Volver a tu curso / CR2-S05
Computación y Robótica · 2.º ESO · Con pictos
Big Data e inteligencia artificial
Los datos necesitan contexto para entenderlos.
Aprenderás a limpiar una muestra, crear gráficos y probar un clasificador con ejemplos nuevos y sus límites.
Tu misión
Prepara un informe y un modelo para una necesidad del centro.
Usa datos sin información personal y añade diccionario, limpieza y gráficos.
Clasifica objetos o sonidos no identificativos.
Separa entrenamiento y prueba y registra resultados por clase y una mejora.
Lee una explicación cada vez. Mira el esquema. Después haz la actividad. Puedes cambiar de versión cuando quieras.
Qué herramientas vas a usar
Escribe los textos en Documentos de Google. Haz los diagramas en diagrams.net. Guarda el archivo que puedas editar. Mira qué debes entregar en cada tarea.
5.1. Comprende datos, contexto y Big Data
Aprende y practica
Un dato representa una observación, categoría o valor.
Necesitas saber qué describe y cómo se obtuvo.
Los metadatos explican origen, momento, escala, método o cambios.
Elige los metadatos que necesita tu pregunta.
Una lectura relativa de luz no equivale a una medida en lux.
La fecha de edición puede ser distinta de la fecha de observación.
Big Data necesita métodos y recursos capaces de crecer con el problema.
Muchos datos, formatos distintos y generación rápida dificultan su gestión.
No hay un número mágico de filas que convierta la tabla escolar en Big Data.
La muestra permite practicar pregunta, procedencia, preparación, análisis y límites.
- Pregunta
- Datos
- Contexto
- Interpretación
Mira este ejemplo
Dos tablas muestran 80.
Una expresa luz relativa y otra un porcentaje.
No significan lo mismo.
Consulta el diccionario antes de compararlas.
Poder calcular no garantiza una comparación útil.
Ahora hazlo tú
- Escribe una pregunta del centro sin datos personales en Google Docs.
- Identifica origen y significado de cuatro campos en Google Sheets.
- Relaciona volumen, variedad o velocidad con una dificultad en diagrams.net.
Comprueba qué has aprendido¿Qué necesitas saber para comparar dos columnas llamadas valor?
5.2. Describe y limpia sin ocultar cambios
Aprende y practica
El diccionario define nombre, significado, tipo y escala o unidad de cada campo.
Incluye también los valores permitidos.
Un identificador distingue registros sin usar datos personales.
Dos lecturas iguales pueden ser observaciones distintas.
Comprueba identificador, campos y origen antes de eliminar un duplicado exacto.
Conserva el original y limpia una copia.
Anota acción, motivo y efecto de cada cambio.
Una ausencia no significa cero y un valor fuera de escala necesita revisión.
Para la media divide la suma de valores válidos por su cantidad e informa de ausencias.
No borres datos por contradecir tu idea y explica lo que siga incierto.
- Original
- Revisión
- Cambio registrado
- Copia limpia
Mira este ejemplo
Los valores conocidos son 4, 6 y 8.
Falta otra lectura.
Su media es 6 con tres datos.
Poner cero donde falta daría 4,5 e inventaría una observación.
Indica cuántos datos utilizas.
Ahora hazlo tú
- Abre datos_revision.csv y su diccionario en Google Sheets y conserva el original.
- Revisa duplicado, ausencia y escalas en una copia y registra los cambios.
- Explica denominador de la media y dudas pendientes en Google Docs.
Comprueba qué has aprendido¿Por qué no debes convertir automáticamente una casilla vacía en cero?
5.3. Representa con ejes y escalas claros
Aprende y practica
Un gráfico representa relaciones de una tabla.
Las barras comparan categorías y las líneas pueden mostrar evolución temporal.
Un identificador creciente no demuestra intervalos de tiempo iguales.
Define la pregunta y el significado de cada eje.
