22 resultados para raccomandazione e-learning privacy tecnica rule-based recommender suggerimento
Resumo:
The system described herein represents the first example of a recommender system in digital ecosystems where agents negotiate services on behalf of small companies. The small companies compete not only with price or quality, but with a wider service-by-service composition by subcontracting with other companies. The final result of these offerings depends on negotiations at the scale of millions of small companies. This scale requires new platforms for supporting digital business ecosystems, as well as related services like open-id, trust management, monitors and recommenders. This is done in the Open Negotiation Environment (ONE), which is an open-source platform that allows agents, on behalf of small companies, to negotiate and use the ecosystem services, and enables the development of new agent technologies. The methods and tools of cyber engineering are necessary to build up Open Negotiation Environments that are stable, a basic condition for predictable business and reliable business environments. Aiming to build stable digital business ecosystems by means of improved collective intelligence, we introduce a model of negotiation style dynamics from the point of view of computational ecology. This model inspires an ecosystem monitor as well as a novel negotiation style recommender. The ecosystem monitor provides hints to the negotiation style recommender to achieve greater stability of an open negotiation environment in a digital business ecosystem. The greater stability provides the small companies with higher predictability, and therefore better business results. The negotiation style recommender is implemented with a simulated annealing algorithm at a constant temperature, and its impact is shown by applying it to a real case of an open negotiation environment populated by Italian companies
Resumo:
This work shows the use of adaptation techniques involved in an e-learning system that considers students' learning styles and students' knowledge states. The mentioned e-learning system is built on a multiagent framework designed to examine opportunities to improve the teaching and to motivate the students to learn what they want in a user-friendly and assisted environment
Resumo:
This paper shows how instructors can use the problembased learning method to introduce producer theory and market structure in intermediate microeconomics courses. The paper proposes a framework where different decision problems are presented to students, who are asked to imagine that they are the managers of a firm who need to solve a problem in a particular business setting. In this setting, the instructors role is to provide both guidance to facilitate student learning and content knowledge on a justintime basis
Resumo:
Darrerament, l'inters pel desenvolupament d'aplicacions amb robots submarins autnoms (AUV) ha crescut de forma considerable. Els AUVs sn atractius grcies al seu tamany i el fet que no necessiten un operador hum per pilotar-los. Tot i aix, s impossible comparar, en termes d'eficincia i flexibilitat, l'habilitat d'un pilot hum amb les escasses capacitats operatives que ofereixen els AUVs actuals. L'utilitzaci de AUVs per cobrir grans rees implica resoldre problemes complexos, especialment si es desitja que el nostre robot reaccioni en temps real a canvis sobtats en les condicions de treball. Per aquestes raons, el desenvolupament de sistemes de control autnom amb l'objectiu de millorar aquestes capacitats ha esdevingut una prioritat. Aquesta tesi tracta sobre el problema de la presa de decisions utilizant AUVs. El treball presentat es centra en l'estudi, disseny i aplicaci de comportaments per a AUVs utilitzant tcniques d'aprenentatge per refor (RL). La contribuci principal d'aquesta tesi consisteix en l'aplicaci de diverses tcniques de RL per tal de millorar l'autonomia dels robots submarins, amb l'objectiu final de demostrar la viabilitat d'aquests algoritmes per aprendre tasques submarines autnomes en temps real. En RL, el robot intenta maximitzar un refor escalar obtingut com a conseqncia de la seva interacci amb l'entorn. L'objectiu s trobar una poltica ptima que relaciona tots els estats possibles amb les accions a executar per a cada estat que maximitzen la suma de reforos totals. Aix, aquesta tesi investiga principalment dues tipologies d'algoritmes basats en RL: mtodes basats en funcions de valor (VF) i mtodes basats en el gradient (PG). Els resultats experimentals finals mostren el robot submar Ictineu en una tasca autnoma real de seguiment de cables submarins. Per portar-la a terme, s'ha dissenyat un algoritme anomenat mtode d'Actor i Crtic (AC), fruit de la fusi de mtodes VF amb tcniques de PG.
