Inteligencia Artificial

Panorama de la IA para estudiantes de nivel medio-superior

1 Estructura del Curso

Total: 15 sesiones de 30–45 minutos (3 sesiones en vivo vía Zoom)

Modalidad: En línea — sesiones asíncronas grabadas + 3 sesiones en vivo con invitados

www.curso-ia-slp.com

Requisito: Asistencia (sin evaluaciones formales ni proyectos finales)

Distribución:

  • Bloque 1: Fundamentos + Ética (Sesiones 1–6)
  • Bloque 2: Herramientas Prácticas para Estudiantes (Sesiones 7–11)
  • Bloque 3: Creación, Aplicaciones y Futuro (Sesiones 12–15)

1.1 Cronograma Mayo–Agosto 2026

# Fecha Sesión Formato
1 5 mayo ¿Qué es la IA y dónde está en tu vida? Asíncrona
2 12 mayo ¿Cómo “aprende” una máquina? Asíncrona
3 19 mayo Algoritmos de IA: ¿qué método para qué problema? Asíncrona
4 26 mayo IA Generativa: ChatGPT, Gemini, Perplexity y cómo funcionan Asíncrona
5 2 junio Ética y problemas reales de la IA Asíncrona
6 9 junio EN VIVO: IA en México — investigación y aplicaciones reales Zoom · IPICYT
7 16 junio IA como tutor de lenguaje: Lectura, Escritura e Idiomas Asíncrona
8 23 junio IA para Creatividad: Arte, Música y Diseño Asíncrona
9 30 junio IA para Organización y Productividad Estudiantil Asíncrona
10 7 julio IA como tutor académico: Matemáticas y más Asíncrona
11 14 julio EN VIVO: IA en la educación global Zoom · Boston College
12 21 julio Programación con IA: tu primer vistazo a Python Asíncrona
13 28 julio Robótica e IA en el mundo físico Asíncrona
14 4 agosto IA en Medicina, Ciencia y Sociedad Asíncrona
15 11 agosto EN VIVO: IA, política pública y ciudadanía Zoom · PIT Policy México
Coordinación con invitados

Las sesiones en vivo serán grabadas y disponibles para quienes no puedan conectarse en tiempo real.

Invitado Sesión Invitar antes del
IPICYT (San Luis Potosí) 9 junio 30 de abril
Boston College (online) 14 julio 2 de junio — Boston está 2 hrs adelante en verano (EDT vs. CST)
PIT Policy México 11 agosto 30 de junio

2 BLOQUE 1: Fundamentos + Ética

2.1 Sesión 1: ¿Qué es la IA y dónde está en tu vida?

Duración: 45 minutos

2.1.1 Objetivos

  • Comprender qué es la IA y qué NO es
  • Identificar IA en nuestra vida diaria
  • Entender los conceptos básicos que exploraremos

2.1.2 Contenido clave

  • Intro general: Inteligencia Artificial vs. Machine Learning (Aprendizaje de Máquinas) vs. Deep Learning (Aprendizaje Profundo)
  • Ejemplos cotidianos:
    • Spotify, Netflix, Google Maps
    • Filtros de Instagram/TikTok
    • Asistentes de voz (Siri, Alexa)
  • Tipos de aprendizaje (introductorio):
    • Supervisado: “Ejemplos con etiquetas”
    • No supervisado: “Encuentra patrones por ti mismo”
    • Refuerzo: “Aprende por ensayo y error”

2.1.3 Actividad

Reflexionemos

¿Qué herramientas de IA usas en un día típico? ¿Sabías que la herramienta usaba IA?

2.1.4 Aplicación local

  • Apps de transporte en San Luis Potosí
  • Recomendaciones de Netflix

2.2 Sesión 2: ¿Cómo “aprende” una máquina?

Duración: 30-35 minutos

2.2.1 Objetivos

  • Entender la intuición detrás del aprendizaje automático
  • Visualizar cómo las máquinas encuentran patrones

2.2.2 Contenido clave

  • La base matemática simple: El plano cartesiano (x, y)
  • Intuición: La máquina encuentra patrones en datos
  • Ejemplos visuales:
    • Relación altura/peso
    • Horas de estudio vs. calificación
  • Demostración: Teachable Machine (clasificar objetos con webcam)
  • Concepto importante: La máquina NO “entiende”, solo encuentra patrones estadísticos
¿Las máquinas realmente “razonan”?

Una máquina no tiene capacidad de razonamiento autónomo. Sin embargo, es capaz de identificar patrones en una serie de datos, y utilizando modelos estadísticos pre-definidos, producir un resultado lógico (o estadísicamente probable).