Indica cuántos datos válidos aporta cada media por zona.
La escala cambia la impresión visual.
En barras, comenzar en cero ayuda a comparar proporciones.
Un eje recortado necesita mostrarse y justificarse.
Dos variables que cambian juntas no demuestran una causa.
Conserva tabla y gráfico y limita las conclusiones a la muestra observada.
- Pregunta
- Variables
- Gráfico
- Conclusión
Mira este ejemplo
Las medias inventadas son 18 y 20.
Empezar el eje en 17 exagera visualmente la diferencia.
Empezar en cero cambia la impresión.
Explica pregunta, escala y cantidad de datos.
No generalices a cualquier situación.
Ahora hazlo tú
- Crea un gráfico por zona y otro por orden en Google Sheets.
- Revisa rangos, ejes, escala y cantidad de datos en Google Sheets.
- Escribe pregunta, conclusión válida y conclusión por comprobar en Google Docs.
Comprueba qué has aprendido¿Unir categorías con una línea demuestra que cambian con el tiempo?
5.4. Entrena con ejemplos y reserva pruebas nuevas
Aprende y practica
El aprendizaje supervisado usa ejemplos con etiquetas.
Cada etiqueta indica una clase de referencia.
Durante el entrenamiento, el modelo ajusta relaciones entre características y etiquetas.
Después usa esas relaciones para predecir la clase de otro ejemplo.
No comprende el objeto como una persona.
Lo aprendido depende de los ejemplos disponibles.
Si una clase aparece siempre sobre el mismo fondo, el modelo puede usar esa pista.
Entonces podría no distinguir la característica que interesa.
Cantidad, diversidad y etiquetas coherentes influyen en el aprendizaje.
La prueba usa ejemplos que no sirvieron para entrenar.
Reservarlos antes y anotar su origen permite separar entrenamiento y prueba.
Renombrar una foto no garantiza independencia.
Una imagen casi idéntica de la misma captura tampoco la garantiza.
El taller usa veinte ejemplos de entrenamiento por clase.
La prueba tiene diez ejemplos nuevos, cinco por clase.
Estas cantidades organizan la práctica y permiten registros comparables.
No garantizan rendimiento general.
Se usan objetos o sonidos no identificativos, sin personas reconocibles.
Se trabaja dentro de la herramienta aprobada.
Los errores de prueba pueden orientar una mejora del entrenamiento.
Si sirven para elegirla, esa serie ya ha influido en el diseño.
Ya no comprueba de forma independiente la mejora elegida.
Se conserva como comparación exploratoria.
Después de decidir el cambio se prepara otra serie independiente.
Así se distingue revisar errores de evaluar nuevamente el modelo.
- Ejemplos
- Entrenar
- Modelo
- Prueba nueva
- Predicciones
Mira este ejemplo
Los cuadernos aparecen sobre fondo claro y los estuches sobre oscuro.
Al cambiar fondos, cambian las respuestas.
El modelo puede estar usando una pista equivocada.
Varía fondos en ambas clases y reserva nuevas tomas.
Copiar fotos no prueba la mejora.
teachable machine
Puedes ver el vídeo poco a poco. Puedes pararlo. Busca una idea que hayas leído en este apartado. Después prueba el ejemplo.
El vídeo tiene el idioma de su autor. Puedes usar los subtítulos disponibles. También puedes seguir la explicación escrita.
Ahora hazlo tú
- Define dos clases y separa entrenamiento y prueba con su origen en Google Docs.
- Entrena veinte ejemplos por clase sin datos personales en Teachable Machine aprobado.
- Haz diez pruebas nuevas, cinco por clase, y anota real y predicho en Google Sheets.
Comprueba qué has aprendido¿Qué falta demostrar si pruebas con imágenes que ya enseñaste al modelo?
5.5. Cuenta aciertos y errores de cada clase
Aprende y practica
La matriz organiza cada prueba con clase real y clase predicha.
