Sistema inteligente con Machine Learning basado en selección de variables para predecir el rendimiento académico de la I.E.P. “Nuestra Señora de Copacabana

• Autores: Huertas Fabian, Nicole Valery, Salcedo Zapata, Juan Antonio
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/131599
• Enlace del recurso: https://hdl.handle.net/20.500.12692/131599
• Nivel de acceso: acceso abierto
• Materia: Sistema Inteligente; Maching Learning (ML); Selección de variables; Predicción; Rendimiento académico; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta investigación tiene como objetivo general desarrollar un Sistema Inteligente con Machine Learning basado en selección de variables para predecir el rendimiento académico de la I.E.P. “Nuestra Señora de Copacabana”. La tesis es de tipo aplicada y como población tuvo un total de 256 estudiantes del nivel secundaria, donde se realizó un muestreo no probabilístico y para la recolección de datos se utilizó el cuestionario. Para el desarrollo del estudio se empleó las siguientes etapas de la metodología KDD: La primera etapa que es la selección de datos, se realizó la recopilación de la información de los estudiantes, en la segunda etapa, se llevó a cabo el preprocesamiento de los datos, realizando la limpieza y el análisis exploratorio, en la tercera etapa que es la transformación de los datos, se hizo la asignación de valor numérico y exportación en la base de datos, en la cuarta etapa se realizó la minería de datos en base al entrenamiento del modelo con diez algoritmos de aprendizaje automático (DT, RF, SVM, ANN, GBM, MP, K-NN, NB, LR y AB). Finalmente, en la quinta etapa, se hizo la interpretación de los datos y el diseñó del sistema inteligente para predecir el rendimiento académico en base a las métricas de evaluación (especificidad, precisión, sensibilidad, exactitud y F1- Score). Dados que los resultados de los algoritmos DT, SVM, GBM y ADA, obtuvieron con un 100% en todas las métricas, se concluye que el sistema realiza la predicción del rendimiento académico de forma muy precisa.