Aprendizaje automático

 1. Machine Learning: Concepto

o 1.1. Evolución de la IA
o 1.2. Aprendizaje automático
o 1.3. Diferencia entre IA y aprendizaje automático
 2. Introducción a la estadística
o 2.1. Conceptos básicos y fundamentos
o 2.2. Predicciones
o 2.3. Ejercicios
 3. Modelos de aprendizaje automático
o 3.1. Aprendizaje supervisado
o 3.2. Aprendizaje no supervisado
o 3.3. Aprendizaje por refuerzo
 4. Entrenamiento, test y validación de modelos
o 4.1. Conjunto de entrenamiento y test
o 4.2. Sobreajuste
o 4.3. Subajuste
o 4.4. Generalización
 5. Algoritmos y herramientas
o 5.1. Algoritmos de Regresión
o 5.2. Clasificación
o 5.3. Clustering o asociación
o 5.4. Programación de algoritmos
o 5.5. Herramientas para utilizar en el aula
 6. Ejemplos reales de uso
o 6.1. Asistentes virtuales
o 6.2. Detección de fraude
o 6.3. Captcha
 7. Práctica
 8. Información adicional

1. Machine Learning: Concepto

1.1. Evolución de la IA

Cuando hablamos de inteligencia podemos pensar en la capacidad que tenemos los

seres humanos para aprender, tomar decisiones o razonar un determinado problema.
La inteligencia artificial es el conjunto de técnicas que se utilizan para que las
máquinas sean capaces de imitar a los humanos. La primera inteligencia artificial
estaba muy lejos de descubrir la teoría de la relatividad de Einstein o de componer la
novena sinfonía de Beethoven. Los sistemas inteligentes han ido mejorando a los
largo del tiempo y con el tiempo se han ido diseñando sistemas capaces de realizar

1
tareas cada vez más complejas. Algunos ejemplos de las primeras máquinas llamadas
“inteligentes” que han ido cambiado el curso de la historia de la inteligencia artificial
son:

 1997: Deep Blue de IBM ganó al campeón mundial de ajedrez, Gari Kasparov.

 2011: Watson de IBM ganó el concurso de televisión sobre preguntas de

cultura y conocimiento Jeopardy!, en Estados Unidos. Watson es capaz de
aprender y de interactuar con humanos de manera natural.

 2012: Lanzamiento de diferentes asistentes virtuales ya utilizan algoritmos de

aprendizaje profundo como Siri, Google Now o Cortana.

 2016: El campeón mundial del complejo juego de estrategia Go se enfrentó a la

máquina de inteligencia artificial de Google, AlphaGo. El software ganó la
partida con resultado 4 a 1.

 2017: Un algoritmo desarrollado por la Universidad Carnegie Mellon de

Pensinvalnia, Libratus, fue capaz de vencer a varios de los mejores jugadores
de póker en Estados Unidos.

Figura 1: Evolución de la IA desde Deep Blue hasta Libratus. Fuente: Pixabay

Como vemos, hay muchos ejemplos y continuamente siguen apareciendo más. Es

indiscutible que las máquinas son buenas en la especialización de realizar una tarea
concreta, jugar al ajedrez o ganar una partida de póker. En este último juego se puso
en evidencia la debilidad del software para reaccionar a situaciones imprevistas. Los
jugadores en una partida de póker no pueden saber las cartas que tienen los demás
jugadores. Lo que sí se puede asegurar con certeza son las cartas que componen la
bajara completa. Por lo tanto, la máquina tiene sus propias estrategias de aprendizaje,
creando algoritmos en base a las certezas (que son las cartas que hay) y a las reglas
del juego que se deben seguir. El póker es un juego en el que se tienen en cuenta
muchas variables y las más importantes son las señales que muestran el resto de
participantes y que pueden revelar si un jugador oculta alguna información. Las
máquinas no son tan buenas todavía en la tarea de averiguar si una persona está
mintiendo, o en el caso del póker, si se está “marcando un farol”.

En general, la inteligencia artificial actualmente se centra en que un sistema se

especialice en realizar una tarea concreta. El reto de dominar la gran cantidad de

2
tareas que es capaz de realizar un ser humano, de forma simultánea y de manera casi
inconsciente, la dejamos para la ciencia ficción. Por esta razón, existen varias
máquinas diferentes, una para cada uno de los diferentes campos de trabajo que se
necesiten. La robótica, la visión artificial, el procesado del lenguaje natural o el internet
de las cosas son algunos ejemplos de la especialización de las máquinas.

1.2. Aprendizaje automático

Como vemos en la siguiente imagen, cada una de las ramas de la inteligencia artificial
va profundizando cada vez más en la tarea de imitar a la inteligencia humana y de
conseguir una respuesta con la mayor rapidez y autonomía posible.

Figura 2: Áreas de la Inteligencia Artificial.

El aprendizaje automático es la rama de la inteligencia artificial que se basa en

generar conocimientos a partir de diferentes situaciones o experiencias. Con esta
técnica se permite que los sistemas aprendan de forma autónoma gracias al análisis
de un conjunto de datos conocidos previamente. Estos sistemas son capaces de
reconocer patrones y tomar decisiones sin la intervención humana. Con el uso de esta
técnica, una máquina es capaz de aprender muchísimo más rápido de lo que podemos
aprender los humanos. El Machine Learning es el área de estudio especializada en
proveer a las máquinas de la capacidad de aprender por sí mismas. Esta área de la IA
hace uso de métodos estadísticos para que las máquinas sean capaces de mejorar
sus respuestas con la experiencia.

La mayoría de técnicas basadas en la IA utilizan métodos de aprendizaje automático,

esta es la técnica más utilizada en la actualidad. Por esta razón, pueden confundirse
los términos pero no son los mismo, la inteligencia artificial puede abarcar muchas
más áreas de estudio.

1.3. Diferencia entre IA y aprendizaje automático

Para a dejar clara la diferencia entre estos dos conceptos vamos a ver dos ejemplos:

Por un lado, la inteligencia artificial es la capacidad de seguir unas reglas de

programación que han sido previamente instaladas en el sistema inteligente. Por
ejemplo, un programa de ordenador que juega al ajedrez tiene en su memoria todas

3
las reglas del juego y las aplica en cada turno. En programación, esto se hace
utilizando el comando “si”, “si hay alguna ficha en la fila de la torre, cómela”, “si hay
alguna ficha en la diagonal del alfil, cómela”. El sistema solamente tiene que seguir las
instrucciones que le ha indicado el programador, es como un niño al que se le dice lo
que tiene que hacer.

