnoloxías usadas no proxecto sexan empregadas para a toma de decisións fundamentadas e responsables.
4. Valoración da diversidade persoal e cultural : Actividade 3 e 4, especialmente cando se traballa con datos categóricos como sexo, clase social e tarifas no Titanic. Axuda a entender como certas características influíron na supervivencia, promovendo unha reflexión crítica sobre desigualdades históricas.
5. Sensibilidade para a igualdade de xénero, diversidade e inclusión : Actividade 3 e 5, ao analizar as taxas de supervivencia segundo xénero e clase social, levando a reflexionar sobre como se aplicaron normas culturais na xestión da crise.
6. Coñecemento como motor do desenvolvemento : Todas as actividades fomentan a investigación, análise e interpretación de datos para mellorar o entendemento dos eventos históricos e tecnolóxicos.

Este traballo toca varios Obxectivos de Desenvolvemento Sostible (ODS). Aquí están os máis relevantes:

• ODS 4: Educación de calidade : Presente en todas as actividades, xa que fomentan a aprendizaxe de técnicas de análise de datos, programación e interpretación de resultados, promovendo o pensamento crítico e a adquisición de competencias dixitais.
• ODS 5: Igualdade de xénero : Actividade 3 e 5, ao analizar a supervivencia no Titanic segundo o sexo e clase social, promovendo a reflexión sobre desigualdades históricas e normas sociais que influíron na toma de decisións.
• ODS 10: Redución das desigualdades : Actividade 3 e 4, ao estudar como factores como idade, clase social e tarifas afectaron a supervivencia, permitindo comprender mellor as desigualdades estruturais.
• ODS 12: Producción e consumo responsables : Actividade 1 e 2, ao traballar con datos e fomentar a análise crítica sobre o uso de recursos, promovendo unha visión responsable sobre a xestión da información.
• ODS 13: Acción polo clima : Actividade 5, ao reflexionar sobre a importancia da análise de datos para prever e mitigar impactos ambientais, aplicando técnicas de modelado que poden ser útiles en estudos climáticos.
• ODS 16: Paz, xustiza e institucións sólidas : Actividade 3 e 5, ao analizar datos históricos e sociais que permiten comprender mellor a toma de decisións en situacións de crise e promover a xustiza social.

DUA e atención á diversidade

Este ODE deseñouse procurando que sexa o máis accesible posible, e cumprir cos principios e pautas do Deseño Universal para a Aprendizaxe.

Incluío a continuación os principais indicadores do DUA que apliquei, aparte dunha barra de accesibilidade: 

 Redes afectivas. Implico ao alumnado na aprendizaxe

• Actividades contextualizadas á vida real do alumnado: Por exemplo: Actividade 3 e 4, analizando datos históricos sobre o Titanic e a supervivencia en función de factores reais como idade, sexo e clase social.
• Actividades onde o alumnado pode participar no seu deseño e establecemento de obxectivos: Por exemplo: Actividade 2,4,5, onde o alumnado debe tomar decisións e escoller como aplicar o modelo de predición e decidir sobre os datos a empregar.
• Fomento da reflexión e a avaliación por parte do alumnado: Por exemplo: Inclúese a lista de cotexo ao final de cada actividade para que os estudantes poidan revisar o seu progreso.
• Actividades con retroalimentación sobre acertos e erros, así como suxestións de mellora: Por exemplo: Actividade 4 e 5, ao verificar a fiabilidade dos modelos mediante matrices de confusión e cálculos de precisión.
• Propicio un clima favorable en clase: Por exemplo: Actividade 2 e 3, con agrupamentos para discusión sobre o impacto social dos datos analizados.

.

 Redes de coñecemento. Presento a información en varios formatos.

• Prevíronse diferentes formas para mostrar a información ao alumnado, como código, táboas de análise, gráficos e interpretación de datos para facilitar a comprensión.
• A información está organizada, deixando claras as partes máis importantes. En todas as actividades, con pasos claramente secuenciados e explicacións progresivas para facilitar a aprendizaxe.
• Uso de esquemas ou recursos de apoio. Actividade 3 e 4, con visualizacións gráficas (histogramas, heatmaps e diagramas) para interpretar a relación entre variables.
• As actividades están secuenciadas en orde de dificultade crecente, e están pensadas para facilitar a comprensión dos puntos teóricos e a realización das tarefas finais. Comeza coa carga e procesado de datos (Actividade 1 e 2) e avanza ata a creación de modelos (Actividade 4 e 5).

 Redes estratéxicas. Proporciónanse formas diferentes para aprender e expresar o aprendido.

• Ofrezo ao alumnado diferentes formas de mostrar o aprendido: Gráficas, táboas, porcentaxes
• Dou estratexias para que o alumnado autorregule a súa aprendizaxe: A lista de cotexo en cada actividade axuda a planificar e seguir os avances.
• Combino actividades individuais con agrupadas que favorezan a aprendizaxe entre iguais: As actividades deben realizarse en parella, pero é precisa a colaboración individual na toma de decisións e no progreso do proxecto.
• Indico os tempos aproximados de execución das tarefas e do ODE, que poden flexibilizarse: Cada actividade ten unha temporalización específica, permitindo adaptacións segundo o ritmo do alumnado e a planificación docente. As actividades son escalonadas, permitindo adaptarse a distintos ritmos de aprendizaxe.