Medimos la gravedad micro:bit con una regla de franjas y un fotointerruptor: tiempos en microsegundos, velocidades, gráfica y recta de ajuste cuya pendiente es g.
Construimos un dado micro:bit que dibuja su histograma en una pantalla Kitronik y aprendemos estadística: frecuencias, ley de los grandes números y azar de verdad.
Machine learning sensores con la Echidna: medimos luz, temperatura y sonido y entrenamos un modelo que adivina dónde está. Aprendes a evaluar con datos nuevos.
Una micro:bit en el bolsillo aprende a distinguir parado, andando y corriendo. Construimos un árbol de decisión con datos reales y aprendemos a medir y a leer sus reglas.
Construye un árbol de decisión en el navegador: una página para 1º de ESO y otra con células reales. Aprenderás a clasificar con preguntas de sí o no.
Enseñamos tres gestos al móvil y una IA de vecinos más cercanos los reconoce; la Heltec muestra el resultado. Aprendes cómo aprende una IA, qué datos usa y cuándo falla.
Descubre cómo analizamos las olas de calor en Estepona usando Climate Engine y ciencia de datos en la misión 07 de Las Misiones del Lince. ¡Entra y lee más!
En el Día Mundial de la Investigación en Cáncer, MONTESTEAM explora tres aplicaciones educativas de la Inteligencia Artificial y la ciencia de datos con datasets reales sobre tumores cerebrales, cáncer de pulmón y cáncer de piel. Una experiencia para aprender a clasificar imágenes, analizar datos y, sobre todo, comprender que la IA es una herramienta de apoyo a la investigación, no un sustituto del trabajo científico.
Análisis de hábitos y síntomas de cáncer de pulmón con Árboles de Decisión en Python directamente en Kaggle Notebooks para 1º de Bachillerato.
En la décima entrega del proyecto BermejaPi, desarrollamos un generador de telemetría sintética orbital de alta precisión para superar las limitaciones de la simulación estática. Con datos variados y realistas, aplicamos algoritmos no supervisados de Scikit-Learn (K-Means e Isolation Forest), clasificando de forma autónoma tres tipos de biomas terrestres (océanos, vegetación fértil y nubes) e identificando anomalías magnéticas compatibles con la SAA, consolidando la rama de Ciencia de Datos para la memoria final de la ESA.