Volver a tu curso / CR3-S05
Computación y Robótica · 3.º ESO · Lectura fácil
Inteligencia artificial y datos con criterio
Un resultado necesita datos claros y pruebas que muestren los errores.
Seguirás una tabla HTML autorizada hasta un gráfico y un clasificador sencillo.
Tu misión
Haz una auditoría con tu pareja.
Extrae la tabla del HTML local facilitado.
Conserva origen y cambios.
Entrena un umbral y pruébalo con datos separados.
Integra el análisis de AlphaGo en A01 y A02 dentro de once sesiones.
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. Seguir la vida de un dato
Aprende y practica
Los datos tienen una finalidad.
Se recogen, documentan, guardan, transforman y utilizan.
Después se conservan o eliminan con un motivo.
Los metadatos explican origen, autoría, fecha y condiciones.
Un identificador distingue una observación y no explica todo su origen.
El diccionario define campos, tipos, escalas y ausencias.
Usaremos HTML local didáctico y reutilizable.
No extraigas páginas externas ni recojas datos personales.
Un código de observación evita añadir nombres innecesarios.
La trazabilidad conecta original, CSV, limpieza, gráfico y modelo.
Conserva lo necesario para repetir el trabajo.
Decide antes de entrenar qué copias eliminarás y cuándo.
- Origen
- Datos sobre el dato
- Cambios y uso
- Guardar o eliminar
Dos equipos copian la misma fila.
Solo uno guarda origen, fecha y cambios.
Ese equipo puede revisar la unidad después.
Los números iguales no garantizan la misma trazabilidad.
- En Google Docs, escribe diccionario y procedencia de lecturas_autorizadas.html con finalidad, fecha, escala y permiso.
- Sigue una fila en diagrams.net desde el origen hasta guardar o eliminar, con archivos y cambios previstos.
¿Qué falta si el gráfico no permite volver al origen ni conocer la unidad?
5.2. Encontrar filas y celdas
Aprende y practica
HTML organiza contenido mediante etiquetas.
table delimita una tabla.
tr representa una fila.
th representa una celda de cabecera y td una celda de datos.
El aspecto no explica por sí solo esa estructura.
Los estilos pueden cambiar la apariencia sin cambiar los datos.
Dos estructuras distintas también pueden parecerse.
El extractor debe reconocer la tabla objetivo.
Comprueba cabeceras, número de columnas y correspondencia del contenido.
Encontrar una tabla no garantiza que sea la prevista.
HTMLParser comunica eventos de apertura, texto y cierre.
El programa conserva estado entre esos eventos.
Recuerda si está dentro de la tabla elegida.
También recuerda qué fila reúne y qué celda está activa.
Ese contexto indica dónde pertenece cada fragmento.
Una celda puede contener otra etiqueta y varias partes de texto.
Las partes se reúnen antes de guardar su contenido.
El resultado sigue siendo texto aunque tenga cifras.
Localizar una celda no demuestra que se conserve todo su contenido.
La forma de completar la fila también importa.
Un programa puede guardarla solo cuando empieza la siguiente.
Así puede perder la última fila, porque no llega otra apertura después.
Comprobar cierres, recuento e identificadores permite descubrir la pérdida.
También permite comparar resultado y origen.
HTMLParser no valida automáticamente todo el documento.
Aquí usamos un archivo local de estructura conocida.
Esa condición ayuda a explicar qué comprueba el extractor.
No significa que sirva para cualquier página.
- Tabla
- Fila
- Textos de celda
- Fila completa
Una celda puede producir varios fragmentos.
Guardar solo el último pierde contenido.
Sigue apertura, textos y cierre y compara la celda completa con el origen.
- Abre el HTML local en navegador y Thonny y busca lecturas, cabeceras y tres filas con la última.
- En Google Docs, sigue apertura, texto y cierre de una celda y una fila e indica cuándo guardarlas.
¿Qué puede fallar aunque haya el número correcto de columnas?
5.3. Scraping, API y CSV
Aprende y practica
Scraping extrae información de una representación como HTML.
Una API define una interfaz con contrato.
El scraping depende de etiquetas y estructura.
La API define campos, operaciones y respuestas.
Ambos necesitan revisar calidad y condiciones de uso.
Una página pública no autoriza toda reutilización.
