Descubriendo el Poder del Perceptrón Multicapa: Del XOR a Redes Neuronales con Keras

Este plan de clase está diseñado para que estudiantes universitarios de ingeniería de sistemas comprendan y apliquen el concepto de Perceptrón Multicapa (MLP), una arquitectura fundamental en redes neuronales artificiales. A través de un enfoque basado en proyectos, los estudiantes explorarán el problema clásico de la función XOR, que no puede ser resuelta por un perceptrón simple, y aprenderán cómo un MLP logra resolverlo utilizando la biblioteca Keras en un entorno de laboratorio en Google Colab.

El aprendizaje activo mediante retos, microlearning y trabajo colaborativo les permitirá adquirir habilidades prácticas en programación de modelos de deep learning, entender la importancia de las capas ocultas y la no linealidad, y reflexionar sobre el uso ético de la inteligencia artificial en aplicaciones reales. Este conocimiento es altamente relevante en el mundo actual, donde las redes neuronales impulsan avances en áreas como visión por computadora, procesamiento de lenguaje natural y sistemas inteligentes.

Al finalizar la sesión, los estudiantes no solo habrán desarrollado un modelo funcional para resolver el problema XOR, sino que también habrán fortalecido competencias técnicas y éticas esenciales para su formación profesional en inteligencia artificial.

• Analizar la limitación del perceptrón simple para resolver problemas no lineales como XOR.
• Diseñar y entrenar un modelo de Perceptrón Multicapa en Keras para resolver el problema XOR.
• Aplicar técnicas de programación colaborativa en Google Colab para implementar redes neuronales.
• Reflexionar críticamente sobre las implicaciones éticas del uso de redes neuronales en aplicaciones reales.

• Computadoras con acceso a internet para cada pareja de estudiantes.
• Cuenta activa de Google para acceso a Google Colab.
• Acceso a la plataforma Google Colab con cuaderno preparado con TensorFlow y Keras.
• Conexión estable a internet.
• Proyector o pantalla para presentación y demostraciones.
• Material audiovisual breve (video o presentación de microlearning sobre MLP y XOR).
• Documento digital con guía paso a paso para el laboratorio.
• Pizarra y marcadores para discusión y síntesis.
• Formulario digital para ticket de salida (Google Forms o similar).

• Conocimientos básicos de programación en Python.
• Familiaridad previa con conceptos de inteligencia artificial y perceptrón simple.
• Entendimiento básico de álgebra lineal y funciones matemáticas (funciones de activación).
• Experiencia en trabajo colaborativo y uso de herramientas digitales.

Fase de Inicio

Propósito de la sesión

Docente: Explica que el objetivo inicial es enfrentar un reto clásico en inteligencia artificial: el problema XOR, que no puede resolver un perceptrón simple, y que descubrirán cómo un Perceptrón Multicapa puede solucionarlo.

Activación de conocimientos previos

Docente: Plantea la siguiente pregunta para debate breve en plenaria:

• "¿Por qué creen que un perceptrón simple no puede resolver el problema XOR? ¿Qué características especiales debe tener una red para hacerlo?"

Estudiantes: Comparten ideas y recuerdan conceptos de perceptrón simple y linealidad.

Motivación y enganche

Docente: Presenta un dato curioso y demostración rápida en la pizarra o diapositiva:

• "El problema XOR es un clásico ejemplo que impulsó la evolución de las redes neuronales. ¿Sabían que la imposibilidad de resolverlo con un perceptrón simple casi detuvo la investigación en IA en los 60s? Hoy, con MLP y Keras, podemos resolverlo en minutos."

Contextualización

Docente: Conecta el tema con aplicaciones reales:

• "Resolver problemas no lineales es esencial en reconocimiento de voz, imágenes y diagnóstico médico. Lo que aprenderán hoy es la base para construir modelos que reconocen patrones complejos en el mundo real."

Estudiantes: Reflexionan sobre la importancia práctica y se preparan para el reto.

Fase de Desarrollo

Presentación del contenido

Docente: Introduce brevemente (5 minutos) mediante una cápsula de microlearning (video o presentación animada) las siguientes ideas clave:

• Estructura del Perceptrón Multicapa: capas de entrada, ocultas y salida.
• Función de activación (ReLU, sigmoid) y su rol en la no linealidad.
• Problema XOR y por qué requiere una red con al menos una capa oculta.
• Conceptos básicos de entrenamiento: forward propagation, backpropagation y optimización.

Transición: El docente conecta esta explicación con el laboratorio práctico que realizarán para consolidar estos conceptos.

Actividad 1: Laboratorio guiado en Google Colab - Implementación de MLP para XOR

• Objetivo: Diseñar y entrenar un modelo MLP para resolver XOR usando Keras.
• Instrucciones:
  • Los estudiantes se organizan en parejas.
  • Abren el cuaderno de Google Colab proporcionado con instrucciones y código base.
  • Siguen paso a paso para definir la arquitectura de la red: capa de entrada, capa oculta con función ReLU, y capa de salida con sigmoid.
  • Compilan el modelo con optimizador SGD y función de pérdida binaria.
  • Entrenan el modelo con los datos XOR y observan la convergencia.
  • Evaluación final y prueba con entradas para confirmar que el modelo resuelve XOR correctamente.
• Organización: Parejas
• Producto: Cuaderno de Google Colab con modelo entrenado y resultados visibles.
• Tiempo estimado: 45 minutos
• Rol docente: Circula entre parejas, responde dudas técnicas, formula preguntas guía como:
  • "¿Por qué eligieron esa función de activación?"
  • "¿Qué sucede con el error durante el entrenamiento?"
  • "¿Cómo afecta el número de neuronas en la capa oculta?"

Actividad 2: Discusión ética sobre uso de IA y redes neuronales

• Objetivo: Reflexionar sobre los impactos éticos del uso de redes neuronales en la sociedad.
• Instrucciones:
  • El docente presenta un caso breve donde una red neuronal tiene un impacto ético (ejemplo: sesgo en reconocimiento facial o decisiones automatizadas).
  • En parejas, los estudiantes discuten preguntas:
    • "¿Qué responsabilidades tienen los ingenieros al diseñar estas redes?"
    • "¿Cómo evitar decisiones injustas o discriminatorias?"
    • "¿Qué controles y transparencia debería haber en sistemas de IA?"
  • Luego, se comparten ideas en plenaria.
• Organización: Parejas y plenaria
• Producto: Lista breve de reflexiones compartidas verbalmente.
• Tiempo estimado: 15 minutos
• Rol docente: Facilita la discusión, articula puntos clave y conecta con responsabilidad profesional.

Diferenciación

• Para estudiantes avanzados: Se sugiere modificar el código para experimentar con más capas ocultas o funciones de activación diferentes, y analizar su impacto.
• Para estudiantes que requieren apoyo: Se provee guía adicional con explicaciones simplificadas y ejemplos comentados; el docente ofrece acompañamiento personalizado.

Transición a cierre

Docente: Resume los aprendizajes clave y prepara a las parejas para compartir sus experiencias y resultados.

Fase de Cierre

Síntesis mediante puesta en común

• Docente: Solicita que cada pareja comparta brevemente:
  • Cómo resolvieron el reto XOR con el MLP.
  • Qué dificultades encontraron y cómo las superaron.
  • Reflexiones sobre el impacto ético discutido.
• Estudiantes: Exponen sus conclusiones y aprendizajes en plenaria.

Reflexión metacognitiva - Ticket de salida digital

• Docente: Explica que completarán un formulario con preguntas específicas:
• "¿Qué concepto sobre MLP te parece más importante y por qué?"
• "¿Cómo aplicarías lo aprendido en un proyecto de IA real?"
• "¿Qué consideraciones éticas debes tener en cuenta al diseñar redes neuronales?"
• Estudiantes: Responden individualmente en el formulario digital.

Retroalimentación

Docente: Durante la puesta en común y revisión del ticket, proporciona retroalimentación inmediata sobre conceptos erróneos, fortalezas y áreas de mejora, motivando la profundización en temas futuros.

Transferencia

Docente: Conecta el aprendizaje con sesiones posteriores que abordarán redes neuronales profundas y aplicaciones avanzadas en visión y lenguaje, incentivando la curiosidad y continuidad.

En este plan no se incluye una sección formal de evaluación sumativa. Sin embargo, se realizan evaluaciones formativas durante:

• Fase de Inicio: Diagnóstica a través de la discusión inicial sobre el problema XOR para identificar conocimientos previos.
• Fase de Desarrollo: Formativa mediante la observación directa del trabajo en laboratorio y la participación en la discusión ética, con preguntas guía para monitorear comprensión y habilidades.
• Fase de Cierre: Formativa mediante la puesta en común y el ticket de salida digital, que permite verificar el nivel de logro de los objetivos.

Criterios de evaluación vinculados a objetivos:

• Comprensión de la limitación del perceptrón simple para XOR (objetivo 1): identificado en la discusión inicial y puesta en común.
• Capacidad para diseñar y entrenar un MLP en Keras (objetivo 2): evidenciado en el cuaderno de Colab y resultados obtenidos.
• Habilidad para trabajar colaborativamente en laboratorio (objetivo 3): observada durante el trabajo en parejas.
• Reflexión ética sobre IA (objetivo 4): demostrada en la discusión y respuestas al ticket de salida.

Instrumentos sugeridos: Observación directa, preguntas orales, revisión de cuaderno colaborativo en Colab, y análisis de respuestas del ticket digital.

Evidencias de aprendizaje: Código funcional para resolver XOR, participación activa en discusiones, y respuestas escritas en el ticket de salida.