O recurso

Este recurso está pensado para que o alumnado coñeza como funciona e se deseña a IA,  dunha maneira práctica. Mediante unha combinación de actividades de aprendizaxe individuais e retos en pequeno grupo relacionados, que van aumentando en nivel de complexidade, introduce todos os conceptos clave relacionados co deseño da IA.

Aínda que é un ODE completo e ten sentido e funcionalidade en sí mesmo, ten relación directa e se complementa con outros 3 ODES da miña autoría:

• ODE1: Como funcionan as máquinas?
• ODE2: Fundamentos de programación en Python
• ODE4: O meu primeiro proxecto de IA

O produto final consiste na resolución de 12 retos , en parella ou en pequeno grupo, donde o alumnado deberá poñer en xogo todos os coñecementos e habilidades adquiridas nas actividades de aprendizaxe previas.

Distribución dos contidos

O ODE divídese en 2 bloques de contidos , comezando cunha páxina de introdución ó contido do OD Ferramentas para IA.

BLOQUE 1: Cadernos de programación.

Onde se traballará:

• Que é un caderno de programación
• Uso e utilidade dos cadernos de programación na IA
• Comparativa entre os distintos cadernos de programación actuais:  Jupyter Notebook, DeepNote e GoogleColab.
• Google Colab: primeiros pasos

BLOQUE 2: Librerías para IA

Onde se traballará:

• As contas con Numpy 
• Os datos con pandas
• As gráficas con Matplotlib e Seaborn
• As imaxes con OpenCV
• Machine learning con Scikit-learn
• Deep learning con Keras e Tensorflow
• Tensores e redes neuronais con Pytorch

Contidos prácticos

Toda a información vén acompañada de actividades moi prácticas e guiadas de aprendizaxe e outras de ampliación/reforzo,  para facilitar a comprensión por todo o alumnado.

As actividades e retos están pensados para que poidan completarse individualmente ou pequeno grupo no tempo de clase, tras as correspondentes explicacións teóricas . Están detallados e con retroalimentación de resolución.

Incúense  rúbricas para cada reto, que servirán para orientar ao alumnado na súa aprendizaxe.

Outros aspectos

Ademais, ofrécese unha sección inicial Ferramentas para 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 competencia real, crítica e desmitificada do deseño e funcionamento 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 a utilidade dun caderno de programación no ámbito da IA
• Recoñecer a importancia dos datos e a necesidade dun procesamento previo nos proxectos de IA e realizalo
  Coñecer a librería Numpy e a súa utilidade para realizar cálculos e realizalos en proxectos de IA
• Coñecer a librería pandas e a súa utilidade para manexar datos e manexalos en proxectos de IA
• Coñecer as librerías Matplotlib e Seaborn e a súa utilidade para visualizar datos e resultados e visualizalos en proxectos de IA
• Comprender o uso da librería OpenCV e aplicala en proxectos de IA con imaxes
• Coñecer e realizar algoritmos básicos de deseño e funcionamento de machine learning e os seus parámetros coa librería Scikit-learn
• Coñecer e realizar algoritmos básicos de deseño e funcionamento de deep learning e os seus parámetros coa librería Keras sobre Tensorflow
• Coñecer e realizar algoritmos básicos de deseño e funcionamento de redes neuronais e os seus parámetros coa librería Pytorch
  
  

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.
• As librerías básicas na intelixencia artificial: Pandas, Numpy, OpenCV, Pytorch, Scikit-learn, Keras, entre outras.

Contidos desenrolados neste ODE

BLOQUE 1: Cadernos de programación.

Onde se traballará:

• Que é un caderno de programación
• Uso e utilidade dos cadernos de programación na IA
• Comparativa entre os distintos cadernos de programación actuais:  Jupyter Notebook, DeepNote e GoogleColab.
• Google Colab: primeiros pasos

BLOQUE 2: Librerías para IA

Onde se traballará:

• As contas con Numpy 
• Os datos con pandas
• As gráficas con Matplotlib e Seaborn
• As imaxes con OpenCV
• Machine learning con Scikit-learn
• Deep learning con Keras e Tensorflow
• Tensores e redes neuronais con Pytorch

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

Cada reto a realizar indica o agrupamento aconsellado para realizalo, e as actividades de aprendizaxe  recoméndase realizalas individualmente cunha posta en común en gran grupo.

