Para enseñar machine learning sin programar, empieza con un experimento que pueda equivocarse. Un clasificador de lápices y gomas permite trabajar los datos, el entrenamiento y los errores en unos 80 minutos. Lo valioso es explicar qué ejemplos ha visto, cómo se ha evaluado y hasta dónde permiten concluir sus resultados.
Esta propuesta usa Teachable Machine y objetos de escritorio. El alumnado prepara ejemplos etiquetados y comprueba las predicciones sobre objetos reservados. Los números del ejemplo son simulados: sirven para aprender a calcular, no describen una prueba realizada en un aula.
TL;DR
- Separa los objetos físicos antes de fotografiarlos: entrenamiento, validación y prueba final cumplen funciones distintas.
- Un fondo asociado a cada clase puede convertirse en un atajo visual; cambiarlo ayuda a investigar los errores.
- La tasa global de acierto necesita contexto: una matriz de confusión muestra qué se está confundiendo.
Aprender de ejemplos sin empezar desde cero
En aprendizaje supervisado, cada muestra lleva una etiqueta conocida: aquí, lápiz o goma. El entrenamiento adapta un clasificador a esos ejemplos. Después interesa comprobar si asigna bien las etiquetas a imágenes nuevas. Esa capacidad de funcionar más allá de los ejemplos usados para aprender es la generalización.
Teachable Machine ofrece proyectos de imagen sin escribir código. Su biblioteca de imagen utiliza transferencia de aprendizaje: aprovecha una base previamente entrenada y aprende a distinguir nuestras clases. El repositorio oficial documenta este enfoque. La práctica no entrena desde cero toda una red visual.
Son tareas con exigencias distintas. La guía de Valinkey sobre hardware para IA local puede servir como lectura complementaria sobre recursos del equipo; para esta sesión, la prioridad es probar previamente el navegador y la herramienta. No hace falta convertir la actividad en una compra de un ordenador potente.
Materiales y privacidad antes de abrir la cámara
Prepara un ordenador, dos fondos lisos diferentes, una superficie estable, una calculadora y una hoja de registro. Reúne 15 lápices y 15 gomas físicamente distintos, o una colección de imágenes preparada por el docente con ese reparto. Conviene variar colores, formas y desgaste.
Define las categorías: lápices de grafito y gomas separadas. Excluye bolígrafos, portaminas u objetos combinados cuya etiqueta resulte ambigua. Encuadra solamente el material: retira caras, nombres, documentos, trabajos escolares y pantallas. No se necesitan voces, posturas ni datos del alumnado.
La interfaz española se comprobó el 1 de noviembre de 2026 hasta el editor de imagen estándar; no se ejecutó un entrenamiento completo. El docente debe ensayar la captura, la preparación y la vista previa en el equipo y la red que utilizará.
Separar objetos, no fotogramas casi iguales
Antes de capturar imágenes, asigna códigos de objeto en una hoja fuera del encuadre. Baraja las tarjetas dentro de cada categoría y conserva el reparto. Ninguna fotografía de un objeto reservado debe entrar en el entrenamiento.
| Conjunto | Objetos y vistas | Función |
|---|---|---|
| Entrenamiento | 8 objetos × 6 vistas = 48 imágenes | Aprender las clases |
| Validación | 2 objetos × 4 vistas = 8 imágenes | Comparar versiones |
| Prueba final | 5 objetos × 4 vistas = 20 imágenes | Evaluar la versión elegida |
Entre las dos categorías tendrás 96 imágenes de entrenamiento, 16 de validación y 40 finales. Reservar fotos distintas del mismo lápiz apenas cambia su aspecto: el modelo podría reconocer rasgos repetidos. Por eso el reparto se hace por objeto físico completo.
La documentación de scikit-learn sobre evaluación explica por qué evaluar con datos de aprendizaje puede producir resultados engañosos. Aquí el muestreo sigue siendo de conveniencia: objetos disponibles en una mesa. No representa todos los materiales escolares.
