APRENDIZAJE PROFUNDO

COMPONENETES

CONCEPTO

Ángel Martínez Fernández - Tostado

APRENDIZAJEPROFUNDO

CONJUNTOS DE DATOS

ALGORITMOS DE RETROPROPAGACIÓN

REDES NEURONALES

VENTAJAS

DESVENTAJAS

Componentes

Según Goodfellow, I., Bengio, Y., & Courville, A. (2016) abordan los diversos componentes que lo forman que son:

• Redes Neuronales Artificiales: las capas neuronales artificiales procesan y transforman la información.
• Algoritmos de Retropropagación: ajustan las redes neuronales para que el sistema aprenda de los errores y mejoren.
• Grandes Conjuntos de Datos: con el objetivo de identificar los patrones complejos

ALGORITMOS DE RETROPROPAGACIÓN

Son aquellos métodos de aprendizaje que usas las redes neuronales para ajustar los diferentes pesos de las conexiones entre las neuronas y reducir así el margen de error. Gracias a la retropropagación, el aprendizaje profundo ha podido avanzar en diferentes áreas.

Componentes

Según Goodfellow, I., Bengio, Y., & Courville, A. (2016) abordan los diversos componentes que lo forman que son:

• Redes Neuronales Artificiales: las capas neuronales artificiales procesan y transforman la información.
• Algoritmos de Retropropagación: ajustan las redes neuronales para que el sistema aprenda de los errores y mejoren.
• Grandes Conjuntos de Datos: con el objetivo de identificar los patrones complejos

El Aprendizaje Profundo o Deep Learning, es descrito por Baker y Siemens (2016) como aquel enfoque basado en datos y en la tecnología con el fin de personalizar la experiencia educativa adaptándola a la características y necesidades del alumnado. Además, explican que, mediante el uso de redes neuronales y algoritmos avanzados, los centros educativos pueden analizar los diferentes patrones de aprendizaje, adaptando los contenidos, las metodologías y las evaluaciones en tiempo real, consiguiendo así una mejora del compromiso del estudiante, facilitando su aprendizaje, siendo este más efectivo.

CONCEPTO

Componentes

Según Goodfellow, I., Bengio, Y., & Courville, A. (2016) abordan los diversos componentes que lo forman que son:

• Redes Neuronales Artificiales: las capas neuronales artificiales procesan y transforman la información.
• Algoritmos de Retropropagación: ajustan las redes neuronales para que el sistema aprenda de los errores y mejoren.
• Grandes Conjuntos de Datos: con el objetivo de identificar los patrones complejos

Componentes

Según Goodfellow, I., Bengio, Y., & Courville, A. (2016) abordan los diversos componentes que lo forman que son:

• Redes Neuronales Artificiales: las capas neuronales artificiales procesan y transforman la información.
• Algoritmos de Retropropagación: ajustan las redes neuronales para que el sistema aprenda de los errores y mejoren.
• Grandes Conjuntos de Datos: con el objetivo de identificar los patrones complejos

Componentes

Según Goodfellow, I., Bengio, Y., & Courville, A. (2016) abordan los diversos componentes que lo forman que son:

• Redes Neuronales Artificiales: las capas neuronales artificiales procesan y transforman la información.
• Algoritmos de Retropropagación: ajustan las redes neuronales para que el sistema aprenda de los errores y mejoren.
• Grandes Conjuntos de Datos: con el objetivo de identificar los patrones complejos

VENTAJAS

• Personalización del Aprendizaje: Adaptación del contenido a las características de cada estudiantes.
• Mejora en Retención y Desempeño: Identificar aquellas áreas con mayor dificultad del estudiante y aplicarle el refuerzo que se requiera.
• Evaluación Automática: Retroalimentación instántanea.
• Análisis Predictivo: Con el fin de detectar estudiantes en riesgo y realizar aquellas intervenciones proactivas efectivas.
• Análisis de Emociones: Adaptación de la enseñanza según el estado emocional del estudiante.
• Aprendizaje Autodirigido: Fomento de la autonomía y motivación del estudiante..

CONJUNTOS DE DATOS

Es una colección de ejemplos que la red neuronal utilizará para aprender. Es fundamental para el éxito del aprendizaje ya que necesita una alta cantidad de datos de calidad para poder que este sea efectivo y adecuado.

COMPONENTES

Según Goodfellow, I., Bengio, Y., & Courville, A. (2016) abordan los diversos componentes que forman el Aprendizaje Profundo que son:

• Redes Neuronales Artificiales: las capas neuronales artificiales procesan y transforman la información.
• Algoritmos de Retropropagación: ajustan las redes neuronales para que el sistema aprenda de los errores y mejoren.
• Grandes Conjuntos de Datos: con el objetivo de identificar los patrones complejos

Componentes

Según Goodfellow, I., Bengio, Y., & Courville, A. (2016) abordan los diversos componentes que lo forman que son:

• Redes Neuronales Artificiales: las capas neuronales artificiales procesan y transforman la información.
• Algoritmos de Retropropagación: ajustan las redes neuronales para que el sistema aprenda de los errores y mejoren.
• Grandes Conjuntos de Datos: con el objetivo de identificar los patrones complejos

DESVENTAJAS

• Privacidad y Ética ya que la recolección masiva de datos de los estudiantes puede ser invasiva y mal gestionada.
• Transparencia y Comprensibilidad lo que hace difícil para los docentes comprender cómo toman las decisiones sus alumnos.
• Dependencia Tecnológica y Deshumanización lo que podría reducir la interacción personal en el aula, al depender excesivamente de la tecnología, por lo que deshumaniza la educación y limita el rol activo del docente.

REDES NEURONALES

¡

Son modelos computaciones basados en la estructura del cerebro humano y compuestas por neuronas interconectadas, organizadas en capas que trabajan juntas para poder procesar la diferente información adquirida de manera jerárquica. Además, son fundamentales para las tareas complejas, ya sea para el reconocimiento de voz o de imágenes, y que, gracias a su capacidad para aprender, se convierte en la base del aprendizaje profundo