Traballarán combinando actividades individuais e grupais:

• Terán momentos de traballo individual e autónomo, como nas actividades de aprendizaxe, ampliación e/ou reforzo
• Experimentación de algoritmos ou xeneración de modelos de IA en pequeno grupo ou parella
• Realización dos retos de cada librería en pequeno grupo ou parella, para despós poñelo en común en gran grupo

Temporalización

• En cada tarefa, indícase a temporalización aconsellada para realizalo.
• As actividades que deberás realizar terán unha duración de entre 20 min  e  120 min  dependendo da complexidade
  • as actividades de aprendizaxe sobre conceptos básicos 20 min cada unha
  • a experimentación de algoritmos 30 min cada un
  • o reto final, 50 min salvo o 12 que será de 120 min

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

Secuenciación competencial

Sección do ODE	Contidos	Competencias a desenvolver	Actividades asociadas	Recursos necesarios	Temporalización	Criterios de avaliación
Cadernos de programación	Concepto e uso dos cadernos de programación (Jupyter Notebook, DeepNote, Google Colab)	Comprender a utilidade dos cadernos de programación para o desenvolvemento de proxectos de IA.	Actividades de aprendizaxe sobre o funcionamento de cada caderno. Práctica inicial con Google Colab.	Equipo informático conectado a Internet, Google Colab.	1-2 sesións	Uso efectivo de ferramentas de desenvolvemento de código para proxectos de IA.
Librerías para IA - Numpy	Operacións matemáticas avanzadas con Numpy	Coñecer e aplicar Numpy en proxectos de IA para realizar cálculos eficientes.	Actividades de aprendizaxe e reto 1 (aplicación de Numpy en cálculos básicos).	Equipo informático conectado a Internet, Google Colab.	1-2 sesións (aprendizaxe), 50 min (reto 1)	Aplicación de operacións matemáticas en modelos de IA con Numpy.
Librerías para IA - Pandas	Manipulación de datos con Pandas	Coñecer e aplicar Pandas para a xestión e análise de datos en proxectos de IA.	Actividades de aprendizaxe e reto 2 (limpeza e manipulación de datos con Pandas).	Equipo informático conectado a Internet, Google Colab.	1-2 sesións (aprendizaxe), 50 min (reto 2)	Manejo eficiente de conxuntos de datos en proxectos de IA con Pandas.
Librerías para IA - Matplotlib e Seaborn	Visualización de datos con Matplotlib e Seaborn	Coñecer e empregar estas librerías para representar datos de forma visual.	Actividades de aprendizaxe e retos 3, 4 e 5 (creación de gráficos con Matplotlib e Seaborn).	Equipo informático conectado a Internet, Google Colab.	1-2 sesións (aprendizaxe), 50 min cada reto	Representación visual de datos para análise en modelos de IA.
Librerías para IA - OpenCV	Procesamento de imaxes con OpenCV	Comprender e aplicar OpenCV na manipulación de imaxes en proxectos de IA.	Actividades de aprendizaxe e retos 6 e 7 (procesamento de imaxes con OpenCV).	Equipo informático conectado a Internet, Google Colab.	1-2 sesións (aprendizaxe), 50 min cada reto	Uso de OpenCV para o procesamento de imaxes en sistemas de IA.
Librerías para IA - Scikit-learn	Modelado de datos con Machine Learning	Aplicar algoritmos de machine learning para a creación de modelos intelixentes.	Actividades de aprendizaxe e retos 8, 9 e 10 (deseño e aplicación de modelos con Scikit-learn).	Equipo informático conectado a Internet, Google Colab.	1-2 sesións (aprendizaxe), 50 min cada reto	Construción de modelos de machine learning con Scikit-learn.
Librerías para IA - Keras sobre Tensorflow	Deep learning con Keras	Comprender os fundamentos do deep learning e aplicar modelos con Keras sobre Tensorflow.	Actividades de aprendizaxe e reto 11 (creación de modelos con Keras).	Equipo informático conectado a Internet, Google Colab.	1-2 sesións (aprendizaxe), 50 min (reto 11)	Aplicación de redes neuronais profundas con Keras sobre Tensorflow.
Librerías para IA - Pytorch	Tensores e redes neuronais con Pytorch	Comprender o funcionamento dos tensores e redes neuronais en proxectos de IA.	Actividades de aprendizaxe e reto 12 (creación e optimización dunha rede neuronal con Pytorch).	Equipo informático conectado a Internet, Google Colab.	1-2 sesións (aprendizaxe), 120 min (reto 12)	Manipulación de tensores e implementación de redes neuronais con Pytorch.

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...

Durante as actividades, o alumnado irá resolvendo unha serie de retos, as resolucións destes retos serán os produtos finais a entregar.

• Autoavaliación: O alumnado poderá comprobar o seu avance coa resolución de cada reto e terá acceso ás rúbricas que usará o profesorado , isto axudaralle a comprobar se está alcanzando os obxectivos
• Avaliación do profesorado:
  • Durante o proceso: avaliará o progreso mediante as  rúbricas para os retos, e realizará a retroalimentación
  • Ó finalizar o ODE cualificará os retos 1,2,3,4,5  30% os retos 6,7,8,9,10  50%  e retos 11,12  20%.

