Please enable JavaScript.
Coggle requires JavaScript to display documents.
Inteligencia Artificial :explode: - Coggle Diagram
Inteligencia Artificial :explode:
Ramas aplicadas
Ramas aplicadas a nivel de educación
Gamificación e inteligencia afectiva
Modelado del conocimiento del estudiante
Aprendizaje adaptativo
Analítica del aprendizaje
Chatbots educativos
Educación inclusiva asistida
Minería de datos educativos
Visión por computadora
Procesamiento de lenguaje natural
Robótica
Sistema de expertos
Historia
: (1936)Turing
Fundamentos
Lógica y razonamiento
Algoritmo de búsqueda
Inferencia probabilística
Representación del conocimiento
Primeros pasos
(1943)
Marvin Minsky, Jhon Hopfield, Warren McCulloch
Redes neuronales
(1949)
Donald Hebb: "Las neuronas que disparan juntas, se conectan".
Las funciones neuronales, las redes cerebrales y el mapeo del cerebro se modifican de manera continua por el aprendizaje y la experiencia, consolidando la idea de que el cerebro posee una plasticidad duradera a lo largo de toda la vida.
Enhancing endogenous capacity to repair a stroke-damaged brain: An evolving field for stroke research” de Li-Ru Zhao y Alison Willing (2018)
(1956)
Congreso Dartmouth
(1966)
Joseph Weizenbaum-Programación de Eliza
(1971)
Conexión de 23 ordenadores ala red del departamento de los EEUU, ARPANET (Red de la Agencia de Proyectos de Investigación Avanzada) y Ray Tomlinson-Envío del primero correo electrónico-Inicio de acumulación de datos.
Hitos explosivos
(2016)
AlphaGo
(
2017
)
AlphaZero
Machine Learning
Aprendizaje supervisado
SMV
(Máquina de Vectores de Soporte)-Aplicación en la educación: Clasifica-Detección de rendimiento académico
Árboles de decisión (Decision Tree)
: Puede aportar en el Diagnóstico educativo
Bosques aleatorios (Random Forest):
Puede aportar en Evaluaciones predictivas
Naive Bayes
: Análisis de patrones complejos
k-Nearest Neighbors (k-NN)
: Agrupamiento por perfil
Regresión
-A nivel de la educación puede predecir el rendimiento académico
Redes neuronales supervisadas
Perceptrón multicapa (MLP)
Redes neuronales feed-forward
Redes convolucionales (CNN)
Redes recurrentes (RNN)
Machine Learning
Aprendizaje no supervisado
Autoencoders (Redes neuronales no supervisadas):
Capturan estructuras profundas sin etiquetar datos.
DBSCAN (Density-Based Spatial Clustering):
Reconoce grupos de cualquier forma y detecta anomalías.
PCA (Análisis de Componentes Principales):
Facilita interpretación visual y análisis de grandes datos.
t-SNE (t-distributed Stochastic Neighbor Embedding):
Muy útil para exploración visual educativa.
Apriori / FP-Growth (Minería de reglas de asociación):
Genera conocimiento pedagógico a partir de datos
Análisis de anomalías:
Permite intervención temprana.
Hierarchical Clustering
: Permite visualizar relaciones entre grupos.
K-Means Clustering:
Descubre patrones ocultos sin necesidad de etiquetas
LDA (Análisis de Dirichlet Latente):
Ideal para minería de texto educativo.
Aplicaciones
Aplicaciones a nivel educativo
Analítica y visualización: Power BI, Tableau, Excel
Lenguajes: Python, R, Julia
Plataformas predictivas: RapidMiner, Orange, Google Cloud AI
Software estadístico: SPSS, Jamovi
Frameworks IA: TensorFlow, PyTorch
Python
R / Julia
TensorFlow / PyTorch
Power BI
RapidMiner / Orange Data Mining
Google Cloud AI / Azure Machine Learning
SPSS / Jamovi
Tableau
Microsoft Excel (con IA y Power Query)
Ética y gobernanza
IA explicable (XAI):
Explicar a estudiantes y docentes por qué un sistema de recomendación sugiere ciertos contenidos.
Privacidad y protección de datos:
Cumplir con la Ley de Protección de Datos
Sesgos y equidad
: Verificar que un modelo predictivo no discrimine por ubicación o acceso a internet.
Transparencia algorítmica:
Mostrar cómo un sistema de evaluación automática califica los textos de los estudiantes.
Deep Learningtext
Redes neuronales convolucionales
Redes neuronales recurrentes
Autoencoders
GAN
Aportes a nivel educativo
Reconocer escritura a mano de estudiantes, evaluar dibujos o leer exámenes escaneados.
Analizar el progreso de aprendizaje a lo largo del tiempo, predecir desempeño futuro o procesar texto de foros educativos.
Detectar comportamientos atípicos de estudiantes (por ejemplo, inactividad súbita o copia) o comprimir datos de rendimiento.
Generar ejercicios o contenidos personalizados (por ejemplo, imágenes educativas o textos de práctica).