Procesa solo el HTML local suministrado.
CSV guarda filas y campos con separador, comillas y codificación.
La biblioteca csv ayuda a interpretar esos detalles.
El diccionario conserva significado y unidades.
Comprueba tabla, cabeceras, columnas y registros exportados.
Abrir el archivo no demuestra que cada dato sea correcto.
- Origen permitido
- Estructura
- Extraer
- Comprobar CSV
Una descripción contiene una coma.
Un exportador manual puede partirla en dos columnas.
Usa csv y comprueba la lectura para conservar el campo completo.
- Ejecuta extraer_tabla.py en Thonny con el HTML autorizado y abre el CSV en Google Sheets con el formato correcto.
- Compara cabeceras, recuento y registros 1, 4 y último en Google Docs y explica la diferencia con una API.
¿Por qué el permiso del archivo local no permite extraer cualquier web?
5.4. Revisar datos y gráficos
Aprende y practica
Limpiar prepara datos con decisiones justificadas.
Conserva el original y cambia una copia.
Un duplicado exacto puede eliminarse tras comprobar su origen.
Dos valores iguales pueden ser observaciones diferentes.
Un mismo identificador con datos distintos exige investigar.
Registra inclusiones, exclusiones y conversiones.
Un dato ausente no es cero.
Si excluyes una ausencia, revisa el denominador.
Comprueba formato, intervalo y unidad por separado.
El gráfico necesita título, ejes y escala o unidad.
Compara el gráfico con la tabla e indica filas excluidas.
Un gráfico no demuestra origen ni causalidad.
- Original
- Cambio explicado
- Tabla limpia
- Gráfico
Hay cinco observaciones y falta una lectura.
Calcular con cuatro datos no equivale a añadir cero y calcular con cinco.
Explica el denominador y la decisión sobre la ausencia.
- Conserva original y copia limpia en Google Sheets y anota revisión de duplicados, ausencias, tipos y escala en Google Docs.
- Haz un gráfico con título, ejes y escala, compara tres puntos e indica exclusiones y denominador si calculas media.
¿Por qué no debes borrar todas las lecturas iguales?
5.5. Entrenar un umbral
Aprende y practica
Un clasificador asigna una clase a partir de datos.
El modelo usa una lectura y un umbral.
Por debajo predice aviso y en otro caso normal.
Entrenar elige el umbral con ejemplos etiquetados.
Las etiquetas siguen una regla didáctica y no una verdad descubierta.
El programa compara candidatos y cuenta aciertos de entrenamiento.
Conserva el candidato elegido para predecir datos nuevos.
No reajustes el umbral durante la predicción.
Documenta el desempate y las zonas sin ejemplos.
El operador decide qué pasa en la igualdad.
El modelo no demuestra causas físicas ni representa toda la IA.
La alternativa de objetos necesita datos separados y no elimina la extracción local.
- Datos con clase
- Comparar
- Elegir umbral
- Predecir
Una clase queda por debajo de 25 y otra por encima de 55.
Varios umbrales pueden acertar esos ejemplos.
Pueden discrepar con un dato intermedio.
Explica la elección y prueba datos nuevos.
AI: What is Machine Learning?
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.
- Lee y ejecuta modelo_umbral.py en Thonny y busca candidatos, etiquetas, elección y predicción.
- Anota entrenamiento, umbral, operador y desempate en Google Docs y predice un caso de frontera antes de probar.
¿Dónde se elige el umbral y dónde solo se usa?
5.6. Probar con ejemplos nuevos
Aprende y practica
Entrenar elige el umbral con ejemplos conocidos.
Evaluar comprueba su funcionamiento con otras observaciones.
Esas observaciones no deben haber participado en la elección.
Por eso separamos entrenamiento y prueba antes de ajustar.
Para comprobar independencia revisamos identificadores y procedencia.
Dos ids distintos pueden ocultar copias del mismo ejemplo.
También pueden ocultar capturas casi idénticas.
Si aparecen en ambos conjuntos, el resultado puede parecer mejor.
No demuestra la misma capacidad ante datos nuevos.
Esta fuga de información cambia lo que podemos concluir.
También importa cómo utilizamos los resultados.
Mirar repetidamente la prueba para elegir cambios influye en el diseño.
El registro distingue esos datos de una evaluación nueva.
