Mostrar el registro sencillo del ítem

Machine learning para la identificación de estudiantes en riesgo de deserción académica

Machine learning for the identification of students at risk of academic desertion

dc.contributorRodríguez Molano, José Ignacio
dc.creatorForero Zea, Leidy Daniela
dc.creatorPiñeros Reina, Yudy Fernanda
dc.date2019-07-31T16:01:56Z
dc.date2019-07-31T16:01:56Z
dc.date2019-05-13
dc.date.accessioned2025-04-29T21:40:44Z
dc.date.available2025-04-29T21:40:44Z
dc.identifierhttp://hdl.handle.net/11349/15890
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/95823
dc.descriptionLa tasa de deserción de la educación superior en América Latina oscila entre el 40% y el 75%. Existen diversas razones por las que un estudiante decide abandonar sus estudios; sin embargo, la importancia de identificar el nivel de riesgo de la deserción se refleja en el impacto socioeconómico tanto en la institución, como en el país. Los avances informáticos en el campo de la gestión de bases de datos e inteligencia artificial han propiciado el desarrollo de técnicas como el machine learning, que soporta la toma de decisiones frente a un problema y las modifica cuando las condiciones lo requieran. El siguiente artículo, presenta un caso de estudio de la Identificación de estudiantes de ingeniería industrial en riesgo de deserción académica de la Universidad Distrital Francisco José de Caldas durante los periodos 2003-1 al 2018-1; mediante la selección del algoritmo que mejor se adapte a la naturaleza de los datos, a través de la comparación de algoritmos de aprendizaje automático en el software azure machine learning studio.
dc.descriptionIn Latin América, desertion rates in higher education range between 40% and 75%. There are many reasons for a student to deserted of their studies. However, the importance of identifying the level of risk related to such desertion is reflected in the socio-economic impact for the institutions as well as for the country. Technological advancements in database management and artificial intelligence have led to the development of techniques such as machine learning, which supports decision-making when facing a problem and adapts accordingly to the required conditions. The following article shows a case study of the identification of students in Industrial engineering at risk of dropping out in the Universidad Distrital Francisco José de Caldas from the 2003-1 to 2018-1 academic semesters. The algorithm is selected based on which is more suitable to the nature of data, through the comparison of automated learning techniques in azure machine learning studio.
dc.formatpdf
dc.formatapplication/pdf
dc.languagespa
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAbierto (Texto Completo)
dc.subjectDeserción académica
dc.subjectAlgoritmo
dc.subjectInteligencia artificial
dc.subjectAprendizaje automático
dc.subjectIngeniería Industrial - Tesis y disertaciones académicas
dc.subjectAprendizaje automático (Inteligencia artificial)
dc.subjectDeserción universitaria
dc.subjectInteligencia artificial
dc.subjectAcademic desertion
dc.subjectAlgorithm
dc.subjectArtificial intelligence
dc.subjectMachine learning
dc.titleMachine learning para la identificación de estudiantes en riesgo de deserción académica
dc.titleMachine learning for the identification of students at risk of academic desertion
dc.typeProducción Académica
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typehttp://purl.org/coar/resource_type/c_7a1f


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem