El curso está basado en proyectos, con una progresión a lo largo del trimestre. El proyecto final integra los tres pilares técnicos del curso — un conjunto de datos listo para IA, aprendizaje automático clásico (machine learning clásico) y aprendizaje profundo — junto con la cuarta capa que atraviesa la edición 2026, el trabajo con IA agéntica, aplicados en grupo a un problema científico. Los entregables son:
- Un repositorio de GitHub que demuestre manipulación de datos, diseño y prueba de algoritmos, y evaluación.
- Un informe de 5 páginas que sitúe el proyecto en contexto y discuta los resultados, en uno de los dos géneros que se describen abajo.
- Una presentación de 10 a 15 minutos.
Los grupos entregan cada producto de manera conjunta. Esta página es la rúbrica que se usa tanto para la autoevaluación como para la evaluación de los instructores.
Se espera que los estudiantes usen asistentes de IA durante el proyecto, con declaración de uso (vea la política de uso de IA del curso). Antes de entregar, cada grupo ejecuta una revisión de su repositorio con una IA agéntica, luego evalúa críticamente esa evaluación y documenta al menos una cosa que la IA haya errado o pasado por alto. Tanto la revisión de la IA como la crítica del grupo se entregan con el proyecto.
Ponderaciones: informe 35 %, repositorio de GitHub 30 %, presentación 35 %. La contribución al equipo, evaluada a partir de la declaración CRediT y de las evaluaciones entre pares, aplica un modificador de hasta ±5 puntos al total individual.
Elija un género para el informe¶
Cada grupo elige uno de dos géneros para el informe escrito. La elección solo cambia el criterio de Contenido y calidad de la investigación; todos los demás criterios, y las rúbricas del repositorio y de la presentación, son comunes a las dos pistas.
- Pista de artículo de investigación: el informe se lee como un artículo científico corto — pregunta de investigación, datos, métodos, resultados, generalización, perspectivas. Se califica con el criterio 1a.
- Pista de entregable para partes interesadas: el informe es un producto técnico escrito para una persona con capacidad de decisión, nombrada explícitamente (una empresa de agua potable, una autoridad de protección civil, un servicio de parques, quien planifica una misión). Se califica con el criterio 1b.
1. Informe (5 páginas) — 35 %¶
1a. Contenido y calidad de la investigación (25 %) — pista de artículo de investigación Calidad, profundidad y pertinencia de la investigación
- Presentar un enunciado claro de una pregunta de investigación abierta y situarla en el contexto de una revisión de literatura actualizada
- Demostrar la originalidad de la investigación
- Presentar un conjunto de datos listo para IA (vea la definición operativa en la sección 2.13), un análisis preliminar con correlaciones o descripciones de las características básicas de los datos, y discutir el posible desbalance de los datos en el contexto del problema planteado
- Demostrar una comprensión sólida del aprendizaje automático clásico y/o del aprendizaje profundo con un ejemplo
- Discutir la evaluación del desempeño en el contexto del entrenamiento del modelo y de la generalización más allá de los datos y del dominio presentados en el informe
- Discutir el tiempo de cómputo del entrenamiento y de la inferencia
- Discutir la pertinencia de los recursos de cómputo utilizados
1b. Contenido y calidad de la investigación (25 %) — pista de entregable para partes interesadas Idoneidad del entregable para una decisión real
