Intelligent Learning Path

Sistema de planificación de trayectoria profesional que combina búsqueda informada (A*), metaheurísticas (Algoritmo Genético), una búsqueda voraz (Greedy) como baseline y un modelo de lenguaje (LLM) para interpretar objetivos en lenguaje natural y evaluar la calidad de las trayectorias propuestas.

Requisitos

• Python 3.11+
• Ollama instalado y corriendo (para el componente LLM)

Instalación

# Clonar el repositorio
git clone <url-del-repo>
cd Intelligent-Learning-Path

# Crear entorno virtual e instalar dependencias
python3 -m venv .venv
.venv/bin/pip install -r requirements.txt

# Configurar variables de entorno (opcional)
# Crear un archivo .env con las siguientes variables:

Editar .env si es necesario:

Variable	Descripción	Default
OLLAMA_HOST	URL del servidor Ollama	http://localhost:11434
OLLAMA_MODEL	Modelo a utilizar	qwen3:1.7b
OLLAMA_TIMEOUT	Timeout en segundos	300

Ejecución

Interfaz Web (Recomendado)

# Instalar Streamlit (si no está instalado)
.venv/bin/pip install streamlit>=1.30.0

# Ejecutar la interfaz web
.venv/bin/streamlit run app.py

Se abrirá una interfaz en el navegador (http://localhost:8501). Escribe tu objetivo profesional en lenguaje natural y recibe un plan personalizado.

Ejemplo de uso:

Quiero ser Data Scientist, ya sé Python, tengo 500 de presupuesto y 30 semanas.

Línea de Comandos (CLI)

# Descargar el modelo (si no se tiene)
ollama pull qwen3:1.7b

# Ejecutar el sistema
.venv/bin/python main.py

El sistema pedirá describir un objetivo profesional en lenguaje natural. Ejemplo:

> Quiero ser Data Scientist, ya sé Python, tengo 500 de presupuesto y 30 semanas.

Salida esperada:

===== PARSED GOAL =====
{ "target_career": "ML Engineer", "initial_skills": ["Python"], ... }

===== A* SEARCH =====
1. Statistics
2. Linux
3. Linear Algebra
4. Docker
5. Machine Learning
6. Deep Learning
Total cost: 546 | Total time: 32 weeks

===== GENETIC ALGORITHM =====
1. Statistics
2. Linux
...

Generar dataset

Para regenerar el dataset sintético (56 cursos, 10 carreras):

.venv/bin/python data/generator.py

Ejecutar experimentos

# Comparativa A* vs GA vs Greedy (genera experiments/results.csv)
.venv/bin/python -m experiments.compare_algorithms --trials 5

# Generar gráficos (solution_quality, time_vs_cost, constraint_feasibility, summary_table)
.venv/bin/python -m experiments.plot_results

Los gráficos se guardan en experiments/figures/.

Simulación estocástica

El sistema incluye un simulador Monte Carlo que evalúa la robustez de las soluciones:

from simulation.simulator import LearningSimulator
sim = LearningSimulator(courses_dict)
result = sim.simulate(path, n_runs=1000)
# result = {'total_weeks': 31, 'abandonment_probability': 0.78}

Ejecutar tests

.venv/bin/python -m pytest tests/ -v

Estructura del proyecto

├── data/
│   ├── courses.json          # Catálogo de cursos (56 cursos, generado)
│   ├── careers.json          # Carreras y habilidades requeridas
│   ├── prerequisites.json    # Aristas del grafo de prerequisitos
│   ├── skills_seed.json      # Semilla curada a mano
│   └── generator.py          # Generador sintético del dataset
├── planning/
│   ├── career_planner.py     # Búsqueda A* con heurística admisible
│   ├── metaheuristic.py      # Algoritmo Genético (OX crossover)
│   ├── greedy.py             # Búsqueda voraz (baseline)
│   ├── constraints.py        # Validación de prerequisitos
│   └── state.py              # Estado de búsqueda para A*
├── llm/
│   ├── client.py             # Wrapper de Ollama
│   ├── parser.py             # Parsing de objetivo en lenguaje natural
│   └── evaluator.py          # Evaluación de trayectorias
├── simulation/
│   └── simulator.py          # Simulación estocástica Monte Carlo
├── experiments/
│   ├── compare_algorithms.py # Harness de comparación A* vs GA vs Greedy
│   ├── plot_results.py       # Generación de figuras
│   ├── results.csv           # Resultados crudos (225 corridas)
│   ├── simulation_results.csv # Resultados de simulación estocástica
│   ├── constraint_data.csv   # Datos de factibilidad bajo restricciones
│   └── figures/              # Figuras generadas
├── tests/                    # Tests unitarios
├── app.py                    # Interfaz web (Streamlit)
├── main.py                   # Punto de entrada CLI
├── requirements.txt
└── .env (opcional, ver tabla de variables de entorno)

Algoritmos

A* (búsqueda informada)

• Estado: conjunto de cursos completados, camino, costo acumulado, tiempo acumulado.
• Heurística admisible: relajación LP fraccionaria (duración/k habilidades).
• Restricciones: presupuesto y tiempo máximo.
• Complejidad: óptimo en tiempo cuando la heurística es consistente.

Algoritmo Genético

• Representación: permutación de cursos candidatos.
• Operadores: Order Crossover (OX), mutación por swap, reparación topológica.
• Fitness: w_t × tiempo + w_c × costo + w_m × cursos_faltantes + 1000 × [infactible].
• Selección: torneo (k=3), elitismo.

Greedy (baseline)

• Estrategia: selecciona el curso más corto que enseña una habilidad faltante.
• Complejidad: O(n³).
• Ventaja: extremely rápido (<1ms).
• Desventaja: no considera cursos combinados, produce trayectorias 25--75% más largas.

Rol del LLM

El LLM (Ollama) cumple dos funciones:

1. Parser de objetivos (GoalParser): convierte una frase en lenguaje natural a un JSON estructurado con carrera objetivo, habilidades iniciales y restricciones.
2. Evaluador de trayectorias (PathEvaluator): evalúa la calidad de una trayectoria en coherencia, progresión lógica, empleabilidad y utilidad práctica, devolviendo un score de 0 a 10.