{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "f9464d1e",
   "metadata": {},
   "source": [
    "# UD01 · Notebook 1 — Técnicas de IA en acción\n",
    "\n",
    "Este notebook muestra en código **las técnicas básicas de la IA** (RA1-c) y cómo se relacionan\n",
    "con la **mejora de la eficiencia operativa** (RA1-d). Usa únicamente `numpy`, `pandas` y\n",
    "`scikit-learn`.\n",
    "\n",
    "## Objetivos\n",
    "\n",
    "1. Ver un ejemplo de **aprendizaje supervisado** (clasificación).\n",
    "2. Ver un ejemplo de **aprendizaje no supervisado** (segmentación).\n",
    "3. Ver un ejemplo de **PLN** básico (análisis de opiniones).\n",
    "4. Ver un ejemplo de **sistema experto** con reglas.\n",
    "5. Pensar qué técnica usarías en cada caso de negocio."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "7f5063d1",
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import pandas as pd\n",
    "from sklearn.neighbors import KNeighborsClassifier\n",
    "from sklearn.cluster import KMeans\n",
    "from sklearn.feature_extraction.text import CountVectorizer\n",
    "from sklearn.naive_bayes import MultinomialNB\n",
    "\n",
    "np.random.seed(42)\n",
    "print(\"Bibliotecas cargadas\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cc33c290",
   "metadata": {},
   "source": [
    "## 1. Aprendizaje supervisado: ¿reclamará este cliente?\n",
    "\n",
    "Una empresa quiere anticipar qué clientes van a reclamar, para priorizar su atención\n",
    "(menos tiempo, menos coste). Entrenamos un clasificador con datos etiquetados."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "29a36ec0",
   "metadata": {},
   "outputs": [],
   "source": [
    "X = np.array([[1, 2], [2, 1], [4, 4], [5, 6], [1, 5], [6, 4]])\n",
    "y = np.array([0, 0, 1, 1, 0, 1])  # 1 = reclamará\n",
    "\n",
    "modelo = KNeighborsClassifier(n_neighbors=3)\n",
    "modelo.fit(X, y)\n",
    "print(\"Predicción cliente (2.0, 3.0):\", modelo.predict([[2.0, 3.0]])[0])\n",
    "print(\"Predicción cliente (5.0, 5.0):\", modelo.predict([[5.0, 5.0]])[0])"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "4e14b1c0",
   "metadata": {},
   "source": [
    "## 2. Aprendizaje no supervisado: segmentar clientes\n",
    "\n",
    "Sin etiquetas, `k-means` agrupa clientes por comportamiento para personalizar ofertas\n",
    "(menos coste de marketing, más ventas)."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "64d11788",
   "metadata": {},
   "outputs": [],
   "source": [
    "compras = np.array([[30, 2], [32, 3], [31, 2], [80, 9], [85, 10], [82, 8]])\n",
    "\n",
    "km = KMeans(n_clusters=2, n_init=10, random_state=42)\n",
    "etiquetas = km.fit_predict(compras)\n",
    "\n",
    "df = pd.DataFrame({\"importe\": compras[:, 0], \"pedidos\": compras[:, 1], \"segmento\": etiquetas})\n",
    "df"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "b8adaaaa",
   "metadata": {},
   "source": [
    "## 3. PLN básico: analizar opiniones\n",
    "\n",
    "Convertimos texto en números (bolsa de palabras) y entrenamos un clasificador de\n",
    "**sentimiento**. Es el tipo de IA que usa un comercio para medir la satisfacción."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "866e3de9",
   "metadata": {},
   "outputs": [],
   "source": [
    "textos = [\n",
    "    \"el envío llegó rápido y perfecto\",\n",
    "    \"me encanta la calidad de este producto\",\n",
    "    \"el pedido tardó muchísimo\",\n",
    "    \"producto roto y sin reembolso\",\n",
    "]\n",
    "opinion = [1, 1, 0, 0]\n",
    "\n",
    "vector = CountVectorizer()\n",
    "X_bow = vector.fit_transform(textos)\n",
    "\n",
    "nb = MultinomialNB()\n",
    "nb.fit(X_bow, opinion)\n",
    "\n",
    "frase = [\"llega rápido y bien embalado\"]\n",
    "pred = nb.predict(vector.transform(frase))[0]\n",
    "print(\"Sentimiento de la opinión:\", \"positivo\" if pred else \"negativo\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cf07b44b",
   "metadata": {},
   "source": [
    "## 4. Sistema experto con reglas\n",
    "\n",
    "Un **sistema experto** codifica el conocimiento de un experto en forma de reglas\n",
    "`si... entonces...`. Ejemplo: recomendar un plan de soporte según el perfil del cliente."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "6360ade2",
   "metadata": {},
   "outputs": [],
   "source": [
    "def recomendar_plan(ventas, reclamaciones):\n",
    "    if ventas > 100 and reclamaciones < 5:\n",
    "        return \"VIP\"\n",
    "    if ventas > 50:\n",
    "        return \"Premium\"\n",
    "    if reclamaciones > 10:\n",
    "        return \"Atención especial\"\n",
    "    return \"Estándar\"\n",
    "\n",
    "for ventas, reclam in [(150, 2), (70, 4), (30, 12), (10, 1)]:\n",
    "    print(f\"ventas={ventas:>3}, reclamaciones={reclam:>2} -> {recomendar_plan(ventas, reclam)}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "3e46b196",
   "metadata": {},
   "source": [
    "## 5. Actividad\n",
    "\n",
    "Responde en celdas Markdown:\n",
    "\n",
    "1. ¿Qué técnica usarías para **detectar fraudes** en tarjetas (datos históricos etiquetados)?\n",
    "2. ¿Y para **agrupar tiendas** por volumen de ventas sin etiquetas?\n",
    "3. Elige un proceso de tu entorno (clase, centro, trabajo) y propón una **interacción nueva**\n",
    "   (chatbot, voz, visión) que mejore su eficiencia operativa: indica qué técnica de las vistas usaría.\n",
    "\n",
    "Guarda el notebook con tus respuestas y **entrégalo en Moodle** como parte de la tarea RA1."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "6f88ac92",
   "metadata": {},
   "outputs": [],
   "source": [
    "print(\"Fin del notebook UD01\")"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "name": "python",
   "version": "3.12"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}