Predicción de rendimiento académico de alumnos usando machine learning

Descripción del Articulo

En el presente trabajo se hace una evaluación de las técnicas de aprendizaje automáticos: Arboles de decisión, Bosques aleatorios, Redes Neuronales y Máquinas de soporte vectorial para predecir el rendimiento académico de alumnos. Encontramos que el algoritmo de bosques aleatorios presenta una mayor...

Descripción completa

Detalles Bibliográficos
Autores: Gutiérrez Villaverde, Herberth Eduardo, Linares Barbero, Manuela, Agüero Correa, Ángel Alejandro, Pérez Núñez, Jhelly Reynaluz
Fecha de Publicación:2022
Institución:Universidad de Lima
Repositorio:ULIMA-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.ulima.edu.pe:20.500.12724/16703
Enlace del recurso:https://hdl.handle.net/20.500.12724/16703
Nivel de acceso:acceso abierto
Materia:Rendimiento académico
Aprendizaje automático
Academic achievement
Machine learning
https://purl.org/pe-repo/ocde/ford#5.02.00
id RULI_17822591f89fd96b094ba2cba8be3aea
oai_identifier_str oai:repositorio.ulima.edu.pe:20.500.12724/16703
network_acronym_str RULI
network_name_str ULIMA-Institucional
repository_id_str 3883
dc.title.es_PE.fl_str_mv Predicción de rendimiento académico de alumnos usando machine learning
title Predicción de rendimiento académico de alumnos usando machine learning
spellingShingle Predicción de rendimiento académico de alumnos usando machine learning
Gutiérrez Villaverde, Herberth Eduardo
Rendimiento académico
Aprendizaje automático
Academic achievement
Machine learning
https://purl.org/pe-repo/ocde/ford#5.02.00
title_short Predicción de rendimiento académico de alumnos usando machine learning
title_full Predicción de rendimiento académico de alumnos usando machine learning
title_fullStr Predicción de rendimiento académico de alumnos usando machine learning
title_full_unstemmed Predicción de rendimiento académico de alumnos usando machine learning
title_sort Predicción de rendimiento académico de alumnos usando machine learning
author Gutiérrez Villaverde, Herberth Eduardo
author_facet Gutiérrez Villaverde, Herberth Eduardo
Linares Barbero, Manuela
Agüero Correa, Ángel Alejandro
Pérez Núñez, Jhelly Reynaluz
author_role author
author2 Linares Barbero, Manuela
Agüero Correa, Ángel Alejandro
Pérez Núñez, Jhelly Reynaluz
author2_role author
author
author
dc.contributor.other.none.fl_str_mv Gutiérrez Villaverde, Herberth Eduardo
Linares Barbero, Manuela
Agüero Correa, Ángel Alejandro
Pérez Núñez, Jhelly Reynaluz
dc.contributor.author.fl_str_mv Gutiérrez Villaverde, Herberth Eduardo
Linares Barbero, Manuela
Agüero Correa, Ángel Alejandro
Pérez Núñez, Jhelly Reynaluz
dc.subject.es_PE.fl_str_mv Rendimiento académico
Aprendizaje automático
topic Rendimiento académico
Aprendizaje automático
Academic achievement
Machine learning
https://purl.org/pe-repo/ocde/ford#5.02.00
dc.subject.en_EN.fl_str_mv Academic achievement
Machine learning
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#5.02.00
description En el presente trabajo se hace una evaluación de las técnicas de aprendizaje automáticos: Arboles de decisión, Bosques aleatorios, Redes Neuronales y Máquinas de soporte vectorial para predecir el rendimiento académico de alumnos. Encontramos que el algoritmo de bosques aleatorios presenta una mayor precisión en la predicción del rendimiento académico. Esta investigación es relevante en las instituciones educativas, especialmente para la definición de políticas de seguimiento y apoyo a los alumnos principalmente en riesgo académico. Adicionalmente se hace una estimación del potencial de la aplicación de estos algoritmos de aprendizaje automático en las diferentes carreras de la facultad de Ciencias Empresariales y Económicas de la Universidad de Lima.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-10-10T19:23:15Z
dc.date.available.none.fl_str_mv 2022-10-10T19:23:15Z
dc.date.issued.fl_str_mv 2022
dc.type.none.fl_str_mv info:eu-repo/semantics/monograph
dc.identifier.citation.es_PE.fl_str_mv Gutiérrez Villaverde, H., Linares Barbero, M., Agüero Correa, A. y Pérez Nuñez, J. (2022). Predicción de rendimiento académico de alumnos usando machine learning. Universidad de Lima, Facultad de Ciencias Empresariales y Económicas, Carrera de Negocios Internacionales.
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12724/16703
identifier_str_mv Gutiérrez Villaverde, H., Linares Barbero, M., Agüero Correa, A. y Pérez Nuñez, J. (2022). Predicción de rendimiento académico de alumnos usando machine learning. Universidad de Lima, Facultad de Ciencias Empresariales y Económicas, Carrera de Negocios Internacionales.
url https://hdl.handle.net/20.500.12724/16703
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.*.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Lima