- Nombrar a quien toma la decisión y la decisión que el entregable informa, y enunciar la pregunta operativa en sus términos, apoyada en una revisión breve de la práctica actual
- Presentar un conjunto de datos listo para IA (sección 2.13) y un análisis preliminar, como en la pista de artículo de investigación
- Demostrar una comprensión sólida del aprendizaje automático clásico y/o del aprendizaje profundo con un ejemplo, evaluado contra un modelo de referencia del dominio
- Idoneidad para la persona que decide: resultados reportados en las unidades, los umbrales y los horizontes de pronóstico que la decisión exige
- Límites de operación honestos: las condiciones, regiones y estaciones del año donde se puede confiar en el modelo, y aquellas donde no
- Declaración de incertidumbre calibrada: las predicciones llevan una incertidumbre sobre la cual quien decide pueda actuar, respaldada por una comprobación de calibración
- Discutir el tiempo de cómputo del entrenamiento y de la inferencia, y la pertinencia de los recursos utilizados
Estructura y organización (15 %) Coherencia, claridad y fluidez del informe
- Estructura lógica:
- Introducción con el contexto científico que motiva el proyecto y el estado de los datos (por ejemplo, nos falta la medición X y proponemos predecirla a partir de Y)
- Datos: qué es una muestra, cuáles son las características y las dimensiones, análisis exploratorio; para pronóstico de series de tiempo, cómo se organizan los datos para el entrenamiento; partición entrenamiento-validación-prueba, con una discusión de si los datos de prueba están dentro o fuera del dominio
- Modelos: estrategias de diseño y entrenamiento (para aprendizaje profundo: optimizador, tasa de aprendizaje, tamaño de lote, curvas de aprendizaje)
- Declaración de generalización: discutir el desempeño en prueba y lo que implica para el uso más allá de los datos presentados
- Resultados: qué aprendió, cuánto tarda el entrenamiento, cuánto tarda la inferencia, cómo escalaría esto a un proyecto de minería de datos más grande
- Conclusiones y perspectivas, referencias
- Párrafos bien organizados, con transiciones entre las ideas
- Las figuras tienen leyendas y rótulos claros, y se referencian en el texto
- Estructura lógica:
Claridad y estilo de redacción (15 %) Calidad y eficacia de la escritura
- Lenguaje claro y conciso; errores mínimos de gramática u ortografía
- Tono profesional y académico, apropiado para la disciplina
Pensamiento crítico y análisis (15 %) Profundidad del análisis y de la reflexión
- El análisis va más allá de la descripción: qué aprendió, cuáles son las ventajas y limitaciones de sus enfoques, qué pueden aportar los métodos de ML a la pregunta de investigación general
- Reconoce perspectivas alternativas o limitaciones
- Demuestra pensamiento propio y una participación crítica en la investigación
Entregables de comunicación (20 %) Se enseñan en el capítulo 7
- Traducción para cada público: el informe incluye dos resúmenes breves (un párrafo cada uno) del mismo resultado central, escritos para dos públicos distintos — por ejemplo, quien dirige un programa y quien hace trabajo de campo, o quien planifica una ciudad y quien revisa para una revista. Los dos resúmenes deben ser fieles a los mismos números.
- Declaración de impacto aguas abajo: media página sobre la relevancia social, ambiental o económica del proyecto. ¿Quién podría usar este resultado, qué decisión podría informar y qué podría salir mal si se confía en el modelo más allá de su dominio?
