Eduline; Educación en linea y otras peripecias.
martes, 6 de septiembre de 2016
http://prezi.com/mx3lflcspghr/?utm_campaign=share&utm_medium=copy
Un presentación sobre los modelos económicos en México de 1945 a 1982.
jueves, 11 de agosto de 2016
jueves, 28 de abril de 2016
Inteligencia Artificial: Aplicación de las RNA, un cuento para dormir.
Inteligencia Artificial: Aplicación de las RNA, un cuento para dormir.
(Para verlo mejor da click en la imagen)
domingo, 24 de abril de 2016
Inteligencia Artificial: La aplicación de las redes neurales artificiales.
La idea del presente trabajo es exponer de forma muy general algunas aplicaciones útiles y prácticas, de sistemas de inteligencia artificial basados en redes neurales artificiales en diferentes campos.
Primeramente definimos la inteligencia artificial como la capacidad de
una máquina para resolver problemas que tradicionalmente asumimos sólo pueden
resolver los humanos (Gomez, 2013) . Para ello, se usa un conjunto de técnicas que
buscan imitar los procesos inductivos y deductivos de un ser humano. Las máquinas
de IA buscan imitar la inteligencia
humana mediante la manipulación de los símbolos de forma racional. (Haugeland,
1985) .
Al hablar de inteligencia artificial entonces tenemos que hablar de
resolver problemas; las máquinas para resolver un problema tienen que procesar
la información. Esto lo pueden hacer mediante computación basada en algoritmos
predecible o por computación neuronal
basada en las redes neurales artificiales (Hilera-Gónzalez & Martínez-Hernando, 2000) .
Para un observador externo no existiría mucha diferencia: cuando una máquina
resuelve un problema mediante un algoritmo o mediante una red neural artificial,
una serie de datos (input) entran al ordenador, son procesados y se emite una
respuesta (output). Sin embargo, el proceso en que los datos son tratados es
muy diferente.
Un algoritmo es un conjunto ordenado y finito de operaciones para poder
llegar a la solución de un problema. En estos sistemas la información entra en
modelos hechos a priori para cada situación esperada. Además, la pérdida de un
fragmento de la información entrante puede provocar que el sistema sea inútil (Hilera-Gónzalez
& Martínez-Hernando, 2000) .
Las redes neurales artificiales son sistemas que incluyen varios centros
de procesamiento de la información
(neuronas) conectados entre sí, en una estructura que imita los sistemas biológicos;
las redes neurales artificiales se pueden
adaptar a diversas situaciones gracias a un proceso de entrenamiento con unos ejemplos
ilustrativos (Hilera-Gónzalez & Martínez-Hernando, 2000) .
Las redes neurales artificiales pueden ser clasificadas de acuerdo a si
su aprendizaje es supervisado o no; de igual forma, existen varios modelos de
redes neurales artificiales con diferente popularidad en su aplicación (Hilera-Gónzalez & Martínez-Hernando, 2000) , así como sus
aplicaciones podrían clasificarse por
varios criterios (i.e SCHOLTES, 1995). Estos temas son interesantes pero, ademas de ser
extensos, no son parte de los objetivos de este documento.
A continuación se mencionaran unos cuantos de los muchos casos
particulares de aplicaciones de las redes neurales artificiales en distintas
investigaciones.
En el campo de estudio de la conducta, se han empleado redes neurales
artificiales para el estudio de organismos virtuales que se comporten como organismos
reales, como es el caso de un estudio conducido (Miranda, Conde, Celis, & Corzo, 2009) donde se diseñó una “rata
virtual” que se comportó en un laberinto de Cruz elevado de forma similar a las
Ratas reales por lo que se sugiere que este tipo de modelos pude ser usado para el análisis del comportamiento,
al menos en esta especie. También se ha probado el uso de un sistema experto
basado en las Redes neurales
artificiales en los diagnósticos en psicología (Pitarque, Ruiz, Fuentes, Martínez, &
Garcia-Merita, 1997) , donde los resultaron mostraron que el
sistema podía realizar predicciones de diagnóstico de forma satisfactoria.
En el campo de la agropecuaria se han utilizado las redes neurales
artificiales para predecir la productividad de un cultivo (Cibeles, Dias, Peiter, & Russi, 2015) . En el campo del análisis
contable se han probado dos sistemas expertos para la predicción de la quiebra
financiera, mostrando ser más eficaces en la predicción que los sistemas
tradicionales. (Serrano & Martin del Rio,
1993) .
