Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning

Este proyecto presenta un estudio de caso sobre el uso de tecnicas de Machine Learning (ML, por sus siglas en ingles) para analizar y predecir el exito academico de los estudiantes. El proposito de este estudio es proporcionar a las instituciones educativas informacion valiosa para la toma de decisi...

Full description

Autores:
Anaya Sierra, Davinson
Munera Arango, Santiago
Salazar Bedoya, Tatiana
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Universidad de San Buenaventura
Repositorio:
Repositorio USB
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.usb.edu.co:10819/13368
Acceso en línea:
https://hdl.handle.net/10819/13368
Palabra clave:
000 - Ciencias de la computación, información y obras generales::003 - Sistemas
Tecnicas
Estudios
Desempeno
Mejoramiento academico
ML
Aprendizaje supervisado
Modelos predictivos
Rendimiento estudiantil
Academic improvement
Machine Learning
Supervised learning
Predictive models
Student performance
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id SANBUENAV2_016471ad3eb7e1ed3dcb4fa10b3a174b
oai_identifier_str oai:bibliotecadigital.usb.edu.co:10819/13368
network_acronym_str SANBUENAV2
network_name_str Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
title Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
spellingShingle Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
000 - Ciencias de la computación, información y obras generales::003 - Sistemas
Tecnicas
Estudios
Desempeno
Mejoramiento academico
ML
Aprendizaje supervisado
Modelos predictivos
Rendimiento estudiantil
Academic improvement
Machine Learning
Supervised learning
Predictive models
Student performance
title_short Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
title_full Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
title_fullStr Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
title_full_unstemmed Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
title_sort Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning
dc.creator.fl_str_mv Anaya Sierra, Davinson
Munera Arango, Santiago
Salazar Bedoya, Tatiana
dc.contributor.advisor.none.fl_str_mv Ochoa Rojas, Andres Arbey
dc.contributor.author.none.fl_str_mv Anaya Sierra, Davinson
Munera Arango, Santiago
Salazar Bedoya, Tatiana
dc.subject.ddc.none.fl_str_mv 000 - Ciencias de la computación, información y obras generales::003 - Sistemas
topic 000 - Ciencias de la computación, información y obras generales::003 - Sistemas
Tecnicas
Estudios
Desempeno
Mejoramiento academico
ML
Aprendizaje supervisado
Modelos predictivos
Rendimiento estudiantil
Academic improvement
Machine Learning
Supervised learning
Predictive models
Student performance
dc.subject.other.none.fl_str_mv Tecnicas
Estudios
Desempeno
dc.subject.proposal.none.fl_str_mv Mejoramiento academico
ML
Aprendizaje supervisado
Modelos predictivos
Rendimiento estudiantil
Academic improvement
Machine Learning
Supervised learning
Predictive models
Student performance
description Este proyecto presenta un estudio de caso sobre el uso de tecnicas de Machine Learning (ML, por sus siglas en ingles) para analizar y predecir el exito academico de los estudiantes. El proposito de este estudio es proporcionar a las instituciones educativas informacion valiosa para la toma de decisiones basadas en el uso eficiente de los datos. Se utiliza un conjunto de datos publico llamado “Student Performance”, que contiene datos detallados y estructurados relacionados con el rendimiento de los estudiantes y basado en multiples caracterısticas. La metodolog´ıa utilizada es descriptiva y sigue un modelo en cascada con siete actividades consecutivas. Los resultados muestran que el algoritmo predictivo utilizado es efectivo para analizar los factores que afectan el exito academico. Esto permite a las instituciones identificar a los estudiantes en riesgo de abandonar los estudios y mejorar el rendimiento academico general. Adicionalmente, se detecta que el uso de algoritmos predictivos permite optimizar los recursos internos de las instituciones educativas. Los criterios de desempeno son ˜ utiles, por ejemplo, para la contratacion de docentes y en las estrategias de marketing para atraer nuevos estudiantes. Este analisis permite que las universidades identifiquen patrones de admision, calcular tasas de desercion y mejorar los planes de estudio. En conclusion, este proyecto destaca la importancia de los algoritmos predictivos y el ML en el analisis del rendimiento de los estudiantes