La matriz cruza clase de referencia y predicción.
Un falso aviso predice aviso cuando la referencia es normal.
Una omisión predice normal cuando correspondía aviso.
Separarlos permite entender qué decisiones falla el modelo.
Las consecuencias de cada error dependen del uso.
Para calcular el porcentaje de acierto dividimos predicciones correctas entre casos evaluados.
Expresamos ese cociente en porcentaje.
Debemos indicar ese denominador.
Una cifra global puede ocultar errores de una clase poco frecuente.
También necesitamos resultados por clase.
El tamaño y la representatividad de la muestra completan la interpretación.
Acertar todos los casos de una muestra pequeña no garantiza otros contextos.
La conclusión debe corresponder a los datos y al procedimiento utilizados.
Este ensayo escolar no fundamenta decisiones médicas.
Tampoco fundamenta decisiones importantes sobre personas.
- Separar origen
- Entrenar
- Probar nuevos datos
- Contar errores
En doce pruebas ficticias hay nueve aciertos, una omisión y dos falsos avisos.
El total no describe cada error.
Guarda resultados y prepara casos nuevos para evaluar la mejora.
AI: Training Data & Bias
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.
- Revisa ids y origen de entrenamiento.csv y prueba.csv con Thonny y Google Docs y busca copias con otro nombre.
- Crea la matriz con recuentos y denominadores en Google Sheets y reserva casos nuevos antes de mejorar.
¿Por qué cambiar el id no hace independiente un ejemplo?
5.7. Analizar AlphaGo con evidencias
Aprende y practica
AlphaGo combina redes y búsqueda para jugar Go.
La investigación original usó partidas expertas y autojuego.
No aprende igual que nuestro modelo de umbral.
Compara tarea, datos, objetivo y evaluación.
Ganar en Go no demuestra capacidad general ni comprensión humana.
El bloque ocupa 3,5 sesiones de las once.
Dedica 0,25 a preparar, 2,25 al visionado autorizado y 1 al contraste.
Antes, escribe una predicción y una duda.
Durante, describe tres observaciones sin copiar diálogos.
Después, separa observación, interpretación y afirmación comprobable.
Contrasta con fuente técnica o reconoce que falta evidencia.
La alternativa escrita trabaja lo mismo y la conclusión pasa a A01 y A02.
- Observar
- Delimitar afirmación
- Contrastar
- Comprobar en proyecto
Una jugada inesperada no demuestra resolver cualquier problema creativo.
Pregunta qué tarea se evaluó y cómo.
En tu auditoría, limita las afirmaciones a los datos y pruebas realizados.
- Analiza AlphaGo o la alternativa escrita en Google Docs y contrasta una afirmación con la investigación original.
- Escribe un requisito para A01 y una prueba de A02 que muestre un límite de tu modelo.
¿Qué necesitas para comprobar una afirmación del documental?
5.8. Revisar todo el recorrido
Aprende y practica
La auditoría explica cómo llegaste al resultado.
Sigue una fila por HTML, CSV, limpieza y gráfico.
Continúa por conjunto, predicción y conservación.
Cada etapa necesita una comprobación distinta.
Un gráfico razonable puede ocultar una fila perdida.
Un programa sin errores puede usar pruebas dependientes.
Usa extraer_tabla.py y modelo_umbral.py en Thonny con versiones conservadas.
A01 incluye extracción, contraste y primera evaluación ejecutados.
A02 comprueba registros 1, 4 y último, limpieza, gráfico y matriz.
Demuestra una mejora con pruebas nuevas.
Explica un sesgo de selección o cobertura y sus límites.
Cada persona sigue un dato, predice una frontera y explica un cambio.
- HTML
- CSV
- Datos separados
- Modelo probado
- Conclusión
El CSV perdió una fila aunque el gráfico parezca correcto.
Compara recuentos e ids.
Repite las etapas afectadas tras corregir.
No atribuyas al modelo un fallo anterior a su entrenamiento.
- Sigue una fila en Google Docs por archivos, origen, cambios, conjunto, predicción y destino final.
- En una copia con Thonny y Google Sheets, reproduce un fallo de extracción o limpieza y observa su efecto antes de corregir.
¿Por qué debes revisar el extractor si falta una fila?