Si bien en la actualidad las redes neurales artificiales está lejos de
imitar muchas de las conductas complejas de un ser humano, y que el camino para
lograrlo es largo, así como el potencial futuro despierta la imaginación, en el
aquí y el ahora podemos concluir que la inteligencia artificial de los sistemas
y maquinas que trabajan con redes neurales artificiales tiene aplicaciones prácticas
y útiles, que pueden ayudarnos a realizar tareas de forma más eficiente en campos tan diversos como la contabilidad o
la agropecuaria, por lo que las investigaciones en el área no solo deben
seguirse por el conocimiento futuro sino también por las aplicaciones actuales.
Bibliografía
Cibeles, F., Dias, A., Peiter, M. J., & Russi, J. L.
(2015). Predição da produtividade da cultura do milho utilizando rede neural
artificial. Ciencia Rural, 1987-1993.
de Moya Anegón, F.,
Solana, V. H., & Bote, V. G. (1998). researchgate.net. Recuperado
el 24 de 4 de 2015, de
https://www.researchgate.net/profile/Felix_Moya-Anegon2/publication/39105442_La_aplicacion_de_Redes_Neuronales_Artificiales_RNA_a_la_recuperacion_de_la_informacion/links/0c96051fded9f08024000000.pdf
Gomez, R. (2013). La intelignecia
. ¿Cómo vez?, 8-11.
Haugeland, J.
(1985). Artificial intelligence, the very idea. Massachusetts: The
Massachusets Institute of Technology.
Hilera-Gónzalez, J. R.,
& Martínez-Hernando, J. V. (2000). edes neuronales artificiales:
fundamentos modelos y aplicaciones. Madrid: Alfaomega.
Miranda, D. A., Conde,
C. A., Celis, C. C., & Corzo, S. P. (2009). Modelado del Comportamiento
de Ratas en Laberinto en Cruz Elevado. Revista Colombiana de Física,
406-408.
Pitarque, A., Ruiz, J.
C., Fuentes, I., Martínez, M. J., & Garcia-Merita, M. (1997). Diagnostico
clínico en psicología a través de redes neurales. Psicothema, 359-363.
SCHOLTES, J.
(1995). Artificial neural networks for information retrieval in libraries
context. Luxembourg: European Commicion.
Serrano, C., &
Martin del Rio, B. (1993). Prediccion de la quiebra bancaria mediante el
empleo de redes neurales artificiales. Revista Española de Financiación y
Contabilidad, 153-176.
domingo, 10 de abril de 2016
Lectura critca y mapa mental de Sierra-Pérez, J. H. (2011). Aprendizaje autónomo: eje articulador de la educación virtual. Revista Virtual Universidad Católica del Norte, 1(14).
El documento grandes confusiones conceptuales. En
primer lugar, existe una confusión entre autonomía y autodirección; ambas son
solo equivalentes cuando se habla que se tiene autonomía de un guía, pero en el
aprendizaje pueden existir autonomía de
los medios y dependencia de un guía (Moreno & Martínez, 2007).
Por otro lado, se menciona un concepto
medular como el de mediador pedagógico, pero no este no es aclarado; gracias a
una revisión rápida de la literatura (Guerrero, 1999) pude averiguar que un mediador pedagógico son
elementos que participan en el aprendizaje. El entendimiento de su papel en
el aprendizaje pude enriquecerse con el
modelo de Ibañez, (2007) que no solo habla de los
objetos o de la accion del maestro si no del papel del estudiante en el
desepeño requerido para decir que ha aprendido.
Bibliografía
Ibañez, C. (2007). Un
análisis crítico del modelo del triángulo pedagógico. Una propuesta
alternativa. Revista Mexicana de Investigación Educativa, 12(32),
435-456.
Moreno, R., &
Martínez, R. (2007). Aprendizaje autónomo. Desarrollo de una definición. Acta
Comportamentalia, 15(1), 51-62.
Ribes, E. (2002). Psicología
del aprendizaje. México: El Manual Moderno.
Sierra-Pérez, J. H.
(2011). Aprendizaje autónomo: eje articulador de la educación virtual. Revista
Virtual Universidad Católica del Norte, 1(14).
Guerrero, P. (1999). Integración
del profesor Universitario al uso de las redes como mediador pedagógico.
Documento en línea) En: upadron@ delfos. ucla. edu. ve.
lunes, 21 de marzo de 2016
¿Qué es ser un estudiante en línea?