Resumo:
Aquesta tesi proposa l's d'un seguit de tcniques pel control a alt nivell d'un robot autnom i tamb per l'aprenentatge automtic de comportaments. L'objectiu principal de la tesis fou el de dotar d'intelligncia als robots autnoms que han d'acomplir unes missions determinades en entorns desconeguts i no estructurats. Una de les premisses tingudes en compte en tots els passos d'aquesta tesis va ser la selecci d'aquelles tcniques que poguessin sser aplicades en temps real, i demostrar-ne el seu funcionament amb experiments reals. El camp d'aplicaci de tots els experiments es la robtica submarina. En una primera part, la tesis es centra en el disseny d'una arquitectura de control que ha de permetre l'assoliment d'una missi prviament definida. En particular, la tesis proposa l's de les arquitectures de control basades en comportaments per a l'assoliment de cada una de les tasques que composen la totalitat de la missi. Una arquitectura d'aquest tipus est formada per un conjunt independent de comportaments, els quals representen diferents intencions del robot (ex.: "anar a una posici", "evitar obstacles",...). Es presenta una recerca bibliogrfica sobre aquest camp i alhora es mostren els resultats d'aplicar quatre de les arquitectures basades en comportaments ms representatives a una tasca concreta. De l'anlisi dels resultats se'n deriva que un dels factors que ms influeixen en el rendiment d'aquestes arquitectures, s la metodologia emprada per coordinar les respostes dels comportaments. Per una banda, la coordinaci competitiva s aquella en que noms un dels comportaments controla el robot. Per altra banda, en la coordinaci cooperativa el control del robot s realitza a partir d'una fusi de totes les respostes dels comportaments actius. La tesis, proposa un esquema hbrid d'arquitectura capa de beneficiar-se dels principals avantatges d'ambdues metodologies. En una segona part, la tesis proposa la utilitzaci de l'aprenentatge per refor per aprendre l'estructura interna dels comportaments. Aquest tipus d'aprenentatge s adequat per entorns desconeguts i el procs d'aprenentatge es realitza al mateix temps que el robot est explorant l'entorn. La tesis presenta tamb un estat de l'art d'aquest camp, en el que es detallen els principals problemes que apareixen en utilitzar els algoritmes d'aprenentatge per refor en aplicacions reals, com la robtica. El problema de la generalitzaci s un dels que ms influeix i consisteix en permetre l's de variables continues sense augmentar substancialment el temps de convergncia. Desprs de descriure breument les principals metodologies per generalitzar, la tesis proposa l's d'una xarxa neural combinada amb l'algoritme d'aprenentatge per refor Q_learning. Aquesta combinaci proporciona una gran capacitat de generalitzaci i una molt bona disposici per aprendre en tasques de robtica amb exigncies de temps real. No obstant, les xarxes neurals sn aproximadors de funcions no-locals, el que significa que en treballar amb un conjunt de dades no homogeni es produeix una interferncia: aprendre en un subconjunt de l'espai significa desaprendre en la resta de l'espai. El problema de la interferncia afecta de manera directa en robtica, ja que l'exploraci de l'espai es realitza sempre localment. L'algoritme proposat en la tesi t en compte aquest problema i mant una base de dades representativa de totes les zones explorades. Aix doncs, totes les mostres de la base de dades s'utilitzen per actualitzar la xarxa neural, i per tant, l'aprenentatge s homogeni. Finalment, la tesi presenta els resultats obtinguts amb la arquitectura de control basada en comportaments i l'algoritme d'aprenentatge per refor. Els experiments es realitzen amb el robot URIS, desenvolupat a la Universitat de Girona, i el comportament aprs s el seguiment d'un objecte mitjanant visi per computador. La tesi detalla tots els dispositius desenvolupats pels experiments aix com les caracterstiques del propi robot submar. Els resultats obtinguts demostren la idonetat de les propostes en permetre l'aprenentatge del comportament en temps real. En un segon apartat de resultats es demostra la capacitat de generalitzaci de l'algoritme d'aprenentatge mitjanant el "benchmark" del "cotxe i la muntanya". Els resultats obtinguts en aquest problema milloren els resultats d'altres metodologies, demostrant la millor capacitat de generalitzaci de les xarxes neurals.