Contidos	Reto	Instrumento de avaliación	Quen avalía	Momento da avaliación	Peso (%)
Cadernos de programación e primeiros algoritmos	Reto 1: Aplicación de cálculos con Numpy	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	6%
	Reto 2: Manipulación de datos con Pandas	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	6%
	Reto 3: Creación de gráficos con Matplotlib	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	6%
	Reto 4: Visualización avanzada con Seaborn	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	6%
	Reto 5: Integración de ferramentas gráficas	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	6%
Machine Learning e Deep Learning	Reto 6: Procesamento de imaxes con OpenCV	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	10%
	Reto 7: Aplicación de modelos de visión artificial	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	10%
	Reto 8: Creación de modelos de Machine Learning con Scikit-learn	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	10%
	Reto 9: Axuste e mellora de modelos de Machine Learning	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	10%
	Reto 10: Validación de modelos de Machine Learning	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	10%
Redes neuronais e técnicas avanzadas	Reto 11: Desenvolvemento de modelos de Deep Learning con Keras	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	10%
	Reto 12: Aplicación de tensores e redes neuronais con Pytorch	Rúbrica de avaliación	Autoavaliación do alumnado / Heteroavaliación do profesorado	Durante o proceso e ó final do reto	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:

• Aprender a longo da vida: O ODE promove unha aprendizaxe progresiva e estructurada sobre a IA, permitindo que o alumnado desenvolva competencias transferibles a outros ámbitos académicos e profesionais.Concrétase nas actividades de aprendizaxe guiadas e os retos graduais sobre cadernos de programación e librerías de IA.
• Análise crítico e responsable das tecnoloxías: Os contidos do ODE ensinan ao alumnado a entender como funcionan os sistemas de IA e a aplicar un pensamento crítico sobre o seu uso e impacto na sociedade. Concrétase nas ctividades de investigación sobre machine learning e deep learning, análise de datos con Pandas e discusións grupais sobre aplicacións reais da IA.
• Valoración da diversidade persoal e cultural: O traballo en pequeno grupo favorece a cooperación e o intercambio de perspectivas diversas, reforzando o respecto polas diferenzas individuais na aprendizaxe. Concrétase na Metodoloxía ABE e actividades grupais para resolver retos con enfoques variados.
• Sensibilidade para a igualdade de xénero, diversidade e inclusión: O ODE fomenta un acceso equitativo ás tecnoloxías intelixentes e promove a inclusión de todo o alumnado mediante a adaptación das actividades a diferentes ritmos de aprendizaxe. Concrétase no uso de rúbricas para garantir unha avaliación equitativa e actividades de ampliación/reforzo para personalizar a aprendizaxe.
• Aceptación e manexo da incertidume: O desenvolvemento de proxectos de IA implica traballar con datos e modelos nos que a precisión non sempre é absoluta, ensinando ao alumnado a analizar e mellorar os resultados ante posibles erros ou variacións. Concrétase nos retos de machine learning con Scikit-learn e axuste de hiperparámetros en redes neuronais con Pytorch.
• Compromiso cidadán no ámbito local e global: Ao comprender as implicacións éticas da IA, o alumnado desenvolve unha conciencia crítica sobre o impacto destas tecnoloxías na sociedade. Concrétase no debate sobre o uso responsable da IA e a toma de decisións baseada en datos.