La clase real es la referencia conocida.
Las filas representan clases reales.
Las columnas representan predicciones del modelo.
Indicarlo evita interpretar la matriz al revés.
Las coincidencias quedan en la diagonal.
Las otras celdas cuentan confusiones.
Sumar una fila cuenta los ejemplos reales probados de esa clase.
Sumar una columna cuenta cuántas veces respondió esa clase el modelo.
No cuenta cuántos objetos pertenecían realmente a ella.
Cada porcentaje responde a una pregunta según su denominador.
El acierto global divide todas las coincidencias entre el total de pruebas.
El acierto por clase divide coincidencias de una fila entre ejemplos reales de esa clase.
Las clases pueden tener tamaños distintos.
Entonces un acierto global alto puede ocultar muchos fallos en una clase.
La matriz, los totales y los denominadores permiten ver esa distribución.
Ayudan a decidir qué casos revisar.
La puntuación o confianza corresponde a una predicción de un ejemplo.
No es el porcentaje de aciertos de la prueba.
Tampoco garantiza que la respuesta sea verdadera.
Una predicción con puntuación alta sigue siendo error si contradice la referencia.
El registro conserva también esos errores y sus puntuaciones.
También importa el sentido de la confusión.
Poner un material en una caja equivocada puede tener una consecuencia.
Dejarlo sin separar puede tener otra.
La muestra pequeña orienta mejoras.
No demuestra rendimiento en todas las condiciones futuras.
No justifica decisiones importantes sobre personas.
- Real y predicho
- Matriz
- Acierto
- Errores
- Mejora posible
Mira este ejemplo
Hay ocho pruebas de cada clase.
Acierta seis A y cuatro B.
Son diez de dieciséis, un 62,5 %.
Por clase son 75 % y 50 %.
Una puntuación alta no convierte una predicción equivocada en acierto.
Ahora hazlo tú
- Crea filas reales, columnas predichas y totales en Google Sheets.
- Calcula acierto global y por clase con denominadores en Google Sheets.
- Explica ambos tipos de error y diferencia confianza y acierto en Google Docs.
Comprueba qué has aprendido¿Puede un buen porcentaje total ocultar que una clase falla?
5.6. Decide para qué sirve y dónde tiene límites
Aprende y practica
Un sistema que funciona puede no ser adecuado para una finalidad.
Pregunta qué decisión apoya y a quién afecta el error.
Define quién puede revisar el resultado.
Clasifica objetos para estudiar patrones sin evaluar personas.
Usa solo datos necesarios y comprueba los materiales abiertos.
Quitar nombres no garantiza anonimato si otros datos identifican a alguien.
Relaciona pregunta, datos, limpieza, gráficos, entrenamiento y prueba.
Explica dos límites y una condición de uso con evidencias.
El sesgo puede venir de ejemplos, etiquetas o situaciones ausentes.
Propón una mejora concreta y revisión humana fuera de lo probado.
- Finalidad
- Efectos
- Límites
- Uso
- Revisión
Mira este ejemplo
El modelo distingue dos materiales con fondo uniforme y buena luz.
Puedes describir esas condiciones.
No demuestra clasificación de cualquier residuo.
Propón revisión humana para objetos deformados y nuevas orientaciones de prueba.
Ahora hazlo tú
- Anota finalidad, público, consecuencia del error y revisión humana en Google Docs.
- Revisa condiciones ausentes y etiquetas en Google Sheets.
- Escribe dos límites, una condición de uso y una mejora observada en Google Docs.
Comprueba qué has aprendido¿El porcentaje de aciertos decide por sí solo si el uso es adecuado?
5.7. Conserva el proceso y contrasta la mejora
Aprende y practica
Relaciona tabla y clasificador con una misma necesidad del centro.
Explica qué aporta cada uno aunque usen datos distintos.
Conserva original, copia limpia, diccionario, gráficos y resultados.
Registra ejemplo, clase real, predicción y condiciones de captura.
