MISIÓN 3 · Lección 9

Proyecto Práctico: IA Aplicada a un Sector Específico

En esta lección, los estudiantes aplicarán lo aprendido desarrollando un proyecto práctico de IA en un sector de su elección (salud, finanzas, retail, industria, transporte, energía o marketing).

Objetivo del proyecto

Integrar técnicas de machine learning, big data y analítica avanzada para resolver un problema real de negocio dentro de un sector específico.

Fases del proyecto

1. Definición del problema: identificar un reto relevante en el sector elegido.
2. Recolección de datos: usar datasets abiertos o simulados.
3. Preprocesamiento: limpieza, normalización y feature engineering.
4. Modelado: aplicar algoritmos de ML/DL adecuados.
5. Evaluación: medir resultados con métricas claras.
6. Visualización: generar reportes y dashboards.

Ejemplo 1: proyecto en salud

Problema: predecir el riesgo de diabetes en pacientes.

from pyspark.ml.classification import LogisticRegression

ensamblador = VectorAssembler(inputCols=["edad", "glucosa", "imc"], outputCol="features")
datos = ensamblador.transform(df)

modelo = LogisticRegression(labelCol="diabetes", featuresCol="features").fit(datos)
resultados = modelo.transform(datos)

Ejemplo 2: proyecto en retail

Problema: recomendar productos para aumentar ventas.

from pyspark.ml.recommendation import ALS

als = ALS(userCol="usuario", itemCol="producto", ratingCol="rating", coldStartStrategy="drop")
modelo = als.fit(df)
recomendaciones = modelo.recommendForAllUsers(5)

Ejemplo 3: proyecto en transporte

Problema: optimización de rutas de entrega.

import networkx as nx

G = nx.Graph()
G.add_weighted_edges_from([("A","B",4),("B","C",2),("A","C",5),("C","D",3)])

ruta = nx.shortest_path(G, source="A", target="D", weight="weight")
print("Ruta óptima:", ruta)

Checklist de entrega

• Definición clara del problema.
• Dataset documentado.
• Pipeline de preprocesamiento.
• Modelo entrenado y evaluado.
• Resultados visualizados.
• Conclusiones y aprendizajes.

Criterios de evaluación

• Relevancia del problema elegido.
• Correcta aplicación de técnicas de IA.
• Creatividad en la solución propuesta.
• Claridad en la presentación de resultados.
• Trabajo en equipo e innovación.

Reflexión final

Este proyecto permite a los estudiantes consolidar sus conocimientos, aplicar la teoría en un caso real y demostrar sus competencias en IA aplicada en distintos sectores industriales.