Convolutional neural networks (CNNs) are widely used for image classification; however, setting the appropriate hyperparameters before training is subjective and time consuming, and the search space is not properly explored. This paper presents a novel method for the automatic neural architecture search based on an estimation of distribution algorithm (EDA) for binary classification problems. The hyperparameters were coded in binary form due to the nature of the metaheuristics used in the automatic search stage of CNN architectures which was performed using the Boltzmann Univariate Marginal Distribution algorithm (BUMDA) chosen by statistical comparison between four metaheuristics to explore the search space, whose computational complexity is O($2^{29}$). Moreover, the proposed method is compared with multiple state-of-the-art methods on five databases, testing its efficiency in terms of accuracy and F1-score. In the experimental results, the proposed method achieved an F1-score of 97.2%, 98.73%, 97.23%, 98.36%, and 98.7% in its best evaluation, better results than the literature. Finally, the computational time of the proposed method for the test set was ≈0.6 s, 1 s, 0.7 s, 0.5 s, and 0.1 s, respectively.

Las habilidades relacionadas con el pensamiento computacional y el aprendizaje automático son fundamentales en la actualidad, por lo que es necesario trabajarlas desde edades tempranas. Para ello, existen diversas herramientas diseñadas para fomentar dichas habilidades en niñas y niños de manera didáctica, visual, y entretenida. Estas herramientas pueden clasificarse en gratuitas y de pago. En este trabajo nos enfocamos en las plataformas gratuitas más reconocidas en el área, como Scratch, Code.org, Teachable Machine, y Machine Learning for Kids, con el propósito de desarrollar actividades que promuevan el pensamiento computacional y el aprendizaje automático en estudiantes de primaria. El objetivo principal fue crear actividades digitales interactivas utilizando estas plataformas, que permitan a niñas y niños aprender conceptos clave de aprendizaje automático y pensamiento computacional. Para la planeación, diseño, y ejecución de las actividades, se utilizó la metodología SCRUM, organizando el trabajo en sprints y asignando tareas específicas a lo largo de cada iteración. Esta metodología permitió una mejor gestión del tiempo, priorización de actividades, revisión continua y adaptación según la retroalimentación recibida. Como resultado, se seleccionaron herramientas de aprendizaje de programación y de inteligencia artificial para niños y se diseñaron un conjunto de actividades de programación por bloques y actividades de clasificación automática enfocadas en temas de ciencia. Estas actividades están listas para ser implementadas en sesiones de trabajo con niñas y niños.