Un dato representa una observación, categoría o valor. Para interpretarlo necesitamos saber qué describe y cómo se obtuvo. Los metadatos aportan contexto: origen, momento, escala, método o transformaciones. No todos hacen falta en cualquier proyecto; se eligen según la pregunta. Una lectura de luz relativa y una medida en lux no pueden compararse como si fueran la misma cantidad. Tampoco una fecha de edición del archivo equivale necesariamente al momento en que se observó el fenómeno.

Big Data reúne conjuntos y problemas cuya gestión requiere recursos y métodos escalables. Volumen, variedad y velocidad de generación ayudan a explicar esa necesidad: muchos registros, formatos diferentes y entradas continuas pueden dificultar almacenar y analizar a tiempo. No existe un número de filas que convierta por sí solo nuestra tabla en una infraestructura de datos masivos. La muestra escolar permite aprender un proceso común: preguntar, describir procedencia, preparar datos, analizarlos y comunicar límites. Relaciona ese proceso con un servicio real sin confundir una demostración pequeña con las capacidades de una plataforma de gran escala.

Un diccionario de datos define cada campo: nombre, significado, tipo, unidad o escala y valores permitidos. Una zona es categoría; una lectura puede ser numérica; un instante expresa momento. El identificador permite reconocer un registro, pero no debe contener datos personales. Dos lecturas iguales no son necesariamente duplicados: pueden corresponder a observaciones distintas. Un duplicado exacto se reconoce mediante una regla que incluya identificador y campos, contrastando su origen antes de eliminar una copia.

Limpiar prepara una copia de trabajo sin alterar el original. Registra acción, motivo y efecto sobre filas o cálculos. Una ausencia significa información no disponible, no cero; un valor fuera de escala exige revisar la fuente, no corregir por intuición. Para una media, suma solo los valores válidos y divide por su número, informando de las ausencias excluidas. No ocultes datos que contradicen tu expectativa. La limpieza debe permitir reconstruir decisiones y distinguir un error corregido de una incertidumbre que sigue abierta. Así otra pareja puede revisar si el gráfico representa realmente la muestra descrita.

Un gráfico representa relaciones seleccionadas de una tabla. Las barras ayudan a comparar categorías; las líneas pueden mostrar evolución cuando existe un orden con significado, como el tiempo. Un identificador creciente no garantiza intervalos temporales iguales. Antes de elegir el tipo escribe la pregunta y qué representará cada eje. Si comparas medias por zona, informa también de cuántas observaciones válidas aporta cada una. El gráfico no recupera por sí solo el contexto que falta en los datos.

La escala modifica la impresión visual. En barras, empezar desde cero suele ayudar a interpretar proporciones; un recorte visible puede servir a otra finalidad, pero debe justificarse y no ocultar su efecto. Compara dos representaciones del mismo conjunto para distinguir apariencia y conclusión. Una asociación no demuestra causa: dos cantidades pueden variar juntas por otro factor o por cómo se eligió la muestra. Formula conclusiones limitadas a las condiciones observadas y señala qué datos adicionales necesitarías. Conserva tabla y gráfico vinculados para poder revisar rangos, filtros y etiquetas, en lugar de entregar solo una imagen sin procedencia.

El aprendizaje supervisado parte de ejemplos acompañados por una etiqueta que indica su clase de referencia. Durante el entrenamiento, el modelo ajusta relaciones entre características de las entradas y esas etiquetas. Ante otro ejemplo utiliza lo aprendido para producir una predicción, sin comprender el objeto como una persona. Esa relación depende de los ejemplos disponibles: si una clase aparece siempre sobre el mismo fondo, el modelo puede utilizarlo como pista en vez de distinguir lo que interesa. Cantidad, diversidad y coherencia de las etiquetas influyen en ese aprendizaje.

La prueba estudia qué ocurre con ejemplos que no se utilizaron para entrenar. Reservarlos antes y documentar cómo se obtuvieron permite separar ambas funciones. Renombrar una fotografía o extraer una imagen casi idéntica de la misma captura no garantiza independencia. En el taller se emplean veinte ejemplos de entrenamiento por clase y diez pruebas nuevas, cinco por clase. Estas cantidades organizan la práctica y permiten registrar resultados comparables, pero no garantizan rendimiento general. Los materiales son objetos o sonidos no identificativos, sin personas reconocibles y dentro de la herramienta aprobada.

Los errores de prueba también pueden orientar una mejora del entrenamiento. Cuando se utilizan con ese fin, la serie ya ha influido en el diseño: deja de aportar una comprobación independiente de la mejora elegida. Por eso se conserva su papel exploratorio y se prepara otra serie independiente después de decidir el cambio. Esta separación permite distinguir lo aprendido al revisar errores de lo observado al evaluar nuevamente el modelo.

