dc.contributor.advisor | Menéndez Mueras, Rosa | |
dc.contributor.author | Garcia Dionisio, Jeancarlos Donato | |
dc.date.accessioned | 2022-03-10T14:11:15Z | |
dc.date.available | 2022-03-10T14:11:15Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12692/83442 | |
dc.description.abstract | En el presente trabajo de investigación se elaboró un modelo Machine Learning
para predecir el rendimiento académico de los estudiantes universitarios, se utilizó
la metodología KDD, así mismo herramientas como SPSS statistic y SPSS
Modeler para la creación del modelo predictivo.
El objetivo de esta investigación es determinar en qué porcentaje Machine
Learning permite predecir el rendimiento académico con precisión, sensibilidad y
especificidad, con el fin de poder identificar a los alumnos con probabilidad de
éxito o fracaso.
En esta investigación se utilizó una población de 87 alumnos, así mismo se usó la
totalidad de la población como muestra. Por otro lado, el estudio es de tipo
aplicada, con un diseño de investigación experimental de tipo pre-experimental de
un solo grupo, ya que luego de aplicar Machine Learning se podrá observar los
resultados y realizar la medición.
Como resultado en relación a la precisión, sensibilidad y especificad para los
algoritmos de árbol de decisión, Maquina de vectores y K-NN, se valida que
Machine Learning para predecir el rendimiento académico de los estudiantes
universitarios, así mismo el algoritmo con mejores resultados para esta casuística
fue Maquina de vectores (SVM) con un valor de 100%. | en_US |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad César Vallejo | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | es_PE |
dc.source | Repositorio Institucional - UCV | es_PE |
dc.source | Universidad César Vallejo | es_PE |
dc.subject | Aprendizaje automático | es_PE |
dc.subject | Estudiantes universitarios | es_PE |
dc.subject | Rendimiento académico | es_PE |
dc.title | Machine learning para predecir el rendimiento académico de los estudiantes universitarios | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.discipline | Ingeniería de Sistemas | es_PE |
thesis.degree.grantor | Universidad César Vallejo. Facultad de Ingeniería y Arquitectura | es_PE |
thesis.degree.name | Ingeniero de Sistemas | es_PE |
dc.description.sede | Lima Este | es_PE |
dc.description.escuela | Escuela de Ingeniería de Sistemas | es_PE |
dc.description.lineadeinvestigacion | Sistemas de Información y comunicaciones | es_PE |
renati.advisor.dni | 10246770 | |
renati.advisor.orcid | https://orcid.org/0000-0001-9997-5809 | es_PE |
renati.author.dni | 70022628 | |
renati.discipline | 612076 | es_PE |
renati.juror | Chavez Pinillos, Frey Elmer | |
renati.juror | Montoya Negrillo, Dany Jose | |
renati.juror | Menendez Mueras, Rosa | |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | es_PE |
dc.publisher.country | PE | es_PE |
dc.description.lig | Biodiversidad, cambio climático y calidad ambiental | es_PE |
dc.description.rsu | Apoyo a la reducción de brechas y carencias en la educación en todos sus niveles | es_PE |
dc.description.ods | Educación de calidad | es_PE |