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-04-06T16:49:32Z
dc.date.available.none.fl_str_mv 2024-04-06T16:49:32Z
dc.date.issued.none.fl_str_mv 2024
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv @mastherthesis{Munera Arango-Salazar Bedoya-Anaya Sierra2024, author¿ = {Davinson Anaya Sierra and Santiago Munera Arango and Tatiana Salazar Bedoya}, title = {Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning.}, school = {Universidad de San Buenaventura}, type = {Tesis de Pregrado}, year = {2024}
dc.identifier.instname.spa.fl_str_mv instname:Universidad de San Buenaventura
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad de San Buenaventura
dc.identifier.repourl.spa.fl_str_mv repourl:https://bibliotecadigital.usb.edu.co/
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10819/13368
identifier_str_mv @mastherthesis{Munera Arango-Salazar Bedoya-Anaya Sierra2024, author¿ = {Davinson Anaya Sierra and Santiago Munera Arango and Tatiana Salazar Bedoya}, title = {Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning.}, school = {Universidad de San Buenaventura}, type = {Tesis de Pregrado}, year = {2024}
instname:Universidad de San Buenaventura
reponame:Repositorio Institucional Universidad de San Buenaventura
repourl:https://bibliotecadigital.usb.edu.co/
url https://hdl.handle.net/10819/13368
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
dc.format.extent.none.fl_str_mv 32 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad de San Buenaventura
dc.publisher.branch.spa.fl_str_mv Medellín
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.place.none.fl_str_mv Medellín
dc.publisher.program.spa.fl_str_mv Ingeniería de Datos y Software
institution Universidad de San Buenaventura
dc.source.bibliographicCitation.spa.fl_str_mv ] L. E. Contreras, H. J. Fuentes y J. I. Rodrfguez, “Academic performance prediction by machine learning as a success/failure indicator for engineering students,” vol. 13, n.o 5, 2020.
I. E. Guabassi, R. Marah, Z. Bousalem y A. Qazdar, “Comparative analysis of supervised machine learning algorithms to build a predictive model for evaluating students performance,” vol. 17, n.o 02, pags. 90-105, 2021.
D. Garcia y J. Donato, Machine learning para predecir el rendimiento academico de los estudiantes ´ universitarios. direccion: https://repositorio.ucv.edu.pe/handle/20.500.12692/83442.
J. J. Heckman, Schools,Skills,Synapses. direccion: https://jenni.uchicago.edu/papers/Heckman ´ 2008 EI v46 n3.pdf.
] P. Carneiro, C. Crawford y A. Goodman, “Which skills matter?”. direccion: https://www.ucl.ac. ´ uk/∼uctppca/skills.pdf
C. Blair y R. P. Razza, “Relating effortful control, executive function, and false belief understanding to emerging math and literacy ability in kindergarten,” vol. 78, n.o 2, pags. 647-663, 2007.
dc.source.bibliographicCitation
] R. C. B. y. T. Gramajo, E. Garc´ıa-Mart´ınez, R., Una vision global del aprendizaje automatico. direccion: https://docplayer.es/12970680-Una-vision-global-del-aprendizaje-automatico.html.
L. E. C. Bravo, H. J. F. Lopez y E. R. Trujilllo, ´ Analisis del rendimiento acad ´ emico mediante ´ tecnicas de aprendizaje autom ´ atico con m ´ etodos de ensamble analysis of academic performance ´ using machine learning techniques with assembly methods. 2021, vol. 10, pags. 171-190.
D. Patino-P ˜ erez, F. I ´ niguez-Mu ˜ noz, M. Nivela-Cornejo et al., ˜ Machine learning models based in supervised learning for the detection of diabetes mellitus in the city of Guayaquil. direccion: https: ´ //laccei.org/LEIRD2022-VirtualEdition/full-papers/FP208.pdf.
Amazon, Universidad de aprendizaje de maquinas (MLU) MLU-Explain. ´ direccion: https://mlu- ´ explain.github.io.
IBM, ¿Que es un ´ arbol de decisi ´ on? ´ Direccion: https://www.ibm.com/es-es/topics/decision-trees.
M. Deshpande, Classification with support vector machines, sep. de 2020. direccion: https : / / ´ gamedevacademy.org/classification-with-support-vector-machines.
] J. L. Melgarejo, A. T. Trigoso, M. C. Cara y D. Miranda, “Identification of risk zones for road safety through unsupervised learning algorithms — Identificacion de zonas de riesgo para la Seguridad ´ Vial mediante algoritmos de aprendizaje no supervisado,” 2018
RPubs, RPubs by RStudio. direccion: https://rpubs.com/.
