La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Optimisation par Colonies de Fourmis pour le E-Learning : optimisation de parcours pédagogiques Yann SEMET Projet Fractales, INRIA Rocquencourt.

Présentations similaires


Présentation au sujet: "Optimisation par Colonies de Fourmis pour le E-Learning : optimisation de parcours pédagogiques Yann SEMET Projet Fractales, INRIA Rocquencourt."— Transcription de la présentation:

1 Optimisation par Colonies de Fourmis pour le E-Learning : optimisation de parcours pédagogiques Yann SEMET Projet Fractales, INRIA Rocquencourt

2 "ACO & E-Learning" JET Avril Université Paris V 2 Itinéraire Le site Paraschool Problème et solution Détails algorithmiques Procédures de sélection Simulations et tests réels Perspectives

3 "ACO & E-Learning" JET Avril Université Paris V 3 Le site Paraschool

4 "ACO & E-Learning" JET Avril Université Paris V 4 Le site Paraschool

5 "ACO & E-Learning" JET Avril Université Paris V 5 Le site Paraschool

6 "ACO & E-Learning" JET Avril Université Paris V 6 Le site Paraschool

7 "ACO & E-Learning" JET Avril Université Paris V 7 Le site Paraschool

8 "ACO & E-Learning" JET Avril Université Paris V 8 Optimisation par Colonies de Fourmis (ACO) Paradigme inspiré des colonies dinsectes sociaux Agents multiples et simples Balance information stigmergique et heuristique locale Solution « émergente » Efficace, souple, facile à écrire (métaphore des agents)

9 "ACO & E-Learning" JET Avril Université Paris V 9 Un exemple NidSource

10 "ACO & E-Learning" JET Avril Université Paris V 10 Fourmis et voyageurs de commerce (ACO&TSP) Application classique Excellents résultats obtenus par méthodes hybrides i l1l1 j lnln lklk

11 "ACO & E-Learning" JET Avril Université Paris V 11 Modèle : graphe pédagogique

12 "ACO & E-Learning" JET Avril Université Paris V 12 W : structure pédagogique « Produit dun vecteur par un réel » « Vecteurs colinéaires » « Alignement, parallélisme et vecteurs » W=5 W=1

13 "ACO & E-Learning" JET Avril Université Paris V 13 W : structure pédagogique

14 "ACO & E-Learning" JET Avril Université Paris V 14 Un problème doptimisation Maximiser : succès pédagogique Trouver la bonne valuation Contraintes : Pédagogiques Facteurs individuels Facteurs collectifs

15 "ACO & E-Learning" JET Avril Université Paris V 15 Fourmis & Phéromones Communication stigmergique 2 types de phéromone : S et F Dépôt : mémoire Rétro-propagation : portée pédagogique Évaporation : dynamisme Pour une valuation plus pertinente

16 "ACO & E-Learning" JET Avril Université Paris V 16 Rétro-propagation : Succès W S+= 1 F W S+= 1 /2 F W S+= 1 /3 F W S+= 1 /4 F

17 "ACO & E-Learning" JET Avril Université Paris V 17 Rétro-propagation : Échec W S F+= 2 W S F += 2 /2 W S F += 2 /2 W S F += 2 /2

19 "ACO & E-Learning" JET Avril Université Paris V 19 Mémoire individuelle : H Un 1er facteur individuel Modèle de la mémoire volatile Une valeur par nœud et par étudiant Application de NxI dans R Nœud non visité : H=1 Nœud réussi : H=0.5 Nœud raté : H=0.75

20 "ACO & E-Learning" JET Avril Université Paris V 20 H : anti-évaporation =constante de temps ; x= t H revient naturellement vers 1

21 "ACO & E-Learning" JET Avril Université Paris V 21 Une mesure de fitness Mesure unifiée dexcellence locale Mesure la « désirabilité » des arcs

22 "ACO & E-Learning" JET Avril Université Paris V 22 Désirabilité des arcs Balance heuristique locale/information stigmergique. Cf TSP Un arc est désirable lorsquil est : renforcé les professeurs (W élevé) témoin de succès (S élevé) non témoin déchecs (F bas) nouveau ou oublié (H proche de 1)