Es importante cuestionarnos:

  • ¿Lo que es probable, es certero?

  • ¿Lo que parece lógico, puede tener fallas?

2.3 Sesión 3: Algoritmos de IA - ¿Qué método para qué problema?

Duración: 45 minutos

2.3.1 Objetivos

  • Conocer diferentes algoritmos de IA de forma intuitiva
  • Entender POR QUÉ se elige cada método para diferentes aplicaciones

2.3.2 Contenido clave: Tabla de Algoritmos y Aplicaciones

Algoritmo/Método ¿Qué hace? (intuición) ¿Dónde se usa? ¿Por qué este método?
Regresión lineal Traza “la mejor línea” entre puntos Predecir precios, temperaturas, ventas Simple y rápido para relaciones lineales (¿recuerdas el plano cartesiano?)
Árboles de decisión Serie de preguntas sí/no Diagnóstico médico, aprobación de créditos Fácil de interpretar (puedes ver las reglas)
K-means (clustering) Agrupa puntos similares Segmentación de clientes por tipo de compras, agrupar canciones por estilo musical No necesitas etiquetas previas
Redes neuronales simples Capas de decisiones conectadas Reconocer números escritos a mano de una imagen Aprende patrones más complejos que líneas de datos estructurados o imágenes pequeñas
Redes convolucionales (CNN) Detecta características visuales (bordes, formas) Reconocimiento facial, diagnóstico por imágenes Especializada en imágenes (píxeles)
Transformers (LLMs) Predice palabras considerando contexto completo ChatGPT, traducción automática Entiende relaciones entre palabras distantes
Reinforcement Learning Aprende por ensayo/error con recompensas Autos autónomos, juegos (AlphaGo) Ideal cuando no hay datos etiquetados, solo señales de éxito o fallo

2.3.3 Ejemplos concretos

  • Recomendaciones de Netflix: Clustering (agrupa usuarios similares) + filtros colaborativos
  • Google Translate: Transformers (necesita entender gramática y contexto)
  • Filtros faciales en Instagram: CNN (detecta cara, ojos, boca en tiempo real)
  • Filtros de Spam en correos electrónicos: Árboles de decisión o Naive Bayes (rápido y preciso para texto)

2.3.4 ⚠️ Casos donde fallan

  • Regresión lineal: No funciona si relación no es lineal (intenta una red neuronal 😉)
  • Árboles de decisión: Tienden a memorizar los datos del entrenamiento y fallan con nuevos casos (overfitting).
  • Redes neuronales: Necesitan MUCHOS datos y además es difícil entender “por qué” llegaron a una respuesta (⬛ caja negra).
Reflexionar

¿Podemos pensar en ejemplos de relaciones lineales, y ejemplos de relaciones no-lineales en la vida diaria?

¿Qué pasa cuando un modelo de aprendizaje de máquinas está “saturado” (overfitted)?

¿Podemos confiar en el resultado de un modelo de redes neuronales que fue entrenado con pocos datos?

2.4 Sesión 4: IA Generativa - ChatGPT, Gemini, Perplexity y cómo funcionan

Duración: 40 minutos

2.4.1 Objetivos

  • Entender qué es un modelo de lenguaje grande (LLM)
  • Identificar las limitaciones y riesgos más comunes de la IA generativa.
  • Reconocer las diferencias entre modelos de texto y modelos de imagen.

2.4.2 Contenido clave

¿Qué es un modelo de lenguaje grande (LLM)?

Red neuronal entrenada con enormes cantidades de texto para aprender patrones de lenguaje y generar respuestas coherentes.

¿Cómo “predice” la siguiente palabra?

Predice la siguiente palabra u oración basándose en el contexto previo — como un “autocompletado inteligente” que entiende relaciones de largo alcance, no solo la última palabra.

  • Limitaciones críticas:
    • Alucinaciones: Puede inventar datos o citas con total confianza.
    • Sesgo: Reproduce los sesgos presentes en los datos con los que fue entrenado.
    • No tiene “conocimiento verdadero”, depende del contexto: Su precisión disminuye si la pregunta es ambigua o falta información.
  • IA Generativa en imágenes
  • ¿Cómo funciona la difusión?
  • Introducción a modelos de difusión (DALL‑E, Midjourney, Stable Diffusion): crean imágenes desde ruido, refinando iterativamente los detalles hasta formar una escena coherente.

2.4.3 Demostración en vivo

  • Comparar ChatGPT vs. Google Search para verificar hechos
  • Mostrar ejemplos de alucinaciones “textuales”

2.4.4 Conexión práctica

  • Modelos de texto: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Perplexity (modelo híbrido Chat + búsqueda).
  • Modelos de imagen: DALL‑E, Midjourney, Stable Diffusion.
  • Mensaje clave: Los modelos generativos no piensan ni saben; predicen y combinan patrones de lenguaje o píxeles para crear respuestas plausibles.

