Este documento describe cómo se pueden aplicar técnicas de inteligencia artificial como redes neuronales y máquinas de vectores de soporte para predecir el rendimiento de estudiantes usando datos recopilados de un sistema gamificado para aprender Prolog. El sistema recopila datos sobre el uso y progreso de los estudiantes y los usa para entrenar modelos que predicen la probabilidad de que los estudiantes obtengan notas altas, intermedias o bajas. Estas predicciones se muestran a estudiantes y profesores para ayudar a ident
Detección precoz de dificultades en el aprendizaje. Herramienta para la predi...Faraón Llorens
Detección precoz de dificultades en el aprendizaje. Herramienta para la predicción del rendimiento de los estudiantes
Carlos J. Villagrá-Arnedo, Francisco J. Gallego-Durán, Faraón Llorens-Largo, Patricia Compañ-Rosique, Rosana Satorre-Cuerda, Rafael Molina-Carmona
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante
III Congreso Internacional sobre Aprendizaje, Innovación y Competitividad (CINAIC 2015)
Madrid, 14-16 de Octubre de 2015
http://www.cinaic.com
Argentesting 2019 - Machine learning en testing priorizacion de casos de pr...Argentesting
Machine Learning en Testing (Priorización de casos de prueba para una regresión) por Gastón Galera y Lucas Montoya
Sobre la charla:
Dado que el Regression Testing es una tarea común dentro del ciclo de desarrollo del software y debido a que testear todo el sistema no es posible por el costo y tiempo disponible; generalmente nos encontramos en una situación donde sólo un subset termina ejecutándose según la priorización que los mismos tienen o un experto puede darles.
En esta presentación queremos usar la Inteligencia Artificial (supervised machine learning) para que realice la priorización de los TCs y obtener un mejor resultado en el menor tiempo posible.
Vamos a utilizar el algoritmo de Machine Learning (ML) SVM Rank para evaluar y medir la calidad de la priorización realizada.
Nuestro resultado implicará que la técnica basada en ML mejora la detección temprana de fallas en el sistema comparado a uno aleatorio.
Sobre Gastón:
Ingeniero en Sistemas; profesional con más de 11 años de experiencia en el área de calidad principalmente en Testing, con conocimientos de performance, automatización, gestión de equipos e interesado en la investigación. Actualmente se desempeña como Test Lead en el equipo de Validación. Certificado en ISTQB Test Foundation 2010. Sobre Lucas:
Ingeniero de Sistemas. Analista de Pruebas desde el año 2013. Participó en proyectos de diferente índole en las actividades de planificación, diseño y ejecución de ciclos de prueba, reporte y seguimiento de defectos. Certificado en ISTQB Foundation Level y ISTQB Agile Tester.
Detección precoz de dificultades en el aprendizaje. Herramienta para la predi...Faraón Llorens
Detección precoz de dificultades en el aprendizaje. Herramienta para la predicción del rendimiento de los estudiantes
Carlos J. Villagrá-Arnedo, Francisco J. Gallego-Durán, Faraón Llorens-Largo, Patricia Compañ-Rosique, Rosana Satorre-Cuerda, Rafael Molina-Carmona
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante
III Congreso Internacional sobre Aprendizaje, Innovación y Competitividad (CINAIC 2015)
Madrid, 14-16 de Octubre de 2015
http://www.cinaic.com
Argentesting 2019 - Machine learning en testing priorizacion de casos de pr...Argentesting
Machine Learning en Testing (Priorización de casos de prueba para una regresión) por Gastón Galera y Lucas Montoya
Sobre la charla:
Dado que el Regression Testing es una tarea común dentro del ciclo de desarrollo del software y debido a que testear todo el sistema no es posible por el costo y tiempo disponible; generalmente nos encontramos en una situación donde sólo un subset termina ejecutándose según la priorización que los mismos tienen o un experto puede darles.
En esta presentación queremos usar la Inteligencia Artificial (supervised machine learning) para que realice la priorización de los TCs y obtener un mejor resultado en el menor tiempo posible.