En el caso del aprendizaje automático o Machine Learning, el programa no solo tiene

ese conjunto de reglas del juego. El programa es capaz de aprender en cada partida
gracias a los nuevos datos que analiza y procesa para crear nuevas reglas. Es como
tener un jugador senior con varias años de experiencia entre torneos y partidas de
amigos. El sistema analiza cada una de las partidas y puede repetir los movimientos
que le llevaron a la victoria en el pasado. En este caso, la inteligencia artificial decide
por sí misma cuál es la mejor opción y hacer que la probabilidad de éxito sea la mayor.

Figura 3: Machine Learning. Fuente: Pixabay

En resumen, el aprendizaje automático es un conjunto de técnicas que se usan para

que el sistema pueda aprender, predecir y adaptarse a las circunstancias. Las
máquinas aprenden estudiando los datos y detectando patrones para, de esta manera,
aumentar su “inteligencia” y mejorar las respuestas a los problemas planteados.

2. Introducción a la estadística
Como hemos mencionado anteriormente, el aprendizaje automático utiliza técnicas y
algoritmos para averiguar las relaciones y patrones entre los datos, para aprender de
ellos. Las máquinas no aprenden de la misma manera que nosotros los humanos, no
tienen emociones o intuiciones. Las máquinas aprenden basándose en los datos y
utilizando la estadística. La estadística es la ciencia que estudia la organización, el
análisis, la interpretación y representación de los datos. La estadística se divide en dos
grandes áreas:

4
  La estadística descriptiva: se utiliza para describir las características de un
conjunto de datos.
 La estadística inferencial: se utilizan para generar predicciones basadas en los
datos.

La mayoría de los modelos de machine learning se basan en la estadística inferencial

y en el entrenamiento de los modelos. Estos modelos aprenden de enormes
cantidades de datos que reciben como entrada. Cuanto mayor el la cantidad de datos,
mayor es la calidad del aprendizaje.

2.1. Conceptos básicos y fundamentos

Los modelos matemáticos que se generan cuando estamos trabajando con el

aprendizaje automático de una IA, dependen de unas variables de entrada, Estas
variables son los datos que vienen del mundo real que queremos modelar. Los
modelos estadísticos tienen como fin último explicar o predecir la realidad. En los
modelos clásicos de estadística existen variables dependientes y variables
independientes que se relacionan por medio de una ecuación matemática.

  Variable independiente: Es
aquella variable cuyo valor no depende de ninguna otra variable. Esta variable
se suele representar con la letra “x”.

 Variable dependiente: Es aquella variable que depende de otras variables de la

ecuación que son las variables independientes. Esta variable se refiere al
objeto de estudio y se suele representar con la letra y.

Además, existen otros factores o causas que no se pueden controlar y que influyen en
el valor final de la variable dependiente. Como ejemplo, en el gasto de luz mensual, la
variable dependiente sería el precio de la factura y la variables independiente sería el
precio del Kw/h. El precio final que pagaremos depende de más factores o causas que
no se pueden controlar como la avería de algún electrodoméstico o el mal
funcionamiento del contador de luz y a esta parte incontrolable la llamaremos error. Si
todos los meses pagamos 60 € en nuestra factura de la luz podemos llegar a
“predecir” que la siguiente factura será del mismo valor. Si la factura que nos llega es
de 80 € puede ser por dos razones: el precio del Kw/h ha subido o ha habido algún
error en la factura.

Para que el modelo que utilizamos se ajuste a la realidad, el error debería ser del
menor valor posible. En un mundo ideal, este error sería cero, pero en la realidad esto
nunca sucede. El error es la diferencia entre el valor observado y el valor de la
predicción del modelo.

5
Muestreo
Este es otro concepto que es importante tener claro cuando hablamos de la
estadística. Es el conjunto de datos que se obtienen cuando tomamos una muestra de
algo que queremos estudiar. Si medimos durante varios días la temperatura del
ambiente, obtendríamos varios valores con los que poder representar la variación que
tiene en un período de tiempo. Como es lógico, no haremos mediciones
constantemente a cada segundo. Realizaremos una o dos mediciones que
asignaremos a un día y poder ver la evolución a largo plazo. A estas mediciones las
llamamos muestras.

También estamos realizando un muestreo cuando anotamos las notas de nuestro

alumnado, que representa el aprendizaje realizado por cada uno hasta ese momento
concreto del curso. Si hemos realizado tres exámenes, tendremos tres muestras de la
evolución de cada alumno. En el último trimestre, al finalizar el curso, haremos
recopilación de todas esas notas y tendremos fotografía clara de la evolución que ha
llevado cada alumno desde que comenzaron las clases.

Sin embargo, cuando hablamos de muestra, estamos hablando del conjunto de

población o individuos que hemos incluido para representación. Si realizamos un
examen, y ese día acudieron a clase a 28 alumnos, la muestra que hemos recogido es
de 28. En una encuesta de calidad realizada a 200 alumnos, la muestra recogida es
200.

La población es el conjunto de individuos, animales, objetos, mediciones o

acontecimientos que tienen características en común y que se quieren estudiar. En
nuestro anterior ejemplo, si realizamos una encuesta de calidad queremos estudiar la
satisfacción de todos los alumnos que acuden al centro (que pueden ser unos 1200) y
que por ser un número elevado no es viable realizar la encuesta a la totalidad de esa
población en estudio.

2.2. Predicciones
El análisis predictivo trata de buscar patrones y convertir los datos en predicciones y
de esa manera saber lo que ocurrirá en el futuro. Gracias al aprendizaje automático
junto con los métodos estadísticos se puede predecir cuando se va a agotar un
producto para reponerlo o cuando un cliente puede estar pensando en darse de baja.
Toda esta información tiene un valor incalculable para la empresa y genera un valioso
conocimiento.

Existen dos tipos de modelos predictivos: el modelo de clasificación y el modelo de

regresión.

 Modelos de clasificación: Se intenta predecir la pertenencia a

una clase particular. Por ejemplo, en el caso de clientes que están visitando
una web podemos clasificarlos en futuros compradores o no compradores.
Según el comportamiento que tengan y su parecido con otros clientes,
podremos predecir la probabilidad de que terminen comprando algún producto.
La técnica más utilizada para predecir este tipo de modelo son los árboles de
decisión.

