Mostrar el registro sencillo del ítem
Aplicación de machine learning para clasificar el rendimiento académico del área de matemática en el colegio CIMA- Lambayeque 2021
dc.contributor.advisor | Maquén Niño, Gisella Luisa Elena | es_PE |
dc.contributor.author | Aurich Mio, Leysi Yarely | es_PE |
dc.contributor.author | Miguel Flores, Moisés Alvin | es_PE |
dc.date.accessioned | 2023-09-13T20:09:42Z | |
dc.date.available | 2023-09-13T20:09:42Z | |
dc.date.issued | 2023-05-22 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12893/11907 | |
dc.description.abstract | Los centros educativos son uno de los principales agentes de cambios dentro de un país, contribuyendo al progreso de este, tal es el caso del colegio CIMA, el cual, desde ya, cuenta con un buen nivel de enseñanza e incluso obteniendo reconocimientos tanto para el alumno como para la institución. Sin embargo, el rendimiento de los alumnos no ha sido homogéneo en lo que respecta al área de matemática, por lo cual, el presente proyecto tiene como objetivo principal implementar la aplicación de machine learning para clasificar el rendimiento académico matemático de los estudiantes del colegio CIMA, y de esta manera poder determinar que era relevante emplearlo, para la clasificación en el ámbito educativo. Para la presente investigación se consideró emplear la metodología CRISP-DM, una metodología potente y muy considerada en otros estudios relacionados no solo a machine learning, si no a otros sub aspectos de la inteligencia artificial como la minería de datos, campo en el que es más usado. Entonces se obtuvo la data inicial provista por la institución educativa CIMA, mediante documentación debido a la confidencialidad de datos y a los riesgos que supondrían el permitir el acceso a consultas de Base de datos, que podrían derivar en accidentes no deseados. Posterior a ello se procedió a la elección del algoritmo más adecuado para emplear y trabajar con los datos, , por su facilidad de manipulación de datos y garantía de certeza de obtención de resultados al trabajar con mediciones de precisión alta. Gracias a las librerías útiles y muy versátiles de Python, lenguaje de programación elegido, se dividió la data en subcategorías de entrenamiento y prueba, y se obtuvieron resultados relativamente altos en cuanto a precisión de modelo, obteniéndose a partir de la elección de diferentes vecinos para cado grado y curso, valores de F1-Score con un mínimo de 0.87 y con un máximo de 0.95 lo cual indica un bien nivel de confianza. Concluyendo así que a partir del cuestionario realizado a los estudiantes con una previa validación por juicio de expertos se lograron obtener 12 factores importantes para el desarrollo de la investigación, además de corroborar que el algoritmo de KNN se ajusta perfectamente a la clasificación realizada, del mismo modo también se determinaron los factores que tuvieron más relevancia siendo uno de ellos los indicadores de rendimiento de cada curso, y para culminar se clasifico correctamente el rendimiento académico teniendo valores de F1-Score con un máximo de 0.95. | es_PE |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad Nacional Pedro Ruiz Gallo | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights | Atribución-CompartirIgual 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-sa/4.0/ | * |
dc.subject | Machine learning | es_PE |
dc.subject | Rendimiento académico | es_PE |
dc.subject | Rendimiento matemático | es_PE |
dc.title | Aplicación de machine learning para clasificar el rendimiento académico del área de matemática en el colegio CIMA- Lambayeque 2021 | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.name | Ingeniero en Computación e Informática | es_PE |
thesis.degree.grantor | Universidad Nacional Pedro Ruiz Gallo. Facultad de Ciencias Físicas y Matemáticas | es_PE |
thesis.degree.discipline | Computación e Informática | es_PE |
dc.type.version | info:eu-repo/semantics/publishedVersion | es_PE |
dc.publisher.country | PE | es_PE |
dc.subject.ocde | http://purl.org/pe-repo/ocde/ford#1.02.01 | es_PE |
renati.author.dni | 74417004 | |
renati.author.dni | 73103037 | |
renati.advisor.dni | 41747228 | |
renati.advisor.orcid | https://orcid.org/0000-0002-9224-5456 | es_PE |
renati.type | http://purl.org/pe-repo/renati/type#tesis | es_PE |
renati.level | http://purl.org/pe-repo/renati/nivel#tituloProfesional | es_PE |
renati.discipline | 611076 | es_PE |
renati.juror | Aquino Lalupú, Janet del Rosario | es_PE |
renati.juror | Reyes Lescano, Luis Alberto | es_PE |
renati.juror | Celis Bravo, Percy Javier | es_PE |