2.5 Sesión 5: Ética y Problemas Reales de la IA

Duración: 45 minutos

2.5.1 Objetivos

  • Reflexionar sobre las implicaciones éticas y riesgos reales de la IA.
  • Identificar y analizar sesgos en sistemas de IA con casos locales e internacionales.

2.5.2 Casos de estudio

Sesgo algorítmico

  1. El sistema COMPAS, utilizado en Estados Unidos para predecir reincidencia en delitos, presenta sesgos raciales: los acusados afroamericanos sufren el doble de probabilidades de ser calificados de modo erróneo por el sistema

  2. Amazon Hiring Tool rechazó CVs de mujeres. Su algoritmo presentaba un sesgo de género al penalizar automáticamente los currículums que contenían términos relacionados con mujeres.

  3. Reconocimiento facial: falla hasta 34% más en piel oscura (MIT/Microsoft).

2.5.2.1 Privacidad

  • ¿Quién tiene tus datos?
  • ¿Para qué los usan?
  • Protección de datos en México (INAI)

2.5.2.2 Deepfakes y desinformación

  • Ejemplos reales de videos manipulados
  • Impacto en elecciones, noticias falsas amplificadas por bots IA en redes

2.5.2.3 Impacto en empleos

  • ¿Qué profesiones cambian?
  • ¿Cuáles desaparecen?
  • Impacto en empleos locales

2.5.3 Debates para discusión

  • “¿Deberías usar ChatGPT para hacer tu tarea?”
  • “¿Es arte lo que genera DALL-E?”
  • “¿Quién es responsable si un auto autónomo causa un accidente?”

2.5.4 Principios de uso responsable

  • IA como herramienta, no sustituto del pensamiento crítico
  • Siempre verificar información generada por IA
  • Citar cuando uses IA para ideas o contenido

2.6 Sesión 6: EN VIVO — IA en México: Investigación y Aplicaciones Reales

Duración: 45–60 minutos · Formato: Zoom (grabada)

Invitado: Investigador/a del IPICYT (Instituto Potosino de Investigación Científica y Tecnológica), San Luis Potosí

2.6.1 Objetivos

  • Conocer cómo se hace investigación en IA desde México
  • Conectar los conceptos del Bloque 1 con trabajo científico real
  • Abrir posibilidades de carrera para estudiantes de SLP

2.6.2 Formato

  • Charla libre (25–30 min): el/la investigador/a comparte su trabajo, trayectoria y proyectos actuales
  • Preguntas abiertas (15–20 min): los estudiantes pueden enviar preguntas por chat
Preguntas sugeridas para el/la invitado/a
  • ¿En qué proyectos de IA trabaja actualmente el IPICYT?
  • ¿Cómo es un día típico como investigador/a en IA en México?
  • ¿Qué estudió y cómo llegó a trabajar con inteligencia artificial?
  • ¿Qué oportunidades existen para estudiantes de preparatoria que les interesa este campo?
  • ¿Qué diferencia hay entre investigar IA en México vs. en otros países?

3 BLOQUE 2: Herramientas Prácticas para Estudiantes

3.1 Sesión 7: IA como Tutor de Lenguaje — Lectura, Escritura e Idiomas

Duración: 40 minutos

3.1.1 Objetivos

  • Usar IA para mejorar comprensión de textos en español e inglés
  • Usar IA como editor y tutor de escritura (no como autor)
  • Practicar idiomas con herramientas de IA conversacionales

3.1.2 Herramientas y usos

3.1.2.1 Para leer y comprender

Herramienta Uso
ChatGPT / Claude Resumir textos largos, explicar vocabulario en contexto, generar preguntas de comprensión
Perplexity AI Buscar y resumir información con fuentes citadas
DeepL Traducción contextual superior a Google Translate; explica modismos y expresiones
Otter.ai Transcribir y resumir conferencias o videos

3.1.2.2 Para escribir mejor

Herramienta Uso
ChatGPT / Claude Brainstorming, estructurar argumentos, sugerir mejoras de estilo, expandir o condensar texto
Grammarly Corrección gramatical, sugerencias de tono (formal/informal), claridad y concisión
QuillBot / Wordtune Reescribir oraciones complejas, sinónimos contextuales

3.1.2.3 Para aprender idiomas

Herramienta Uso
ChatGPT Voice Mode Practicar conversación en inglés, simular entrevistas y diálogos cotidianos
ELSA Speak / Duolingo Práctica de pronunciación con retroalimentación de IA
ChatGPT (texto) Explicar gramática difícil, generar textos adaptados a tu nivel (A2, B1, B2), crear flashcards

