Scribd
Cargar
13 vistas2 páginas

Machine Learning para Jóvenes Estudiantes

El documento presenta conceptos básicos de aprendizaje supervisado y no supervisado en machine learning, incluyendo regresión para predecir valores continuos y clustering para agrupar datos similares. Se proponen mini-proyectos prácticos, como clasificar frutas y agrupar películas, utilizando algoritmos como KNN y K-Means. Además, se aborda la ética en la inteligencia artificial, planteando preguntas sobre el uso justo de los datos y la responsabilidad en las decisiones de los algoritmos.

Cargado por

Danelys
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
13 vistas2 páginas

Machine Learning para Jóvenes Estudiantes

El documento presenta conceptos básicos de aprendizaje supervisado y no supervisado en machine learning, incluyendo regresión para predecir valores continuos y clustering para agrupar datos similares. Se proponen mini-proyectos prácticos, como clasificar frutas y agrupar películas, utilizando algoritmos como KNN y K-Means. Además, se aborda la ética en la inteligencia artificial, planteando preguntas sobre el uso justo de los datos y la responsabilidad en las decisiones de los algoritmos.

Cargado por

Danelys
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Machine Learning con Python para estudiantes de 12 a 16 años

11. Aprendizaje Supervisado: Regresión

La regresión sirve para predecir números continuos, como el precio de una casa.

Ejemplo clásico: predecir el valor de una casa según su tamaño y ubicación.

Usamos modelos como la regresión lineal o regresión polinómica.

12. Aprendizaje No Supervisado: Clustering

El clustering agrupa datos similares. Por ejemplo, sin saber qué fruta es cada una, podemos agruparlas por

tamaño y color.

- K-Means: uno de los algoritmos más usados para este tipo de tareas.

- Determina 'centros' de grupos, y agrupa los datos según el más cercano.

13. Mini-Proyecto: Clasificador de Frutas

Objetivo: Crear un modelo que clasifique frutas por tamaño y peso.

Pasos:

1. Recolectar datos de frutas con sus características (peso, tamaño).

2. Usar un clasificador como KNN.

3. Evaluar con nuevos datos.

¡Podemos usar dibujos o datos reales para practicar!

14. Mini-Proyecto: Agrupar Películas

Objetivo: Agrupar películas por género y duración usando K-Means.

Pasos:

1. Crear un conjunto de datos con películas.

2. Visualizar los datos.

Página 1
Machine Learning con Python para estudiantes de 12 a 16 años

3. Agrupar con K-Means y ver qué patrones emergen.

15. Ética en la Inteligencia Artificial

Es importante pensar en cómo se usa la IA:

- ¿Cómo se aseguran que los datos no sean injustos?

- ¿Puede un algoritmo tomar decisiones malas si aprende de datos incorrectos?

- ¿Quién es responsable de las decisiones de una IA?

Página 2

También podría gustarte