6
  Modelos de regresión: En estos modelos, lo que se intenta predecir es
un número una cantidad. Podemos estimar, la cantidad de clientes que
acudirán a un restaurante durante el fin de semana y así poder comprar
cantidad de comida necesaria sin desperdiciar nada.

Figura 4: Modelo de regresión lineal. Fuente: Philipendula, CC BY-SA 3.0

<[Link] en Wikimedia Commons

2.3. Ejercicios

Para dejar claro los que hace realmente un modelo matemático de aprendizaje
automático, vamos a ver un ejemplo sencillo y a calcularlo por nosotros mismos.

Predicción del precio de un viaje en taxi

Vamos a tener que viajar en taxi entre dos puntos de la ciudad de Madrid separados
por 10 Km y queremos calcular cuanto nos costará el servicio antes realizarlo. ¿Cómo
podemos calcularlo? Pues vamos a pensar en qué variables son las que debemos de
tener en cuenta. El precio de una carrera depende de la distancia que vayamos a
recorrer y la distancia la sabemos y no depende de ninguna otro variable. Ya hemos
identificado la variable dependiente y la independiente de nuestro modelo.

7
  ¿Qué relación tienen estas variables entre sí? El
precio final de la carrera depende de los kilómetros recorridos. Si preguntamos a un
taxista por el precio de un viaje, nos informa de que el precio es de 1,26 € por cada
kilómetro y que la bajada de bandera nos costará 3 € adicionales.

En nuestra ecuación multiplicaremos la cantidad de 1,26 por los kilómetros que vamos
a recorrer en el trayecto. En nuestro caso la variable X es igual a 10 Km.

 Por último, le vamos a sumar a la ecuación anterior el coste de la

subida de bandera que son 3 €. 

Con estos pasos ya hemos creado nuestro modelo de aprendizaje para predecir el
precio de cualquier viaje en taxi dentro de nuestra ciudad. Si hacemos los cálculo
obtenemos que la carrera nos costará 15,6 €. Este modelo nos seguirá funcionando
para calcular otros recorridos, siempre que el precio por kilómetro no sufra variaciones.

Hemos creado la ecuación del modelo por deducción y a partir de los datos que
teníamos. Esto no siempre es posible porque el cálculo puede ser mucho más
complicado. Otra manera de obtener la ecuación sería, a partir de muestras varios
viajes anteriores. Esto lo hacemos también en nuestra vida cuando le preguntamos a
algún amigo ¿cuanto te ha costado el taxi al aeropuerto desde tu casa?, y basándonos
en su respuesta nosotros hacemos una estimación aproximada de los que nos
costaría el trayecto desde nuestra casa.

Predicción de las ventas de un negocio

Ahora, supongamos que queremos anticiparnos a cuál será la cantidad de ventas que
tendrá un negocio que tenemos abierto desde hace 10 años, una tienda de electrónica
llamada TiendaTIC. Esta tienda de electrónica ha ido guardando la cantidad de ventas
durante todo este tiempo desde 2012, sumando las ventas nuevas cada año y a la
anteriores. Los valores recogidos han sido los siguientes:

Tabla 1: Tabla con valores de ventas.

En estos datos podemos reconocer que hay una variable independiente que es el año
en el que se producen las ventas, que no depende de ningún otro valor y que
llamaremos X. Además, tenemos una variable dependiente que es la cantidad de

8
ventas en euros que se realiza cada año y que está asociada a un valor de X concreto.
A este variable la llamaremos Y.

Por ejemplo, cuando X vale 2012 el valor de las ventas es 2000, o dicho de otro modo,
el valor de Y es 2000. Con todos estos datos vamos a hacer una representación
gráfica en la que mostraremos los valor de la X en el eje horizontal y los valores de Y
en el eje vertical. Nuestros valores quedaran representados como una serie de puntos
en la siguiente gráfica.

Figura 5: Cantidad de ventas en euros desde que se fundó la empresa.

Vemos que los puntos siguen una cierta tendencia. Cuando se crea un modelo
estadístico con técnicas de aprendizaje automático lo que se hace en realidad en
calcular los puntos que hay entre medias de esas muestras. Se hace una estimación
de los datos de los que no tenemos ningún valor. La siguiente imagen muestra la línea
que genera un modelo sencillo de machine learning.

9
 Figura 6: Modelo de predicción para las ventas de un negocio

Esta línea es en realidad, una ecuación matemática que relaciona la variable

independiente o X con la variable dependiente o Y. La misma ecuación que vimos
anteriormente cuando hablamos de los conceptos de estadística. El cálculo de esa
recta se estudia en los últimos cursos de la E.S.O. y es un concepto que suele ser
difícil de entender para los alumnos. Con sólo utilizar dos de los puntos que pasen
exactamente por la recta, podremos definir la ecuación matemática del modelo.
Utilizaremos los puntos P1(2014, 6000) y P2(2020, 18000).

Ahora solo nos que sustituir los valores de los puntos que hemos elegido, sabiendo
que cada uno de los puntos tiene la forma: P1 (X1,Y1) y P2 ( X2,Y2).

10
 Realizando los cálculos y despejando la ecuación final sería la siguiente.

Ahora que ya tenemos la ecuación de nuestro modelo predictivo vamos hacer la

estimación de las ventas que habremos hecho para el año 2021 y para el año que
queramos estimar. Solo tenemos que sustituir el valor de X por el año del que
queramos predecir las ventas.

Según nuestro modelo, en el año 2021 habremos vendido un total de 20.000€ en

productos informáticos en nuestro establecimiento TiendaTIC desde la fecha de su
fundación en 2021.

La estadística está en todas partes y puede explicar muchos fenómenos de la

naturaleza como se muestra en el siguiente vídeo.

[Link]
Video 1: Abejas ()
Muy bueno !!!

3. Modelos de aprendizaje automático

Existen varios tipos según como se realice el aprendizaje:

 Supervisado

 No supervisado

 Reforzado

3.1. Aprendizaje supervisado

Para realizar un aprendizaje supervisado hace falta un conjunto de datos conocidos y

estructurado para enseñar a la máquina en una primera fase. De esta manera se
generará un modelo o algoritmo que ha aprendido gracias a los datos que le hemos
proporcionado. Se pretende generalizar o predecir en función de los datos que ya se
conocen.