3.1.3 ⚠️ Uso ético de la IA en escritura

IA como tutor/editor, no como autor:

Uso aceptable Uso inaceptable
✅ Pedir retroalimentación sobre tu borrador ❌ Pedir a la IA que escriba tu ensayo completo
✅ Mejorar claridad de tus propias ideas ❌ Copiar texto generado sin modificar
✅ Corregir gramática ❌ No mencionar que usaste IA

3.1.4 Actividades prácticas

  1. Tomar un artículo largo (científico o periodístico), resumirlo con IA y comparar con resumen manual
  2. Escribir un párrafo propio, usar IA para mejorar claridad y documentar qué sugerencias se aceptaron y por qué
  3. Roleplay en inglés con ChatGPT: ordenar en restaurante, hacer una pregunta en clase, simular entrevista

3.2 Sesión 8: IA para Creatividad — Arte, Música y Diseño

Duración: 45 minutos

3.2.1 Objetivos

  • Explorar herramientas de IA generativa para expresión creativa
  • Comprender cómo funcionan los modelos de difusión
  • Reflexionar sobre qué es la creatividad y quién tiene derechos de autoría

3.2.2 Hilo narrativo: ¿Puede una máquina ser creativa?

Esta sesión no tiene una respuesta correcta. Su objetivo es abrir una pregunta que artistas, filósofos, abogados y programadores todavía están debatiendo.

3.2.3 Historia breve del arte generativo

Año Hito
1960s Primeros experimentos de arte generativo por computadora (Harold Cohen, AARON)
2014 GANs (Redes Generativas Antagónicas) — dos redes compiten para crear imágenes realistas
2021 Modelos de difusión (DALL‑E, Stable Diffusion) — de ruido a imagen coherente
2022 Théâtre D’Opéra Spatial gana primer lugar en concurso de arte en Colorado — generada con IA
2023–2024 Sora (OpenAI) genera video de alta calidad desde texto; Suno genera música completa

3.2.4 ¿Cómo funcionan los modelos de difusión?

El video de la sesión 4 sirve de referencia directa. La intuición:

  1. Se toma una imagen real y se le agrega ruido hasta que es completamente aleatoria
  2. La red aprende a revertir ese proceso — a limpiar el ruido paso a paso
  3. En generación: se empieza con ruido puro y se “limpia” guiado por el texto del prompt
Analogía

Es como ver una fotografía borrosa y adivinar qué era. La IA aprendió a hacer eso millones de veces hasta volverse muy buena en ello.

3.2.5 Herramientas gratuitas para explorar (todas en el navegador)

Herramienta Qué hace Dónde
Quick, Draw! Red neuronal adivina tus dibujos en tiempo real quickdraw.withgoogle.com
AutoDraw IA completa tus garabatos como dibujo profesional autodraw.com
Blob Opera Cuatro voces operísticas generadas por IA artsandculture.google.com/experiment/blob-opera
Google Magenta Generación de música en el navegador magenta.tensorflow.org/demos
Adobe Firefly Generación de imágenes desde texto (gratuito con cuenta Adobe) firefly.adobe.com
Suno AI Genera canciones completas (con letra y música) desde una descripción suno.com

3.2.6 Estructura de la sesión (45 min)

Tiempo Actividad
0–5 min Abrir Quick, Draw! — intentar engañar a la red neuronal. ¿Se puede?
5–10 min Cronología visual: del arte generativo de los 60s a Sora (2024)
10–18 min ¿Cómo funciona la difusión? — explicación visual con referencia al video de S4
18–28 min Demo: generar imagen con Adobe Firefly — mostrar 3 iteraciones del mismo prompt refinado
28–33 min Escuchar fragmento de Blob Opera + canción generada con Suno. ¿Puedes distinguirla de música humana?
33–42 min Debate: el caso del concurso de Colorado (2022). ¿Fue justo? ¿Quién es el autor?
42–45 min Pregunta de cierre sin respuesta correcta: ¿es la creatividad el proceso o el resultado?

3.2.7 El caso del concurso de Colorado (2022)

Jason Allen sometió Théâtre D’Opéra Spatial a un concurso de arte del estado de Colorado usando Midjourney. Ganó primer lugar. Cuando se supo que era IA, generó controversia global.

Para debatir
  • ¿Debería haberse descalificado a Allen?
  • ¿Quién tiene el copyright: Allen (quien escribió el prompt), Midjourney (quien generó la imagen), o los artistas cuyos trabajos entrenaron el modelo?
  • ¿Cambia tu respuesta si Allen pasó horas refinando el prompt?