Resumo:
El treball desenvolupat en aquesta tesi presenta un profund estudi i provex solucions innovadores en el camp dels sistemes recomanadors. Els mtodes que usen aquests sistemes per a realitzar les recomanacions, mtodes com el Filtrat Basat en Continguts (FBC), el Filtrat Collaboratiu (FC) i el Filtrat Basat en Coneixement (FBC), requereixen informaci dels usuaris per a predir les preferncies per certs productes. Aquesta informaci pot ser demogrfica (Gnere, edat, adrea, etc), o avaluacions donades sobre algun producte que van comprar en el passat o informaci sobre els seus interessos. Existeixen dues formes d'obtenir aquesta informaci: els usuaris ofereixen explcitament aquesta informaci o el sistema pot adquirir la informaci implcita disponible en les transaccions o historial de recerca dels usuaris. Per exemple, el sistema recomanador de pellcules MovieLens (http://movielens.umn.edu/login) demana als usuaris que avalun almenys 15 pellcules dintre d'una escala de * a * * * * * (horrible, ...., ha de ser vista). El sistema genera recomanacions sobre la base d'aquestes avaluacions. Quan els usuaris no estan registrat en el sistema i aquest no t informaci d'ells, alguns sistemes realitzen les recomanacions tenint en compte l'historial de navegaci. Amazon.com (http://www.amazon.com) realitza les recomanacions tenint en compte les recerques que un usuari a fet o recomana el producte ms venut. No obstant aix, aquests sistemes pateixen de certa falta d'informaci. Aquest problema s generalment resolt amb l'adquisici d'informaci addicional, se li pregunta als usuaris sobre els seus interessos o es cerca aquesta informaci en fonts addicionals. La soluci proposada en aquesta tesi s buscar aquesta informaci en diverses fonts, especficament aquelles que contenen informaci implcita sobre les preferncies dels usuaris. Aquestes fonts poden ser estructurades com les bases de dades amb informaci de compres o poden ser no estructurades com les pgines web on els usuaris deixen la seva opini sobre algun producte que van comprar o possexen. Nosaltres trobem tres problemes fonamentals per a aconseguir aquest objectiu: 1 . La identificaci de fonts amb informaci idnia per als sistemes recomanadors. 2 . La definici de criteris que permetin la comparana i selecci de les fonts ms idnies. 3 . La recuperaci d'informaci de fonts no estructurades. En aquest sentit, en la tesi proposada s'ha desenvolupat: 1 . Una metodologia que permet la identificaci i selecci de les fonts ms idnies. Criteris basats en les caracterstiques de les fonts i una mesura de confiana han estat utilitzats per a resoldre el problema de la identificaci i selecci de les fonts. 2 . Un mecanisme per a recuperar la informaci no estructurada dels usuaris disponible en la web. Tcniques de Text Mining i ontologies s'han utilitzat per a extreure informaci i estructurar-la apropiadament perqu la utilitzin els recomanadors. Les contribucions del treball desenvolupat en aquesta tesi doctoral sn: 1. Definici d'un conjunt de caracterstiques per a classificar fonts rellevants per als sistemes recomanadors 2. Desenvolupament d'una mesura de rellevncia de les fonts calculada sobre la base de les caracterstiques definides 3. Aplicaci d'una mesura de confiana per a obtenir les fonts ms fiables. La confiana es definida des de la perspectiva de millora de la recomanaci, una font fiable s aquella que permet millorar les recomanacions. 4. Desenvolupament d'un algorisme per a seleccionar, des d'un conjunt de fonts possibles, les ms rellevants i fiable utilitzant les mitjanes esmentades en els punts previs. 5. Definici d'una ontologia per a estructurar la informaci sobre les preferncies dels usuaris que estan disponibles en Internet. 6. Creaci d'un procs de mapatge que extreu automticament informaci de les preferncies dels usuaris disponibles en la web i posa aquesta informaci dintre de l'ontologia. Aquestes contribucions permeten aconseguir dos objectius importants: 1 . Millorament de les recomanacions usant fonts d'informaci alternatives que sigui rellevants i fiables. 2 . Obtenir informaci implcita dels usuaris disponible en Internet.