Resume después la matriz sin borrar pruebas individuales.
Compara entrenamientos con distintas cantidades manteniendo otras condiciones.
La serie que ayuda a elegir una mejora ya influye en el diseño.
Usa otra serie independiente para evaluar después.
A01 incluye primeras acciones ejecutadas y A02 análisis, mejora y límites.
Cada integrante explica una decisión y una conclusión apoyada en datos.
- Registro
- Comparación
- Mejora
- Prueba nueva
- Informe
Mira este ejemplo
Se añaden imágenes y cambian las luces de prueba.
Los aciertos aumentan, pero cambiaron dos factores.
No puedes atribuirlo todo a la cantidad.
Repite con condiciones descritas.
Explicar qué falta controlar también es una conclusión útil.
Ahora hazlo tú
- Organiza original, limpieza, gráficos, pruebas y matriz en Google Sheets.
- Compara en Teachable Machine entrenamiento completo y una clase reducida con condiciones anotadas.
- Elige una mejora, usa pruebas nuevas y explica comparación y aportación en Google Docs.
Comprueba qué has aprendido¿La prueba sigue siendo independiente después de usar sus errores para mejorar?
5.8. Comprueba qué permiten concluir tus pruebas
Aprende y practica
Las fuentes explican procedimientos y sus ejemplos no son tus resultados.
Una prueba pierde independencia si la usas repetidamente para ajustar.
El reparto de clases afecta al porcentaje global.
Consulta la ayuda de gráficos para una pregunta concreta.
Relaciona cada explicación con lo realizado en clase.
Teachable Machine usa tecnología del navegador para entrenar y ejecutar.
No supongas que cualquier guardado o exportación conserva los datos siempre en el mismo lugar.
Usa el entorno aprobado y guarda el modelo por opciones autorizadas sin publicarlo automáticamente.
Los vídeos son opcionales y puedes usar texto.
Para adaptar, revisa clases, diversidad, consecuencias y prueba nueva sin prometer mejora por cantidad.
- Duda
- Fuente
- Método
- Resultado
- Límite
Mira este ejemplo
La guía presenta muchos datos y aciertos altos.
Ese porcentaje no pertenece a tus diez pruebas.
Usa la fuente para entender el método.
Conserva tus resultados y diseña pruebas nuevas.
Distingue explicación externa y evidencia propia.
Ahora hazlo tú
- Consulta conjuntos, clasificación y gráficos para una duda del informe.
- Relaciona método con fuente y conclusión con tus datos en Google Docs.
- Guarda y reabre el proyecto de Teachable Machine con la opción autorizada sin publicarlo.
Comprueba qué has aprendido¿La fuente explica tu método o demuestra tus resultados?
Tu proyecto y tus entregas
A01 · Diseña la solución
- Crea CR2-S05_datos_A01_Apellidos con pregunta, necesidad, público y fuente en Google Docs.
- Define diccionario y realiza limpieza y gráfico en Google Sheets conservando el original.
- Dibuja procedencia, limpieza, análisis, entrenamiento y prueba en diagrams.net.
- Define dos clases, reserva pruebas y realiza primer entrenamiento y evaluación en Teachable Machine.
- Añade riesgo ético, uso previsto, predicción, resultado, fuentes y aportaciones.
Qué debes entregar
- Dossier con pregunta, origen, diccionario, limpieza y gráfico.
- Cambios y conjuntos separados con entrenamiento y prueba realizados.
- Riesgo, condición ética y explicación individual.
Haz tu copia en Documentos de Google · Ver la plantilla vacía
A02 · Informe de datos y modelo para el centro
- Completa limpieza y dos gráficos con escala, pregunta y denominadores en Google Sheets.
- Entrena dos clases con veinte ejemplos cada una y prueba diez nuevos, cinco por clase, en Teachable Machine.
- Crea matriz y aciertos global y por clase sin ocultar errores en Google Sheets.