3.2.8 Impacto en industrias creativas

  • Diseño gráfico: Adobe Firefly ya está integrado en Photoshop. Los diseñadores que usan IA son más rápidos.
  • Música: Canciones con voz de artistas famosos generadas sin permiso — ¿es legal? ¿es ético?
  • Cine: VFX generados por IA reducen costos pero eliminan empleos de artistas digitales.
  • Arquitectura: Midjourney para visualizar conceptos de espacios antes de diseñar en CAD.

3.2.9 Recursos para explorar más

3.3 Sesión 9: IA para Organización y Productividad Estudiantil

Duración: 35-40 minutos

3.3.1 Objetivos

  • Usar IA para mejorar organización personal
  • Optimizar tiempo de estudio

3.3.2 Herramientas de organización

3.3.2.1 Notion AI:

  • Tomar notas inteligentes
  • Crear resúmenes automáticos de clases
  • Bases de datos personales

3.3.2.2 ChatGPT:

  • Crear horarios de estudio personalizados
  • Desglosar proyectos grandes en tareas pequeñas
  • Generar planes de estudio para exámenes
  • Técnica Pomodoro personalizada

3.3.3 Herramientas de investigación

3.3.3.1 Perplexity AI:

  • Búsqueda con fuentes citadas (mejor que ChatGPT para esta tarea)
  • Verificación de información
  • Resúmenes con referencias

3.3.3.2 Consensus, Elicit:

  • Buscar artículos académicos resumidos
  • Revisión de literatura científica

3.3.4 Herramientas para presentaciones

3.3.4.1 Gamma AI, Beautiful.ai:

  • Crear presentaciones automáticamente desde texto
  • Diseño visual profesional
  • Generación de diapositivas coherentes

3.3.5 Actividad práctica

  • Crear plan de estudio para un examen ficticio usando ChatGPT
  • Incluir: cronograma, temas prioritarios, técnicas de repaso

3.4 Sesión 10: IA como Tutor Académico — Matemáticas y Más

Duración: 40 minutos

3.4.1 Objetivos

  • Usar IA para entender conceptos académicos difíciles, no solo obtener respuestas
  • Aprender a hacer preguntas efectivas (“prompts”) que generan explicaciones útiles
  • Explorar herramientas especializadas para diferentes materias

3.4.2 La diferencia clave: entender vs. copiar

El principio central

La IA es un tutor disponible 24/7 que nunca se cansa de explicar. Úsala para entender, no para sustituir tu razonamiento.

3.4.3 Herramientas por materia

Materia Herramienta Qué hacer con ella
Matemáticas Wolfram Alpha Resolver ecuaciones con pasos detallados, graficar funciones
Matemáticas Desmos Visualizar funciones e intuir su comportamiento
Matemáticas ChatGPT/Claude Pedir analogías del mundo real para conceptos abstractos
Ciencias Perplexity Investigar fenómenos con fuentes citadas
Historia/Español ChatGPT/Claude Explicar contexto, generar preguntas de reflexión
Todas ChatGPT/Claude Generar ejercicios de práctica personalizados por nivel

3.4.4 Prompts efectivos vs. inefectivos

❌ Prompts que no ayudan a aprender:

  • “Resuélveme este problema: \(x^2 + 5x + 6 = 0\)”
  • “Dame las derivadas”

✅ Prompts que generan comprensión:

  • “Explícame cómo resolver ecuaciones cuadráticas paso a paso con un ejemplo. Usa \(x^2 + 5x + 6 = 0\) como ejemplo”
  • “Explícame intuitivamente qué es la derivada de \(f(x) = x^2\) con una analogía del mundo real”
  • “¿Cuáles son los 3 errores más comunes al calcular integrales indefinidas? Muestra ejemplos”
  • “Soy estudiante de preparatoria y no entiendo la fotosíntesis. Explícamela como si fuera una fábrica”

3.4.5 Actividad práctica

  1. Tomar un concepto difícil de cualquier materia
  2. Escribir un prompt inefectivo y uno efectivo para ese concepto
  3. Comparar las respuestas — discutir qué hace diferente a cada una

3.5 Sesión 11: EN VIVO — IA en la Educación Global

Duración: 45–60 minutos · Formato: Zoom (grabada)

Invitado: Profesor/investigador de Boston College (online)

3.5.1 Objetivos

  • Conocer cómo universidades internacionales están integrando la IA en educación
  • Entender qué buscan las universidades en estudiantes interesados en tecnología
  • Explorar oportunidades académicas internacionales

3.5.2 Formato

  • Charla libre (25–30 min): el/la invitado/a comparte su perspectiva sobre IA en educación superior, investigación actual y el panorama global
  • Preguntas abiertas (15–20 min)
Preguntas sugeridas para el/la invitado/a
  • ¿Cómo está cambiando la IA la forma en que se enseña e investiga en universidades como Boston College?
  • ¿Qué habilidades buscan en estudiantes que quieren estudiar temas relacionados con tecnología e IA?
  • ¿Cuál es la diferencia entre hacer investigación en IA en EUA vs. México?
  • ¿Qué consejo le daría a un estudiante de preparatoria que le interesa este campo?
  • ¿Hay oportunidades de intercambio o colaboración para estudiantes mexicanos?

4 BLOQUE 3: Creación, Aplicaciones y Futuro

4.1 Sesión 12: Programación con IA — Tu Primer Vistazo a Python

Duración: 40 minutos

4.1.1 Objetivos

  • Entender por qué Python es el lenguaje de la IA
  • Escribir y ejecutar código real en el navegador sin instalar nada
  • Usar IA como copiloto para programar — el nuevo modelo de desarrollo

4.1.2 ¿Por qué Python?

Python es el idioma de la inteligencia artificial. Prácticamente todos los modelos importantes — desde ChatGPT hasta AlphaFold — se construyen con Python. No es el único lenguaje, pero es el más accesible para empezar.

No necesitas instalar nada

Usaremos Google Colab (colab.google.com) — un cuaderno de Python que corre en el navegador, gratis, con acceso a GPUs de Google.

4.1.3 Parte 1: Las primeras líneas (10 min)

Abrir Google Colab y ejecutar:

# Tu primera línea de Python
print("Hola, Inteligencia Artificial")

# Python como calculadora inteligente
print(2 ** 10)       # 2 a la potencia 10 = 1024
print(100 / 7)       # división con decimales

# Variables: guardar información
nombre = "Claude"
año = 2024
print(f"Modelo creado en {año}: {nombre}")

4.1.4 Parte 2: Tres ejemplos que impresionan en pocas líneas (15 min)

Ejemplo 1 — Analizar si un texto es positivo o negativo:

# Análisis de sentimiento: ¿positivo o negativo?
from transformers import pipeline

analizador = pipeline("sentiment-analysis")
textos = [
    "Me encanta aprender inteligencia artificial",
    "Este examen estuvo muy difícil",
    "El futuro de la tecnología en México es prometedor"
]
resultados = analizador(textos)
for texto, resultado in zip(textos, resultados):
    print(f"'{texto}' → {resultado['label']} ({resultado['score']:.0%})")

Ejemplo 2 — Detectar el idioma de cualquier texto:

# Detección de idioma en 3 líneas
from langdetect import detect

frases = ["Bonjour, comment ça va?", "Good morning!", "Buenos días"]
for frase in frases:
    print(f"'{frase}' → idioma: {detect(frase)}")

Ejemplo 3 — Graficar datos como lo haría un científico de datos:

# Visualizar datos en 6 líneas
import matplotlib.pyplot as plt

horas_estudio = [1, 2, 3, 4, 5, 6, 7, 8]
calificacion  = [55, 60, 65, 70, 78, 85, 90, 95]

plt.plot(horas_estudio, calificacion, marker='o', color='blue')
plt.xlabel("Horas de estudio")
plt.ylabel("Calificación")
plt.title("¿Más estudio = mejor calificación?")
plt.show()

4.1.5 Parte 3: IA como copiloto de código (10 min)

El modelo de programación ha cambiado. Hoy puedes:

  1. Describir en español lo que quieres que haga el código
  2. Pedirle a ChatGPT o Claude que lo escriba
  3. Entender qué hace cada línea (con ayuda de la misma IA)
  4. Modificarlo y experimentar
Ejemplo de prompt para programar

“Escríbeme un programa en Python que lea una lista de nombres y los ordene alfabéticamente. Explícame cada línea.”

Esto no es trampa — es la nueva forma de programar. Los desarrolladores profesionales ya usan GitHub Copilot, Cursor y Claude para escribir código más rápido.

Mensaje clave: Entender qué hace el código es más importante que memorizarlo. La IA escribe, tú diriges.

4.1.6 Parte 4: Cómo continuar (5 min)

Recurso Qué ofrece Nivel
CS50P — Harvard (gratis) Curso completo de Python con videos y ejercicios Principiante
Kaggle Python (gratis) Microcurso interactivo en el navegador Principiante
fast.ai (gratis) Python + Deep Learning desde cero, muy práctico Intermedio
Google Colab Entorno para practicar sin instalar nada Siempre útil

4.2 Sesión 13: Robótica e IA en el Mundo Físico

Duración: 40 minutos

4.2.1 Objetivos

  • Entender cómo la IA toma decisiones en el mundo físico (no solo en pantallas)
  • Conocer el papel del Reinforcement Learning en sistemas robóticos reales
  • Reflexionar sobre las implicaciones éticas de robots autónomos

4.2.2 ¿Qué hace “inteligente” a un robot?