Resumo:
En esta tesis se propone el uso de agentes inteligentes en entornos de aprendizaje en lnea con el fin de mejorar la asistencia y motivacin del estudiante a travs de contenidos personalizados que tienen en cuenta el estilo de aprendizaje del estudiante y su nivel de conocimiento. Los agentes propuestos se desempean como asistentes personales que ayudan al estudiante a llevar a cabo las actividades de aprendizaje midiendo su progreso y motivacin. El entorno de agentes se construye a travs de una arquitectura multiagente llamada MASPLANG diseada para dar soporte adaptativo (presentacin y navegacin adaptativa) a un sistema hipermedia educativo desarrollado en la Universitat de Girona para impartir educacin virtual a travs del web. Un aspecto importante de esta propuesta es la habilidad de construir un modelo de estudiante hbrido que comienza con un modelo estereotpico del estudiante basado en estilos de aprendizaje y se modifica gradualmente a medida que el estudiante interacta con el sistema (gustos subjetivos). Dentro del contexto de esta tesis, el aprendizaje se define como el proceso interno que, bajo factores de cambio resulta en la adquisicin de la representacin interna de un conocimiento o de una actitud. Este proceso interno no se puede medir directamente sino a travs de demostraciones observables externas que constituyen el comportamiento relacionado con el objeto de conocimiento. Finalmente, este cambio es el resultado de la experiencia o entrenamiento y tiene una durabilidad que depende de factores como la motivacin y el compromiso. El MASPLANG est compuesto por dos niveles de agentes: los intermediarios llamados IA (agentes de informacin) que estn en el nivel inferior y los de Interfaz llamados PDA (agentes asistentes) que estn en el nivel superior. Los agentes asistentes atienden a los estudiantes cuando trabajan con el material didctico de un curso o una leccin de aprendizaje. Esta asistencia consiste en la recoleccin y anlisis de las acciones de los estudiantes para ofrecer contenidos personalizados y en la motivacin del estudiante durante el aprendizaje mediante el ofrecimiento de contenidos de retroalimentacin, ejercicios adaptados al nivel de conocimiento y mensajes, a travs de interfaces de usuario animadas y atractivas. Los agentes de informacin se encargan del mantenimiento de los modelos pedaggico y del dominio y son los que estn en completa interaccin con las bases de datos del sistema (compendio de actividades del estudiante y modelo del dominio). El escenario de funcionamiento del MASPLANG est definido por el tipo de usuarios y el tipo de contenidos que ofrece. Como su entorno es un sistema hipermedia educativo, los usuarios se clasifican en profesores quienes definen y preparan los contenidos para el aprendizaje adaptativo, y los estudiantes quienes llevan a cabo las actividades de aprendizaje de forma personalizada. El perfil de aprendizaje inicial del estudiante se captura a travs de la evaluacin del cuestionario ILS (herramienta de diagnstico del modelo FSLSM de estilos de aprendizaje adoptado para este estudio) que se asigna al estudiante en su primera interaccin con el sistema. Este cuestionario consiste en un conjunto de preguntas de naturaleza sicolgica cuyo objetivo es determinar los deseos, hbitos y reacciones del estudiante que orientarn la personalizacin de los contenidos y del entorno de aprendizaje. El modelo del estudiante se construye entonces teniendo en cuenta este perfil de aprendizaje y el nivel de conocimiento obtenido mediante el anlisis de las acciones del estudiante en el entorno.