Tu proyecto y tus entregas
A01 · Diseña la solución
- Escribe pregunta, finalidad, procedencia y diccionario en Google Docs y dibuja la vida de una fila en diagrams.net.
- Ejecuta extracción local en Thonny y explica tabla, etiquetas, eventos y columnas comparando celdas, cabeceras y última fila con CSV.
- Planifica limpieza y separación por origen e ids y ejecuta primer entrenamiento y prueba con clases y predicción de frontera.
- Integra la conclusión contrastada de AlphaGo o alternativa escrita como requisito y explica éxito y límites de la muestra.
- Guarda CR3-S05_modelo_A01_Apellidos con pruebas hechas, fuentes, permisos, predicciones y explicación de cada persona.
Qué debes entregar
- Diccionario, origen, finalidad y recorrido completo de una fila.
- HTML autorizado, extractor ejecutado, CSV y comparación.
- Separación, entrenamiento y prueba inicial, frontera, análisis audiovisual y trabajo individual.
Haz tu copia en Documentos de Google · Ver la plantilla vacía
A02 · Auditoría de datos y de un modelo sencillo
- Extrae en Thonny y compara registros 1, 4 y último, cabeceras y recuento conservando HTML, programa y CSV original.
- Limpia copia con Google Sheets y registra duplicado, ausencia, dominio y cambios en Google Docs y crea gráfico con ejes, escala y denominadores.
- Comprueba separación por ids y origen, entrena y prueba aparte y muestra matriz, aciertos, falsos avisos y omisiones por clase.
- Explica un sesgo, una incidencia y una mejora con pruebas nuevas y aplica el requisito de AlphaGo sin llamar nueva a una prueba usada para ajustar.
- Guarda CR3-S05_modelo_A02_Apellidos con editables, diccionario, versiones, fuentes y política de guardar o eliminar y explica fila, frontera y cambio por persona.
Qué debes entregar
- HTML, extractor, CSV original y limpio y cambios.
- Gráfico, datos separados, modelo, matriz con denominadores y mejora probada.
- Recorrido de una fila, sesgo, límites, análisis audiovisual aplicado, conservación y explicación individual.
Haz tu copia en Documentos de Google · Ver la plantilla vacía
Revisa antes de entregar
- Estas frases describen mi aprendizaje y no son criterios oficiales nuevos.
- Sigo una fila desde HTML y justifico sus cambios.
- Distingo entrenamiento, ajuste con pruebas y evaluación con datos nuevos.
- Explico errores por clase, un sesgo y límites de las conclusiones.
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
- Diccionario, origen, finalidad y recorrido completo de una fila.
- HTML autorizado, extractor ejecutado, CSV y comparación.
- Separación, entrenamiento y prueba inicial, frontera, análisis audiovisual y trabajo individual.
A02 · Auditoría de datos y de un modelo sencillo
Haz tu copia en Documentos de Google · Ver la plantilla vacía
- HTML, extractor, CSV original y limpio y cambios.
- Gráfico, datos separados, modelo, matriz con denominadores y mejora probada.
- Recorrido de una fila, sesgo, límites, análisis audiovisual aplicado, conservación 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.3.4.1 Metadatos y ciclo de vida de los registros
Conocer la naturaleza de los distintos tipos de metadatos generados hoy en día, siendo capaces de entender su ciclo de vida, empleando a su vez un espíritu crítico y científico.
Evidencia. Diccionario y seguimiento de una fila desde origen hasta conservación y eliminación.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Confunde valor e identificador o no puede reconstruir de dónde salió un registro. |
| 3–4,9 | Identifica metadatos, pero no relaciona generación, transformación, almacenamiento y uso. |
| 5–6,9 | Distingue valor, identificador, procedencia y fecha y sigue una fila por recogida, limpieza, almacenamiento, uso y eliminación prevista con una prueba de taller. |
| 7–8,9 | Compara original y dato transformado y justifica una conservación o eliminación según la finalidad. |
| 9–10,0 | Analiza qué se pierde al retirar un metadato y propone conservar trazabilidad sin recoger información innecesaria. |
CYR.3.4.2 Umbral aprendido y evaluación independiente
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.