La actividad de 80 minutos
Preparación previa: deja capturadas las 16 imágenes de validación y las 40 finales en carpetas separadas, con códigos de objeto, fondo y orientación. Muéstralas como archivos en la vista previa; no las añadas a las clases de entrenamiento. Si las captura el alumnado, reserva tiempo adicional.
| Minutos | Acción | Registro |
|---|---|---|
| 0–8 | Definir clases y preparar el encuadre | Pregunta e hipótesis |
| 8–23 | Separar objetos y capturar entrenamiento | Reparto y condiciones |
| 23–33 | Entrenar la versión A | Ajustes utilizados |
| 33–45 | Probar las 16 imágenes de validación | Errores por fondo |
| 45–55 | Rehacer muestras y entrenar B | Versión elegida |
| 55–70 | Evaluar las 40 imágenes finales | Todas las predicciones |
| 70–80 | Calcular y discutir | Matriz y límites |
Plantea una primera colección deliberadamente defectuosa: todos los lápices sobre fondo azul y todas las gomas sobre fondo blanco. Toma seis vistas de cada objeto de entrenamiento, manteniendo iluminación y distancia comparables.
En la herramienta, entra en Primeros pasos → Proyecto de imagen → Modelo de imagen estándar. Renombra las dos clases, incorpora únicamente entrenamiento y pulsa Preparar modelo. El tiempo de espera depende del equipo.
Para validación, prepara cuatro condiciones por objeto: los dos fondos y dos orientaciones. Registra etiqueta real, fondo, orientación y predicción. Si una goma cambia de etiqueta al cambiar el fondo, aparece una pista para investigar; el error no está garantizado ni demuestra por sí solo su causa.
Construye la versión B con los mismos objetos de entrenamiento y la misma cantidad: tres vistas por fondo y por objeto. Sustituye las muestras iniciales, conserva los ajustes y compara usando validación. Elige una versión antes de abrir la prueba final.
La validación sirve para comparar A y B y elegir una versión. Hay fuga de información si los datos de la prueba final influyen en el entrenamiento o la elección. Si corriges el modelo a partir de sus fallos finales, necesitarás otra prueba reservada para anunciar un resultado independiente.
En la prueba, usa las cuatro condiciones predefinidas y una única predicción por imagen fija: la clase de mayor puntuación; en empate, goma, según la regla acordada. No selecciones el fotograma que más conviene ni cuentes actualizaciones continuas de la webcam como pruebas nuevas.
Para 60 minutos, prepara previamente imágenes y reparto y reduce la discusión; si el equipo va lento, trabaja una sola versión. Para 90 minutos, amplía el análisis de errores. Si falla la herramienta, usa fichas con predicciones simuladas y declara que se está practicando evaluación, sin entrenamiento ejecutado.
Una matriz de confusión para entender los errores
El mismo resultado. Tres preguntas distintas.
40 imágenes, dos clases y siete errores. Explora qué cuenta cada métrica. La clase positiva es Lápiz.
FILAS = CLASE REAL · COLUMNAS = PREDICCIÓN
| Real ↓ Predicción → | Goma | Lápiz |
|---|---|---|
| Goma | 18Verdaderos negativos | 2Falsos positivos |
| Lápiz | 5Falsos negativos | 15Verdaderos positivos |
Las celdas de la diagonal contienen los 33 aciertos. Las otras dos contienen los siete errores.
Acierto global
¿Cuántas imágenes se clasificaron bien, contando ambas clases?
33/40=82,5 %
Se suman 18 gomas y 15 lápices bien clasificados. El denominador incluye las 40 imágenes.
(VP + VN) / total = (15 + 18) / 40
La barra solo se anima al cambiar de métrica o al pulsar Repetir.
Cuenta las muestras
Cada punto representa una imagen. El contorno verde marca el denominador; el relleno violeta, el numerador.
Numerador: 33 imágenes · denominador: 40 imágenes.
Las tres fórmulas, siempre disponibles
- Acierto global: (15 + 18) / 40 = 33/40 = 82,5 %.
- Precisión de Lápiz: 15 / (15 + 2) = 15/17 ≈ 88,24 %.
- Recall de Lápiz: 15 / (15 + 5) = 15/20 = 75 %.
Datos ficticios con fines didácticos. No son resultados medidos ni una predicción del rendimiento de la herramienta. En la actividad, estas 40 imágenes pertenecen a diez objetos: varias vistas de un objeto no son muestras independientes. VP/VN: verdaderos positivos/negativos; FP/FN: falsos positivos/negativos.