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

• ODS 4: Educación de calidade: O ODE proporciona unha aprendizaxe estruturada sobre a IA, garantindo o acceso equitativo ao coñecemento técnico e fomentando o desenvolvemento de competencias dixitais clave.
• ODS 5: Igualdade de xénero: O ODE promove un acceso igualitario á educación tecnolóxica, garantindo que todo o alumnado poida desenvolver habilidades en IA sen discriminación por xénero.
• ODS 9: Industria, innovación e infraestrutura: O recurso fomenta a innovación ao ensinar ao alumnado como utilizar as tecnoloxías intelixentes para desenvolver solucións prácticas.
• ODS 10: Redución das desigualdades: O enfoque metodolóxico permite que todo o alumnado acceda ao coñecemento e desenvolva competencias en IA, independentemente do seu nivel previo.
• ODS 12: Producción e consumo responsable: O ODE introduce a reflexión sobre o uso ético dos datos e a IA, fomentando un consumo tecnolóxico responsable e sostible.
• ODS 13: Acción polo clima: A análise de datos ambientais e a modelización de información permiten explorar como a IA pode axudar na loita contra o cambio climático.
• ODS 16: Paz, xustiza e institucións sólidas: A aprendizaxe da IA inclúe unha reflexión sobre a toma de decisións automatizadas e os seus efectos na equidade e 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: Bloque 1: Cadernos de programación. Contido: Introdución aos cadernos de programación e uso de Google Colab. Actividade: Análise de situacións reais onde se aplican notebooks na industria e investigación. Comparación de exemplos prácticos con Jupyter Notebook e DeepNote para comprender o impacto da IA no día a día. Bloque 2: Librerías para IA. Contido: Manipulación de datos con Pandas e visualización con Matplotlib e Seaborn. Actividade: Aplicación práctica con bases de datos reais sobre consumo enerxético ou impacto ambiental. Creación de gráficos para interpretar tendencias e tomar decisións baseadas en datos.
• Actividades onde o alumnado pode participar no seu deseño e establecemento de obxectivos: Bloque 2: Reto final sobre IA. Contido: Desenvolvemento dun modelo de IA aplicando librerías avanzadas. Actividade: O alumnado decide os parámetros do seu proxecto , establecendo os obxectivos segundo os datos e as ferramentas dispoñibles.
• Diferentes opcións para elixir recursos, actividades e agrupamentos: Bloque 2: Aplicación das librerías. Contido: Algoritmos de IA para procesamento de datos e imaxes. Actividade: Uso de distintas ferramentas segundo o nivel e preferencias do alumnado: Google Colab para execución colaborativa, LearningML para enfoques interactivos, ou repositorios abertos para explorar exemplos avanzados.
• Fomento da reflexión e a avaliación por parte do alumnado: Bloques 1 e 2: Análise crítica e autoavaliación.Contido: Proceso de modelado de datos e toma de decisións na IA. Actividade: Reflexionar sobre o progreso nas actividades e retos, identificando acertos, dificultades e aprendizaxes clave.
• Actividades con retroalimentación sobre acertos e erros, así como suxestións de mellora: Bloques 1 e 2: Desenvolvemento progresivo de habilidades. Contido: Resolución de retos de IA con distintas librerías. Actividade: Corrección guiada polo profesorado con retroalimentación específica sobre cada reto. Por exemplo, mellora de modelos en Scikit-learn para optimización de hiperparámetros ou axustes en Pytorch para redes neuronais.
• Propiciar un clima favorable en clase: Bloques 1 e 2: Aprendizaxe colaborativa e dinámica grupal.Contido: Discusión sobre ética e impacto da IA na sociedade. Actividade: Dinámicas grupais sobre casos reais de IA en sanidade, educación ou industria. Debate sobre sesgos nos modelos de machine learning e impacto dos algoritmos no mundo real.

 Redes de conocimiento. Presento a información en varios formatos.

• Prevíronse diferentes formas para mostrar a información ao alumnado, como texto, imaxe e gráficas.
• A información está organizada, deixando claras as partes máis importantes. 
• As actividades están secuenciadas en orde de dificultade crecente, e están pensadas para facilitar a comprensión dos puntos teóricos e a realización dos retos finais.

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

• Ofrezo ao alumnado diferentes formas de mostrar o aprendido-O alumnado pode presentar os resultados dos retos e proxectos mediante cadernos dixitais, simulacións interactivas en Google Colab, ou a través da execución de modelos en Machine Learning e Deep Learning. Exemplo: No reto 12, onde se traballan redes neuronais con Pytorch, o alumnado pode gardar e compartir os seus modelos como proxectos estruturados para demostrar os coñecementos adquiridos.
• Dou estratexias para que o alumnado autorregule a súa aprendizaxe-Inclúese o uso de rúbricas para cada reto, permitindo que o alumnado revise e avalíe o seu progreso de forma autónoma antes da cualificación final. Exemplo: Durante os retos de Scikit-learn, o alumnado pode utilizar a rúbrica para avaliar se optimizou correctamente os parámetros do modelo antes de presentar o seu traballo.
• Combino actividades individuais con agrupadas que favorezan a aprendizaxe entre iguais-As actividades de aprendizaxe sobre cadernos de programación e librerías realízanse individualmente, mentres que os retos se desenvolven en parella ou pequeno grupo, fomentando a colaboración. Exemplo: No reto 6 e 7 sobre OpenCV, o alumnado traballa en grupo para aplicar técnicas de visión artificial a imaxes, promovendo o intercambio de ideas e solucións entre compañeiros.
• 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. Exemplo: Os retos de Machine Learning con Scikit-learn teñen unha duración de 50 minutos, pero o reto 12 sobre Pytorch amplíase a 120 minutos, debido á complexidade do desenvolvemento de redes neuronais.