Evidencia. Entrenamiento y prueba inicial del modelo con separación de registros y clases.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | No distingue regla ajustada y dato de prueba o afirma comprensión general por acertar ejemplos conocidos. |
| 3–4,9 | Entrena, pero mezcla conjuntos o no define el significado de las clases y los errores. |
| 5–6,9 | Explica cómo los ejemplos permiten ajustar el umbral, ejecuta entrenamiento y prueba separados y predice un caso de frontera. |
| 7–8,9 | Analiza resultados por clase y plantea una mejora sin reutilizar como examen final los casos usados para corregir. |
| 9–10,0 | Diseña una prueba de cambio de contexto y anticipa qué tipo de error sería relevante para la finalidad. |
CYR.3.4.3 Extracción HTML reproducible y límites del scraping
Comprender los principios de funcionamiento del Data Scraping.
Evidencia. Extractor local ejecutado, comparación de una fila y contrato de columnas y uso.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Confunde extracción de HTML y API o no identifica las celdas de origen. |
| 3–4,9 | Extrae una fila, pero pierde la última o duplica registros y no contrasta el resultado. |
| 5–6,9 | Explica eventos y estructura HTML, ejecuta extracción local autorizada y contrasta celdas, cabeceras y última fila con el CSV generado. |
| 7–8,9 | Detecta una ausencia o duplicado y corrige la extracción conservando registro del cambio. |
| 9–10,0 | Prueba otra estructura preparada y justifica los cambios y límites técnicos y de uso sin hacer peticiones a sitios ajenos. |
Consultar la rúbrica de A02
Producto pruebas y mejora
CYR.3.4.1 Metadatos y ciclo de vida de los registros
Conocer la naturaleza de los distintos tipos de metadatos generados hoy en día, siendo capaces de entender su ciclo de vida, empleando a su vez un espíritu crítico y científico.
Evidencia. Auditoría con diccionario, original y limpio, procedencia y política de conservación.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Los datos carecen de procedencia o presenta inferencias sin relación con el registro original. |
| 3–4,9 | Incluye diccionario, pero faltan transformaciones o destino de conservación y eliminación. |
| 5–6,9 | Explica metadatos y ciclo de vida, documenta cambios y conservación o eliminación y distingue dato observado e interpretación. |
| 7–8,9 | Contrasta un registro entre etapas y revisa una decisión que afectaba trazabilidad o minimización. |
| 9–10,0 | Evalúa una política alternativa de metadatos justificando utilidad, límites y consecuencias de su conservación o pérdida. |
CYR.3.4.2 Umbral aprendido y evaluación independiente
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.
Evidencia. Modelo, partición verificable, matriz de resultados y mejora contrastada.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | El resultado no procede del modelo entregado o la prueba reproduce entrenamiento sin reconocerlo. |
| 3–4,9 | Calcula acierto global, pero no distingue errores por clase o no explica el umbral. |
| 5–6,9 | Entrena y prueba el modelo, explica umbral e igualdad y presenta resultados por clase y límites de muestra. |
| 7–8,9 | Contrasta una mejora con prueba nueva y diferencia falsas alertas y omisiones según la finalidad. |
| 9–10,0 | Justifica uso o revisión del modelo en un contexto nuevo con evidencia, límites de independencia y consecuencias de sus errores. |
CYR.3.4.3 Extracción HTML reproducible y límites del scraping
Comprender los principios de funcionamiento del Data Scraping.
Evidencia. HTML local, extractor, CSV y pruebas de última fila duplicados y ausencias.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | El CSV no corresponde a la fuente o no distingue extraer y consumir una API. |
| 3–4,9 | Extrae datos, pero no valida cabeceras o conserva errores de cierre o duplicado sin explicación. |
| 5–6,9 | Extrae y contrasta datos del HTML local, explica parser y CSV y comprueba última fila, ausencias y duplicados respetando el uso autorizado. |
| 7–8,9 | Repara un fallo de estructura o cierre y repite recuento e identificadores sin sobrescribir el original. |
| 9–10,0 | Adapta el extractor a una variación preparada y explica por qué la solución no permite asumir cualquier estructura ni permiso de extracción. |
Vídeos y fuentes
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.
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.
Puedes aprender más
- Python: html.parser
- Python: csv
- Google: Datasets, dividing the original dataset
- Google: Accuracy, recall, precision and related metrics
- Google Research: Mastering the game of Go with deep neural networks and tree search
- AEPD: Guía de protección de datos por defecto
Contenido revisado en octubre de 2026.