Search

Las Máquinas de Vector Soporte son una de las técnicas clásicas dentro del aprendizaje automático supervisado. Surgió alrededor de los años noventa y desde entonces ha sido usada prolijamente. Como veremos a lo largo del texto, su metodología de clasificación está basada encontrar el mayor margen de separación entre dos subconjuntos de datos de diferente clase. El hecho de que se quiera encontrar este mayor margen hace que sea eminentemente un problema de optmización. Cuando hablamos de margen estamos hablando también de distancia entre algunos ejemplares, de encontrar una mayor distancia, pero respetando la constricción de que ese margen permita discriminar entre clases. De ahí que emplee procedimientos de optimización, como los multiplicadores de Lagrange. Todo esto se introduce en este texto.

La técnica de K-vecinos más próximos (K-NN) es una de las más sencilla en el arsenal de los métodos supervisados. De hecho, se suele emplear como técnica auxiliar en procedimientos de mayor alcance. Se podría resumir el procedimiento diciendo que un nuevo ejemplar sin categoría asignada es comparado con un conjunto de ejemplares que sí tienen categoría. El nuevo ejemplar se asignará a la categoría más repetida entre los ejemplares que más se parecen a él. En este texto se estudiará la medida de similitud en base a la distancia espacial, cuestión clave para la técnica.

Una de las técnicas más empleadas para la exploración de los datos es la técnica de K-medias. Todos hemos visto alguna vez en forma de gráficos su producto final. Los ejemplares quedan colocados en un espacio, ya sea bidimensional o tridimensional, de manera que las propias distancias nos indican su parecido. Pero más importante, los ejemplares se agrupan en grupos, también llamados conglomerados (también llamados clústeres). Cada ejemplar es asignado a un conglomerado. Estos conglomerados se forman en la medida en que algunos ejemplares tienen propiedades comunes y difieren de otros. En este texto hablaremos de cómo funciona el algoritmo K-Medias.

Anteriormente hemos visto los árboles de decisión (en caso contrario, acudir al texto base sobre árboles de decisión). Se explicaba entonces que dicha técnica trataba de encontrar una secuencia de particiones en las variables independientes que fuese reduciendo el ruido en la variable dependiente. El ruido era la entropía. Pues bien, puede decirse que los Bosques Aleatorios son una expansión de lo ya visto con los Árboles de Decisión, pero esta vez tomando de la muestra total de datos diferentes submuestras de menor tamaño (muestras con reemplazo). Esto se hace en aras a conseguir una mejor generalización del modelo. Haciendo diversos árboles sobre esas submuestras conseguimos mayor estabilidad y generalización del modelo. En este breve texto se explican los aspectos importantes de la técnica.

Se suele definir conceptualmente a la técnica de Análisis de Componentes Principales (ACP) como una forma de reducción de ruido. En un conjunto de datos podemos tener ejemplares que puntúen en un conjunto de variables observables. No obstante, el objetivo es conseguir unas super-variables que nos resuman todas las relaciones ocultas de las variables observables de una manera simple pero sin pérdida de información. Por ejemplo, si tenemos 60 variables observables (número de amigos, valoración de los días soleados, puntualidad, etc.) en las que las personas puntúan, lo que querríamos es tener unas pocas super-variables, muchas menos, que nos resumiesen todas las posibles constelaciones significativas que se forman con ellas. Es decir, unos constructos de mayor abstracción y que resuman a las variables observables. De esto va la técnica de Componentes Principales: de resumir e identificar posibles constructos en un conjunto de datos.

Intuimos fácilmente lo que es un Árbol de Decisión. Nos imaginamos un conjunto de nodos y ramas por las que vamos decidiendo en base a preguntas o acciones que se nos plantean. Si tenemos que clasificar un evento, un conjunto de preguntas nos saldrán al paso según discurrimos por las ramas y las respuestas a ellas nos harán decantarnos por unas nuevas ramas y desdeñar otras. Existen formas automáticas de generar el mejor árbol de decisión dadas las características de un conjunto de datos y la variable a predecir. La idea es generar el árbol de decisión con alta capacidad predictiva pero lo menos profundo posible, con el menor número de preguntas, y lo más generalizable a eventos o ejemplares que no han participado en su generación. Es de esto de lo que se ocupará este texto. De estudiar una de esas formas: el algoritmo C4.5.

Todos intuimos lo que significa razonamiento deductivo en base a nuestra experiencia. Quien más, quien menos ha aplicado una regla general a un conjunto de hechos. Muchos hemos tenido una planta aquejada de alguna enfermedad y hemos chequeado algunos asertos para comprobar el posible problema e incluso la posible solución. Puntitos blancos, deformación en los tallos, hojas retorcidas, entonces la planta tiene "araña blanca”. Un sistema experto basado en reglas es un tipo de sistema que hace un tratamiento de los hechos con reglas formalizadas de manera lógica. Cuando se dice de manera lógica se está aludiendo a que están expresadas en lógica deductiva. Como lógica deductiva cuenta a priori con un conjunto de reglas y hechos con los que el sistema hará inferencias, es decir, generará otros hechos o consecuencias. En este texto se hace una leve introducción a los sistemas expertos.

Computational cognitive models developed so far do not incorporate individual differences in domain knowledge in predicting user clicks on search result pages. We address this problem using a cognitive model of information search which enables us to use two semantic spaces having a low (non-expert semantic space) and a high (expert semantic space) amount of medical and health related information to represent respectively low and high knowledge of users in this domain. We also investigated two different processes along which one can gain a larger amount of knowledge in a domain: an evolutionary and a common core process. Simulations of model click behavior on difficult information search tasks and subsequent matching with actual behavioral data from users (divided into low and high domain knowledge groups based on a domain knowledge test) were conducted. Results showed that the efficacy of modeling for high domain knowledge participants (in terms of the number of matches between the model predictions and the actual user clicks on search result pages) was higher with the expert semantic space compared to the non-expert semantic space while for low domain knowledge participants it was the other way around. When the process of knowledge acquisition was taken into account, the effect of using a semantic space based on high domain knowledge was significant only for high domain knowledge participants, irrespective of the knowledge acquisition process. The implications of these outcomes for support tools that can be built based on these models are discussed.

In this study we analyzed a time effect variable on the performance of collaborative versus individual tasks. Thirty- one postgraduate students carried out two online collaborative learning tasks and two online individual tasks as part of a university course. The results of an ANOVA did not show significant effects of time or task type variables, although the effect of interaction was significant. At the beginning of the course (T1) the students 'performance was significantly higher in the collaborative tasks, while at the end of the course (T2) this trend was reversed, with the students' performance in individual tasks being significantly higher than in the collaborative tasks. The results suggest implications for when to incorporate collaborative learning tasks in virtual learning environments. (C) 2013 The Authors. Published by Elsevier Ltd.

In this study we propose an integrated method to automatically assess summaries using LSA. The method is based on a regression equation calculated with a corpus of a hundred summaries (the training sample), and is validated on a different sample of summaries (the validation sample). The equation incorporates two parameters extracted from LSA: semantic similarity and vector length. A total of 396 students drawn from four stages of education participated in the study. The summaries of a short narrative text written by each participant were evaluated on a scale of 0-10 by four human graders and the scores compared to the evaluation of the summaries using LSA. The results supported that incorporating both parameters into the method resulted more successful than the traditional cosine measure, and that LSA showed a similar level of sensitivity to the quality of the summaries produced in different academic stages as that shown by the human graders. (C) 2013 The Authors. Published by Elsevier Ltd.