Un robot inteligente combina tres elementos:

SENSORES → IA (modelo) → ACTUADORES
(ojos/oídos)  (cerebro)   (manos/pies)
  • Sensores: cámaras, LiDAR, micrófonos, acelerómetros
  • Modelo de IA: procesa la información y decide qué hacer
  • Actuadores: motores, brazos, ruedas que ejecutan la decisión

La diferencia entre un robot industrial (repite el mismo movimiento) y un robot autónomo (adapta su comportamiento al entorno) es exactamente esta: la IA en el medio.

4.2.3 Caso principal: Boston Dynamics

Boston Dynamics es probablemente la empresa de robótica más conocida del mundo. Sus robots —Spot y Atlas— demuestran lo que el Reinforcement Learning puede lograr en el mundo físico.

¿Cómo aprendió Spot a caminar?

No fue programado con instrucciones para cada situación. Spot aprendió por Reinforcement Learning:

  1. En simulación, millones de versiones de Spot intentan caminar
  2. Las que no caen reciben una “recompensa”
  3. Las que caen reciben una “penalización”
  4. Después de millones de intentos simulados, el modelo sabe cómo mantener equilibrio en superficies irregulares, nieve, escaleras, y contra empujones

El video más famoso: ingenieros empujan a Spot repetidamente y el robot se recupera solo.

Videos recomendados (YouTube gratuito — canal Boston Dynamics): - “Spot’s Got an Arm” — Spot abre puertas y manipula objetos - “Atlas | Partners in Parkour” — Atlas hace acrobacias complejas - “Do You Love Me?” — robots bailando (Reinforcement Learning + planificación de movimiento)

4.2.4 Los 5 niveles de autonomía — Autos autónomos

El caso de los vehículos autónomos ilustra cómo la IA en el mundo físico no es todo o nada:

Nivel Nombre Quién controla Ejemplo
0 Sin automatización Humano completo Auto tradicional
1 Asistencia Humano + asistencia parcial Control de crucero
2 Automatización parcial Humano supervisa Tesla Autopilot
3 Automatización condicional IA maneja, humano disponible Waymo en zonas mapeadas
4 Alta automatización IA maneja, sin humano necesario Taxis Waymo en San Francisco
5 Automatización total IA completa en cualquier condición No existe aún

Qué IA usa un auto autónomo: - CNN (visión por computadora): detecta peatones, señales, carriles, otros autos - LiDAR + fusión de sensores: construye mapa 3D del entorno en tiempo real - Modelos de predicción: anticipa el comportamiento de peatones y otros vehículos - Planificación de ruta: decide la trayectoria óptima considerando todos los factores

Tesla vs. Waymo — dos filosofías distintas: - Tesla: solo cámaras (como los humanos), más barato, datos de millones de conductores - Waymo: cámaras + LiDAR + radar, más preciso, más costoso

4.2.5 Robótica en México

México no está lejos de esto:

  • El Bajío (Guanajuato, Aguascalientes, SLP) alberga plantas de BMW, GM, Nissan, Honda — con robots industriales de última generación
  • El IPICYT y la UNAM tienen laboratorios de robótica e IA aplicada
  • La demanda de ingenieros que entiendan IA + manufactura crece cada año en la región

4.2.6 ⚠️ Debate ético: robots autónomos y responsabilidad

Para debatir
  • ¿Debería existir un dron de combate autónomo que decida disparar sin intervención humana?
  • Si Spot lastima a alguien en un almacén, ¿quién es responsable: Boston Dynamics, la empresa que lo compró, o nadie?
  • ¿Es ético reemplazar trabajadores de manufactura con robots? ¿Quién debe asumir ese costo social?
  • ¿Confiarías tu vida a un auto de nivel 4?