- Compara una clase reducida y evalúa la mejora con otra serie independiente.
- Entrega CR2-S05_datos con informe, tabla, diccionario, cambios, gráficos, modelo reabrible, pruebas, dos límites, condición responsable, fuentes y explicación individual.
Qué debes entregar
- Original, limpieza revisable y dos gráficos con sus preguntas.
- Modelo reabrible, conjuntos separados y matriz con denominadores.
- Mejora con pruebas nuevas, dos límites, condición responsable y explicación individual.
Haz tu copia en Documentos de Google · Ver la plantilla vacía
Revisa antes de entregar
- Explico campos y origen.
- Distingo duplicados, repeticiones reales y ausencias.
- Justifico gráficos y escalas.
- Separo entrenamiento y evaluación y reconozco pruebas usadas para ajustar.
- Explico matriz, aciertos y confianza como datos distintos.
- Apoyo mejora, dos límites y uso responsable con resultados.
Plantillas y archivos
Abre la plantilla vacía de A01 o A02. Haz tu copia en Documentos de Google. Guarda también tu programa o proyecto editable.
La plantilla sirve para organizar tu trabajo. Mira qué pide esta unidad. Puedes quitar un campo si no lo necesitas. Haz una copia. No escribas sobre el modelo. No publiques tus respuestas. Compártelas como indique tu docente.
A01 · Diseña la solución
Haz tu copia en Documentos de Google · Ver la plantilla vacía
- Dossier con pregunta, origen, diccionario, limpieza y gráfico.
- Cambios y conjuntos separados con entrenamiento y prueba realizados.
- Riesgo, condición ética y explicación individual.
A02 · Informe de datos y modelo para el centro
Haz tu copia en Documentos de Google · Ver la plantilla vacía
- Original, limpieza revisable y dos gráficos con sus preguntas.
- Modelo reabrible, conjuntos separados y matriz con denominadores.
- Mejora con pruebas nuevas, dos límites, condición responsable y explicación individual.
Rúbricas de clase
Aquí están las rúbricas de clase. Cada rúbrica explica cómo se valora una entrega. Puedes pedir ayuda para entender una palabra.
Consultar la rúbrica de A01
Diseño y microprueba
CYR.2.4.1 Datos, metadatos y lectura crítica
Conocer las aplicaciones actuales del Big Data, así como la naturaleza de los distintos tipos de datos y metadatos generados, siendo capaces de analizarlos, visualizarlos y compararlos, empleando a su vez un espíritu crítico y científico.
Evidencia. Pregunta, diccionario, tabla limpia y primer gráfico de taller.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Confunde dato y metadato y no relaciona tabla o gráfico con la pregunta. |
| 3–4,9 | Reconoce variables, pero pierde procedencia o trata duplicados y ausencias como datos válidos sin explicación. |
| 5–6,9 | Distingue datos y metadatos, documenta procedencia, realiza una limpieza y un gráfico y relaciona el ejemplo con una aplicación de Big Data sin llamar masiva a la muestra escolar. |
| 7–8,9 | Compara representaciones o escalas y explica una limitación del origen o tamaño de muestra. |
| 9–10,0 | Contrasta otra fuente o política de limpieza y justifica cómo cambia la interpretación de la pregunta. |
CYR.2.4.2 Modelo entrenado, evaluación y ética
Comprender los principios básicos de funcionamiento de los agentes inteligentes y de las técnicas de aprendizaje automático, con objeto de aplicarlos para la resolución de situaciones mediante la Inteligencia Artificial de forma ética y responsable.