Una matriz de resultados organiza cada prueba mediante dos datos: la clase real, conocida como referencia, y la clase predicha por el modelo. En nuestra representación, las filas corresponden a clases reales y las columnas a predicciones; indicarlo evita invertir su interpretación. Las coincidencias quedan en la diagonal y las demás celdas cuentan confusiones. Sumar una fila permite saber cuántos ejemplos reales de esa clase se probaron. Sumar una columna cuenta cuántas veces respondió esa clase el modelo, no cuántos objetos pertenecían realmente a ella.

Los porcentajes responden a preguntas distintas según su denominador. El acierto global divide todas las coincidencias entre el total de pruebas. El acierto por clase divide las coincidencias de una fila entre los ejemplos reales de esa clase. Con tamaños de clase distintos, un resultado global alto puede ocultar fallos concentrados en una de ellas. Conservar matriz, totales y denominadores permite reconocer esa distribución y fundamentar qué casos merece la pena revisar.

La puntuación o confianza mostrada para una predicción se refiere a ese ejemplo y no al porcentaje de aciertos observado en la prueba. No garantiza verdad: una respuesta con puntuación alta sigue siendo un error si contradice la referencia. El registro conserva también esos errores y sus puntuaciones. Importa además el sentido de la confusión, porque colocar un material en una caja equivocada y dejarlo sin separar pueden tener consecuencias diferentes. La muestra pequeña orienta mejoras; no demuestra rendimiento en todas las condiciones futuras ni justifica decisiones importantes sobre personas.

Un sistema puede funcionar técnicamente y ser inadecuado para una finalidad. Pregunta qué decisión apoyará, a quién afecta un error y quién puede revisar el resultado. Una clasificación de objetos del aula permite estudiar patrones sin clasificar personas ni repartir oportunidades. Escoge solo la información necesaria y comprueba que el material abierto no contiene datos personales antes de reutilizarlo. Quitar nombres o sustituirlos por códigos no demuestra por sí solo que nadie pueda ser identificado mediante otras columnas o imágenes.

El informe relaciona pregunta, procedencia, limpieza, representación, entrenamiento y evaluación. Una conclusión responsable explica dos límites y una condición de uso, vinculándolos con evidencias. El sesgo puede aparecer en qué ejemplos se recogen, qué etiquetas se eligen o qué situaciones faltan. Añadir datos repetidos no elimina automáticamente ese problema. Formula una hipótesis concreta y una mejora comprobable, como diversificar una orientación ausente. Mantén revisión humana cuando el caso quede fuera de lo probado. Reconocer incertidumbre no significa que el trabajo carezca de valor: permite decidir qué parte de la demostración es útil y qué no se puede extender a otros contextos.

El laboratorio conecta el análisis de la tabla y el experimento de clasificación mediante una misma pregunta y un registro revisable. No es necesario fingir que ambos archivos contienen los mismos tipos de datos: explica qué aporta cada uno a la necesidad del centro. Conserva original, copia limpia, diccionario, gráficos y resultados del modelo. Una hoja de pruebas identifica ejemplo, clase real, predicción y condición de captura; otra resume la matriz y sus denominadores sin sustituir el registro individual.

Para estudiar el efecto de reducir ejemplos de una clase, conserva condiciones comparables y documenta el entrenamiento de cada versión. Utilizar una misma serie para compararlas puede servir a una exploración, pero esa serie ya ha influido al elegir la mejora. Después realiza una nueva evaluación independiente. No atribuyas toda variación a la cantidad si también cambiaste fondo, etiquetas o herramienta. A01 reúne pregunta, plan y primeras acciones ejecutadas de limpieza, gráfico, entrenamiento y prueba. A02 incorpora análisis completo, resultados por clase, mejora contrastada y límites. Cada integrante explica una decisión y una conclusión respaldada por datos, dentro de las mismas dos entregas.

La documentación permite contrastar términos y procedimientos sin convertir una cifra de ejemplo en resultado propio. La referencia de Google sobre conjuntos explica que una prueba puede desgastarse al usarse repetidamente para ajustar decisiones. Su referencia de clasificación muestra por qué el acierto global depende del reparto de clases. La ayuda de Google Sheets orienta sobre tipos de gráficos. Consulta cada recurso con una pregunta concreta y traduce su explicación a las operaciones y condiciones que realmente has usado en el aula.

Teachable Machine permite entrenar y ejecutar modelos mediante tecnología del navegador, pero eso no justifica afirmar que cualquier configuración, guardado o exportación mantiene siempre todos los datos en el mismo lugar. El docente comprueba el entorno aprobado y se utilizan ejemplos permitidos. Conserva el proyecto o modelo mediante las opciones autorizadas y registra cómo volver a abrirlo; no lo publiques automáticamente para obtener una evidencia. Los vídeos son opcionales y pueden acompañarse de texto. Para transferir el modelo a otro objeto o condición, revisa clases, diversidad, efectos de error y nueva evaluación. Explica qué aprenderías de esa prueba sin prometer que añadir datos garantiza una mejora.