Vamos a utilizar el algoritmo de Machine Learning (ML) SVM Rank para evaluar y medir la calidad de la priorización realizada.
Nuestro resultado implicará que la técnica basada en ML mejora la detección temprana de fallas en el sistema comparado a uno aleatorio.
Sobre Gastón:
Ingeniero en Sistemas; profesional con más de 11 años de experiencia en el área de calidad principalmente en Testing, con conocimientos de performance, automatización, gestión de equipos e interesado en la investigación. Actualmente se desempeña como Test Lead en el equipo de Validación. Certificado en ISTQB Test Foundation 2010. Sobre Lucas:
Ingeniero de Sistemas. Analista de Pruebas desde el año 2013. Participó en proyectos de diferente índole en las actividades de planificación, diseño y ejecución de ciclos de prueba, reporte y seguimiento de defectos. Certificado en ISTQB Foundation Level y ISTQB Agile Tester.
Las salas de clase están cada día abriendo más espacios a la tecnología. Actualmente, una de las iniciativas más populares en este tema es “One Laptop Per Child” , la que busca proveer a cada niño un ordenador personal por $100 dólares cada uno. Este valor resulta prohibitivo para muchos países, por lo que surge la búsqueda de alternativas más económicas. Siguiendo el modelo de Single Display Groupware nace “One Mouse per Child”, que busca proveer interactividad a toda la sala de clases mediante el uso de un mouse por niño, conectados todos a un mismo computador y desplegados por un proyector. Para poder utilizar “One Mouse per Child” como una alternativa real, es necesario responder la pregunta de investigación de este trabajo, ¿Es posible generar aprendizaje de contenidos curriculares con retroalimentación personalizada en el contexto de un mouse por niño? La presentación consistirá en los trabajos realizados sobre los dominios de Matemática y Lenguaje, así como los desafíos que presenta esta tecnología tanto computacional como pedagógicamente.
TestingAR Meetup VIII - Luis Argerich - Una Breve Introducción a Machine Lear...TestingAR Meetup
Los algoritmos de Machine Learning juegan hoy en día un papel fundamental en el funcionamiento de todo tipo de aplicaciones, desde reconocimiento de imágenes o voz en un teléfono celular hasta los autos autónomos. En esta charla intentaremos explicar qué es Machine Learning, cuáles son los algoritmos de ML mas importantes y cuál es el proceso típico para la construcción y puesta en producción de dichos algoritmos.
2010-10-15
(upm)
eMadrid
Alicia Rodríguez Carrión
Universidad Carlos III de Madrid
Aprendiendo de la experiencia: Algoritmos para el aprendizaje de patrones y posibles aplicaciones en entornos de e-learning
Las salas de clase están cada día abriendo más espacios a la tecnología. Actualmente, una de las iniciativas más populares en este tema es “One Laptop Per Child” , la que busca proveer a cada niño un ordenador personal por $100 dólares cada uno. Este valor resulta prohibitivo para muchos países, por lo que surge la búsqueda de alternativas más económicas. Siguiendo el modelo de Single Display Groupware nace “One Mouse per Child”, que busca proveer interactividad a toda la sala de clases mediante el uso de un mouse por niño, conectados todos a un mismo computador y desplegados por un proyector. Para poder utilizar “One Mouse per Child” como una alternativa real, es necesario responder la pregunta de investigación de este trabajo, ¿Es posible generar aprendizaje de contenidos curriculares con retroalimentación personalizada en el contexto de un mouse por niño? La presentación consistirá en los trabajos realizados sobre los dominios de Matemática y Lenguaje, así como los desafíos que presenta esta tecnología tanto computacional como pedagógicamente.
TestingAR Meetup VIII - Luis Argerich - Una Breve Introducción a Machine Lear...TestingAR Meetup
Los algoritmos de Machine Learning juegan hoy en día un papel fundamental en el funcionamiento de todo tipo de aplicaciones, desde reconocimiento de imágenes o voz en un teléfono celular hasta los autos autónomos. En esta charla intentaremos explicar qué es Machine Learning, cuáles son los algoritmos de ML mas importantes y cuál es el proceso típico para la construcción y puesta en producción de dichos algoritmos.
