Introduit des algorithmes de traçage des connaissances bayésiennes, de modélisation des facteurs additifs et de regroupement pour tracer les connaissances des étudiants et découvrir les structures.
Couvre les approches d'apprentissage automatique pour la personnalisation et leur application dans le monde réel, en mettant l'accent sur les devoirs, les projets et les commentaires.
Explore les théories des émotions, les applications et les modèles prédictifs dans l'informatique affective, en analysant les tendances de financement de la NSF, l'impact des émotions sur l'éducation et la médecine, et la détection des émotions à travers des signaux physiologiques et des données visuelles.
Explorez l'interaction homme-robot, l'engagement des étudiants et l'analyse de l'apprentissage à l'aide de données multimodales pour améliorer les processus éducatifs.
Introduit un cours sur l'apprentissage automatique des données comportementales à l'EPFL, couvrant les algorithmes ML, le traitement des données et l'évaluation des modèles.
S'insère dans l'évaluation du modèle, couvrant la théorie, l'erreur de formation, l'erreur de prédiction, les méthodes de rééchantillonnage et les critères d'information.
Déplacez-vous dans les courbes de repérage et d'apprentissage des connaissances bayésiennes, explorant la prédiction des connaissances des élèves au fil du temps et l'importance d'une mesure précise du rendement.
Explore la recherche approfondie des connaissances et son application pour prédire les résultats d'apprentissage des élèves à l'aide de réseaux neuronaux et de fonctions de perte.
Explore les réseaux neuronaux récurrents pour les données comportementales, couvrant le repérage de connaissances profondes, les réseaux LSTM, GRU, le réglage hyperparamétrique et les tâches de prévision de séries chronologiques.
Comparer les algorithmes K-Means et Spectral Clustering, en mettant en évidence leurs différences et leurs applications pratiques dans le regroupement des comportements des élèves.
Explore les sources d'injustice dans l'apprentissage automatique, l'importance des mesures d'équité et l'évaluation des prédictions des modèles à l'aide de diverses mesures d'équité.
