Blog

Machine Learning aplicado en Learning Analytics

01/06/2020

La aplicación de Machine Learning en Learning Analytics nos ayuda a crear una mejor experiencia tanto para alumnos como para profesores, y todas las personas involucradas en el ecosistema del Learning.

Supervised learning – Aprendizaje supervisado

Los modelos de aprendizaje supervisado tienen unos datos de entrada y unos datos de salida conocidos. A partir del entrenamiento con estos datos el modelo puede predecir el valor correspondiente a cualquier dato de entrada. La salida de la predicción puede ser un valor numérico o una etiqueta.

Categorías de algoritmos de Aprendizaje supervisado

Regression
Podemos predecir valor numérico de salida utilizando datos de entrenamiento.

Ejemplos: Predecir el precio de casas. Variables de entrada: localidad, metros cuadrados, barrio, número de habitaciones, etc. Cantidad de lluvia. Predecir las ventas de un producto.

Algoritmos de Regresión

  • Simple Linear regression
  • Multiple Linear regression
  • Polynomial regression
  • Support Vector Machine Regression
  • Regression tree decision
  • Random forest Regression

Classification
Podemos agrupar en clases la salida utilizando datos de entrenamiento.

Ejemplos: Predecir si un correo es Spam o no. Va a llover o no. ¿Una fotografía es de un gato?

Algoritmos de clasificación

  • Neural Networks
  • KNN
  • Decision Trees
  • Random Forest
  • Support Vector Machines (SVM)
  • Naive Bayes
  • Unsupervised learning – Aprendizaje no supervisado

En el aprendizaje no supervisado el modelo se ajusta a las observaciones, no hay un conocimiento a priori. En este caso a partir de los datos de entrada estos se clasifican o agrupan.

Categorías de algoritmos de Aprendizaje no supervisado

Clustering
Estos algoritmos discriminan o separan las observaciones (datos de entrada) en diferentes grupos.

Ejemplos: Reconocimiento de comunidades en redes sociales, sistemas de recomendación, detección de anomalías, grupos de estudiantes.

Algoritmos de Clustering

  • Hierarchical clustering
  • K-means clustering
  • K-NN (k nearest neighbors)
  • Principal Component Analysis
  • Singular Value Decomposition
  • Independent Component Analysis
  • Dimensionality reduction

Estos algoritmos los utilizamos para reducir el número de variables a considerar. Ayuda a comprender los datos, reduce tiempo de computación, reduce features redundantes, reduce espacio de almacenamiento.

Ejemplos: Identificar las features relevantes, Identificar palabras en correos que nos ayudan a elegir mejor las features para clasificar como spam o no spam, , Maximally informative dimensions en neurociencia.

Algoritmos de Dimensionality reduction

  • Principal component analysis (PCA)
  • Non-negative matrix factorization (NMF)
  • Kernel PCA
  • Graph-based kernel PCA
  • Linear discriminant analysis
  • t-SNE

Supervised vs Unsupervised técnicas de Machine learning

Vamos a comparar los principales aspectos de ambas técnicas de Machine Learning. Llamaremos SL al Supervised Learning y USL al Unsupervised Learning.

Datos de entrada

SL: Los algoritmos son entrenados con datos etiquetados.
USL: Los algoritmos se utilizan sobre datos que no están etiquetados.

Complejidad de computación

SL: Aprendizaje supervisado es un método más sencillo.
USL: Computacionalmente complejo.

Exactitud

SL: Método preciso y confiable.
USL: Método menos preciso y confiable.

Ejemplos de Machine Learning aplicado en Learning Analytics

La aplicación de Machine Learning en Learning Analytics nos ayuda a crear una mejor experiencia tanto para alumnos como para profesores, y todas las personas involucradas en el ecosistema del Learning. Veamos algunos ejemplos concretos de aplicación:

Aprendizaje Supervisado

Un ejemplo de aprendizaje supervisado es realizar predicción de participación de los alumnos mediante Regresión. Con los datos del histórico de participación por días, horas y añadiendo datos de contexto como festivos podemos entrenar un modelo con el que realizar predicción. Este modelo puede ser de gran ayuda para los profesores ya que conocerán qué días u horas serán de mayor utilización y así adaptar sus propuestas de contenidos.

Aprendizaje No Supervisado

Un ejemplo de aprendizaje no supervisado es el clustering, realizando clasificación de contenidos de modo que lancemos a los alumnos recomendaciones de contenidos que están en el mismo cluster. También para ayudar a los profesores podríamos realizar clustering de alumnos, de modo que el profesor pudiera identificar alumnos que necesiten atención.

Aprendizaje por Refuerzo

Incorporar un chatbot, que inicialmente ofrece respuestas a preguntas preestablecidas. Si incorporamos Aprendizaje por Refuerzo, el chatbot puede lanzar nuevas preguntas/respuestas e ir aprendiendo de la interacción con los alumnos para aprender qué funciona mejor e incluso personalizar la respuesta para cada alumno en función de lo que ha ido conociendo/aprendiendo de cada uno de ellos.

La Inteligencia Artificial ha llegado al mundo del Learning para mejorar la experiencia de todas las personas involucradas en el proceso.

También te puede gustar…

Caso de éxito: Binfluencer

Caso de éxito: Binfluencer

Binfluencer es otra de las empresas que ha confiado en ASPgems. En este caso de éxito te contamos nuestra colaboración con ellos.

ASPgems icon
C/ Sextante, 9
28023 Madrid,
España

Hablemos.

A %d blogueros les gusta esto: