Για την αποτελεσματική αξιοποίηση των εργαλείων πρόβλεψης στην Ανάλυση Δεδομένων Μάθησης, είναι απαραίτητη η κατανόηση του θεωρητικού τους υποβάθρου και των τεχνικών που χρησιμοποιούν. Παρακάτω παρατίθενται συνοπτικές περιγραφές με αντίστοιχους πόρους μελέτης:
Orange
Τι είναι:
Οπτική πλατφόρμα μηχανικής μάθησης με δυνατότητα σύνδεσης κόμβων (widgets). Επιτρέπει εύκολη εφαρμογή αλγορίθμων χωρίς κώδικα.
Μεθοδολογία:
Χρήση supervised και unsupervised learning (π.χ. Naive Bayes, Decision Trees, k-Means).
🔗 Επίσημος Ιστότοπος
🔗 Οδηγός για Εκπαιδευτικούς
🔗 Tutorials (Getting Started)
RapidMiner
Τι είναι:
Πλατφόρμα data mining με δυνατότητα πλήρους pipeline (π.χ. data preprocessing → modeling → validation).
Μεθοδολογία:
Υποστηρίζει Decision Trees, Neural Networks, SVM, Logistic Regression και πολλές ακόμα τεχνικές.
🔗 Επίσημος Ιστότοπος
🔗 RapidMiner Academy (Δωρεάν Μαθήματα)
🔗 RapidMiner YouTube Tutorials
Python με Scikit-learn
Τι είναι:
Προγραμματιστική βιβλιοθήκη για εφαρμογή κλασικών αλγορίθμων μηχανικής μάθησης.
Υποστήριξη Classification, Regression, Clustering (π.χ. SVM, Random Forest, k-NN, PCA).
🔗 🔗 Tutorialspoint Guide
🔗 YouTube Crash Course
R (caret & tidyverse)
Τι είναι:
R είναι γλώσσα στατιστικής. Το πακέτο caret διευκολύνει την προτυποποίηση (model training), ενώ το tidyverse βοηθά στον καθαρισμό και visualization δεδομένων.
Μεθοδολογία:
Χρήση Regression, Classification, Cross-validation, Grid Search, visual analytics με ggplot2.
🔗 Επίσημη Τεκμηρίωση caret
🔗 Vignette για caret
🔗 YouTube Εκπαίδευση – caret
LADs (Learning Analytics Dashboards)
Τι είναι:
Εργαλεία που προσφέρουν οπτικοποίηση της μαθησιακής πορείας, συνήθως ενσωματωμένα σε LMS.
Μεθοδολογία:
Χρήση descriptive και predictive analytics (π.χ. dashboards με indicators, predictive flags για εγκατάλειψη).
🔗 Guidebook (PDF) από το Teach4EDU4
🔗 ITCILO – Learning Analytics Dashboards
🔗 Παρουσίαση YouTube