F. E. Godoy, Metodos cl ´ asicos de clasificaci ´ on: comparaci ´ on y aplicaci ´ on. ´ direccion: https://rdu. ´ unc.edu.ar/handle/11086/19768.
A. Z. Hernandez, G. A. G. Rosales, H. J. J. Santiago y M. M. Lee, “M ´ etricas de rendimiento ´ para evaluar el aprendizaje automatico en la clasificaci ´ on de im ´ agenes petroleras utilizando redes ´ neuronales convolucionales,” vol. 6, n.o 5, pags. 4624-4637, 2022.
S. Arlot y A. Celisse, “A survey of cross-validation procedures for model selection,” vol. 4, pags. 40-79, 2010
scikit-learn, Scikit-learn: machine learning in Python — scikit-learn 0. 16. direccion: https://scikit- ´ learn.org/stable/.
T. Hastie, R. Tibshirani y J. Friedman, The elements of statistical learning: data mining, inference, and prediction (2nd ed.) Springer, 2009
P. Cortez y A. Silva, “Using data mining to predict secondary school student performance,” 2008. direccion: http://www3.dsi.uminho.pt/pcortez/student.pdf.
dc.source.bibliographicCitation.sá.fl_str_mv ] J. E. V. Cajahuanca, A. F. N. Raymundo, A. C. L. Franco y J. D. J. Flores, “Deserci ´ on universitaria: ´ Evaluacion de diferentes algoritmos de Machine Learning para su predicci ´ on,” vol. 18, n. ´ o 3, pags. 362-375, 2022
dc.source.bibliographicCitation.SPA.fl_str_mv E. A. Franco, R. E. L. Mart´ınez y V. H. M. Dom´ınguez, “Modelos predictivos de riesgo academico ´ en carreras de computacion con miner ´ ´ıa de datos educativos,” vol. 21, n.o 66, 2021.
dc.source.other.none.fl_str_mv Biblioteca USB Medellin (San Benito): TG-7285t
bitstream.url.fl_str_mv https://bibliotecadigital.usb.edu.co/bitstreams/81c9e6f6-f523-4de5-9ebb-96dfcb952a56/download
https://bibliotecadigital.usb.edu.co/bitstreams/5496412e-aed2-450b-9660-2caff462406f/download
https://bibliotecadigital.usb.edu.co/bitstreams/2ce16059-3621-4461-89ea-0eaa98c6925d/download
https://bibliotecadigital.usb.edu.co/bitstreams/ae1e6aab-c578-4e7f-ae10-8df688c7cd9d/download
bitstream.checksum.fl_str_mv c4f165d85baf9f9e581b9dfad8030269
ce8fd7f912f132cbeb263b9ddc893467
4a58589a5ee65971408044b218c325d9
8608b8cff245ad89288d8395de92e630
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1837099299538731008
spelling Ochoa Rojas, Andres Arbey83cee5fd-1f2d-4aa1-b7ec-1207f2adf4dd-1Anaya Sierra, Davinsonaa4a315d-337f-408b-8271-4b1a3002e1cc-1Munera Arango, Santiago81dd6606-e278-46d4-9c9d-d83e320b85d7-1Salazar Bedoya, Tatiana1b7ce5f9-0fdb-4744-ab4a-090c0f26e248-12024-04-06T16:49:32Z2024-04-06T16:49:32Z2024Este proyecto presenta un estudio de caso sobre el uso de tecnicas de Machine Learning (ML, por sus siglas en ingles) para analizar y predecir el exito academico de los estudiantes. El proposito de este estudio es proporcionar a las instituciones educativas informacion valiosa para la toma de decisiones basadas en el uso eficiente de los datos. Se utiliza un conjunto de datos publico llamado “Student Performance”, que contiene datos detallados y estructurados relacionados con el rendimiento de los estudiantes y basado en multiples caracterısticas. La metodolog´ıa utilizada es descriptiva y sigue un modelo en cascada con siete actividades consecutivas. Los resultados muestran que el algoritmo predictivo utilizado es efectivo para analizar los factores que afectan el exito academico. Esto permite a las instituciones identificar a los estudiantes en riesgo de abandonar los estudios y mejorar el rendimiento academico general. Adicionalmente, se detecta que el uso de algoritmos predictivos permite optimizar los recursos internos de las instituciones educativas. Los criterios de desempeno son ˜ utiles, por ejemplo, para la contratacion de docentes y en las estrategias de marketing para atraer nuevos estudiantes. Este analisis permite que las universidades identifiquen patrones de admision, calcular tasas de desercion y mejorar los planes de estudio. En conclusion, este proyecto destaca la importancia de los algoritmos predictivos y el ML en el analisis del