Formato, citación y declaración de uso (10 %)
- Cumple los requisitos de formato (márgenes, tipografía, extensión); uso correcto de un estilo de citación (por ejemplo, APA, MLA, Chicago)
- Declaración de autoría CRediT: cada estudiante está asociado a contribuciones específicas
- Declaración de uso de IA: qué herramientas de IA se usaron, para qué tareas y qué verificó el grupo por su cuenta
2. Repositorio de GitHub — 30 %¶
Calidad del código (15 %) Calidad y funcionalidad de los scripts y del código
- El código es limpio, está bien documentado y sigue buenas prácticas de programación
- Todos los scripts se ejecutan sin errores cuando el entorno está configurado
- El código es modular, con funciones reutilizables donde corresponde
- Los scripts logran los resultados previstos (generar gráficas, realizar el análisis)
Reproducibilidad (25 %) Facilidad para reproducir el análisis y los resultados
- El repositorio incluye instrucciones claras (en un README.md) para configurar el entorno y ejecutar el código
- Se proveen los cuadernos de Jupyter, los scripts y cualquier otro archivo necesario para recrear el análisis
- Los datos, o las instrucciones para acceder a ellos, están incluidos o referenciados de manera apropiada
- Las salidas (gráficas, tablas) son reproducibles a partir del código
Organización y estructura (15 %) Organización y claridad del repositorio
- Estructura de carpetas clara (carpetas separadas para código, datos y resultados)
- Los nombres de archivos y carpetas son descriptivos e intuitivos
- El README ofrece un panorama claro del repositorio y de dónde encontrar las cosas
Documentación (15 %) Claridad y completitud de la documentación
- El README explica el proyecto, las dependencias y las instrucciones de instalación
- El código y los cuadernos están documentados, con comentarios que explican las secciones clave
- Las funciones tienen docstrings
Configuración del entorno (10 %) Gestión de dependencias
- Incluye una especificación de entorno completa y funcional (
pixi.tomlconpixi.lock, oenvironment.yml/requirements.txt) - El entorno lista todas las dependencias necesarias con las versiones correctas
- Las instrucciones de instalación son claras y fáciles de seguir
- Incluye una especificación de entorno completa y funcional (
Prácticas de control de versiones (10 %) Uso efectivo de Git y GitHub
- Los commits son frecuentes, descriptivos y reflejan la progresión del proyecto; los mensajes de commit declaran la asistencia sustancial de IA
- Uso claro de ramas donde corresponda
- Se usan de manera efectiva las issues, los pull requests u otras herramientas de colaboración de GitHub
Revisión con IA y crítica (se entregan junto con el repositorio; se califican dentro de Reproducibilidad y Documentación)
- La salida de una revisión del repositorio hecha por una IA agéntica
- La crítica escrita del grupo sobre esa revisión, documentando al menos un error u omisión en la evaluación de la IA
3. Presentación (10-15 minutos) — 35 %¶
Contenido (25 %) Calidad y profundidad de la investigación
- Un enunciado claro de una pregunta de investigación abierta, sustentado en referencias a la literatura científica
- Presentar el conjunto de datos listo para IA y el análisis preliminar
- Demostrar un ejemplo de aprendizaje automático clásico y un ejemplo de aprendizaje profundo
- Reportar el tiempo de cómputo del entrenamiento y de la inferencia, y la pertinencia de los recursos utilizados
Estructura y organización (15 %) Coherencia y fluidez
- Estructura lógica (introducción, desarrollo, conclusión)
- Los puntos clave se distinguen y se enfatizan con claridad
Claridad y exposición (20 %) Eficacia al comunicar las ideas
- Articulación clara, volumen y ritmo adecuados
- Poca dependencia de las notas, contacto visual con el público
- Actitud segura y profesional
Apoyos visuales (10 %) Materiales de apoyo (diapositivas, gráficos, gráficas)
- Los apoyos visuales refuerzan la presentación en vez de distraer de ella
- La información se presenta con claridad y usa principios de diseño apropiados
- Las diapositivas no abruman con texto ni con elementos visuales complicados
Interacción con el público (10 %)
- Fomenta la interacción del público mediante preguntas o participación
- Responde de manera efectiva a las preguntas y comentarios del público
Pensamiento crítico y análisis (15 %)
- Demuestra pensamiento propio y una participación crítica en la investigación
- Identifica limitaciones y direcciones futuras
Profesionalismo (5 %)
- Respeto por los límites de tiempo, material preparado, trato respetuoso
4. Modificador por contribución al equipo (±5 puntos)¶
Las calificaciones individuales pueden ajustarse hasta ±5 puntos con base en la declaración CRediT, las evaluaciones entre pares y el historial de commits. Cada estudiante inscrito debe aparecer en la declaración CRediT con contribuciones específicas y verificables. Quien no pueda explicar las partes del proyecto que se le atribuyen debe esperar que el instructor le pida recorrer el código sin ayuda.