4.2.7 Recursos gratuitos

4.3 Sesión 14: IA en Salud, Ciencia y Sociedad

Duración: 35-40 minutos

4.3.1 Objetivos

  • Conocer aplicaciones de IA en medicina y ciencia
  • Entender impacto social de la IA

4.3.2 Aplicaciones médicas

4.3.2.1 Diagnóstico asistido:

  • Rayos X: detección de neumonía, fracturas
  • Detección de cáncer en mamografías
  • Algoritmo usado: CNN (redes convolucionales)
  • ¿Por qué? Detecta patrones visuales en imágenes médicas

4.3.2.2 Chatbots de salud mental:

  • Woebot, Wysa: apoyo emocional 24/7
  • Limitaciones: No sustituyen terapia profesional

4.3.2.3 Predicción de brotes epidemiológicos:

  • Modelos de series temporales + ML
  • Ejemplo: predicción de casos de COVID-19

4.3.3 Aplicaciones científicas

4.3.3.1 Descubrimiento de medicamentos:

  • AlphaFold de DeepMind (estructura de proteínas)
  • Aceleración de desarrollo de fármacos

4.3.3.2 Predicción de clima y terremotos:

  • Modelos de IA para pronósticos más precisos
  • Alertas tempranas

4.3.3.3 Análisis de datos astronómicos:

  • Detección de exoplanetas
  • Clasificación de galaxias

4.3.4 Impacto social en México

  • Telemedicina en zonas rurales de SLP
  • IA para educación en comunidades remotas
  • Investigación en IPICYT, UNAM

4.3.5 ⚠️ Casos donde la IA puede fallar

  • IBM Watson for Oncology: recomendaciones médicas incorrectas
  • Sesgos en diagnóstico: menor precisión en minorías étnicas
  • Privacidad de datos médicos

4.4 Sesión 15: EN VIVO — IA, Política Pública y Ciudadanía

Duración: 45–60 minutos · Formato: Zoom (grabada)

Invitado: Especialista de PIT Policy México (tecnología de interés público)

4.4.1 Objetivos

  • Entender la IA como asunto ciudadano, no solo tecnológico
  • Conocer cómo se regula la IA en México y el mundo
  • Explorar carreras en la intersección de tecnología y política pública

4.4.2 Formato

  • Charla libre (25–30 min): el/la invitado/a comparte su trabajo en política de IA, casos concretos en México y perspectivas sobre regulación y derechos digitales
  • Preguntas abiertas (15–20 min)
Preguntas sugeridas para el/la invitado/a
  • ¿Qué es la tecnología de interés público y por qué importa?
  • ¿Cómo se está regulando la IA en México? ¿Qué papel juega el INAI?
  • ¿Cuáles son los riesgos más urgentes de la IA para la ciudadanía mexicana?
  • ¿Qué pueden hacer los jóvenes para participar en estas decisiones?
  • ¿Qué carreras existen en la intersección de tecnología y política pública?
Contexto para los estudiantes

La Unión Europea aprobó en 2024 la primera ley de IA del mundo (EU AI Act). México aún no tiene legislación específica. Las decisiones que se tomen en los próximos años sobre privacidad, sesgos algorítmicos, vigilancia y derechos digitales afectarán directamente a tu generación — y los ciudadanos informados tienen más herramientas para influir en esas decisiones.

5 Notas Pedagógicas

5.1 Principios del curso

  1. Modularidad: Cada sesión es autocontenida y puede consumirse de forma asíncrona
  2. Intuición primero: Conceptos técnicos explicados con analogías del mundo real
  3. Balance teoría-práctica: Enfoque en herramientas que los estudiantes pueden usar inmediatamente
  4. Accesibilidad: Sin asumir conocimientos previos de programación
  5. Ética integrada: Reflexión sobre implicaciones sociales en todas las sesiones relevantes
  6. Conexión local: Ejemplos y aplicaciones relevantes para San Luis Potosí y México

5.2 Recursos complementarios

5.2.1 Herramientas gratuitas mencionadas:

  • Teachable Machine, ChatGPT, Claude, Perplexity AI, Gemini
  • DALL-E, Adobe Firefly, Canva AI
  • Wolfram Alpha, Desmos, Notion AI
  • DeepL, Grammarly, ELSA Speak
  • Google Colab, Hugging Face, Kaggle
  • Quick Draw!, AutoDraw, Blob Opera, Google Magenta

5.2.2 Cursos gratuitos para continuar:

  • CS50P — Harvard: Introducción a Python
  • Elements of AI — Universidad de Helsinki: Fundamentos de IA en español
  • Google AI Essentials: Conceptos y herramientas de IA
  • fast.ai: Deep Learning práctico desde cero
  • Kaggle: Python, ML y competencias con datos reales

6 Recursos Adicionales

6.1 Datasets y herramientas para demostraciones

  • Datos públicos de México: datos.gob.mx
  • Kaggle: Datasets educativos gratuitos
  • Google Dataset Search: Búsqueda de datasets públicos
  • Teachable Machine: Clasificación sin código
  • Google Colab: Notebooks gratuitos en la nube

Versión del documento: 2.0 (13 de marzo de 2026)