2010-10-15
(upm)
eMadrid
Alicia Rodríguez Carrión
Universidad Carlos III de Madrid
Aprendiendo de la experiencia: Algoritmos para el aprendizaje de patrones y posibles aplicaciones en entornos de e-learning
Conceptos básicos de lo que se conoce popularmente como Datamining y Machine Learning como introducción a un taller practico en análisis de genómica funcional.
Presentación del proyecto de la materia de IAA de la UTPL.
Tema: Comparación de resultados en la convergencia de una red neuronal utilizando 1 y 2 capas ocultas respectivamente en el modelo del perceptrón multicapa utilizando el algoritmo BackPropagation al realizar el reconocimiento de señales de tránsito
Similar a Técnicas de Inteligencia Artificial (20)
Aletas de Transferencia de Calor o Superficies Extendidas.pdfJuanAlbertoLugoMadri
Se hablara de las aletas de transferencia de calor y superficies extendidas ya que son muy importantes debido a que son estructuras diseñadas para aumentar el calor entre un fluido, un sólido y en qué sitio son utilizados estos materiales en la vida cotidiana
Se denomina motor de corriente alterna a aquellos motores eléctricos que funcionan con alimentación eléctrica en corriente alterna. Un motor es una máquina motriz, esto es, un aparato que convierte una forma determinada de energía en energía mecánica de rotación o par.
Análisis Combinatorio ,EJERCICIOS Y PROBLEMAS RESUELTOS
Técnicas de Inteligencia Artificial
1. Aplicación de Técnicas de la IA
para el análisis de datos
Patricia Compañ Rosique
Innovación Educativa. Una visión en 360 grados
7 de junio de 2017
2. Introducción
• IA incluye muchas áreas: juegos, problemas de
percepción, robótica, predicción, minería de
datos, aprendizaje, etc.
3. Técnicas de IA
• Algoritmos genéticos
• Simulated annealing
• Redes neuronales
• Máquinas de vectores de soporte (SVM)
• Técnicas de enjambre
• Aprendizaje bayesiano
• Sistemas expertos
• Árboles de decisión, Etc.
4. Redes neuronales
• Es una técnica usada con bastante éxito en
problemas de clasificación y regresión.
• Se pueden usar en problemas de predicción,
p.e predecir el comportamiento de La Bolsa.
• Una red neuronal trata de imitar el sistema
biológico.
• Está formada por grupos de neuronas
artificiales conectadas entre sí.
5. Redes neuronales: neurona
• La neurona recibe una serie de entradas, cada una de
ellas ponderada por un peso
• La salida se obtiene aplicando una función al resultado
de la suma de multiplicar cada entrada a la neurona
por su peso correspondiente.
• Funciones habituales que se suelen aplicar para
obtener la salida son la función umbral, la función
sigmoide, la función tangente hiperbólica, etc.
6. Redes neuronales: red multicapa
• Grupos de neuronas conectadas entre sí
formando capas de tal manera que la salida de
una neurona forma parte de las entradas de una
neurona de la capa siguiente.
7. Aprendiendo
• Se necesita disponer de una serie de ejemplos o
muestras de entrenamiento de los que ya
conocemos la salida que debería dar la red.
• Introducir los ejemplos de entrenamiento en la
red y calcular la salida que da la red para cada
ejemplo. Dado que se trata de ejemplos de los
cuales se conoce la salida que debería dar, se
puede comparar la salida real obtenida por la red
con la salida que corresponde a cada ejemplo. De
esta manera se sabe si la red ha acertado o no y
se pueden ajustar los pesos de la red.
8. Identificación de una especie vegetal
Longitud
pétalo
Longitud
sépalo
Ancho
pétalo
Ancho
sépalo
10. Máquinas de vectores de soporte
• Es una técnica que pertenece a la categoría de
los clasificadores lineales.