Un ejemplo muy típico es aprender a diferenciar entre perros y gatos. Nosotros los
humanos realizamos esa categorización de forma automática. Simplemente, ¡sabemos
que es un gato!. Pero si nos paramos a pensar un poco, nos daremos cuenta de que

11
hay una serie de características que atribuimos a los gatos y otras diferentes a los
perros. Para saber que es un gato podemos fijarnos en sus ojos de color claro, sus
bigotes alargados, sus uñas afiladas, la forma lenta de moverse etc. Por otro lado,
para saber si es un perro nos fijaremos en que su tamaño más grande, su hocico muy
largo o si ladra. Para un ordenador no es tan sencilla la diferencia, primero tiene que
analizar las imágenes y decidir si es un animal u otro. Muy probablemente, si le
enseñamos un perro de raza chihuahua, la inteligencia artificial no acertará en su
respuesta, si no ha visto algún chihuahua con anterioridad. Estos perros por pequeño
tamaño se asemejan más a la fisiología de un gato.

Figura 7: ¿Perros o gatos? Fuente: Pixabay

12
Si se ha realizado el entrenamiento con los datos y al realizar la prueba estamos
satisfechos con el resultado podemos dar por completado el modelo. Lo que suele
pasar es que tengamos que repetir el proceso con un nuevo entrenamiento y otro test
hasta que el modelo es capaz de reconocer al “chihuahua”. Para algunos casos puede
ser más largo y complejo por lo que tendríamos que repetir varias veces el proceso y
puede que no lleguemos observar las respuestas correctas.
En todo momento estamos supervisando el aprendizaje y descartando las respuestas
incorrectas. El algoritmo se dice que está entrenado cuando es capaz de clasificar los
datos según la lógica esperada. La clasificación puede ser por categorías como perro
o gato, o por número como puede ser un algoritmo que adivine la edad de una
persona por la foto. En este tipo de entrenamiento se utilizan las etiquetas para
mostrar el modelo las respuestas que consideramos correctas. Otra característica que
debemos tener en cuenta al entrenar un modelo de machine learning es que los datos
de entrenamiento deben ser lo más variados posibles ya que, de lo contrario,
aprenderá de reglas muy rígidas para tomar las decisiones.

3.2. Aprendizaje no supervisado

Otro tipo de aprendizaje utilizado es el aprendizaje no supervisado, que sería el más

adecuado si los datos que tenemos no siguen una estructura y no tenemos
información suficiente como para clasificarlos. Se utiliza, por ejemplo, para que el
algoritmo decida por sí mismo la estructura de una base de datos o las categorías en
las que dividir los datos. La mayor diferencia con el aprendizaje supervisado es que las
datos no son etiquetados previamente. Nosotros le podemos proporcionar una serie de
indicaciones para tomar las decisiones y controlar una parte del aprendizaje pero las
decisiones las tomará el algoritmo sin ningún tipo de confirmación por nuestra parte.

El algoritmo clasifica y proporciona soluciones pero no es capaz de interpretarlas y se

hace necesario que una persona especializada termine el trabajo. El modelo se limita
a observar los datos que tiene y generar posibles conclusiones. Hay aplicaciones que
se basan en el aprendizaje no supervisado para determinar las características
principales que definen a un conjunto de datos suministrado. Por ejemplo, para
describir diferentes tipos de prendas de vestir y llegar a diferenciarlas en una imagen,
se detectarían previamente las características que hacen diferente a una camisa de un
pantalón o cualquier otra prenda.

Los modelos que utilizan el aprendizaje no supervisado pueden realizar tareas más
complejas como reconocimiento facial o reconocimiento de voz. Pero también pueden
ser más impredecibles al no contar con supervisión humana durante el aprendizaje. No
en todos los casos se llega a realizar una clasificación correcta como en el caso de la
IA de Google Photos en en año 2015, que etiquetó por error una foto de personas de
raza negra como “gorilas”. Google pidió perdón por la equivocación de su software, un
error que se conoce como error de sesgo y que ocurre cuando los datos que se
utilizan para el aprendizaje no son lo suficientemente variados.

13
Figura 8: Procesamiento de imágenes. Fuente: Pixabay

3.3. Aprendizaje por refuerzo

El aprendizaje por refuerzo es el menos conocido y es un tipo de aprendizaje

supervisado. Lo que se hace es que se ofrecen los datos sin etiquetar pero cuando el
algoritmo ha tomado la decisión, se recompensa si esta ha sido exitosa. El
comportamiento indeseado como errores de clasificación, simplemente es suprimido.
En inteligencias artificiales que se especializan en jugar se utiliza este tipo de
aprendizaje, entrenando a la máquina con contrincantes cada vez más expertos.
También en la conducción autónoma se utiliza el tipo de aprendizaje por refuerzo.
Imaginaros el caso en el que un coche autónomo se encuentra en una situación de
emergencia, y tiene que decidir entre frenar bruscamente o atropella a un animal que
ha cruzado la carretera. ¿Cuál seria la decisión que tomaría? Muy probablemente
intentaría frenar o giraría el volante como cualquiera de nosotros, poniendo en peligro
al ocupante del vehículo. Estas decisiones críticas se supervisan para que no ocurran
accidentes inesperados.

Como resumen puedes ver este video de Google que habla sobre el aprendizaje de
las máquinas.

Video 2: Aprendizaje 

4. Entrenamiento, test y validación de modelos

Ahora que ya hemos visto los tipos de aprendizaje con los que una IA es capaz de
aprender, vamos a ver los pasos que hay que realizar en detalle. Lo primero que
haremos será ver el entrenamiento para que nuestro modelo aprenda los suficiente
como para realizar la tarea que le pedimos.

14
 Figura 9: Entrenamiento del modelo ¿perro o gato?

En el siguiente video veremos un ejemplo muy simple en el que se entrena a un

modelo para que diferencie imágenes entre perros y gatos.

Video 3: Fase de entrenamiento ( muy bueno el video ¡!!! )

Herramienta gratuita de google: teachable machine

4.1. Conjunto de entrenamiento y test

Del conjunto total de datos que tenemos haremos dos subconjuntos, uno para entrenar
al sistema de forma controlada y el resto, para realizar las pruebas y así poder
comprobar que el resultado es el que esperábamos. Los algoritmos de aprendizaje
automático aprenden de los datos con los que realizamos el entrenamiento. Es muy
importante guardar una pequeña parte de los datos para posteriormente realizar el test
de prueba, ya que si lo hacemos con el mismo conjunto de datos con el que hemos
entrenado no lo estaremos validando realmente. Para poder comprobar que un modelo
está funcionando debemos validarlo con un conjunto de datos diferente. Siempre que
estemos trabajando con modelos de aprendizaje automático debemos tener los datos
divididos en dos grupos.

 Datos de entrenamiento: La calidad del modelo entrenado depende

directamente de la calidad de estos datos. Correspondes aproximadamente al
70% del total de los datos.

 Datos de prueba: Son los datos que reservamos para comprobar que nuestro
modelo funciona. Es importante que estos datos representen una amplia
variedad de situaciones. La cantidad de datos que guardamos será en torno a
un 30% del total de los datos.

4.2. Sobreajuste

Cuando un modelo está “sobre entrenado” quiere decir que la respuesta del sistema
está muy ajustada al conjunto de datos con el que que ha sido entrenado. Las
previsiones se ajustan al entrenamiento de tal manera que no son capaces de

15
responder de forma correcta a datos nuevos y diferentes. Estos son modelos
complejos que ya no podrían seguir siendo utilizados porque no tienen en cuenta la
posibilidad de error que siempre existe.

En nuestro ejemplo que diferencia entre perros y gatos, el tigre representa a ese error
que no se puede predecir pero que a veces ocurre. Y nuestro modelo ha sido capaz de
reaccionar bien a este error, encontrando parecidos comunes con la especie felina a la
que también pertenecen los gatos.

4.3. Subajuste

También puede pasar el caso contrario, en el que los datos de entrenamiento son
insuficientes y el algoritmo no aprende lo necesario para dar una buena respuesta. Los
datos pueden no estar bien procesados, no ser representativos del conjunto completo
o contener errores que engañan al modelo. Las salidas que obtendremos serán muy
simples y con poco valor por un entrenamiento defectuoso.

En conclusión, las decisiones tomadas por los modelos de aprendizaje automático

dependen en gran medida de los datos que utilicemos en las fases de entrenamiento y
en la fase de test. Para generar un modelo de alta calidad debemos mantener
un punto de equilibrio entre el sobreajuste y el subajuste de nuestro algoritmo.

4.4. Generalización

Lo que buscamos con todo esto es que nuestro modelo haga una generalización de
nuestros datos para poder realizar una buena predicción aunque los datos no sean
conocidos. Como hemos visto, el algoritmo debe ajustarse a los datos de entrada lo
suficiente para que la respuesta sea satisfactoria en todas las situaciones, incluidas las
que son nuevas. La ecuación matemática que define un modelo puede ser tan simple
como la ecuación de una recta o tan compleja como una ecuación matricial. Encontrar
el equilibrio entre que el modelo se ajuste lo máximo posible a la realidad y la
complejidad del modelo estadístico no es siempre fácil.

Si entrenamos un modelo de aprendizaje automático y al realizar el test en la fase de

prueba no obtenemos los resultados deseados es que nuestro algoritmo no generaliza
lo suficiente como para ser validado. Incluiremos esos datos en la etiquetas de un
nuevo entrenamiento y haremos que el algoritmo mejore su inteligencia. Es proceso lo
debemos repetir las veces que hagan falta y siempre guardando una parte de los
datos para realizar los test. Alcanzaremos el punto de equilibrio cuando el modelo
reduzca su tasa de error y siga respondiendo de forma adecuada a los datos nuevos.

En el siguiente video podrás ver otro ejemplo en el que se ve como hace falta volver a
repetir en entrenamiento porque el modelo falla en la predicción. Cuando
seleccionamos imágenes para entrenar debemos tener muy en cuenta el fondo para
no confundir al algoritmo.

Video 4: Ejemplo de reciclaje (falta ver

Habla de reciclar  Posible aplicación

16
5. Algoritmos y herramientas
Los ejemplos que hemos visto anteriormente sobre la estimación del coste de un
trayecto en taxi o la predicción de las ventas de nuestra tienda de electrónica son los
modelos más simples que se pueden utilizar para generar un algoritmo. En el método
de regresión lineal simple trazamos una línea que representa los valores genéricos
que dan respuesta a nuestro problema gracias una ecuación matemática, la de la
recta. Pero existen diferentes modelos que podemos generar dependiendo de la
complejidad de nuestros datos y de la similitud que queramos que tenga la respuesta
con la realidad. Recuerda que en la mayoría de los casos no será posible evitar un
cierto grado de error en el cálculo porque nunca podremos representar la realidad de
manera exacta. Se muestran a continuación los modelos más utilizados en el
aprendizaje automático.

5.1. Algoritmos de Regresión

Este es un algoritmo de aprendizaje supervisado muy utilizado en estadística. Ya

hemos visto en anteriores ejemplos los modelos de regresión que no son más que
modelos matemáticos que se encargan del estudio de la relación entre unas variables
que son dependientes con las otras variables que son independientes. A la ecuación
que representa esta relación se le llama modelo de regresión. La intención del estudio
es averiguar el impacto que pueden tener unas variables sobre otras que dependen de
ellas. El modelo más característico de regresión el de regresión lineal.

Regresión lineal
La regresión lineal es la línea recta que mejor encaja con evolución de todos
los valores numéricos que se pueden representar. Es la línea que sigue la tendencia
de la variable Y, cuando vamos variando los valores de la variable X. La recta dibujada
será la que menor distancia tenga a todos los puntos de la gráfica. También se le
llama método de mínimos cuadrados por el nombre de la ecuación que utiliza.

17
Figura 10: Modelo de regresión lineal. Fuente: Imagen de Wikipedia

Las predicciones de los valores de la bolsa se basan en este modelo para mostrar las
gráficas que representan la cotización a largo plazo. Otro ejemplo en el que se utiliza
este algoritmo es un la predicción de la temperatura a partir de varias mediciones
realizadas. Cuando solo utilizamos una variable Y que depende de una sola variable
X, al modelo resultante se le llama modelo de regresión lineal simple. Si en nuestro
modelo utilizamos dos variables independientes como pueden ser el tiempo y la
humedad (X1, X2) estaríamos hablando de regresión lineal múltiple, y nuestro modelo
matemático estaría representado por un plano en lugar de una recta.