23 "ACO & E-Learning" JET Avril Université Paris V 23 Sélection darcs Sélection dun arc à proposer parmi les arcs sortants Deux forces : Fitness (exploitation) Hasard (exploration) Balance réglable : s

24 "ACO & E-Learning" JET Avril Université Paris V 24 Procédures implémentées Roulette Sélection par le rang : seuils automatiques et manuels Tournoi Tournoi stochastique

25 "ACO & E-Learning" JET Avril Université Paris V 25 Tests : Simulations Une population détudiants : G(0.5,1/3) A chaque étudiant i son niveau A chaque nœud sa difficulté : 0.0d succès, sinon échec

26 "ACO & E-Learning" JET Avril Université Paris V 26 Un test élémentaire W=1 W=5 Taux de succès : 90% si n -1 =2 10% si n -1 =3 Objectif : rétablir la situation, encourager 2

27 "ACO & E-Learning" JET Avril Université Paris V 27 Comportements

28 "ACO & E-Learning" JET Avril Université Paris V 28 Courbes de calibrage

29 "ACO & E-Learning" JET Avril Université Paris V 29 Application réelle En cours ! Mode silencieux Observations préliminaires encourageantes : Faisabilité technique Structuration autonome du graphe Émergence de nœuds singuliers Travail à venir

30 "ACO & E-Learning" JET Avril Université Paris V 30 Résumé, Perspectives LE-Learning comme un problème doptimisation Un nouveau champ dapplications pour lintelligence en essaim Une nouvelle façon de faire du design évolutionnaire interactif

31 MERCI ! « Ant Colony Optimisation for E-Learning : Observing the Emergence of Pedagogic Suggestions » Y.Semet, Y. Jamont, R. Biojout, E. Lutton, P. Collet - Projet Fractales, INRIA Rocquencourt Université de Technologie de Compiègne -

32 "ACO & E-Learning" JET Avril Université Paris V 32 Annexes

33 "ACO & E-Learning" JET Avril Université Paris V 33 H : calibrage de Oublier un exercice : H va de 0.5 à 0.9 Oublier prend 1 semaine (x=604800s) =3.6E-6

34 "ACO & E-Learning" JET Avril Université Paris V 34 La roulette E=nœuds accessibles depuis n i Probabilité proportionnelle au fitness Automatique mais pas réglable Sensible, parfois trop

35 "ACO & E-Learning" JET Avril Université Paris V 35 Sélection par le rang I Probabilité de sélection inversement proportionnelle au rang Réduction automatique des écarts Non réglable Peut être insuffisamment subtil

36 "ACO & E-Learning" JET Avril Université Paris V 36 Sélection par le rang II Probabilités attribuées manuellement pour chaque rang Complètement paramétrable Lourd

37 "ACO & E-Learning" JET Avril Université Paris V 37 Sélection par tournoi S 1 arcs sortants tirés au hasard Le meilleur est choisi 1 paramètre de contrôle

38 "ACO & E-Learning" JET Avril Université Paris V 38 Tournoi stochastique On choisit dabord le pire arc S 1 « challengers » sont essayés lun après lautre Si plus fort, le « challenger » remplace son prédécesseur avec une probabilité s 2 2 paramètres de contrôle

39 "ACO & E-Learning" JET Avril Université Paris V 39 Prolongements Nouveaux facteurs individuels (agenda, excellence, etc.) Nouveaux facteurs collectifs (e.g. coupe de re-médiation) Observation avant tout

40 "ACO & E-Learning" JET Avril Université Paris V 40 Facteurs clés Écoute de léquipe pédagogique Écoute des élèves Davantage que loptimisation computationelle

41 "ACO & E-Learning" JET Avril Université Paris V 41 Résumé Un problème doptimisation : chercher la bonne valuation des arcs dun graphe de navigation pédagogique Solution proposée : agents, communication stigmergique, sélection semi-aléatoire Éléments de calibrage Premières observations encourageantes


Télécharger ppt "Optimisation par Colonies de Fourmis pour le E-Learning : optimisation de parcours pédagogiques Yann SEMET Projet Fractales, INRIA Rocquencourt."

Présentations similaires


Annonces Google