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad de Lima
dc.source.none.fl_str_mv Repositorio Institucional - Ulima
Universidad de Lima
reponame:ULIMA-Institucional
instname:Universidad de Lima
instacron:ULIMA
instname_str Universidad de Lima
instacron_str ULIMA
institution ULIMA
reponame_str ULIMA-Institucional
collection ULIMA-Institucional
bitstream.url.fl_str_mv https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/3/license.txt
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/1/Predicci%c3%b3n_Rendimiento_Acad%c3%a9mico_alumnos_usando_Machine_Learning.pdf
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/4/Predicci%c3%b3n_Rendimiento_Acad%c3%a9mico_alumnos_usando_Machine_Learning.pdf.txt
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/2/license_rdf
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/5/Predicci%c3%b3n_Rendimiento_Acad%c3%a9mico_alumnos_usando_Machine_Learning.pdf.jpg
bitstream.checksum.fl_str_mv 8a4605be74aa9ea9d79846c1fba20a33
6d04efdf972c7ac7894be32e594e2827
8c5f0762cf4e164d46ff4a6ce1ea3371
8fc46f5e71650fd7adee84a69b9163c2
d30034fe949759c16d8fe98e9bacde7f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad de Lima
repository.mail.fl_str_mv repositorio@ulima.edu.pe
_version_ 1846612316069560320
spelling Gutiérrez Villaverde, Herberth EduardoLinares Barbero, ManuelaAgüero Correa, Ángel AlejandroPérez Núñez, Jhelly ReynaluzGutiérrez Villaverde, Herberth EduardoLinares Barbero, ManuelaAgüero Correa, Ángel AlejandroPérez Núñez, Jhelly Reynaluz2022-10-10T19:23:15Z2022-10-10T19:23:15Z2022Gutiérrez Villaverde, H., Linares Barbero, M., Agüero Correa, A. y Pérez Nuñez, J. (2022). Predicción de rendimiento académico de alumnos usando machine learning. Universidad de Lima, Facultad de Ciencias Empresariales y Económicas, Carrera de Negocios Internacionales.https://hdl.handle.net/20.500.12724/16703En el presente trabajo se hace una evaluación de las técnicas de aprendizaje automáticos: Arboles de decisión, Bosques aleatorios, Redes Neuronales y Máquinas de soporte vectorial para predecir el rendimiento académico de alumnos. Encontramos que el algoritmo de bosques aleatorios presenta una mayor precisión en la predicción del rendimiento académico. Esta investigación es relevante en las instituciones educativas, especialmente para la definición de políticas de seguimiento y apoyo a los alumnos principalmente en riesgo académico. Adicionalmente se hace una estimación del potencial de la aplicación de estos algoritmos de aprendizaje automático en las diferentes carreras de la facultad de Ciencias Empresariales y Económicas de la Universidad de Lima.application/pdfspaUniversidad de LimaPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/Repositorio Institucional - UlimaUniversidad de Limareponame:ULIMA-Institucionalinstname:Universidad de Limainstacron:ULIMARendimiento académicoAprendizaje automáticoAcademic achievementMachine learninghttps://purl.org/pe-repo/ocde/ford#5.02.00Predicción de rendimiento académico de alumnos usando machine learninginfo:eu-repo/semantics/monographLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53ORIGINALPredicción_Rendimiento_Académico_alumnos_usando_Machine_Learning.pdfPredicción_Rendimiento_Académico_alumnos_usando_Machine_Learning.pdfDescargarapplication/pdf627575https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/1/Predicci%c3%b3n_Rendimiento_Acad%c3%a9mico_alumnos_usando_Machine_Learning.pdf6d04efdf972c7ac7894be32e594e2827MD51TEXTPredicción_Rendimiento_Académico_alumnos_usando_Machine_Learning.pdf.txtPredicción_Rendimiento_Académico_alumnos_usando_Machine_Learning.pdf.txtExtracted texttext/plain41561https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/4/Predicci%c3%b3n_Rendimiento_Acad%c3%a9mico_alumnos_usando_Machine_Learning.pdf.txt8c5f0762cf4e164d46ff4a6ce1ea3371MD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81037https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/2/license_rdf8fc46f5e71650fd7adee84a69b9163c2MD52THUMBNAILPredicción_Rendimiento_Académico_alumnos_usando_Machine_Learning.pdf.jpgPredicción_Rendimiento_Académico_alumnos_usando_Machine_Learning.pdf.jpgGenerated Thumbnailimage/jpeg8649https://repositorio.ulima.edu.pe/bitstream/20.500.12724/16703/5/Predicci%c3%b3n_Rendimiento_Acad%c3%a9mico_alumnos_usando_Machine_Learning.pdf.jpgd30034fe949759c16d8fe98e9bacde7fMD5520.500.12724/16703oai:repositorio.ulima.edu.pe:20.500.12724/167032024-10-21 19:24:49.171Repositorio Universidad de Limarepositorio@ulima.edu.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
score 13.088951
Predicción de rendimiento académico de alumnos usando machine learning
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares