Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS
La presente investigación tiene como objetivo determinar un modelo de aprendizaje automático para la predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS. Se planteó la hipótesis: La predicción del rendimiento académ...
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | info:eu-repo/semantics/bachelorThesis |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional Agraria de la Selva
2024
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/20.500.14292/2801 |
| _version_ | 1855030661911412736 |
|---|---|
| author | Ponce Guizabalo, Santos Victor |
| author2 | Paucar Palomino, William George |
| author_browse | Paucar Palomino, William George Ponce Guizabalo, Santos Victor |
| author_facet | Paucar Palomino, William George Ponce Guizabalo, Santos Victor |
| author_sort | Ponce Guizabalo, Santos Victor |
| collection | Repositorio UNAS |
| description | La presente investigación tiene como objetivo determinar un modelo de aprendizaje automático para la predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS. Se planteó la hipótesis: La predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS con un modelo de aprendizaje automático es significativa. La técnica que se usó para recolectar los datos es una ficha de análisis documental, se obtuvo una población 204 datos. Con el software WEKA 3.9.5 y el análisis de cinco modelos Vote, k Vecinos más Cercanos (IBK), Random Forest, Naive Bayes, y Bagging. En conclusión, El rendimiento académico de los alumnos ingresantes es un tema muy complejo, usando la metodología CRISP-DM y técnicas de minería de datos se logró determinar un modelo de aprendizaje automático que permite predecir significativamente el rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias. Los resultados muestran que los indicadores claves para predecir el rendimiento académico son: la opción de ingreso, la nota de ingreso quien tiene mayor influencia, el sexo del ingresante y el número de hermanos dentro de la familia. Con las pruebas de Anova de Friedman se obtuvo igual exactitud para los modelos de Random Forest e IBK con 98,4%. El modelo con mejor precisión para los aprobados es Random Forest (98,34%). |
| format | info:eu-repo/semantics/bachelorThesis |
| id | UNAS2801 |
| institution | Universidad Nacional Agraria de la Selva (UNAS) |
| language | Español |
| publishDate | 2024 |
| publishDateRange | 2024 |
| publishDateSort | 2024 |
| publisher | Universidad Nacional Agraria de la Selva |
| publisherStr | Universidad Nacional Agraria de la Selva |
| record_format | dspace |
| spelling | UNAS28012024-06-09T22:37:53Z Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS Ponce Guizabalo, Santos Victor Paucar Palomino, William George Minería de datos Vote K vecinos más cercanos (IBK) Random Forest Naive Bayes Bagging Metodología CRISP-DM https://purl.org/pe-repo/ocde/ford#1.02.00 La presente investigación tiene como objetivo determinar un modelo de aprendizaje automático para la predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS. Se planteó la hipótesis: La predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS con un modelo de aprendizaje automático es significativa. La técnica que se usó para recolectar los datos es una ficha de análisis documental, se obtuvo una población 204 datos. Con el software WEKA 3.9.5 y el análisis de cinco modelos Vote, k Vecinos más Cercanos (IBK), Random Forest, Naive Bayes, y Bagging. En conclusión, El rendimiento académico de los alumnos ingresantes es un tema muy complejo, usando la metodología CRISP-DM y técnicas de minería de datos se logró determinar un modelo de aprendizaje automático que permite predecir significativamente el rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias. Los resultados muestran que los indicadores claves para predecir el rendimiento académico son: la opción de ingreso, la nota de ingreso quien tiene mayor influencia, el sexo del ingresante y el número de hermanos dentro de la familia. Con las pruebas de Anova de Friedman se obtuvo igual exactitud para los modelos de Random Forest e IBK con 98,4%. El modelo con mejor precisión para los aprobados es Random Forest (98,34%). 2024-05-30T18:43:46Z 2024-05-30T18:43:46Z 2024 info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion https://hdl.handle.net/20.500.14292/2801 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf application/pdf application/pdf application/pdf Universidad Nacional Agraria de la Selva PE Universidad Nacional Agraria de la Selva Repositorio Institucional - UNAS |
| spellingShingle | Minería de datos Vote K vecinos más cercanos (IBK) Random Forest Naive Bayes Bagging Metodología CRISP-DM https://purl.org/pe-repo/ocde/ford#1.02.00 Ponce Guizabalo, Santos Victor Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS |
| title | Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS |
| title_full | Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS |
| title_fullStr | Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS |
| title_full_unstemmed | Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS |
| title_short | Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS |
| title_sort | modelo de aprendizaje automatico para la prediccion del rendimiento academico de los alumnos ingresantes en la facultad de ingenieria en industrias alimentarias de la unas |
| topic | Minería de datos Vote K vecinos más cercanos (IBK) Random Forest Naive Bayes Bagging Metodología CRISP-DM https://purl.org/pe-repo/ocde/ford#1.02.00 |
| url | https://hdl.handle.net/20.500.14292/2801 |
| work_keys_str_mv | AT ponceguizabalosantosvictor modelodeaprendizajeautomaticoparalapredicciondelrendimientoacademicodelosalumnosingresantesenlafacultaddeingenieriaenindustriasalimentariasdelaunas |