Universidad Posgrado
Permanent URI for this community
Browse
Browsing Universidad Posgrado by Subject "aprendizaje profundo"
Results Per Page
Sort Options
-
ItemAprendizaje portador : diseño tecnopedagógico para enseñanza de matemática, programa de articulación secundaria-universidad( 2024-4-18) Sentenac, Mauricio GermánLa transición de la educación secundaria a la universitaria es un tema de preocupación y debate desde hace más de una década para ambos niveles y el sistema educativo en su conjunto. Este asunto resalta la importancia de habilidades fundamentales, como el dominio de conocimientos matemáticos y comprensión lectora, esenciales para que los estudiantes comiencen su recorrido en la educación superior. La asociación civil sin fines de lucro Aclara, que otorga becas a estudiantes de General La Madrid (Argentina) para iniciar estudios universitarios, ha identificado que estudiantes regresan a la ciudad o cambian de carrera debido a la falta de preparación, especialmente en Matemática. En este escenario, el nivel secundario enfrenta numerosos desafíos, entre los cuales se puede mencionar: superar prácticas educativas tradicionales e integrar las Tecnologías de la Información y Comunicación (TIC). Este imperativo se acentuó más tras el reciente periodo de pandemia, durante el cual se intensificó la incorporación de las TIC en los procesos de enseñanza. En este contexto, se propone una investigación basada en diseño que capitalice las posibilidades que brinda la Tecnología Educativa para crear un entorno virtual de aprendizaje tecnopedagógico. Complementariamente, diseñar e implementar una propuesta de enseñanza con tecnología, con el objetivo no solo de enriquecer el proceso de enseñanza y de aprendizaje en Matemática, sino también de lograr aprendizajes profundos que faciliten el ingreso y la permanencia de los estudiantes en la carrera universitaria que elijan. En esta tesis, el lector descubrirá una propuesta centrada en innovar las prácticas educativas con tecnología, con el objetivo de que los estudiantes disfruten y aprendan mediante la acción, utilizando las tecnologías como herramienta para la construcción de un aprendizaje profundo.
-
ItemTécnicas de inteligencia artificial explicable basadas en una integración de lógica simbólica y nosimbólica( 2024-7) Negro, Pablo ArielEl aprendizaje profundo (deep learning - DL) aprovecha el potencial de las redes neuronales profundas para influir en el proceso genérico del aprendizaje mediante la prueba y el error. Su efectividad se ha demostrado de manera sólida en diversas áreas. No obstante, los sistemas de DL heredan deficiencias de las técnicas actuales de aprendizaje profundo, como la necesidad de conjuntos de datos extensos para su óptimo funcionamiento. Carecen de la capacidad de razonamiento abstracto, lo que dificulta la ejecución de funciones cognitivas avanzadas como el razonamiento analógico o basado en hipótesis. Además, su funcionamiento es mayormente opaco para los humanos, lo que los hace inadecuados en ámbitos donde la verificabilidad es crucial. La explicabilidad se refiere a la capacidad de explicar las decisiones tomadas por un modelo en términos comprensibles para las personas. Su propósito es comprender por qué el modelo adoptó una decisión particular y reconocer las condiciones en las que tiene éxito o fracasa. En este sentido, la necesidad de integración entre lo neuronal y lo simbólico se vuelve evidente al enfrentar problemas de mayor complejidad. Los métodos de búsqueda para extraer reglas en redes neuronales profundas entrenadas realizan un análisis de los pesos y sesgos generados por la red. Al calcular la correlación entre los vectores de pesos con las salidas en cada capa, es factible reducir el espacio de búsqueda e identificar el camino crítico que conecta las entradas con los resultados obtenidos por la red neuronal. Basándonos en esta observación, este trabajo tiene como objetivo presentar un método para extraer el patrón de reglas aprendido por una red neuronal entrenada de tipo feedforward, analizar sus propiedades y explicar estos patrones mediante el uso de lógica de primer orden (FOL)