Taller colaborativo de IA para docentes universitarios: fundamentos y herramientas

Taller Colaborativo "IA para docentes de IA"

Este taller ha sido concebido como un espacio dinámico y práctico para explorar y aplicar las últimas tendencias y herramientas en Inteligencia Artificial, asegurando que como educadores, estemos equipados con el conocimiento y las habilidades más relevantes para guiar a nuestros futuros ingenieros en IA31. Nuestra carrera de Ingeniería en Inteligencia Artificial es fundamental para preparar a los estudiantes para abordar desafíos tecnológicos y sociales con una perspectiva ética y responsable, diseñando e implementando soluciones inteligentes y sostenibles3233. Este taller busca precisamente enriquecer esa misión.

Información General del Taller

Nombre del Taller: Taller Colaborativo "IA para docentes de IA" Público Objetivo: Docentes de la carrera de Ingeniería en Inteligencia Artificial Duración: 5 sesiones de 5 horas cada una (total: 25 horas). Modalidad: Híbrida (combinando teoría y práctica intensiva). Objetivo General: Capacitar a los docentes en los principios, técnicas y aplicaciones de Inteligencia Artificial más relevantes, con un enfoque práctico y el uso de herramientas líderes en la industria, para potenciar su enseñanza y fomentar el desarrollo de competencias críticas en sus estudiantes.

Estructura del Taller: Sesión por Sesión

Cada sesión está diseñada para ser una experiencia inmersiva, combinando la presentación de conceptos fundamentales con actividades prácticas y momentos de reflexión colaborativa.

Sesión 1: Fundamentos de Aprendizaje Automático y Herramientas Esenciales

Tópico(s) IA: Fundamentos de Aprendizaje Automático (Supervisado y No Supervisado) e Introducción a Frameworks (Scikit-learn, TensorFlow/Keras). Presentación del Tópico: Iniciaremos explorando el corazón de la Inteligencia Artificial: el Aprendizaje Automático (Machine Learning). Abordaremos sus paradigmas principales, el aprendizaje supervisado (con tareas como regresión y clasificación) y el no supervisado (con técnicas de agrupamiento)34. La sesión también introducirá librerías esenciales en Python como Scikit-learn para algoritmos clásicos y las potentes plataformas de TensorFlow y Keras, clave para el aprendizaje profundo35 .... Resumen de lo Básico: El Aprendizaje Automático es una disciplina fundamental que permite a los sistemas computacionales aprender y adaptarse a partir de datos, sin ser explícitamente programados38. El aprendizaje supervisado entrena modelos con datos etiquetados para predecir salidas (como la regresión lineal para predecir valores continuos o la clasificación para asignar categorías)34. El aprendizaje no supervisado descubre patrones ocultos en datos sin etiquetar (como el agrupamiento para identificar grupos similares)34. Scikit-learn es una biblioteca robusta para una amplia gama de algoritmos de ML. TensorFlow (con su API Keras) es un marco de código abierto desarrollado por Google, ampliamente utilizado para construir y entrenar redes neuronales profundas y otros modelos de aprendizaje automático3539.Importancia para la Formación del Estudiante: Esta asignatura dota a los estudiantes de las habilidades para diseñar y desarrollar sistemas inteligentes capaces de aprender y adaptarse a partir de datos, lo cual es crucial en una amplia gama de campos38. La competencia técnica en programación y el manejo de estos frameworks proporcionan una base sólida para la implementación y gestión de sistemas computacionales, y la capacidad analítica para abordar problemas complejos y desarrollar soluciones innovadoras40. Los estudiantes aprenderán a aplicar estos conocimientos en la práctica4142.

Pequeña Práctica: Implementando su Primer Modelo Predictivo

• Objetivo: Familiarizarse con la sintaxis de programación y las técnicas de implementación de modelos básicos de ML.
• Actividad: Utilizando Google Colab (o un entorno Python local con Jupyter Notebooks), implementaremos un modelo de regresión lineal o clasificación simple (por ejemplo, con el famoso dataset Iris o Boston Housing) usando Scikit-learn. Los participantes cargarán los datos, preprocesarán (si es necesario), entrenarán el modelo, realizarán predicciones y evaluarán su rendimiento. Se mostrará también un ejemplo de cómo se estructura una red neuronal básica en Keras.3742

Dinámica de Cierre Grupal: "El Reto del Primer Dataset"

• Actividad: Los participantes se dividirán en pequeños grupos y se les proporcionará un nuevo dataset muy simple. Deberán discutir rápidamente qué tipo de problema de ML podría resolverse con él (regresión, clasificación, agrupamiento) y proponer un algoritmo de Scikit-learn o Keras que aplicarían, justificando su elección. Luego, cada grupo compartirá su propuesta con el resto.

Sesión 2: Procesamiento del Lenguaje Natural (PLN) y Modelos de Lenguaje Avanzados

Tópico(s) IA: Introducción al Procesamiento del Lenguaje Natural (PLN), flujo de trabajo del PLN, y Modelos de Lenguaje basados en Transformadores. Presentación del Tópico: Nos sumergiremos en el fascinante mundo del Procesamiento del Lenguaje Natural (PLN), el campo de la IA que permite a las computadoras entender, interpretar y manipular el lenguaje humano43. Exploraremos el flujo de trabajo estándar del PLN, desde la extracción y preprocesamiento de texto, hasta la vectorización de palabras4445. Dedicaremos un segmento especial a los Modelos de Lenguaje basados en Transformadores, una tecnología revolucionaria que ha impulsado avances significativos en el PLN, como los modelos BERT de Google4647. Resumen de lo Básico: El PLN busca cerrar la brecha comunicativa entre humanos y máquinas43. El preprocesamiento de texto incluye técnicas como tokenización (dividir texto en unidades), derivación y lematización (reducir palabras a su raíz) y eliminación de palabras vacías (palabras comunes sin significado sustancial)45. La transformación de datos a formatos numéricos se logra con métodos como la bolsa de palabras o las incrustaciones de palabras (word embeddings)45. Los Transformadores son arquitecturas de redes neuronales que utilizan mecanismos de atención para ponderar la importancia de diferentes partes de la entrada, siendo muy eficientes en tareas de comprensión y generación de texto47. Las aplicaciones del PLN incluyen la generación automática de texto, análisis de sentimientos, agentes conversacionales y asistentes virtuales47. Importancia para la Formación del Estudiante: Esta asignatura es esencial para que los futuros ingenieros en IA puedan desarrollar sistemas inteligentes capaces de analizar, interpretar y generar texto en lenguaje humano de manera efectiva43. Capacita a los estudiantes para trabajar con grandes volúmenes de datos no estructurados y extraer información relevante, proporcionando una ventaja competitiva en el mercado4849. Les prepara para crear productos y servicios innovadores que mejoran la interacción del usuario con las máquinas de forma natural y eficiente48.

Pequeña Práctica: Análisis de Texto y Uso de un Transformador

• Objetivo: Aplicar técnicas de preprocesamiento de texto y experimentar con un modelo de lenguaje basado en transformadores.
• Actividad: Utilizando Python con bibliotecas como NLTK o spaCy, realizaremos tareas de tokenización, eliminación de palabras vacías y lematización en un fragmento de texto real. Luego, exploraremos cómo utilizar un modelo pre-entrenado de Transformadores (a través de la biblioteca Hugging Face Transformers, que integra modelos como BERT de Google) para una tarea simple de PLN, como la clasificación de texto o la extracción de entidades nombradas.50

Dinámica de Cierre Grupal: "PLN en Acción en el Aula"

• Actividad: Los participantes, en grupos, generarán ideas sobre cómo podrían integrar el PLN en sus cursos o en proyectos estudiantiles. Por ejemplo, ¿cómo podrían usar el análisis de sentimientos para evaluar la retroalimentación de los estudiantes o crear un chatbot para un asistente de curso?

Sesión 3: Vision Computacional y Redes Neuronales Convolucionales (CNNs)

Tópico(s) IA: Fundamentos de Visión Computacional, Transformación y Filtrado de Imágenes, Procesamiento Morfológico, Segmentación de Imágenes y Reconocimiento de Objetos con CNNs. Presentación del Tópico: Esta sesión nos sumerge en la Visión Computacional, una disciplina vital que permite a las computadoras "ver" y comprender el mundo a partir de imágenes y videos51. Abordaremos desde los principios básicos del procesamiento digital de imágenes, incluyendo la manipulación de pixeles y las transformaciones de intensidad, hasta técnicas más avanzadas como el filtrado espacial y el procesamiento morfológico52 .... Culminaremos con la aplicación de las Redes Neuronales Convolucionales (CNNs) para la detección y reconocimiento de objetos, una de las aplicaciones más impactantes de la visión computacional moderna5556. Resumen de lo Básico: La Visión Computacional implica el diseño de sistemas que pueden interpretar el entorno visual51. Incluye el preprocesamiento de imágenes para mejorar su calidad o prepararlas para análisis (ej. ajuste de contraste, brillo, filtrado)5354. El procesamiento morfológico se usa para analizar y manipular las formas y estructuras de los objetos en una imagen (ej. erosión, dilatación)57. La segmentación divide una imagen en múltiples segmentos para identificar objetos o regiones de interés58. Las Redes Neuronales Convolucionales (CNNs) son un tipo especializado de redes neuronales profundas que son altamente efectivas para procesar datos con una topología de cuadrícula, como imágenes, y son el motor detrás de la mayoría de los sistemas de reconocimiento de objetos actuales5556.