Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS

• Autor: Ponce Guizabalo, Santos Victor
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Agraria de la Selva
• Repositorio: UNAS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unas.edu.pe:20.500.14292/2801
• Enlace del recurso: https://hdl.handle.net/20.500.14292/2801
• Nivel de acceso: acceso abierto
• Materia: Minería de datos; Vote; K vecinos más cercanos (IBK); Random Forest; Naive Bayes; Bagging; Metodología CRISP-DM; https://purl.org/pe-repo/ocde/ford#1.02.00

La presente investigación tiene como objetivo determinar un modelo de aprendizaje automático para la predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS. Se planteó la hipótesis: La predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS con un modelo de aprendizaje automático es significativa. La técnica que se usó para recolectar los datos es una ficha de análisis documental, se obtuvo una población 204 datos. Con el software WEKA 3.9.5 y el análisis de cinco modelos Vote, k Vecinos más Cercanos (IBK), Random Forest, Naive Bayes, y Bagging. En conclusión, El rendimiento académico de los alumnos ingresantes es un tema muy complejo, usando la metodología CRISP-DM y técnicas de minería de datos se logró determinar un modelo de aprendizaje automático que permite predecir significativamente el rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias. Los resultados muestran que los indicadores claves para predecir el rendimiento académico son: la opción de ingreso, la nota de ingreso quien tiene mayor influencia, el sexo del ingresante y el número de hermanos dentro de la familia. Con las pruebas de Anova de Friedman se obtuvo igual exactitud para los modelos de Random Forest e IBK con 98,4%. El modelo con mejor precisión para los aprobados es Random Forest (98,34%).