2010-10-15 (upm) emadrid arcarrio uc3m algoritmos aprendizaje patrones
DESCRIPTION
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-learningTRANSCRIPT
Aprendiendo de la experiencia
Algoritmos para el aprendizaje de patrones y posibles aplicaciones en entornos de e-learning
Alicia Rodríguez Carrión([email protected])
Grupo de Aplicaciones y Servicios Telemáticos
Universidad Carlos III de MadridSeminario eMadrid sobre "Juegos, aprendizaje y movilidad"
¿Por qué aprendemos patrones…
… en escenarios de movilidad?
Las personas tienden a seguir las mismas rutas periódicamente si sabes por dónde va ahora puedes suponer hacia dónde se está dirigiendo
Queremos predecir las localizaciones futuras
Porque la localización es un tema que está ganando mucha fuerza
Porque nos permite tomar decisiones relacionadas con la posición del usuario con antelación: mostrar publicidad, gestión de recursos, …
2Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
¿Por qué querríamos aprender patrones…
… en el escenarios de e-learning?
Cada persona tiene una forma de aprender predefinida aprendiendo cuál es su perfil cognitivo se puede facilitar el aprendizaje del usuario
Queremos ofrecer un aprendizaje personalizado
Adaptándonos a la forma de aprender de cada alumno (con teoría, con ejemplos resueltos, con ejercicios a resolver…)
Adelantándonos a sus necesidades (mostrando ayuda ante dificultades, ofreciendo medios para formular preguntas, …)
3Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
ÍndiceMovilidad
Fuentes de datos
Algoritmos de predicción
Resultados
Aplicación móvil
e-Learning
Fuentes de datos
Algoritmos de predicción
Propuestas de aplicación a escenarios de e-learning
4Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Fuentes de datosObjetivo:
TraductorInformación de
localización
Símbolos de entrada de los
algoritmos
(Long1, Lat1)
a
(Long2, Lat2)
b
(Long3, Lat3)
c
(Long4, Lat4)
d
… …
Cell ID: 1 a
Cell ID: 2 b
Cell ID: 3 c
Cell ID: 4 d
… …
5Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Fuentes de datosDispositivo móvil detecta cada cambio de celda y
va formando el historial de movimientos (L)
Ejemplo: L = a b c f e …
Cell ID: 1 a
Cell ID: 2 b
Cell ID: 3 c
Cell ID: 4 d
Cell ID: 5 e
Cell ID: 6 f
6Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Algoritmos de predicciónPrincipio básico de funcionamiento
Los algoritmos extraen y almacenan:Patrones de movimiento
Evento(s) posterior(es) a cada patrón
Cuando el algoritmo reconoce un patrón ya visto:
1. Analiza los eventos que le han seguido anteriormente
2. Elige el que ha ocurrido más veces
1.Ejemplo: L = … a b c a b a c a b a d a b ? Patrón ab seguido de c (1 vez), a (2 veces) Predicción siguiente símbolo: a
7Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Algoritmos de predicciónFamilia algoritmos LZ
3 algoritmos analizados: LZ78, LeZi Update (LZU) y Active LeZi (ALZ)
Sencillos
Rápidos
Adaptativos no precisan entrenamiento previo, sino que aprenden y se adaptan a medida que se mueve el usuario
Consumen pocos recursos posibilita la ejecución en dispositivos móviles
8Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Algoritmos de predicción
Algoritmo de predicción
Actualizar árbol de patrones
Actualizar árbol de patrones
Calcular probabilidades
Calcular probabilidades
d 0.8
b 0.1
a 0.1
c
…cab
d
9Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
ResultadosTasa de acierto
10Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
ResultadosMemoria ocupada
11Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Aplicación móvilAplicación hecha en Android
Probada en HTC Hero
Android 2.1 Platform
Ventajas que aporta Android:
Muestra la información de la celda actual y las vecinas
Acceso a GPS, acelerómetro, brújula nos permiten determinar si el usuario está parado o en movimiento
Facilita el uso de APIs de Google usamos Google Maps y un API que nos permite traducir identificadores de celda en coordenadas
Seminario eMadrid sobre "Juegos, aprendizaje y movilidad" 12
Aplicación móvil
13Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
ÍndiceMovilidad
Fuentes de datos
Algoritmos de predicción
Resultados
Aplicación móvil
e-Learning
Fuentes de datos
Algoritmos de predicción
Propuestas de aplicación a escenarios de e-learning
14Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Fuentes de datosObjetivo:
Resultados de evaluación Características de la actividad:
Nivel de dificultad Conocimientos, habilidades o competencias que se quieran ejercitar
o evaluar Ayuda (pistas, wikis, foros, búsquedas en Internet) que ha
necesitado el alumno
…
TraductorInformación de
aprendizaje del alumno
Símbolos de entrada de los
algoritmos
15Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Algoritmos de predicciónPrimera aproximación: analizar patrones de alumnos
de forma individual
A partir de las características de aprendizaje de un alumno, construir su árbol y adaptarse a su forma de aprender
Segunda aproximación: analizar patrones de un grupo de alumnos
Construir el árbol con los patrones seguidos por cada uno de los alumnos del grupo y hacer recomendaciones conforme a las observaciones colectivas
16Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Propuestas de aplicaciones a entornos de e-learning
A. Itinerarios de aprendizaje Árbol de patrones puede ser
Construido con las acciones del usuario
Construido “a mano” con los patrones que queremos que siga el usuario
Podemos diseñar nuestro árbol “ideal”
contiene los itinerarios de aprendizaje que queremos que siga el alumno
Al completar cada actividad evaluar los resultados y recomendar la siguiente actividad que parece mejor en cada caso
17Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Propuestas de aplicaciones a entornos de e-learning
B. Recomendaciones basadas en los patrones seguidos por otros usuarios
Árbol de patrones puede ser:
Individual (construido por los patrones de un usuario)
Colectivo (construido por los patrones de varios usuarios)
Cada usuario tiene su forma de aprender, pero pueden existir patrones de aprendizaje similares podemos usar los patrones que hemos observado de otros usuarios para recomendar a alumnos futuros
18Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
Propuestas de aplicaciones a entornos de e-learning
C. Educación usando mundos virtuales
Los mundos virtuales simulan el mundo real también podemos dividirlo en regiones “geográficas” y aprender patrones de comportamiento en el mundo virtual
Analizando por dónde se mueve el usuario podemos adelantarnos a sus movimientos y cargar nuevos personajes, objetos, ayudas… antes de que el usuario llegue a su destino
19Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"
20Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"