Para que puedas ver como una máquina calcula la línea recta que más se ajusta al
conjunto de datos que tenemos, puedes utilizar la herramienta Machine Learning
Playgrounds. Marca pulsando con el ratón los puntos de las coordenadas de nuestros
datos (la X para el eje de horizontal y la Y para el eje vertical) y presiona el botón
“Recalculate” para ver gráficamente en acción el método de los mínimos cuadrados
que calcula el lugar exacto de la recta. Puedes probar con la distribución de datos que
prefieras.

Video 5: Ejemplo de regresión lineal

La herramienta Machine Learning Playgrounds se encuentra en la siguiente

dirección [Link]

Regresión de proceso Gaussiano

Como todos los problemas no se puede solucionar con una simple línea recta, existen
otros modelos que intentan predecir el comportamiento de un conjunto de datos con

18
líneas curvas. Los procesos Gaussianos utilizan funciones de probabilidad como la
media o la varianza para generar un modelo predictivo a partir de los datos. Más
concretamente el algoritmo utiliza un vector de medias y una matriz de covarianzas
para realizar la estimación de la distribución de unas variables aleatorias. En definitiva,
nuestros datos se pueden representar mediante una distribución Gaussiana que es el
modelo calculado gracias a los procesos Gaussianos.

Sin entrar a explicar complejas cálculos matemáticos con matrices, vamos a ver
gráficamente qué es lo que hace este modelo y porqué se ajusta con mayor exactitud
a cualquier conjunto de datos que tengamos generalizando el resultado. Por ejemplo,
si medimos el clima en varios puntos del país, guardando datos de temperatura,
humedad y viento. Utilizando el algoritmo de proceso Gaussiano podremos generalizar
a todo el territorio y predecir el clima en todo el territorio.

Utiliza la herramienta anterior para marcar puntos aleatorios que serán nuestros datos
de trabajo, puedes distribuirlos como quieras en el espacio. Por medio del proceso
Gaussiano se encontrará una ecuación matemática que represente a todos esos
datos. Marca al menos diez o veinte puntos y pulsa el botón “Recalculate” para ver
gráficamente el modelo que se genera. ¿Se adapta al conjunto de datos que le has
suministrado?

La herramienta Machine Learning Playgrounds se encuentra en la siguiente

dirección [Link]

5.2. Clasificación

El algoritmo de clasificación se usa cuando utilizamos etiquetas para dividir los datos
en categorías. También se utiliza en el aprendizaje supervisado cuando somos
nosotros los que decidimos si un dato entra en una categoría o en otra cuando nos
encontramos en la fase de entrenamiento. Un ejemplo sencillo que utiliza la
clasificación es la detección del correo no deseado en nuestra bandeja de entrada. Las
etiquetas en este caso serían “correo deseado” o “correo no deseado”. En algunos
casos se nos pregunta y nosotros mismos podemos marcar un correo sospechoso
como correo no deseado.

Pero la mayoría de las veces, el algoritmo de clasificación decide automáticamente si

envía un correo a la bandeja de correos no deseados o no. La decisión la toma en
base a tres variables: Si el remitente es conocido o no, si el correo se nos envía
solamente a nosotros o se envía a una gran lista de correo y si en el mensaje existe
algún símbolo o lenguaje sospechoso.

Máquina de Vectores de Soporte

Este método intenta buscar la mejor manera de clasificar un conjunto de datos. En
este caso, nuestro modelo calcula la ecuación estadística que separa las diferentes
clases. En el caso más sencillo, una línea recta diferenciaría a los correos deseados
de los no deseados. La máquina de vectores de soporte es una técnica de aprendizaje
automático que calcula la mejor posición de la línea que separa las dos clases.

19
 Figura 11: Modelo de máquina de vectores con ML Playgraund

Se llama máquina de vectores porque utiliza vectores para calcular el margen máximo
de separación entre las clases. El modelo de la figura 11 utiliza dos variables
independientes y por eso tiene dos dimensiones y el modelo se representa con una
recta. Podría ser, por ejemplo, la clasificación de los correos según si su remitente es
conocido y si se envían a mas personas. Si queremos añadir alguna variable más (si el
contenido del mensaje es sospechoso) estaríamos añadiendo una dimensión más y
nuestro modelo se representaría con un plano.

Cuando no es posible separar las diferentes clases mediante una línea recta, se utiliza
una función Kernel. Esta función añade una nueva dimensión para hacer posible la
separación de los datos, en el caso de tres dimensiones, por medio de un plano.

De la misma manera que en el ejemplo anterior puedes utilizar la herramienta Machine

Learning Playgrounds para representar el modelo. Marca pulsando con el ratón los
puntos de las coordenadas de nuestros datos. Para colocar puntos de otra clase
diferente pulsa en “Current Class” y cuando lo tengas todos presiona el botón
“Recalculate”. Deja el tipo de Kernel lineal para que dibuje una línea recta. Puedes
probar con la distribución de datos que prefieras.

Video 6: Ejemplo de Máquina de Vectores de Soporte

La herramienta Machine Learning Playgrounds se encuentra en la siguiente

dirección [Link]

Árbol de decisión
Uno de los modelos de clasificación más utilizados en estadística son los árboles de
decisión, los cuáles buscas dividir el conjunto de datos en categorías que sigan una
cierta lógica. Cada una se va ramificando según las características que tengan los

20
datos similares. De esta manera se van descartando las opciones hasta llegar a la
solución del problema.

Es parecido al proceso que hacemos para reciclar la basura. Primero la separamos en

orgánica e inorgánica. Después la basura que no es orgánica hay que volver a
clasificarla dependiendo de si tiene vidrio, plástico o metal. Por último llegamos a la
solución, que en este caso es el lugar donde tenemos que llevar cada uno de los
diferentes residuos clasificados. El árbol de decisión es también una herramienta de
ayuda en la toma de decisiones.

La profundidad de un árbol de decisión es el número de nodos o ramificaciones que

forman el árbol. Cuantas más ramificaciones tenga, más complejo será la ecuación del
modelo que lo define. En la figura 12 se muestra la representación de un modelo
generado con la técnica de árbol de decisión y utilizando un árbol de tres nodos de
profundidad.

Figura 12: Modelo de árbol de decisión con ML Playground

Ejercicio (no es obligatorio): Piensa en un ejemplo de clasificación que utilices para

tomar la decisión de comprar o no comprar, un producto concreto en el supermercado.
Por ejemplo, voy a comprar leche primero diferencio entre leche entera, desnatada y
semidesnatada. Luego miro si tiene lactosa o no tiene lactosa, si es una marca
española o no, si viene tetrabrick o en botella, etc. Puedes compartir tu reflexión en el
foro para que podamos reflexionar sobre ella entre todos.

