UD01 · Notebook 3 — Técnicas de IA en casos reales¶
Objetivo: clasificar técnicas de IA, justificar la elección y comprobarla contra la documentación oficial.
Resultado esperado: una tabla de decisión técnica de 6 casos, contrastada con fuentes.
Es una entrega evaluable: se corrige con la rúbrica de su tarea en Moodle. Rellena las tablas y las respuestas de este notebook y súbelo.
Fase 1 — Clasifica los seis casos¶
Toma los 6 casos del ejercicio 19 de la página de ejercicios y clasifica cada uno en: aprendizaje supervisado, no supervisado, PLN, visión artificial, robótica o sistema experto.
| Caso | Técnica principal | ¿Por qué esa y no otra? |
|---|---|---|
| Detectar grietas en piezas con fotos | ||
| Agrupar clientes por comportamiento de compra | ||
| Predecir si un correo es spam | ||
| Brazo robot que empaqueta cajas | ||
| Asistente que responde por voz | ||
| Recomendar rutas con reglas de un logista |
✏️ Respuesta
(escribe aquí)
Fase 2 — Propón una técnica alternativa¶
Para cada caso, indica una técnica alternativa viable y justifica en una frase por qué la elegirías (o por qué la descartas): coste de etiquetado, volumen de datos, necesidad de explicar la decisión, tiempo de respuesta.
✏️ Respuesta
(escribe aquí)
Fase 3 — Decide si el aprendizaje profundo aporta algo¶
Elige 3 de los 6 casos y responde: ¿tendría sentido usar deep learning? Justifica con dos criterios de los vistos en la teoría (volumen de datos disponible, necesidad de extraer características automáticamente, coste computacional, explicabilidad exigida).
Empezar simple no es rendirse
Un modelo clásico bien ajustado, entrenado en segundos y explicable, suele ser mejor punto de partida que una red profunda. El deep learning se justifica cuando los datos son abundantes y las características difíciles de definir a mano (imagen, audio, texto libre).
✏️ Respuesta
(escribe aquí)
Fase 4 — Comprueba tu criterio con la documentación oficial¶
Abre la documentación de scikit-learn y contrasta dos de tus decisiones:
- Aprendizaje supervisado: https://scikit-learn.org/stable/supervised_learning.html
- Agrupamiento (clustering): https://scikit-learn.org/stable/modules/clustering.html
La página de clustering incluye una tabla comparativa de algoritmos con su escalabilidad, su caso de uso y la geometría que asumen (K-Means para grupos convexos de tamaño similar, DBSCAN para geometrías no planas y detección de valores atípicos, jerárquico cuando hay muchos grupos o restricciones de conectividad). Anota:
- Qué algoritmo concreto usarías en el caso de agrupamiento de clientes y con qué argumento de la tabla oficial lo defiendes.
- Si la documentación te ha hecho cambiar alguna decisión de las fases 1-3.
✏️ Respuesta
(escribe aquí)
Fase 5 — Entrega¶
Una tabla final con: caso → técnica → técnica alternativa → justificación → ¿tiene sentido DL? → qué dice la documentación oficial. Añade las dos referencias consultadas.
Soluciones
Las soluciones no se publican: se corrigen y comentan en clase.
✏️ Respuesta
(escribe aquí)
Entrega¶
Completa y ejecuta el notebook entero (todas las celdas, sin errores) antes de subirlo a la tarea correspondiente en Moodle.