Académique Documents
Professionnel Documents
Culture Documents
Para tratar el tema del aprendizaje automático existen diferentes enfoques, estos se
que se apoyan.
Se comienza presentando la opinión de Barlet, Codino y Solé (2008), quienes afirman que:
Solé, 2008).
experiencia” (p.378).
Mitchell en esta definición trata la experiencia como el entrenamiento que deben tener los
Otros de los enfoques del concepto de aprendizaje automático es poner énfasis en el uso de
datos y los algoritmos con una programación no explícita. Tal como lo define Bishop
(2016):
“Los algoritmos Machine Learning (ML) intentan construir modelos basándose en los datos
con objetivo de hacer predicciones o tomar decisiones, como si fueran verdaderos expertos,
en lugar de seguir las instrucciones de manera explícita para lo que han sido programados”
(p.437).
construcción y el estudio de los algoritmos que pueden aprender a partir de datos, en este
Otras definiciones como las de Aguilar, Torres y Martín (2019), Soto (2018) y Morante
observados, también podemos decir que es un conjunto de algoritmos cuyo fin es proveer a
Se observa de estas definiciones que el aprendizaje automático tiene que ver con grandes
experiencia, estos aspectos son muy similares a la forman como aprende el ser humano.
información. Sólo entre 2013 y 2015 la humanidad generó más datos que en toda su
historia previa. Esta avalancha de bytes ha servido como catalizador para el desarrollo
terreno fértil donde prosperar. Se define Machine Learning como la disciplina del
ámbito de la Inteligencia Artificial que crea mecanismos capaces de aprender de
este tipo es que su comportamiento está determinado por una serie de parámetros, y
parámetros de manera que el algoritmo sea capaz de llevar a cabo una tarea
nuestra data lake (apps disponibles en el terminal del usuario, localizaciones, urls
(Fernández, 2018)
datos consistió de 227 ejemplos, que se agrupan en diferentes casos de acuerdo con
vecinos más cercanos obtienen los mejores resultados, con un 82,3% de precisión;
Sin embargo, los árboles de decisión también obtuvieron buenos resultados. (Urbina,
Los resultados obtenidos mediante el análisis del árbol de decisión revelaron que la
sobre todo para los estudiantes que participan menos académicamente. Por otra parte,
los servicios y las instalaciones del campus tenían un efecto menor sobre su
utilizaron 354 casos, mientras que, para el segundo experimento, se consideraron sólo
28 casos, ya que era difícil de obtener más de 30 casos por año académico. Después
menos 70 casos para una mayor precisión. Cuando se compararon los seis algoritmos,
precisión, y la sensibilidad global fue de aproximadamente 78%. Por otra parte, los
Con el fin de lograr este objetivo, primero es necesario identificar cómo aprenden los
estudiantes. Por lo tanto, introducimos tres enfoques que abordan este problema
probaron su método usando la información del perfil de los estudiantes con el fin de
sugerir cursos a medida para ellos. (Urbina, AB., y De la Calleja, J., 2017, p.90)
En 2007, Acevedo, Caicedo y Loaiza (2007) utilizan sistemas inteligentes para
dos tipos de redes neuronales: perceptrón multicapa y funciones de base radial. Para
psicológicos para cadetes admitidos entre 1995 y 1998. Los resultados muestran que
el sistema fue capaz de predecir el rendimiento de admisión con una tasa de éxito de
alrededor del 70%. Los autores afirman que la precisión de la predicción aumenta
cuando la red neuronal se entrena con más datos relativos a los problemas
variables de entrada, entre otros. Se informó de alrededor del 74% de precisión en sus
resultados, pero se recomienda la realización de una entrevista oral para obtener más
Teoría de Respuesta (IRT) usando una red neuronal artificial. Se llevaron metas de
podrían recibir las pruebas de adaptación con el fin de obtener un material didáctico
los materiales a medida, de acuerdo con los cursos, con una precisión del 83,3%.
La minería de datos fue utilizada por Ranjan y Khalil (2008) con dos objetivos
nuevas aplicaciones de minería de datos y para explorar los efectos sobre probables
interactúan con otros, cómo se lleva a cabo el proceso de admisión, y los mecanismos
de asesoramiento para elegir los cursos. El marco se puso a prueba para encontrar qué
tipo de cursos son interesantes para ciertos tipos de estudiantes. Además, el marco
propuesto tenía tres procesos principales que por lo general se producen en todas las
útil para predecir el éxito de los programas educativos, así como la comprensión de
los estilos de aprendizaje con el fin de promover la proactividad en los estudiantes.
Márquez, Ortega, González-Abril y Velasco (2008) utilizan una red bayesiana para
encontrar una ruta para adquirir competencias profesionales. Este método fue capaz
datos históricos. Sus resultados muestran que la ruta varía cuando las preferencias y
tomar mejores decisiones cuando tienen que tomar cursos. Se analizaron los datos
los últimos siete años. Sus experimentos se realizaron utilizando el algoritmo C4.5,
muestran una exactitud global del 77,3%, con las condiciones modificadas para la
formación y las pruebas. Los autores también comentan que su enfoque proporciona
p.91)
En 2011, Anupama y Vijayalakshmin utilizan árboles de decisión, particularmente
ID3 y C4.5, para predecir el rendimiento de los estudiantes en su examen final. Esta
predicción ayudó a sus tutores en la identificación de los puntos débiles con el fin de
pueden aplicar en otras áreas de la educación para optimizar los recursos y predecir la
representada por el árbol de decisión permitió a los autores para obtener reglas si-
entonces para clasificar a los estudiantes. Con este trabajo, los autores predicen el
necesitan una atención especial para reducir la tasa de fracaso. (Urbina, AB., y De la
cercanos y árboles de decisión, con una precisión del 87% y 79,7%, respectivamente.
el conjunto de datos del programa en línea. Por último, los autores llegaron a la
conclusión de que los métodos de minería de datos podrían ayudar a predecir las
diferentes razones por las que los estudiantes deciden abandonar los estudios antes de
terminar sus programas de estudio. (Urbina, AB., y De la Calleja, J., 2017, p.92)
Otro problema que se ha abordado el uso de algoritmos de aprendizaje automático se
introdujo por Kakavand, Mokfi y Tarokh (2014), con el fin de predecir la lealtad de
los estudiantes usando árboles de decisión. Los autores investigaron los factores
externos que pueden generar lealtad, con el fin de identificar a los estudiantes que han
con 14 atributos por ejemplo (sexo, edad, y de ingresos, entre otros). El mejor
Los asistentes digitales con algoritmos de auto capacitación podrían llegar a sus propias
rutina. Se contará con máquinas que emitan recomendaciones para identificar en una etapa
incremento de alertas para proteger la seguridad de los datos de los hackers. Todo lo
anterior, significa que, en un futuro, la Inteligencia Artificial estará inmersa en todos los
aspectos de la economía.
Identificar plagios.
aterrizar en Marte.
patrones de comportamiento debajo del mar que puedan afectar a los humanos.
inteligencia.
https://digithum.uoc.edu/10/dt/cat/morante.pdf.
Ortega, C. (s.f.). Cómo las empresas pueden impulsar su negocio a través de las
http://www.rediris.es/difusion/publicaciones/boletin/82-83/ponencia2.2A.pdf.
Tornero, J., (2017). Machine Learning: Modelos Ocultos de Markov (HMM) y Redes
Barcelona.
machine-learning-publicidad/