1. Elige el conjunto círculo (el primero), deja X₁ y X₂ como entradas y 2 capas ocultas.
2. Pulsa ▶ (Run) y observa durante unas 300 épocas («Epoch»). Pulsa ⏸.

1. Pulsa ↺ (reset) y elige la espiral (el cuarto conjunto).
2. Prueba con 1 capa de 2 neuronas: entrena 500 épocas y anota la Test loss.
3. Ahora 3-4 capas de 6-8 neuronas y añade como entradas sin(X₁) y sin(X₂). Entrena hasta 1.000 épocas.
4. Sube «Noise» a 30 y repite.

✍️ P1: tabla con cada configuración y su Test loss. ¿Qué pasa si la Training loss es muy baja y la Test loss alta? ¿Cómo se llama ese fenómeno?

Elige tres objetos que tengas a mano y que imiten un catálogo: por ejemplo, una botella, una taza y un libro (o tres productos de una tienda). Serán las tres clases del modelo.

1. Entra en teachablemachine.withgoogle.com › Get Started › Image Project › Standard image model.
2. Renombra «Class 1», «Class 2» con los nombres de tus productos (lápiz junto al nombre) y pulsa Add a class para la tercera.

En cada clase, pulsa Webcam y mantén pulsado Hold to Record mientras giras el objeto, lo acercas y lo alejas. Consigue unas 150-250 imágenes por clase, con fondos y luces variados.

1. En el panel Training, despliega Advanced: verás Epochs (50), Batch Size (16) y Learning Rate (0,001).
2. Pulsa Train Model y no cambies de pestaña hasta que termine.
3. Pulsa Under the hood: mira las gráficas de Accuracy per class, la matriz de confusión y la evolución de la pérdida por época.

En Preview, enseña cada objeto y observa la confianza (porcentaje). Prueba después con un objeto que no está en ninguna clase, con poca luz o tapando parte del objeto.

✍️ P2: ¿qué predice con un objeto desconocido? ¿Por qué un clasificador siempre elige alguna de sus clases? ¿Cómo mejorarías el modelo (más datos, una clase «otros», más variedad)?

Export Model › pestaña Tensorflow.js › Download (descarga un ZIP con el modelo: model.json, weights.bin y metadata.json). Guárdalo en M1. Guarda también el proyecto: menú ☰ › Download project to file.

Nodo central: «Reconocedor de productos». Ramas obligatorias:

• Problema de negocio: ¿para qué serviría en una tienda? (búsqueda visual, inventario, autoservicio).
• Datos: clases, número de imágenes, variedad, sesgos posibles.
• Modelo: red convolucional preentrenada + aprendizaje por transferencia; épocas, lote, tasa de aprendizaje.
• Evaluación: precisión por clase, matriz de confusión, errores observados.
• Despliegue: dónde y cómo se usaría (web, app), mantenimiento.
• Ética y ley: por qué productos y no caras, privacidad, transparencia.

Exporta a PNG o PDF: mapa_proyecto1.

Cada persona presenta su mapa al grupo. El grupo propone una mejora para cada proyecto.

Da este encargo a dos asistentes distintos (ChatGPT, Gemini, Claude, Copilot…):

Actúa como responsable de marketing de «Verde Mediterráneo», una tienda online
española de cosmética natural y vegana. Escribe 3 propuestas de publicación
para Instagram sobre el lanzamiento de un protector solar SPF50 resistente al agua.
Público: mujeres y hombres de 25-45 años preocupados por los ingredientes.
Tono cercano. Máximo 60 palabras cada una, con 3 hashtags.
No inventes certificaciones ni datos que no te haya dado.

✍️ P4: puntúa de 1 a 5 cada asistente en: ajuste al encargo, tono, creatividad, respeto de las restricciones (palabras, hashtags) y afirmaciones no verificadas (¿ha inventado «dermatológicamente testado» o «100 % orgánico»?). ¿Cuál usarías y por qué? ¿Qué revisión humana haría falta antes de publicar?

1. Cámaras con reconocimiento de emociones en las tiendas para medir la satisfacción de los clientes y la de los dependientes.
2. Un chatbot en la web que se presenta como «Laura, del equipo de atención» sin decir que es una IA.
3. Anuncios con un famoso generado con IA recomendando la marca, sin su permiso.

✍️ P5: para cada propuesta, ¿es legal? ¿Qué norma afecta? ¿Cómo la reformularíais para que sea legal y ética?