Práctica

Primeros Pasos en la IA

Del Código a la Divulgación en Medium

Primeros pasos en ia

El aprendizaje automático (Machine Learning) y el aprendizaje profundo (Deep Learning) son los motores que impulsan la revolución tecnológica actual. Sin embargo, para dominar estos conceptos, la teoría debe acompañarse de la experimentación directa. 

Esta actividad permite desmitificar la “caja negra” de los algoritmos mediante la creación de dos modelos predictivos sencillos. Además, en el ámbito profesional, la capacidad de explicar conceptos técnicos es tan importante como programarlos. Por ello, el uso de la plataforma Medium servirá como lienzo para que el conocimiento adquirido sea estructurado, documentado y compartido con la comunidad.

Objetivo general

El estudiante será capaz de programar, entrenar y evaluar un modelo básico de Machine Learning y uno de Deep Learningen Python, logrando documentar y explicar el proceso técnico mediante la creación de un artículo en la plataforma Medium.

Materiales o recursos necesarios

  • Computadora con acceso a internet.
  • Navegador web moderno (Chrome, Firefox o Edge).
  • Cuenta de Google (para acceder a Google Colab).
  • Cuenta de usuario registrada en Medium.com.

Generación de Insumos Prácticos

Para esta práctica, el estudiante no requerirá instalar entornos locales, sino que ejecutará el siguiente código base directamente en un cuaderno de Google Colab. El script generará un conjunto de datos sintético y entrenará ambos tipos de modelos.

Instrucciones paso a paso

  1. Preparación del entorno: El estudiante debe abrir Google Colab (colab.research.google.com), crear un nuevo “Cuaderno” e insertar el código base proporcionado en el primer bloque.
  2. Ejecución y análisis de código: Se debe ejecutar la celda. El estudiante tomará nota mental de los resultados y de cómo el modelo de Deep Learning itera por “épocas”, mientras que el de Machine Learning entrena en un solo paso.
  3. Captura de evidencias: El alumno deberá tomar capturas de pantalla de la estructura del código, los resultados de la precisión (accuracy) y de la función de pérdida durante el entrenamiento de la red neuronal.
  4. Estructuración del artículo: El estudiante iniciará sesión en Medium y creará un borrador nuevo titulado “Mi primera experiencia con Machine Learning y Deep Learning en Python”.
  5. Redacción técnica: Se redactará el artículo explicando en términos sencillos (para un público principiante) qué hacen las tres partes principales del código: generación de datos, entrenamiento del modelo tradicional y entrenamiento de la red neuronal. Se deben incrustar bloques de código y las capturas previamente tomadas.
  6. Publicación: Una vez revisada la ortografía y el estilo técnico, el estudiante publicará el artículo y copiará la URL pública.

Recomendaciones

  1. Leer cuidadosamente las salidas (outputs) de la consola en Google Colab antes de empezar a escribir en Medium.
  2. Usar la herramienta “Code Block” de Medium para que el código sea legible y profesional.
  3. No copiar y pegar explicaciones de la web; el artículo debe reflejar el análisis con palabras propias.
  4. Asegurarse de que el artículo de Medium esté configurado como “Público” y no guardado solo como borrador o con enlace restringido.
  5. Experimentar cambiando la cantidad de neuronas (de 8 a 16 o 32) para observar qué sucede con los resultados antes de redactar las conclusiones.

Posible problema y solución rápida

  • Problema: Al ejecutar el código de la red neuronal (TensorFlow/Keras), Google Colab arroja un error relacionado con la forma de los datos de entrada (Shape Mismatch).
  • Solución: Este error suele ocurrir si el estudiante modifica la cantidad de características (n_features) en la línea de generación del dataset pero olvida actualizar el parámetro input_shape=(10,) en la primera capa de la red neuronal. La solución es asegurarse de que el valor en input_shape sea siempre exactamente igual al número de variables (features) configuradas en el conjunto de entrenamiento.

Leave a Reply

Your email address will not be published. Required fields are marked *