• Inducen hiperplanos para separar los ejemplos
de entrenamiento
11. Máquinas de vectores de soporte
• Dado un conjunto de puntos, en el que cada
uno de ellos pertenece a una de varias
categorías, el método construye un modelo
capaz de predecir a que categoría pertenece
un punto nuevo (cuya categoría
desconocemos)
12. Máquinas de vectores de soporte
• Objetivo: encontrar el hiperplano de margen
máximo
13. Ejemplo: Herramienta predictiva del
rendimiento de los estudiantes
sus correspondientes SVMs. Estas predicciones se
añaden a la base de datos de predicciones, donde se
almacenan las de las semanas anteriores. Por último,
estas predicciones se proporcionan a estudiantes y
profesores en forma de progresión estimada del
rendimiento de los estudiantes en el tiempo.
Figura 1: Arquitectura global del sistema.
4. Experimen
El sistema propues
primer cuatrimestre d
actividad en octubre d
de 2015. Como se m
estado funcionando e
para la asignatura M
aprendizaje de Lógica
clases prácticas. Habí
registrados, de los qu
en las clases de prácti
habitual.
Aunque el cuatrime
se, se imparten 13 c
sesiones realmente só
guimiento, ya que en
introducción general
forma, el sistema pr
semanas de prediccio
proporcionando la not
Como ya se ha dich
bajo es proporcionar
sobre la tendencia d
predicciones progresi
vo, el sistema produc
tivas como las de las
muestran las probab
estudiante tenga un rSVM
14. PLMan
• PLMan: sistema gamificado para aprender
Prolog
• Los alumnos deben programar, con Prolog, la
inteligencia artificial de un personaje similar a
Pac-Man que debe recorrer varios mapas
comiéndose todos los cocos y evitando a los
enemigos.
• Programado en forma de reglas: “Si ves un
enemigo a tu izquierda, muévete a la derecha”
16. PLMan
• Base de datos de más de 400 mapas, organizados
en varias fases y niveles de dificultad
• En cada fase, el alumno debe resolver entre 1 y 5
mapas
• El alumno elige el nivel de dificultad, y se le
asigna un mapa aleatoriamente (dos alumnos
nunca tienen el mismo mapa)
• A mayor dificultad elegida para el mapa, se opta a
mayor nota
• Al resolver el mapa con al menos un 75% de los
cocos comidos, se desbloquea el siguiente nivel
17. Datos extraídos de PLMan
• PLMan genera una gran cantidad de datos: ¿podemos hacer
algo con ellos?
• De todos los eventos que se producen en el sistema, elegimos
datos de dos tipos (7 características):
– De uso
– De progreso del estudiante
Característica
Número de visitas al frontal
Número de mapas descargados
Número de soluciones subidas por fase
Nota media (en porcentaje) por fase
Tiempo (en segundos) para completar
cada fase
Tiempo (en segundos) para completar
cada mapa
Nivel de dificultad elegido para cada mapa
18. Análisis de los datos
• Cada semana, los datos recogidos se pasan al sistema de
predicción (ya entrenado)
• El sistema de predicción devuelve tres probabilidades
– Prob. de que el estudiante termine con una nota alta
(nota>8.05)
– Prob. de que el estudiante termine con una nota intermedia
(5.75 ≤ nota ≤ 8.05)
– Prob. de que el estudiante termine con una nota baja
(nota<5.75)
• Los resultados se muestran en forma de gráficas:
intuitivas y muy útiles para detectar problemas de
aprendizaje
19. Progression chart: Semana 4
Representación de la predicción semanalmente: muestra las
probabilidades y la clasificación final
21. Antes de cualquier técnica
• Características categóricas
– Convertirlas a valores numéricos. Por ejemplo
usando vectores:
{rojo, verde, azul}
(0,0,1) (0,1,0) (1,0,0)
• Escalado
– Escalar los datos para evitar que los atributos con
grandes rangos numéricos dominen a los que
tienen rangos pequeños
22. Herramientas
• Weka
• Matlab
• Neuroph (Java Neural Network Framework)
• LIBSVM (A Library for Support Vector Machines)
• R
• Etc.
23. Aplicación de Técnicas de la IA para el
análisis de datos
Innovación Educativa. Una visión en 360 grados
6 de junio de 2017