Evidencia. Clases, separación de conjuntos y primer entrenamiento y prueba independiente.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Confunde la regla programada con un modelo aprendido o usa entrenamiento como demostración final. |
| 3–4,9 | Entrena, pero no separa pruebas o propone un uso sin considerar errores o personas afectadas. |
| 5–6,9 | Explica entrenamiento y predicción, realiza una prueba independiente y prevé un riesgo y una condición ética de uso. |
| 7–8,9 | Detecta desequilibrio o pista espuria y propone mejora que conserva una prueba nueva. |
| 9–10,0 | Diseña una comparación controlada de ejemplos o contexto y anticipa qué resultado apoyaría su hipótesis. |
Consultar la rúbrica de A02
Producto pruebas y mejora
CYR.2.4.1 Datos, metadatos y lectura crítica
Conocer las aplicaciones actuales del Big Data, así como la naturaleza de los distintos tipos de datos y metadatos generados, siendo capaces de analizarlos, visualizarlos y compararlos, empleando a su vez un espíritu crítico y científico.
Evidencia. Informe, diccionario, limpieza documentada y visualización con denominadores.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Las conclusiones no corresponden a los datos o se pierde su procedencia. |
| 3–4,9 | Presenta gráfico y porcentajes, pero omite metadatos, limpieza o límites de muestra. |
| 5–6,9 | Analiza, visualiza y compara datos y metadatos, conserva origen y limpieza y explica una aplicación y un límite del Big Data. |
| 7–8,9 | Contrasta resultados por clase y escala y revisa una conclusión que exageraba la diferencia. |
| 9–10,0 | Compara un conjunto nuevo o una fuente alternativa y argumenta qué resultados permanecen y cuáles no son generalizables. |
CYR.2.4.2 Modelo entrenado, evaluación y ética
Comprender los principios básicos de funcionamiento de los agentes inteligentes y de las técnicas de aprendizaje automático, con objeto de aplicarlos para la resolución de situaciones mediante la Inteligencia Artificial de forma ética y responsable.
Evidencia. Modelo, resultados por clase, mejora contrastada y condiciones de uso.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | No interpreta las predicciones ni distingue acierto de ejemplo ya usado para aprender. |
| 3–4,9 | Informa acierto global, pero no analiza clases ni reconoce una consecuencia del error. |
| 5–6,9 | Entrena y prueba con separación, tabula resultados por clase y explica dos límites y una condición de uso responsable. |
| 7–8,9 | Mejora datos o etiquetas y contrasta con nuevos casos conservando denominadores y errores. |
| 9–10,0 | Analiza qué tipo de error importa al destinatario y justifica uso, revisión humana o no utilización con los resultados disponibles. |
Vídeos y fuentes
Tutorial LibreOffice Calc – 30/34 Gráficos (II): Diferentes tipos de gráfico y su personalización.
Este vídeo usa LibreOffice Calc. Explica tipos de gráficos. Sus menús son distintos. Haz las tareas de esta unidad en Google Sheets.
Puedes ver el vídeo poco a poco. Puedes pararlo. Busca una idea que hayas leído en este apartado. Después prueba el ejemplo.
El vídeo tiene el idioma de su autor. Puedes usar los subtítulos disponibles. También puedes seguir la explicación escrita.
Teachable Machine: tutorial en español
Puedes ver el vídeo poco a poco. Puedes pararlo. Busca una idea que hayas leído en este apartado. Después prueba el ejemplo.
El vídeo tiene el idioma de su autor. Puedes usar los subtítulos disponibles. También puedes seguir la explicación escrita.
Puedes aprender más
- NIST CSRC: Big Data
- Google Docs Editors Help: Types of charts and graphs in Google Sheets
- Google for Developers: Datasets, dividing the original dataset
- Google for Developers: Classification, accuracy, recall, precision and related metrics
- Google Creative Lab: Teachable Machine Community
- AEPD e INCIBE: Guía de privacidad y seguridad en Internet
Pictogramas: Sergio Palao · ARASAAC · Propiedad del Gobierno de Aragón. Esta adaptación con pictogramas se comparte para uso no comercial bajo CC BY-NC-SA 4.0. Los recursos externos conservan sus respectivas licencias.
Contenido revisado en octubre de 2026.