Curso Online

Curso sobre Big Data y Educación

Visión general del curso sobre Big Data y Educación

Las herramientas de aprendizaje en línea y basadas en software se han utilizado cada vez más en la educación. Este movimiento ha resultado en una explosión de datos, que ahora se pueden usar para mejorar la efectividad educativa y apoyar la investigación básica sobre el aprendizaje.

En este curso:

• Aprenderá cómo y cuándo usar métodos clave para la minería de datos educativos y el análisis de aprendizaje sobre estos datos.
• Examinará los métodos que están desarrollando los investigadores en las comunidades de minería de datos educativos, análisis de aprendizaje, aprendizaje a escala, modelado de estudiantes e inteligencia artificial.
• También obtendrá experiencia con los métodos estándar de minería de datos que se aplican con frecuencia a los datos educativos.
• Aprenderá cómo aplicar estos métodos y cuándo aplicarlos, así como sus fortalezas y debilidades para diferentes aplicaciones.

El curso discutirá cómo usar cada método para responder preguntas de investigación educativa y para impulsar la intervención y la mejora en software y sistemas educativos.

Los métodos serán cubiertos a nivel teórico y en términos de aprender cómo aplicarlos en Python o usar herramientas de software como RapidMiner. También discutiremos la validez y la generalización; establecer qué tan confiables y aplicables son los resultados del análisis.

Lo que aprenderás en este curso

• Métodos claves para la minería de datos educativos.
• Aplicar métodos utilizando la biblioteca de aprendizaje automático integrada de Python, scikit-learn
• Aplicar métodos usando herramientas estándar como RapidMiner
• Cómo usar métodos para responder preguntas educativas prácticas

Plan de estudio del curso

Semana 1: Modelado de predicción

• Regresores
• Clasificadores

Semana 2: Modelo de bondad y validación

• Detector Confianza
• Métricas de diagnóstico
• Validación cruzada y sobreajuste

Semana 3: Detección de comportamiento e ingeniería de características

• Verdad fundamental para la detección de comportamiento
• Sincronización de datos y tamaño de grano
• Ingeniería de características
• Ingeniería del conocimiento

Semana 4: Inferencia de conocimiento

• Inferencia de conocimiento
• Rastreo de conocimiento bayesiano (BKT)
• Análisis del factor de rendimiento
• Teoría de respuesta al ítem

Semana 5: Minería de relaciones

• Minerías de:

1. Correlación
2. Causal
3. Patrones secuenciales

• Asociación de Minería de Reglas
• Análisis de red

Semana 6: Visualización

• Curvas de aprendizaje
• Gráficos de aprendizaje momento a momento
• Gráfico de dispersión
• Diagramas de espacio de estado
• Otras visualizaciones EDM impresionantes

Semana 7: Descubrimiento de estructuras

• Agrupamiento
• Validación y Selección
• Análisis factorial
• Estructuras de inferencia de conocimiento

Semana 8: Descubrimiento con modelos

• Descubrimiento con modelos
• Extracción de textos
• Modelos ocultos de Markov