21
5.3. Clustering o asociación

Para reconocimiento de patrones en el aprendizaje automático también se utilizan los

clústeres. Esta técnica identifica las características en la que se asemejan algunos
datos y los agrupa en forma de clústeres. Se utiliza con modelos de aprendizaje no
supervisado para identificar nuevos patrones que no se habían relacionado antes. Los
datos se pueden agrupar por alguna característica similar como un color o una
ubicación. Son modelos complejos que pueden tener en cuenta varias combinaciones
de características diferentes.

Una aplicación de esta técnica podría ser para encontrar actividades en redes sociales
en momentos críticos como desastres naturales o situación de confinamiento. Si los
datos de entrada son los usuarios de una red social, el algoritmo es capaz de agrupar
a estos usuarios según el tipo de comportamiento que tenga cada uno. El modelo
busca una estructura con patrones a partir de los datos suministrados. Otra área de
aplicación sería el de las empresas aseguradoras para poder detectar los patrones
que miden la siniestralidad de los clientes y poder aceptar solamente a los clientes que
tengan un menor número de accidentes.

22
 5.4.
Programación de algoritmos

Si quieres profundizar un poco más en las características de los algoritmos generados

puedes ver el siguiente vídeo sobre la herramienta Teachable Machine.

Video 7: Algoritmo generado

También podemos utilizar los algoritmos que hemos creado con esta herramienta en
otras aplicaciones como páginas web o aplicaciones de móvil. La herramienta
Teacheable Machine genera automáticamente el código de programación y nos facilita
mucho el trabajo. En el siguiente vídeo podrás ver como exportar estos modelos para
poder utilizarlos en nuestro propio programa desarrollado en Python o Javascript.

Video 8: Exportar modelo a java escript

BUENO. Volver a ver. Explica como exportar el código y aplicarlo….

Para utilizar el modelo de aprendizaje automático con un proyecto de Scratch, puedes

utilizar la herramienta Machine Learning for Kids, con la que es posible exportarlo y
crear un proyecto nuevo. El siguiente video muestra los pasos.

Video 9: Exportar modelo a Scratch

Usa la herramienta de machine learning for kids

Esta herramienta exporta a scrath o python

Por último, se muestra la secuencia de instrucciones para la generación de un modelo

de regresión lineal en código Python. Es necesario utilizar librerías como Numpy y
Pandas que permiten trabajar con datos estructurados y realizar cálculos con matrices.
En el archivo conjunto_de_datos.csv se encuentran los datos necesarios para el
entrenamiento de nuestros modelos ordenados en columnas.

5. Algoritmos y herramientas

23
5.5. Herramientas para utilizar en el aula

Figura 13: Herramientas de Machine Learning. Fuente: Imagen de Gerd Altmann de

Pixabay

Existen varias herramienta que podemos utilizar con nuestros alumnos para introducir
el concepto de aprendizaje automático. Si cuentas con conocimientos de
programación, además podrás utilizar algunos de ellos programando con Scratch. La
inteligencia artificial tiene innumerables aplicaciones y podemos incluso introducir
contenidos de materias como lengua, matemáticas o cualquier otra sin que los niños
se den cuenta de que están adquiriendo conocimiento.

 Machine Learning for Kids: Esta es una herramienta muy sencilla para
entrenamiento de modelos como reconocimiento de imágenes, texto, números
o sonidos. No es necesario registrarse para poder crear nuestro primer
proyecto. Cuando termines de entrenar tu modelo puedes descargarlo y
utilizarlo en lenguajes como Scratch o Python.

 Teachable Machine: Herramienta libre y gratuita desarrollada por Google para

poder ser utilizada por cualquier persona sin necesidad tener de conocimientos
en programación. Se pueden crear y entrenar modelos para reconocer
imágenes, audio o movimientos de forma rápida y sencilla.

 Learning ML: Esta es una versión modificada de la plataforma Scratch así

podremos exportar nuestro algoritmo para esta herramienta de programación.
Está enfocada para el aprendizaje automático supervisado de reconocimientos
de textos e imágenes. No es necesario registrarse para poder utilizarla pero es
recomendable para acceder a material adicional.

Si utilizas estas herramientas en el aula los alumnos aprenderán y se divertirán al

mismo tiempo.

24
6. Ejemplos reales de uso

6.1. Asistentes virtuales

Interactuamos con asistentes virtuales que son IA entrenadas para mantener una
conversación de forma natural. Un chatbot es un pequeño asistente y muchas
empresas ya los utilizan en sus páginas web para resolver dudas sencillas. Si la
pregunta es más compleja o es una pregunta para la que no ha sido entrenada, no
podrás obtener una respuesta con sentido o te responderá que no entiende lo que
quieres preguntarle. También están los chatbots con reconocimiento de voz que tienen
que ser entrenados para entendernos cuando hablamos. Esto se consigue gracias a
otra área de la IA mucho más compleja que es el Procesamiento del Lenguaje Natural
o PNL.

Puedes hablar con el asistente virtual YIO y pedirle que te cuente un

chiste [Link]

Uso en el aula: La creación de un asistente virtual con herramientas de aprendizaje

automático es una actividad interesante para iniciar a los alumnos en el uso de
modelos. Podemos entrenar a un modelo para que reconozca nuestra voz y las
instrucciones para controlar las luces o el ventilador de una casa.

6.2. Detección de fraude

Los algoritmos de clasificación son utilizados por Paypal para detectar posibles
fraudes. Para poder comprar en muchas página de Internet, es obligatorio que
facilitemos los datos de nuestra tarjeta bancaria. El algoritmo de Paypal identifica los
pagos de fuentes no fiables según patrones de comportamiento. Así es como también
los bancos y empresas de tarjetas de crédito clasifican las transacciones en correctas
o fraudulentas. Son capaces de detectar el fraude con mucha precisión gracias los
datos del historial de comportamiento de sus clientes y no permitir una compra
asociada a una tarjeta si esta se encuentra en el clúster o agrupación “no fiable”. Las
aseguradoras también pueden denegar la contratación de una póliza si consideran que
el perfil es de “siniestralidad alta” utilizando análisis estadísticos complejos que
estudian el comportamiento de los posibles clientes.

