En este tutorial introductorio de Ciencia de Datos para MontesSTEAM e IES Monterroso, damos los primeros pasos en Machine Learning aplicado a la salud mediante el dataset real Breast Cancer Wisconsin. Aprende a instalar scikit-learn en JupyterLab, cargar datos médicos en memoria, reservar un conjunto de prueba para evaluar el modelo y comprender la importancia de la estratificación (stratify=y) para garantizar un reparto equilibrado entre tumores benignos y malignos.
Este tutorial guía paso a paso al alumnado en la realización de un Análisis Exploratorio de Datos (EDA) inicial utilizando Python, Pandas y JupyterLab sobre el conjunto de datos California Housing. A través de métodos fundamentales como info(), value_counts(), describe() e hist(), los estudiantes aprenderán a identificar la estructura del dataset, detectar valores nulos, analizar variables categóricas, interpretar estadísticas descriptivas (como cuartiles y desviación estándar) y visualizar la distribución de los datos mediante histogramas con Matplotlib. Incluye un reto práctico final para afianzar los conceptos aprendidos.
Aprende a configurar un entorno de Ciencia de Datos en local con JupyterLab Desktop de forma 100% visual y sin usar comandos de consola. Guía paso a paso para descargar y visualizar tu primer conjunto de datos real con Python y Pandas para proyectos de Inteligencia Artificial y pensamiento computacional.
Un aspirador virtual con cuatro “cerebros” distintos —reflejo simple, reflejo con memoria, basado en objetivos y basado en utilidad— para que el alumnado de Bachillerato vea, línea a línea, qué significa técnicamente que un agente sea inteligente.
BERMEJA es una herramienta de aula del IES Monterroso que aplica la regla real 30/30/30 y datos de AEMET para enseñar a tomar decisiones sobre riesgo de incendio forestal.
Ni periódicos ni vendedores ambulantes: el problema del vendedor de periódicos, resuelto con el ejemplo más cercano que tiene el instituto. ARSENIA calcula cuántos bocadillos preparar cada mañana en el bar de Arsenia, sabiendo que pedir de más y pedir de menos cuestan cosas distintas.
Últimas dos piezas de CONTAGIO: un mando marcado como “sin anclar a ningún dato” para explorar el sesgo algorítmico, y una ficha del modelo para el portfolio. Proyecto cerrado.
Tercera entrega de CONTAGIO: el botón que exporta la partida a un CSV para subirlo a METIS y probar a predecir con una recta el futuro de un bulo — pensado para fallar, y esa es la lección.
Segunda entrega de CONTAGIO: por qué una red en burbujas no ayuda a un bulo a difundirse más, pero sí hace que una creencia domine por completo su propio grupo.
Una simulación de dos redes idénticas muestra por qué un bulo se difunde más rápido que la verdad, según el estudio de Vosoughi, Roy y Aral (Science, 2018).