Show simple item record

dc.contributor.advisorRodríguez Molano, José Ignacio
dc.creatorForero Zea, Leidy Daniela
dc.creatorPiñeros Reina, Yudy Fernanda
dc.date.accessioned2019-07-31T16:01:56Z
dc.date.available2019-07-31T16:01:56Z
dc.date.created2019-05-13
dc.identifier.urihttp://hdl.handle.net/11349/15890
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.spa
dc.description.abstractIn 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.spa
dc.format.mimetypepdfspa
dc.rightsAn error occurred on the license name.*
dc.rights.uriAn error occurred getting the license - uri.*
dc.subjectDeserción académicaspa
dc.subjectAlgoritmospa
dc.subjectInteligencia artificialspa
dc.subjectAprendizaje automáticospa
dc.titleMachine learning para la identificación de estudiantes en riesgo de deserción académicaspa
dc.subject.lembIngeniería Industrial - Tesis y disertaciones académicasspa
dc.subject.lembAprendizaje automático (Inteligencia artificial)spa
dc.subject.lembDeserción universitariaspa
dc.subject.lembInteligencia artificialspa
dc.rights.accessRightsinfo:eu-repo/semantics/openAccessspa
dc.title.titleenglishMachine learning for the identification of students at risk of academic desertionspa
dc.subject.keywordAcademic desertionspa
dc.subject.keywordAlgorithmspa
dc.subject.keywordArtificial intelligencespa
dc.subject.keywordMachine learningspa
dc.type.degreeProducción Académicaspa
dc.rights.accesoAbierto (Texto Completo)spa


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record