Uso en el aula: Para introducir conceptos y diferenciar entre diferentes clases se

puede hacer uso de modelos de aprendizaje automático. Relacionar especies del
mundo animal y entrenar a un modelo que sea capaz de diferenciar mamíferos de
vivíparos o de reptiles puede conseguir que el alumno profundice mucho en la materia.
Se pueden clasificar imágenes, palabras o sonidos.

6.3. Captcha

Seguro que en más de una ocasión has tenido que completar alguna prueba de este
tipo para que un software compruebe que eres un humano. Esta herramienta se usa
para evitar que algún software o bot se haga pasar por una persona en la red. En
principio, un Captcha consistía en una cadena de caracteres que solamente podía ser
leída por una persona. Este sistema también puede funcionar, después de una primera
prueba que ya ha comprobado que el usuario es un humano, para entrenar a un
modelo de aprendizaje automático. De esta manera, cada vez que has resuelto un
reCaptcha, has estado colaborando en el proceso de entrenamiento de los programas
de conducción autónoma de Google. Así que la próxima vez, presta mucha atención
cuando estés seleccionando semáforos o pasos de peatones.

25
Uso en el aula: Una actividad interesante para niveles de primaria o secundaria sería
entrenar un modelo para reconocimiento de caligrafía. Se debe introducir cada una de
las letras del abecedario con sus respectivas etiquetas, entrenar el modelo y cuando
hagamos el test comprobar con diferentes caligrafías. La detección y comprensión de
todo tipo de letra es complicada hasta para nosotros los humanos y es una tarea que
mejora con la práctica.

7. Práctica
Para finalizar vamos a realizar una práctica con otra de las herramientas que hemos
visto en este curso [Link] En este caso entrenaremos a
un modelo de aprendizaje automático para que sea capaz de diferenciar entre dos
idiomas diferentes. Para ello seguiremos los siguientes pasos:

 Seleccionamos los datos de entrenamiento: Elegir los textos que utilizaremos

para el entrenamiento en cada idioma. Los datos deben ser abundantes y
variados.

 Separamos los datos de test: Vamos a reservar algunos de los textos para
realizas la prueba y así determinar si nuestro modelo necesita un nuevo
entrenamiento o no.

 Fase de entrenamiento: Introducimos los textos que hemos etiquetado

previamente en cada uno de los idiomas.

 Fase de test: Por último realizamos la prueba de funcionamiento con los datos
que teníamos reservados y comprobamos si el funcionamiento es válido o no.

Puedes probar con la actividad que te proponemos en el siguiente vídeo.

Video 10: Diferentes idiomas

Por últimos si quieres profundizar un poco más y utilizar este modelo de detección de
idiomas para un proyecto en Scratch, aquí tienes un vídeo que te puede servir de
ejemplo. Se incorpora un bloque exportado desde Machine Learning for Kids en el
código de un proyecto creado con Scratch para reconocer el idioma de una frase
escrita.

Video 11: Incorporar el modelo a Scratch

8. Información adicional
Artículo de IBM [Link]

Datos de entrenamiento y datos de test [Link]

entrenamiento-vs-datos-de-test/

Teachable Machine [Link]

Machine Learning for Kids [Link]

26
 Actividad final
Hazme feliz con Machine Learning for Kids
Como tarea final vamos a realizar el entrenamiento de un modelo de aprendizaje
automático. Para ello será necesario que dispongas de los siguientes recursos:

 Conexión a Internet

 Herramienta Machine Learning for Kids ([Link]

Utilizaremos la herramienta online de entrenamiento para entrenar un modelo que sea

capaz de reconocer si un texto es agradable y positivo o por el contrario es malo o
negativo.

* Puedes cambiar el idioma de la herramienta en la esquina superior derecha.

Crear un proyecto
Crea tu primer proyecto llamado “Hazme feliz” que sea capaz de reconocer texto.

Entrenar el modelo
Crea dos etiquetas para entrenar a tu modelo, una con el nombre “Feliz” y otra con el
nombre “Triste”. Añade frases de ejemplo que te hagan feliz en la parte de la primera
etiqueta y frases que te pongan triste en la parte de la segunda etiqueta. Por ejemplo,
puedes añadir “Eres una persona maravillosa” a la etiqueta de “Feliz”. Recuerda añadir
una gran variedad de textos para que el entrenamiento sea exitoso.

Probar el modelo
Vuelve al proyecto (en el link de la parte superior a la izquierda). Comienza a probar el
modelo pulsando en “Entrena un nuevo modelo” y espera a que se cargue el modelo.
Añade los textos de prueba para validar las respuestas del modelo y recuerda añadir
textos que no hayas incluido en la fase de entrenamiento para comprobar como
reacciona nuestro algoritmo a situaciones nuevas. ¿Como ha reaccionado tu modelo?
¿Necesitas volver a entrenarlo? Si lo necesitas, vuelve al entrenamiento y añade mas
textos. Cuando obtengas los resultados esperados (mas de un 70% de confianza)
realiza algunas capturas de pantalla donde aparezcan los textos y como lo ha
reconocido el algoritmo. Debe de aparecer algo así.

27
Exportar el modelo
Exporta tu algoritmo y haz una prueba con Scratch. Haz una captura de pantalla donde
aparezcan los bloques generados de tu modelo.

NOTA: Puedes seguir los pasos del video tutorial que aparece al final del curso en la
parte de práctica.

Preguntas:
 Explica con tus palabras ¿qué es el aprendizaje automático?.

 Nombra al menos dos valores o situaciones de la vida diaria que se pueden

predecir utilizando modelos estadísticos de aprendizaje automático. Razona tu
respuesta.

 Guarda las respuestas en un documento de texto y añade las capturas de

pantalla del entrenamiento de tu modelo Hazme feliz con Machine Learning for
Kids.

 Por último añade la captura de pantalla de los bloques generados en Scratch.

Para superar esta actividad deberás entregar:

 El documento de texto con las respuestas a las preguntas
anteriores, las capturas de pantallas de la prueba exitosa de tu
modelo (mínimo 4 textos de prueba con más de un 70% de
confianza) y la captura de pantalla de los bloques en Scratch)

Entrega

Cuando hayas terminado, pulsa en el botón Agregar entrega, que se encuentra en la

parte inferior de la ventana, y los elementos solicitados. Después pulsa sobre Guardar
cambios. En este momento la tarea está en modo borrador, para que la tarea quede
entregada y el tutor tenga acceso a ella, tienes que pulsar el botón Enviar tarea para
que tu aportación quede registrada.

28