Modelo de aprendizaje automático para la predicción del  rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS

Ponce Guizabalo, Santos Victor

Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS

dc.contributor.advisor	Paucar Palomino, William George
dc.contributor.author	Ponce Guizabalo, Santos Victor
dc.date.accessioned	2024-05-30T18:43:46Z
dc.date.available	2024-05-30T18:43:46Z
dc.date.issued	2024
dc.description.abstract	La presente investigación tiene como objetivo determinar un modelo de aprendizaje automático para la predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS. Se planteó la hipótesis: La predicción del rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias de la UNAS con un modelo de aprendizaje automático es significativa. La técnica que se usó para recolectar los datos es una ficha de análisis documental, se obtuvo una población 204 datos. Con el software WEKA 3.9.5 y el análisis de cinco modelos Vote, k Vecinos más Cercanos (IBK), Random Forest, Naive Bayes, y Bagging. En conclusión, El rendimiento académico de los alumnos ingresantes es un tema muy complejo, usando la metodología CRISP-DM y técnicas de minería de datos se logró determinar un modelo de aprendizaje automático que permite predecir significativamente el rendimiento académico de los estudiantes ingresantes de la Facultad de Ingeniería en Industrias Alimentarias. Los resultados muestran que los indicadores claves para predecir el rendimiento académico son: la opción de ingreso, la nota de ingreso quien tiene mayor influencia, el sexo del ingresante y el número de hermanos dentro de la familia. Con las pruebas de Anova de Friedman se obtuvo igual exactitud para los modelos de Random Forest e IBK con 98,4%. El modelo con mejor precisión para los aprobados es Random Forest (98,34%).
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.14292/2801
dc.language.iso	spa
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	Minería de datos
dc.subject	Vote
dc.subject	K vecinos más cercanos (IBK)
dc.subject	Random Forest
dc.subject	Naive Bayes
dc.subject	Bagging
dc.subject	Metodología CRISP-DM
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#1.02.00
dc.title	Modelo de aprendizaje automático para la predicción del rendimiento académico de los alumnos ingresantes en la facultad de Ingeniería en Industrias Alimentarias de la UNAS
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	01321743
renati.advisor.orcid	https://orcid.org/0000-0002-7477-6798
renati.author.dni	42915935
renati.discipline	612296
renati.juror	Canales Aguirre, Marco Arturo
renati.juror	Pozo Malpartida, Jorge Luis
renati.juror	Ibarra Zapata, Ronald Eduardo
renati.level	http://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	http://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