Modelo predictivo para la selección de docentes a través de un aprendizaje supervisado.
dc.contributor.advisor | Saavedra Rodríguez, Mario Gregorio | |
dc.contributor.author | Romaña Peralta, Lady Nataly | |
dc.creator.email | lnromanap@libertadores.edu.co | spa |
dc.date.accessioned | 2020-10-05T19:32:39Z | |
dc.date.available | 2020-10-05T19:32:39Z | |
dc.date.created | 2020 | |
dc.description | En el presente trabajo se explora el uso del clasificador Random Forest para generar un modelo de selección de los candidatos que finalizarán el programa ofrecido por Enseña por Colombia. Random forest es un clasificador estadístico nuevo y poderoso que está bien establecido en otras disciplinas, pero es relativamente desconocido en la selección docente. Dentro de las principales ventajas se encuentran (1) un método novedoso para determinar la importancia de las variables; (2) capacidad para modelar interacciones complejas entre variables de respuestas; (3) flexibilidad para realizar varios tipos de análisis de datos estadísticos, que incluyen regresión, clasificación, análisis no supervisados y supervisados (Cutler, 2007). En esta investigación se utiliza las variables disponibles en el proceso de selección docentes de la organización en la fase de entrevista. Se utiliza la base de datos existente desde 2015 al 2018 de los participantes seleccionados. | spa |
dc.description.abstract | In this paper, the use of the Random Forest classifier is explored to generate a selection model for candidates who will complete the program offered by Enseña por Colombia. Random Forest is a powerful statistical classifier that is well established in other disciplines, but is relatively unknown in teacher selection. The main advantages of Random Forest algorithm are (1) a novel method to determine the importance of the variables; (2) ability to model complex interactions between predictor variables; (3) flexibility to perform various types of statistical data analysis, including regression, classification, unsupervised and supervised analysis(Cutler, 2007). In this research, the variables available in selecting teacher’s process for the interview phase of are used. The existing database from 2015 to 2018 of the selected participants is used. | spa |
dc.format | spa | |
dc.identifier.uri | http://hdl.handle.net/11371/3257 | |
dc.language.iso | spa | spa |
dc.rights.acceso | Abierto (Texto Completo) | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.lemb | Escalafón docente | spa |
dc.subject.lemb | Competencia en educación | spa |
dc.subject.lemb | Decisiones estadísticas | spa |
dc.subject.lemb | Personal docente | spa |
dc.subject.proposal | Modelo de selección | spa |
dc.subject.proposal | Clasificador estadístico | spa |
dc.subject.proposal | Selección docente | spa |
dc.subject.proposal | Importancia de las variables | spa |
dc.title | Modelo predictivo para la selección de docentes a través de un aprendizaje supervisado. | spa |
dc.type | info:eu-repo/semantics/bachelorThesis | spa |
Archivos
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: