COMPONENTES DEL PENSAMIENTO COMPUTACIONAL PARA DESARROLLAR UN EJEMPLO EN EDUCACION SUPERIOR CON PYTHON

            DIPLOMADO EN INTELIGENCIA  ARTIFICIAL

MODULO IV

APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

              Ortega Irusta Elsy Nilda

              Este es el chat GPT

https://chat.openai.com/c/111ac8ca-4cd2-4468-8904-fff3a93cdbdc

COMPONENTES DEL PENSAMIENTO COMPUTACIONAL PARA DESARROLLAR UN EJEMPLO EN EDUCACION SUPERIOR CON PYTHON

El pensamiento computacional es una habilidad fundamental en ciencias de la computación que involucra diferentes componentes, como la descomposición de problemas, el reconocimiento de patrones, la abstracción y el diseño de algoritmos. Vamos a aplicar paso a paso estos componentes en dos contextos distintos: programación tradicional y aprendizaje automático.

PROGRAMACIÓN TRADICIONAL:

1. Descomposición de problemas:

Identifica un problema específico en el ámbito de la educación superior que pueda ser abordado mediante programación tradicional. Por ejemplo, podríamos querer diseñar un sistema simple de gestión de calificaciones.

2. Reconocimiento de patrones:

Identifica patrones y relaciones en el problema. En el caso del sistema de gestión de calificaciones, los patrones pueden incluir la entrada de calificaciones, el cálculo del promedio, y la determinación de si un estudiante pasa o no.

3. Abstracción:

Abstrae los elementos esenciales del problema y simplifica su representación. Define las operaciones básicas, como la entrada de calificaciones, la realización de cálculos y la generación de resultados.

4. Diseño de algoritmos:

Crea algoritmos paso a paso para resolver cada parte del problema. Por ejemplo, podrías diseñar un algoritmo para calcular el promedio de calificaciones y otro para determinar si un estudiante pasa o no.

5. Programación:

Implementa el algoritmo en un lenguaje de programación, como Python. Aquí hay un ejemplo muy básico en Python para calcular el promedio:

Esta es mi interacción con google colab

def calcular_promedio(calificaciones):

    return sum(calificaciones) / len(calificaciones)

# Ejemplo de uso

calificaciones = [85, 90, 78, 92, 88]

promedio = calcular_promedio(calificaciones)

print(f"El promedio es: {promedio}")

def calcular_promedio(calificaciones): return sum(calificaciones) / len(calificaciones) # Ejemplo de uso calificaciones = [85, 90, 78, 92, 88] promedio = calcular_promedio(calificaciones) print(f"El promedio es: {promedio}")

El promedio es: 86.6

APRENDIZAJE AUTOMÁTICO:

1. Identificar el problema:

Elige un problema adecuado para el aprendizaje automático en el contexto de la educación superior, como predecir el rendimiento de los estudiantes en función de ciertas variables.

2. Recopilar datos:

Obtén datos relevantes para entrenar y evaluar el modelo. Por ejemplo, podrías recopilar datos históricos de calificaciones, horas de estudio, y participación en clases.

3. Seleccionar un modelo:

Elige un modelo de aprendizaje automático apropiado para tu problema. Podrías optar por un modelo de regresión para predecir calificaciones.

4. Entrenar el modelo:

Divide tus datos en conjuntos de entrenamiento y prueba, y entrena el modelo utilizando algoritmos de aprendizaje automático.

5. Evaluar el modelo:

Evalúa el rendimiento del modelo utilizando datos de prueba y ajusta los parámetros según sea necesario.

6. Utilizar el modelo:

Cuando el modelo sea satisfactorio, puedes usarlo para predecir el rendimiento de nuevos estudiantes en función de las variables seleccionadas.

Estos son pasos básicos y simplificados. En la práctica, cada uno de estos pasos puede ser más complejo y requerir un análisis detallado del problema y de los datos disponibles.

Vamos a abordar un problema de optimización paso a paso utilizando ambos enfoques: la programación tradicional y el aprendizaje automático. Supongamos que queremos asignar cursos a estudiantes de manera óptima para maximizar la satisfacción estudiantil. Este es un problema típico en el ámbito de la educación superior.

