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.