Gracias a la tecnología de la información,
que expanden el conocimiento en forma masiva a la población mundial, ha emergido una nueva modalidad educativa, la
modalidad de estudios en línea, esta modalidad
de estudio reduce muchas de las barreras tiempo-espaciales que muchos
individuos tienen para estudiar, haciendo que el perfil del estudiante en línea
sea muy heterogéneo, pero al mismo
tiempo por sus características exige la adquisición de competencias específicas.
Para poder entender
lo anterior es importante saber que el adoptar Ambientes
Virtuales de Aprendizaje (entorno basado en tecnologías de la información
donde se desarrolla el aprendizaje en línea) implica un modelo o paradigma de
aprendizaje y no uno de enseñanza ( Esteve Mon & Cervera, 2011) ; es decir que no está
basado en lo que debe hacer el profesor, sino en lo que debe hacer el
estudiante (Barr & Tagg, 1995) . López Meza (2016)
habla sobre el rol (perfil), recomendaciones y retos de los estudiantes de la
modalidad en línea.
El rol del estudiante en línea.
Para López Meza (2016) , el estudiante en línea
se debe caracterizar por la proactividad; a diferencia de un estudiante tradicional,
no le es funcional en ninguna manera el sólo esperar instrucciones, y por ello se
convierte en el responsable de su aprendizaje: tiene entonces que gestar su actividad
académica.
La participación
en los estudios en línea varía significativamente de un curso tradicional, por un lado existen mecanismos tecnológicos
que permiten al docente ver quien no ha participado, y por otro la autogestión
exige que el estudiante sea participativo para lograr su aprendizaje.
El tiempo y
espacio no están sujetos a un esquema totalmente rígido, lo que ha permitido su
masificación, si bien es cierto que como todo curso existen tiempos de desarrollo de aprendizaje y de evidencias.
Este doble elemento de cumplir con fechas pero respetando sus tiempos exige al
estudiante en línea la habilidad de administrar su tiempo.
El seguimiento
académico en un curso en línea es un poco diferente al presencial, aquí la comunicación es asincrónica (los
participantes no están emitiendo sus mensajes en el mismo lugar y tiempo), por
lo que requiere mayor actividad del estudiante, así como paciencia.
La interacción
de un curso en línea conlleva otro problema: en primer lugar el estudiante
puede limitar su interacción con los contenidos del ambiente virtual de
aprendizaje, lo cual limitaría su formación.
Para evitarlo, debe interactuar con sus compañeros y docente para enriquecerla,
esto de nuevo requiere proactividad y paciencia.
Por último, el
estudiante en línea, al ser proactivo, debe no sólo conformarse con los
contenidos que encuentre en el ambiente virtual de aprendizaje, sino además buscar
él mismo más contenido; en la actualidad internet es una herramienta poderosa
para este fin.
Recomendaciones para el estudiante en línea.
Entre las recomendaciones
principales de López-Meza (2016) para cualquier
estudiante (en línea o tradicional), está la de saber cómo manejar las
emociones, puesto que esto es clave para la interacción con otros. El control
de emociones implica el identificar nuestras propias emociones, para de esta
forma poder controlarlas.
Del mismo modo,
habilidades sociales como la identificación de circunstancia y el conocer el cómo
interactuar correctamente con nuestro compañeros serán de gran utilidad.
Retos para el estudiante en línea.
De acuerdo con de López-Meza (2016) ,
se debe tener una actitud crítica y no solo ser un usuario pasivo de las tecnologías
de la información. Es decir, se debe ser activo buscando nuevas formas de descubrir
información y conocimiento.
Adaptarse
a los ambientes cambiantes del entorno virtual es otro reto para el estudiante
en línea, así como mejorar su comunicación escrita, ya que ésta es una
herramienta primordial en la interacción en dichos entornos.
Conclusión:
El estudiante
en línea requiere un perfil específico, pero a diferencia del perfil de un
estudiante de un sistema tradicional, las limitantes espacio-temporales son menores por lo que su perfil esta mas cimentado
en la actitud y el compromiso.
Esteve Mon, M. F., & Cervera, M. G. (2011). El nuevo
paradigma de aprendizaje y las nuevas tecnologías. Revista docencia
universitaria, 55-73.
Barr, R. B., &
Tagg, J. (1995). From teaching to learning: A New Paradigm for Undergraduate
Education. Change, 13-26.
Lopez-Meza, R. D.
(2016). ¿Qué es ser un estudiante en línea? Documento elaborado para el
curso propedéutico para el aprendizaje autogestivo en un ambiente virtual.
México: UnADM.
Suscribirse a:
Entradas (Atom)