Análisis de patrones en la programación de cursos y su impacto en la asignación de recursos: caso de una Caja de Compensación Familiar
RESUMEN : Este trabajo propone una metodología para optimizar la oferta educativa de la Caja de Compensación Familiar Comfama mediante el uso de técnicas de aprendizaje automático, integrando un modelo de agrupamiento por K-means y un ensamble de clasificadores. La segmentación inicial de los datos...
- Autores:
-
Jaramillo Parra, Leidy Viviana
Restrepo Mona, Nevin Johan
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2024
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/44482
- Acceso en línea:
- https://hdl.handle.net/10495/44482
- Palabra clave:
- Análisis por conglomerados
Cluster Analysis
Aprendizaje automático (Inteligencia artificial)
Machine learning
Técnicas de Predicción
Forecasting techniques
Segmentación de mercado
Market segmentation
Optimización educativa
Clasificación supervisada
Voting Classifier
Modelos de ensamble
Educación continua
- Rights
- embargoedAccess
- License
- https://creativecommons.org/licenses/by-nc-sa/4.0/
| Summary: | RESUMEN : Este trabajo propone una metodología para optimizar la oferta educativa de la Caja de Compensación Familiar Comfama mediante el uso de técnicas de aprendizaje automático, integrando un modelo de agrupamiento por K-means y un ensamble de clasificadores. La segmentación inicial de los datos permitió identificar patrones de comportamiento en los cursos ofrecidos, agrupándolos en cinco clusters homogéneos. Diferentes modelos de clasificación supervisada (Random Forest, Gradient Boosting y XGBoost) fueron entrenados para predecir la probabilidad de inscripción de los usuarios en los cursos agrupados. Para mejorar la precisión y robustez del modelo, se implementó un ensamble entre esos modelos iniciales que combinó sus fortalezas individuales, alcanzando una precisión del 83% en la clasificación multiclase. Los resultados destacan que el enfoque propuesto puede reducir significativamente las cancelaciones de cursos al anticipar la demanda, optimizar la asignación de recursos y mejorar la experiencia de los usuarios al alinear la oferta educativa con sus preferencias. Este sistema combina efectividad operativa y personalización, lo que contribuye a la toma de decisiones estratégicas en la programación y gestión de la oferta educativa. La metodología presentada es replicable en otros contextos educativos, demostrando la aplicabilidad de los modelos de aprendizaje automático para resolver problemas complejos en escenarios de alta heterogeneidad y múltiples clases. |
|---|