Técnicas de machine learning para predecir el rendimiento académico en los estudiantes de la Universidad Nacional Agraria de la Selva

Zamora Hernandez, Maria Luci

Técnicas de machine learning para predecir el rendimiento académico en los estudiantes de la Universidad Nacional Agraria de la Selva

dc.contributor.advisor	Yanac Montesino, Rannoverng
dc.contributor.author	Zamora Hernandez, Maria Luci
dc.date.accessioned	2025-10-16T16:58:55Z
dc.date.available	2025-10-16T16:58:55Z
dc.date.issued	2024
dc.description.abstract	El objetivo de esta investigación es determinar en qué porcentaje las técnicas de machine learning permiten predecir el rendimiento académico de los estudiantes de la UNAS, mediante las métricas de evaluación: exactitud, precisión, sensibilidad, especificidad, puntuación F1 y Curva ROC, con el fin de poder identificar a los alumnos con probabilidad de éxito o fracaso de acuerdo con una escala de calificación. En este estudio se hizo uso de una población de 4584 estudiantes, por lo que se usó la totalidad de la población como muestra. Asimismo, el estudio es de tipo aplicada, enfoque cuantitativo, alcance descriptivo, y diseño de investigación experimental de tipo pre-experimental de un solo grupo, esto porque luego de aplicar las técnicas de machine learning se podrá observar los resultados y realizar la medición. Para la creación de los modelos predictivos, se siguieron los pasos de la metodología KDD, utilizando Python como lenguaje de programación y Jupyter Notebook de la suite Anaconda como interfaz de desarrollo. Para visualizar los resultados, se desarrolló un prototipo en el entorno de desarrollo Spyder. Los resultados confirman la validez de las técnicas de machine learning para predecir el rendimiento académico de los estudiantes de la UNAS. Por lo que se destaca que la técnica con mejor resultado en este contexto fue Redes Neuronales con los siguientes valores: Exactitud= 96.24%, sensibilidad = 96.23%, y puntuación F1 = 96.21%. No obstante Árbol de decisión obtuvo los mejores valores de: Precisión= 95.72%, y especificidad = 95.68%, a la vez que SVM obtuvo el valor óptimo de Curva ROC=99.42%.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.14292/3331
dc.language.iso	eng
dc.publisher	Universidad Nacional Agraria de la Selva
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.source	Universidad Nacional Agraria de la Selva
dc.source	Repositorio Institucional - UNAS
dc.subject	Machine learning
dc.subject	Rendimiento académico
dc.subject	KDD
dc.subject	Estudiantes
dc.subject	UNAS
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#1.02.00
dc.title	Técnicas de machine learning para predecir el rendimiento académico en los estudiantes de la Universidad Nacional Agraria de la Selva
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	42544772
renati.advisor.orcid	https://orcid.org/0000-0003-0345-6153
renati.author.dni	43655298
renati.discipline	612296
renati.juror	Vasquez Pinedo, Edudolio Gregorio
renati.juror	Ibarra Zapata, Ronald Eduardo
renati.juror	Pando Soto, Brian Cesar
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería en Informática y Sistemas
thesis.degree.grantor	Universidad Nacional Agraria de la Selva. Facultad de Ingeniería en Informática y Sistemas
thesis.degree.name	Ingeniero en Informática y Sistemas