PROGRAMACIÓN TRADICIONAL:

1. Descomposición de problemas:

Identifica los componentes esenciales del problema, como la lista de estudiantes, la lista de cursos disponibles y los criterios de asignación.

2. Reconocimiento de patrones:

Identifica patrones en los datos, como las preferencias de los estudiantes y los requisitos de los cursos.

3. Abstracción:

Abstrae los elementos esenciales del problema, como la función de asignación de cursos que maximiza la satisfacción estudiantil.

4. Diseño de algoritmos:

Crea algoritmos para la asignación óptima de cursos. Puede ser un algoritmo de búsqueda exhaustiva, algoritmo voraz, o algún otro algoritmo de optimización.

5. Programación:

Ejemplo básico utilizando un algoritmo voraz en Python:

Esta es mi interacción con google colab

import matplotlib.pyplot as plt

import numpy as np

# Datos de ejemplo

num_estudiantes = 50

num_cursos = 5

# Generar datos de preferencias de manera aleatoria

preferencias = np.random.randint(1, 10, size=(num_estudiantes, num_cursos))

estudiantes = [f"Estudiante{i+1}" for i in range(num_estudiantes)]

cursos = [f"Anatomia{i+1}" for i in range(num_cursos)]

# Visualización de preferencias

fig, ax = plt.subplots(figsize=(10, 6))

for i, estudiante in enumerate(estudiantes):

    ax.plot(cursos, preferencias[i, :], label=estudiante, marker='o')

ax.set_xlabel('Cursos de Anatomía')

ax.set_ylabel('Preferencias')

ax.set_title('Preferencias de Estudiantes por Curso de Anatomía')

ax.legend(bbox_to_anchor=(1.05, 1), loc='upper left', title='Estudiantes')

plt.show()

Ejemplo de Visualización para Programación Tradicional:´

Esta es mi interacción con google colab.

import matplotlib.pyplot as plt

# Datos de ejemplo

estudiantes = ["Estudiante1", "Estudiante2"]

cursos = ["CursoA", "CursoB"]

preferencias = {

    "Estudiante1": {"CursoA": 5, "CursoB": 3},

    "Estudiante2": {"CursoA": 2, "CursoB": 4}

}

# Visualización de preferencias

for estudiante in estudiantes:

    plt.bar(cursos, [preferencias[estudiante][curso] for curso in cursos], label=estudiante)

plt.xlabel('Cursos')

plt.ylabel('Preferencias')

plt.legend()

plt.title('Preferencias de Estudiantes por Curso')

plt.show()

import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

# Datos de ejemplo

estudiantes = np.array([[1], [2]])

calificaciones = np.array([3, 4])

# Modelo de regresión lineal

modelo = LinearRegression()

modelo.fit(estudiantes, calificaciones)

# Visualización de la regresión

plt.scatter(estudiantes, calificaciones, color='black')

plt.plot(estudiantes, modelo.predict(estudiantes), color='blue', linewidth=3)

plt.xlabel('Estudiantes')

plt.ylabel('Calificaciones')

plt.title('Regresión Lineal para Calificaciones de Estudiantes')

plt.show()vv

Esta gráfica muestra un modelo de regresión lineal que predice las calificaciones de los estudiantes.

Puedes adaptar esto según la complejidad y naturaleza de tu modelo de aprendizaje automático real.

Dado que los ejemplos que te proporcioné son bastante abstractos y no incluyen datos específicos ni modelos de aprendizaje automático, es difícil proporcionar gráficos específicos. Sin embargo, puedo mostrarte cómo podrías visualizar algunos aspectos de estos problemas. Utilizaré un ejemplo más simple para ilustrar.

Ejemplo de Visualización para Programación Tradicional:

Esta es mi interacción con google colab.

import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

# Datos de ejemplo

estudiantes = np.array([[1], [2]])

calificaciones = np.array([3, 4])

# Modelo de regresión lineal

modelo = LinearRegression()

modelo.fit(estudiantes, calificaciones)

# Visualización de la regresión

plt.scatter(estudiantes, calificaciones, color='black')

plt.plot(estudiantes, modelo.predict(estudiantes), color='blue', linewidth=3)

plt.xlabel('Estudiantes')

plt.ylabel('Calificaciones')

plt.title('Regresión Lineal para Calificaciones de Estudiantes')

plt.show()

Esta gráfica de barras muestra las preferencias de los estudiantes por cada curso. Puedes adaptar esto a tu problema real con datos específicos.

Ejemplo de Visualización para Aprendizaje Automático:

Esta es mi interacción con google colab.

Dado que la visualización de un modelo de aprendizaje automático puede variar según el tipo de modelo, aquí hay un ejemplo simple utilizando un modelo de regresión lineal en un contexto bidimensional:

import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

# Datos de ejemplo

estudiantes = np.array([[1], [2]])

calificaciones = np.array([3, 4])

# Modelo de regresión lineal

modelo = LinearRegression()

modelo.fit(estudiantes, calificaciones)

# Visualización de la regresión

plt.scatter(estudiantes, calificaciones, color='black')

plt.plot(estudiantes, modelo.predict(estudiantes), color='blue', linewidth=3)

plt.xlabel('Estudiantes')

plt.ylabel('Calificaciones')

plt.title('Regresión Lineal para Calificaciones de Estudiantes')

plt.show()

Esta gráfica muestra un modelo de regresión lineal que predice las calificaciones de los estudiantes. Puedes adaptar esto según la complejidad y naturaleza de tu modelo de aprendizaje automático real.

Ten en cuenta que estos son solo ejemplos simplificados y necesitarás adaptarlos a tus datos específicos y al tipo de visualización que sea más relevante para tu problema.

Ejemplo para reflejar la asignación de 50 estudiantes a 5 cursos ficticios de anatomía. Primero, mostraré cómo podrías visualizar las preferencias de los estudiantes por los cursos.

Esta es mi interacción con google colab.

import matplotlib.pyplot as plt

import numpy as np

# Datos de ejemplo

num_estudiantes = 50

num_cursos = 5

# Generar datos de preferencias de manera aleatoria

preferencias = np.random.randint(1, 10, size=(num_estudiantes, num_cursos))

estudiantes = [f"Estudiante{i+1}" for i in range(num_estudiantes)]

cursos = [f"Anatomia{i+1}" for i in range(num_cursos)]

# Visualización de preferencias

fig, ax = plt.subplots(figsize=(10, 6))

for i, estudiante in enumerate(estudiantes):

    ax.plot(cursos, preferencias[i, :], label=estudiante, marker='o')

ax.set_xlabel('Cursos de Anatomía')

ax.set_ylabel('Preferencias')

ax.set_title('Preferencias de Estudiantes por Curso de Anatomía')

ax.legend(bbox_to_anchor=(1.05, 1), loc='upper left', title='Estudiantes')

plt.show()

En este ejemplo, he generado preferencias de manera aleatoria para los estudiantes.

Ahora, para la programación tradicional de asignación de cursos, podríamos utilizar un enfoque simple

como el algoritmo voraz que mencioné anteriormente.

Dado que estos datos son ficticios, podemos hacer una asignación básica.

Esta es mi interacción con google colab.

# Algoritmo de asignación básico

asignaciones = {}

for i, estudiante in enumerate(estudiantes):

    curso_asignado = cursos[i % num_cursos]

    asignaciones[estudiante] = curso_asignado

# Visualización de asignaciones

fig, ax = plt.subplots(figsize=(10, 6))

for estudiante, curso in asignaciones.items():

    ax.plot([curso], [estudiantes.index(estudiante) + 1], marker='o', label=f"{estudiante} -> {curso}", linestyle='None')

ax.set_xlabel('Cursos de Anatomía')

ax.set_ylabel('Estudiantes')

ax.set_title('Asignación de Estudiantes a Cursos de Anatomía')

ax.legend(bbox_to_anchor=(1.05, 1), loc='upper left', title='Asignaciones')

plt.yticks(np.arange(1, num_estudiantes + 1), estudiantes)

plt.show()

En este caso, he asignado a cada estudiante al curso de anatomía de manera secuencial.

Estos son ejemplos básicos.

Conclusiones y reflexiones: La aplicación de los componentes del pensamiento

computacional con Python en la educación superior facilita un aprendizaje más completo

y prepara a los estudiantes para enfrentar desafíos complejos en sus futuras carreras

profesionales.