Supongamos 20 imágenes reales de gomas y 20 de lápices. Las filas indican la clase real; las columnas, la predicción. Definimos lápiz como clase positiva: positivo es una convención, no una valoración.
| Clase real | Predicción: goma | Predicción: lápiz |
|---|---|---|
| Goma | 18 verdaderos negativos | 2 falsos positivos |
| Lápiz | 5 falsos negativos | 15 verdaderos positivos |
Esta disposición sigue la definición de matriz de confusión de scikit-learn. Abreviamos los cuatro recuentos como VN, FP, FN y VP.
- Acierto global o accuracy: (VP + VN) / total = (15 + 18) / 40 = 33/40 = 82,5 %.
- Precisión de lápiz: VP / (VP + FP) = 15 / (15 + 2) = 15/17 ≈ 88,24 %.
- Exhaustividad o recall de lápiz: VP / (VP + FN) = 15 / (15 + 5) = 15/20 = 75 %.
La precisión pregunta cuántas predicciones lápiz eran correctas. La exhaustividad pregunta cuántos lápices reales se encontraron. Cambiar el denominador cambia la pregunta: entre 17 predicciones positivas había 15 aciertos, pero se escaparon cinco de los 20 positivos reales.
Qué no demuestra un porcentaje alto
Otro ejemplo, también ficticio: hay 95 imágenes de gomas y cinco de lápices. Un sistema que responde siempre goma logra un 95 % de acierto, pero su recall de lápiz es 0/5 = 0 %. Su precisión de lápiz queda indefinida: no ha emitido ninguna predicción positiva y el denominador es cero.
Son conjuntos diferentes; ese 95 % no prueba una mejora respecto al 82,5 %. La accuracy resume aciertos, pero no explica por sí sola cada tipo de error ni garantiza funcionamiento con otras condiciones.
Tampoco demuestra comprensión, ausencia de sesgos o seguridad. Equilibrar el fondo reduce una asociación del diseño; pueden permanecer diferencias de iluminación, forma o selección. Las 40 imágenes finales pertenecen a solo diez objetos: sus vistas están relacionadas y no equivalen a 40 objetos independientes.
Un clasificador de dos categorías tampoco sabe necesariamente decir que ninguna encaja. Si muestras unas tijeras, podría asignar una de las etiquetas disponibles. Ese ensayo es exploratorio y queda fuera de la matriz de lápices y gomas.
Evaluar el razonamiento del alumnado
Pide una conclusión breve con tres elementos: qué se reservó, qué errores aparecieron y qué no se puede asegurar. Valora que identifiquen una fuga de información, coloquen los fallos en la tabla y usen el denominador correcto, aunque su modelo obtenga pocos aciertos.
El enfoque conecta con AI4K12 y el aprendizaje desde datos, y con el juicio crítico del marco de competencias de UNESCO. Son orientaciones educativas, no una certificación de esta actividad ni una garantía de mejora académica.
Prueba la sesión, conserva su registro y continúa explorando los recursos de Valinkey. La siguiente pregunta útil será qué nueva prueba necesitarías antes de confiar en el clasificador para otro contexto.
Preguntas frecuentes
¿Hay que saber programar?
No. La actividad utiliza la interfaz de imagen de Teachable Machine. El trabajo consiste en preparar ejemplos, separar conjuntos, registrar predicciones y calcular métricas con una calculadora.
¿Por qué separar por objetos físicos?
Las fotografías del mismo objeto comparten muchos rasgos. Repartir vistas casi idénticas entre entrenamiento y prueba puede dar una impresión exagerada de generalización. Reservar objetos completos reduce ese problema, aunque no elimina todos los sesgos.
¿Las imágenes permanecen siempre en el ordenador?
Google documenta preparación local de muestras, salvo al guardar el proyecto en Drive. Publicar el modelo lo aloja en sus servidores. Esto no demuestra ausencia de otras comunicaciones del sitio; consulta su FAQ y las normas del centro.
¿Un 95 % de acierto significa que funciona bien?
Depende del conjunto y del propósito. Si 95 de 100 imágenes son gomas, responder siempre goma logra ese porcentaje y falla todos los lápices. Revisa la matriz, las métricas por clase y las condiciones de prueba.
