Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático

• Autor: Candia Oviedo, Dennis Iván
• Formato: tesis de maestría
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/4120
• Enlace del recurso: http://hdl.handle.net/20.500.12918/4120
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Metodología CRISP-DM; WEKA; Algoritmos de clasificación; http://purl.org/pe-repo/ocde/ford#2.02.03

El presente trabajo de tesis tiene como propósito fundamental predecir el rendimiento académico de los estudiantes de la Universidad Nacional de San Antonio Abad del Cusco (UNSAAC) en el primer semestre a partir de sus datos del proceso de ingreso o de admisión a la institución, considerando que sería muy importante para una institución de formación universitaria saber de manera anticipada el posible rendimiento académico de sus estudiantes, es decir el éxito o fracaso en su primer semestre en la universidad, el cual redundará en los semestres posteriores, para de esta forma plantear estrategias que le permitan no solamente a la institución, sino también a los docentes y al mismo estudiante mejorar sus actividades del proceso enseñanza aprendizaje. Para lograr el propósito de la predicción se utiliza aprendizaje automático (machine learning), que es una rama de la inteligencia artificial, la metodología utilizada para generar los modelos predictivos es CRISP-DM, que es una metodología bastante utilizada para este tipo de proyectos, y WEKA como plataforma de software para el despliegue y comparación del desempeño de los diferentes algoritmos de aprendizaje automático supervisado, el mismo que es software libre. Los algoritmos supervisados de clasificación utilizados en la presente tesis son: Arboles de decisión J48, Random Forest, Vecinos más cercanos (KNN), Función de Regresión Logística y Perceptrón multicapa, de estos 5 algoritmos el que tuvo la mejor performance, es decir el que tuvo la mejor predicción fue el algoritmo Random Forest también conocido como Bosques Aleatorios, logrando predecir hasta un 69.35%, el segundo mejor predictor fue la función de Regresión Logística con un 68.33%, es importante mencionar que los factores que influyen en el rendimiento académico son la nota de ingreso a la institución, la Escuela Profesional donde estudia, el semestre, la modalidad de ingreso y la cantidad de cursos matriculados.