Modelo predictivo para el rendimiento académico en la asignatura de matemáticas

Vista sencilla de ítem
dc.contributor.advisorGonzalez Veloza, John Fredy
dc.contributor.authorEspinosa Pinos, Carlos Alberto
dc.creator.emailcaespinosap@libertadores.edu.cospa
dc.date.accessioned2021-07-09T14:17:03Z
dc.date.available2021-07-09T14:17:03Z
dc.date.created2021
dc.descriptionEl presente artículo tuvo la finalidad de aplicar algoritmos de Aprendizaje Automático para lograr clasificar el aprovechamiento en matemática de los estudiantes de secundaria en el Ecuador, lo que permitió determinar los atributos de la base de datos estudiada que mejor contribuyen a la hora de proponer un modelo predictivo. Se elaboro tres modelos para identificar la presencia de patrones de comportamiento como aprovechamiento aprobatorio o no aprobatorio, analizando variables numericas como notas en examenes de otras asignaturas o de ingreso a la educacion superior y categoricas como financiamiento de lai nstitucion, etnia del estudiantes, sexo entre otras. La metodología aplicada se refiere a 7 de los 8 pasos usados en ciencia de datos propuestos por SUNK. Con el apoyo de la librería de Python, Sklearn, se propuso la generación de los modelos. Como resultado de este trabajo se seleccionó el mejor modelo mismo que corresponde a un bosque aleatorio (Random Forest) con un 92% de Precisión además de tener un 98% de Memoria o Recuperación y un Accuracy de 97%, por otra parte, se identificaron atributos que mejor contribuyen al modelo mencionado como:nota examen de ingreso a educación superior, examen de grado y notas de aprovechamiento en dominio lingüístico, científico y estudios sociales. Adicionalmente, se logró mejorar el balanceo en la base de datos haciendo un corte con la nota de 8 y en consecuencia una mejor interpretación de los resultados.spa
dc.description.abstractThe purpose of this article was to apply Machine Learning algorithms to classify the achievement in mathematics of secondary school students in Ecuador, which allowed determining the attributes of the studied database that best contribute when proposing a predictive model. Three modles were developed to identify the presence of behavior patterns such as passing or non-passing achievement, analyzing numerical variables such as grades in exams for other subjects or for admission to higher eduaction, and categories such as financing of the institution, student ethnicity, sex between other. The applied methodology refers to 7 of the 8 steps used in data science proposed by SUNK With the support of the Python library sklearn, the generation of the models was proposed. As a result of the work, the best model corresponding to a random forest was selected with 92% in precision, accuracy in addition to having 98% in memory or Recovery and an Accuracy of 97%. They identified attributes to the model mentioned as: higher education entrance exam grade, undergraduate exam and achievement grades in linguistic, scientific and social studies domain. Additionally, it was possible to improve the balance in the database by making a cut with the score of 8 and consequently a better interpretation of the resultsspa
dc.formatPDFspa
dc.identifier.urihttp://hdl.handle.net/11371/4091
dc.language.isospaspa
dc.publisherFundación Universitaria Los Libertadores. Sede Bogotá.spa
dc.rights.accesoAbierto (Texto Completo)spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.lembRendimiento académicospa
dc.subject.lembMetodología en matemáticasspa
dc.subject.lembVariables instrumentales - estadísticaspa
dc.subject.lembTeoría de la estimaciónspa
dc.subject.proposalAprendizaje supervisadospa
dc.subject.proposalDesempeño académicospa
dc.subject.proposalAlgoritmos de aprendizajespa
dc.subject.proposalPatrones de comportamientospa
dc.titleModelo predictivo para el rendimiento académico en la asignatura de matemáticasspa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Espinosa_Carlos_2021.pdf
Tamaño:
5.89 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
Autorización_Espinosa_Carlos_2019.pdf
Tamaño:
280.41 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Especialización en Estadística Aplicada