Predicción del rendimiento académico basado en Machine Learning, Escuela Profesional de Ingeniería de Sistemas, Ayacucho 2021

• Autor: Aronés Ayala, Ever
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional San Cristóbal de Huamanga
• Repositorio: UNSCH - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsch.edu.pe:UNSCH/4694
• Enlace del recurso: http://repositorio.unsch.edu.pe/handle/UNSCH/4694
• Nivel de acceso: acceso abierto
• Materia: Data Science; Machine Learning; Rendimiento académico; Metodología; Aprendizaje; https://purl.org/pe-repo/ocde/ford#1.02.00

Las técnicas del aprendizaje automático (Machine Learning) son usadas ampliamente en los altos niveles de una organización ganando cada vez más trascendencia, pues, dependiendo de su correcto uso, se obtienen datos, patrones, tendencias y/o probabilidades que son de gran importancia y relevancia cuando se toman decisiones; dado que la fuente con la que trabaja el aprendizaje automático son los datos históricos, los cuales toda empresa la tiene y son reunidos hasta inconscientemente, es solo cuestión de tiempo para que el uso de las técnicas del machine learning obtengan prioridad como herramienta eficaz en el tratamiento de la información. En este trabajo, el objetivo es diseñar un modelo de machine learning que tiene como finalidad la predicción del rendimiento académico de los alumnos de la Escuela Profesional de Ingeniería de Sistemas, el nivel de investigación es descriptivo y como tipo de investigación: transversal, observacional y retrospectivo. Se diseñó un modelo de machine learning para predecir el rendimiento académico de los alumnos de la Escuela Profesional de Ingeniería de Sistemas, aplicando la metodología fundamental para la ciencia de datos, pues es una metodología muy fácil de entender ya que dentro de sus etapas se describe todo lo que se necesita saber, desde conocer el negocio, pasando por la recolección de datos, su tratamiento, análisis y limpieza, continuando con el modelado y evaluación de los algoritmos, para finalmente terminar con la implementación y retroalimentación del modelo creado; se utilizó como lenguaje de programación a Python, como librerías de tratamiento de datos a pandas, numpy y matplotlib, como interfaz de desarrollo a Jupyter Notebook perteneciente a la suite Anaconda y como algoritmos predictivos a la regresión logística y random forest.