rendimiento de los estudiantesThis project presents a case study on the use of Machine Learning techniques to analyze and predict student academic success. The purpose of this study was to provide educational institutions with valuable information for data-driven decision making. A public dataset called ”Student Performance”was used, which contains detailed and structured data related to students’ academic performance based on multiple characteristics. The methodology used was descriptive and followed a cascade model with seven consecutive activities. The results showed that the predictive algorithm used was effective in analyzing factors affecting academic success. This may allow institutions to identify students at risk of dropping out and improve overall academic performance. Additionally, it has been found that the use of predictive algorithms can optimize the internal resources of educational institutions. The performance criteria were useful, for example, in faculty recruitment and marketing strategies to attract new students. This analysis will enable universities to identify admission patterns, calculate attrition rates, and improve curricula. In conclusion, this project highlights the importance of predictive algorithms and machine learning in analyzing student performancePregradoIngeniero de Datos y Software32 páginasapplication/pdf@mastherthesis{Munera Arango-Salazar Bedoya-Anaya Sierra2024, author¿ = {Davinson Anaya Sierra and Santiago Munera Arango and Tatiana Salazar Bedoya}, title = {Mejoramiento academico en instituciones educativas aplicando algoritmos de Machine Learning.}, school = {Universidad de San Buenaventura}, type = {Tesis de Pregrado}, year = {2024}instname:Universidad de San Buenaventurareponame:Repositorio Institucional Universidad de San Buenaventurarepourl:https://bibliotecadigital.usb.edu.co/https://hdl.handle.net/10819/13368spaUniversidad de San BuenaventuraMedellínFacultad de IngenieríaMedellínIngeniería de Datos y Softwareinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2] L. E. Contreras, H. J. Fuentes y J. I. Rodrfguez, “Academic performance prediction by machine learning as a success/failure indicator for engineering students,” vol. 13, n.o 5, 2020.I. E. Guabassi, R. Marah, Z. Bousalem y A. Qazdar, “Comparative analysis of supervised machine learning algorithms to build a predictive model for evaluating students performance,” vol. 17, n.o 02, pags. 90-105, 2021.D. Garcia y J. Donato, Machine learning para predecir el rendimiento academico de los estudiantes ´ universitarios. direccion: https://repositorio.ucv.edu.pe/handle/20.500.12692/83442.J. J. Heckman, Schools,Skills,Synapses. direccion: https://jenni.uchicago.edu/papers/Heckman ´ 2008 EI v46 n3.pdf.] P. Carneiro, C. Crawford y A. Goodman, “Which skills matter?”. direccion: https://www.ucl.ac. ´ uk/∼uctppca/skills.pdfC. Blair y R. P. Razza, “Relating effortful control, executive function, and false belief understanding to emerging math and literacy ability in kindergarten,” vol. 78, n.o 2, pags. 647-663, 2007.dc.source.bibliographicCitation] R. C. B. y. T. Gramajo, E. Garc´ıa-Mart´ınez, R., Una vision global del aprendizaje automatico. direccion: https://docplayer.es/12970680-Una-vision-global-del-aprendizaje-automatico.html.L. E. C. Bravo, H. J. F. Lopez y E. R. Trujilllo, ´ Analisis del rendimiento acad ´ emico mediante ´ tecnicas de aprendizaje autom ´ atico con m ´ etodos de ensamble analysis of academic performance ´ using machine learning techniques with assembly methods. 2021, vol. 10, pags. 171-190.D. Patino-P ˜ erez, F. I ´ niguez-Mu ˜ noz, M. Nivela-Cornejo et al., ˜ Machine learning models based in supervised learning for the detection of diabetes mellitus in the city of Guayaquil. direccion: https: ´ //laccei.org/LEIRD2022-VirtualEdition/full-papers/FP208.pdf.Amazon, Universidad de aprendizaje de maquinas (MLU) MLU-Explain. ´ direccion: https://mlu- ´ explain.github.io.IBM, ¿Que es un ´ arbol de decisi ´ on? ´ Direccion: https://www.ibm.com/es-es/topics/decision-trees.M. Deshpande, Classification with support vector machines, sep. de 2020. direccion: https : / / ´ gamedevacademy.org/classification-with-support-vector-machines.] J. L. Melgarejo, A. T. Trigoso, M. C. Cara y D. Miranda, “Identification of risk zones for road safety through unsupervised learning algorithms — Identificacion de zonas de riesgo para la Seguridad ´ Vial mediante algoritmos de aprendizaje no supervisado,” 2018RPubs, RPubs by RStudio. direccion: https://rpubs.com/.F. E. Godoy, Metodos cl ´ asicos de clasificaci ´ on: comparaci ´ on y aplicaci ´ on. ´ direccion: https://rdu. ´ unc.edu.ar/handle/11086/19768.A. Z. Hernandez, G. A. G. Rosales, H. J. J. Santiago y M. M. Lee, “M ´ etricas de rendimiento ´ para evaluar el aprendizaje automatico en la clasificaci ´ on de im ´ agenes petroleras utilizando redes ´ neuronales convolucionales,” vol. 6, n.o 5, pags. 4624-4637, 2022.S. Arlot y A. Celisse, “A survey of cross-validation procedures for model selection,” vol. 4, pags. 40-79, 2010scikit-learn, Scikit-learn: machine learning in Python — scikit-learn 0. 16. direccion: https://scikit- ´ learn.org/stable/.T. Hastie, R. Tibshirani y J. Friedman, The elements of statistical learning: data mining, inference, and prediction (2nd ed.) Springer, 2009P. Cortez y A. Silva, “Using data mining to predict secondary school student performance,” 2008. direccion: http://www3.dsi.uminho.pt/pcortez/student.pdf.] J. E. V. Cajahuanca, A. F. N. Raymundo, A. C. L. Franco y J. D. J. Flores, “Deserci ´ on universitaria: ´ Evaluacion de diferentes algoritmos de Machine Learning para su predicci ´ on,” vol. 18, n. ´ o 3, pags. 362-375, 2022E. A. Franco, R. E. L. Mart´ınez y V. H. M. Dom´ınguez, “Modelos predictivos de riesgo academico ´ en carreras de computacion con miner ´ ´ıa de datos educativos,” vol. 21, n.o 66, 2021.Biblioteca USB Medellin (San Benito): TG-7285t000 - Ciencias de la computación, información y obras generales::003 - SistemasTecnicasEstudiosDesempenoMejoramiento academicoMLAprendizaje supervisadoModelos predictivosRendimiento estudiantilAcademic improvementMachine LearningSupervised learningPredictive modelsStudent performanceMejoramiento academico en instituciones educativas aplicando algoritmos de Machine LearningTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionComunidad Científica y AcadémicaPublicationORIGINALMejoramiento_académico_en_instituciones_educativas_aplicando_algoritmos_de_Machine_Learning.pdfMejoramiento_académico_en_instituciones_educativas_aplicando_algoritmos_de_Machine_Learning.pdfapplication/pdf1782553https://bibliotecadigital.usb.edu.co/bitstreams/81c9e6f6-f523-4de5-9ebb-96dfcb952a56/downloadc4f165d85baf9f9e581b9dfad8030269MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82079https://bibliotecadigital.usb.edu.co/bitstreams/5496412e-aed2-450b-9660-2caff462406f/downloadce8fd7f912f132cbeb263b9ddc893467MD52TEXTMejoramiento_académico_en_instituciones_educativas_aplicando_algoritmos_de_Machine_Learning.pdf.txtMejoramiento_académico_en_instituciones_educativas_aplicando_algoritmos_de_Machine_Learning.pdf.txtExtracted texttext/plain53384https://bibliotecadigital.usb.edu.co/bitstreams/2ce16059-3621-4461-89ea-0eaa98c6925d/download4a58589a5ee65971408044b218c325d9MD53THUMBNAILMejoramiento_académico_en_instituciones_educativas_aplicando_algoritmos_de_Machine_Learning.pdf.jpgMejoramiento_académico_en_instituciones_educativas_aplicando_algoritmos_de_Machine_Learning.pdf.jpgGenerated Thumbnailimage/jpeg6733https://bibliotecadigital.usb.edu.co/bitstreams/ae1e6aab-c578-4e7f-ae10-8df688c7cd9d/download8608b8cff245ad89288d8395de92e630MD5410819/13368oai:bibliotecadigital.usb.edu.co:10819/133682025-04-03 14:14:47.579https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.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

Publicaciones similares