Objetivos didácticos
¿Cómo "ve" una nave espacial autónoma su entorno, y cómo aprende a esquivar peligros sin que nadie le programe reglas explícitas? Este lab de bachillerato aborda el aprendizaje supervisado desde el otro extremo del lab "Redes Neuronales": en vez de diseñar pesos a mano, el alumno diseña la percepción de un agente y luego lo entrena jugando. En 7 salas breves, el recorrido va de "¿qué información necesita un agente?" hasta ver una red neuronal navegar sola gracias a los ejemplos que el propio alumno generó.
Qué se aprende
- Se plantea el problema de la percepción: una nave que recoge estrellas y esquiva bombas necesita convertir su entorno en números.
- Se diseñan sensores direccionales: el espacio alrededor de la nave se divide en sectores angulares, cada uno con un valor de proximidad al objeto más cercano.
- Se descubre la necesidad de comprimir la información: la distancia en bruto (hasta ~672 valores posibles) se cuantiza a una escala pequeña (por ejemplo, niveles 0–5) usando una función de compresión (logarítmica frente a lineal).
- Se exploran los compromisos de diseño: más sensores y más niveles dan más precisión, pero también disparan el número de ejemplos necesarios para entrenar — el alumno ajusta ambos parámetros y observa el tiempo de entrenamiento estimado.
- Se entiende el ciclo de aprendizaje supervisado por imitación: cada acción del alumno (o de un heurístico) genera un par (entradas del sensor → dirección elegida) que se acumula como ejemplo de entrenamiento.
- Se observa el reentrenamiento periódico: cada cierto número de ejemplos acumulados, la red ajusta sus pesos con todos los datos disponibles.
- Se compara entrenar jugando frente a entrenar con un profesor automático: un heurístico simple (buscar estrellas, evitar bombas) puede sustituir al alumno como generador de ejemplos, mostrando que lo importante no es quién enseña sino la calidad y cantidad de los ejemplos.
Ideas matemáticas clave
- La percepción como vector: el entorno continuo de la nave se traduce en un vector fijo de números (uno por sensor), la representación de entrada de la red.
- La cuantización reduce un espacio continuo de valores a un número pequeño de niveles discretos; la elección de la función de compresión (lineal vs. logarítmica) determina qué rango de distancias se distingue mejor.
- El tamaño del espacio de entrada crece con el número de sensores y de niveles por sensor, lo que impacta directamente en cuántos ejemplos hacen falta para cubrirlo razonablemente bien.
- El aprendizaje por imitación es un caso de aprendizaje supervisado: los ejemplos (entrada, salida deseada) no se calculan analíticamente sino que se recogen de un agente (humano o heurístico) que ya resuelve la tarea razonablemente.
- La calidad de los datos de entrenamiento —no solo la arquitectura de la red— determina el comportamiento final: un profesor mediocre entrena una red mediocre, y viceversa.
Contenidos por salas
Sala 1 · ¿Cómo ve la nave?
Se presenta una escena estática con la nave, estrellas y bombas. El alumno reflexiona sobre cómo puede percibir la nave su entorno y elige entre opciones: cámara, sensores de distancia, GPS o control humano. La respuesta correcta — sensores de distancia — se confirma con una explicación de por qué esta representación es compacta y adecuada para una red neuronal.
Tareas para el alumno
- Observar la escena y pensar qué información necesita la nave.
- Seleccionar la forma de percepción más adecuada para una red neuronal.
Sala 2 · Sensores direccionales
El alumno arrastra la nave por un canvas interactivo y observa en tiempo real cómo las cuñas de color (amarillas para estrellas, rojas para bombas) cambian de intensidad según la proximidad de cada objeto en ese sector angular. Una pregunta de opción múltiple consolida el concepto.
Tareas para el alumno
- Arrastra la nave y observa cómo cambian las cuñas al acercarte a estrellas y bombas.
- Responder qué representa la intensidad de cada cuña sensorial.
Sala 3 · La escala de distancias
Un gráfico con dos curvas (logarítmica vs. lineal) y un slider de distancia permiten comparar cómo cada función mapea píxeles a un nivel 0–5. El alumno elige qué función es mejor para los sensores de la nave.
Tareas para el alumno
- Mover el slider y comparar los niveles que producen la escala lineal y la logarítmica.
- Elegir qué función de compresión es mejor y explicar por qué.
Sala 4 · Diseña tus sensores
Un slider de niveles (2–640) y un selector de número de sensores (4, 6, 8, 12) muestran en tiempo real las combinaciones posibles y el tiempo mínimo de juego estimado. La elección se guarda y se transfiere al juego de la sala 6.
Tareas para el alumno
- Explorar el efecto de los niveles y los sensores sobre el tiempo de entrenamiento.
- Elegir el número de sensores definitivo y confirmar la elección.
Sala 5 · Cómo aprende la red
Un diagrama animado de red neuronal (entradas → capa oculta → salida) y cuatro pasos escritos explican el ciclo: sensores → cálculo → movimiento del jugador → ejemplo de entrenamiento → reentrenamiento cada 100 ejemplos.
Tareas para el alumno
- Leer los cuatro pasos del ciclo de aprendizaje.
- Identificar qué es la entrada y qué es la salida de la red.
Sala 6 · ¡Entrena tu red!
El juego completo con tres fases: Entrenar (el alumno juega y enseña a la red), Observar (el ratón controla la posición y la nave indica adónde iría la red), Jugar (la red navega autónomamente). El número de sensores viene de la sala 4.
Tareas para el alumno
- Jugar en modo Entrenar hasta acumular suficientes ejemplos y recoger estrellas.
- Cambiar a Observar y comprobar que la red señala hacia las estrellas.
- Activar el modo Jugar y observar si la red navega correctamente.
Sala 7 · El heurístico como profesor
En la sala anterior era el alumno quien generaba los ejemplos jugando; aquí se sustituye por un heurístico simple (buscar la estrella más cercana, evitar bombas) que juega solo, recopila datos y entrena la red sin intervención humana. El alumno pulsa Iniciar y observa cómo la calidad del "profesor" —no quién es— determina la calidad del aprendizaje.
Tareas para el alumno
- Pulsar Iniciar y observar cómo el heurístico juega y entrena la red por sí solo.
- Comparar el resultado con el entrenamiento manual de la sala 6 y discutir qué determina la calidad de la red entrenada.
Salas para proyectar
Las más vistosas para mostrar y discutir en clase.