Ramas de la Inteligencia Artificial

1. 5. Inteligencia Artificial Generativa

1.1. Modelos Generativos: Creación de nuevos datos similares a datos existentes.

1.1.1. Ej.Generación de ejercicios y exámenes personalizados para cada estudiante.

1.1.2. Ej.Creación de materiales educativos adaptados a diferentes estilos de aprendizaje.

1.2. Aprendizaje por Refuerzo: Entrenamiento de agentes de IA a través de recompensas y castigos.

1.2.1. Ej.Desarrollo de simulaciones y juegos educativos para el aprendizaje experiencial.

1.2.2. EjCreación de sistemas de tutoría adaptativos que ajustan la dificultad según el progreso del estudiante.

2. 4. Reconocimiento de Patrones

2.1. Visión por Computadora: Interpretación y análisis de imágenes y videos.

2.1.1. Ej.Sistemas de asistencia para estudiantes con discapacidades visuales.

2.1.2. Ej.Evaluación automática del desempeño en actividades físicas o artísticas.

2.2. Detección de Anomalías: Identificación de patrones inusuales o desviaciones en datos.

2.2.1. Ej.Detección de plagio en trabajos estudiantiles.

2.2.2. Ej.Identificación de estudiantes con comportamientos atípicos que podrían indicar problemas de aprendizaje o bienestar.

3. 1.Aprendizaje Automático

3.1. Aprendizaje Supervisado: Los algoritmos aprenden a partir de datos etiquetados, prediciendo valores futuros.

3.1.1. Ej.Sistemas de tutoría personalizados que predicen el rendimiento estudiantil y adaptan la instrucción.

3.1.2. Calificación automática de tareas y exámenes

3.2. Aprendizaje No Supervisado: Los algoritmos descubren patrones ocultos en datos sin etiquetar.

3.2.1. Ej.Agrupación de estudiantes con características similares para una instrucción personalizada

3.2.2. Identificación de estudiantes en riesgo de abandono escolar.

4. 2. Aprendizaje Profundo

4.1. Redes Neuronales Convolucionales (CNNs): Especializadas en el análisis de imágenes y reconocimiento de patrones visuales.

4.1.1. Ej.Calificación automática de tareas escritas y exámenes de opción múltiple.

4.1.2. Ej.Detección de plagio en trabajos estudiantiles.

4.2. Redes Neuronales Recurrentes (RNNs): Procesamiento de secuencias de datos, como texto o audio.

4.2.1. Ej.Tutoría de lenguaje personalizada para mejorar la comprensión lectora y la escritura.

4.2.2. Ej.Creación de sistemas de retroalimentación automática para tareas de habla.

5. 3. Procesamiento del Lenguaje Natural (PLN)

5.1. Análisis del Lenguaje Natural (ANL): Extracción de significado y comprensión del lenguaje humano.

5.1.1. Ej.Sistemas de traducción automática para apoyar a estudiantes multilingües.

5.1.2. Ej.Análisis de sentimientos para identificar estudiantes con dificultades emocionales o sociales.

5.2. Generación de Lenguaje Natural (GLN): Creación de texto similar al humano a partir de datos o instrucciones.

5.2.1. Ej.Creación de materiales educativos personalizados para cada estudiante.

5.2.2. Ej.Desarrollo de chatbots para responder preguntas de estudiantes y brindar soporte académico.