Construcción de un modelo para diagnosticar y pronosticar el rendimiento académico de los estudiantes del proyecto curricular de ingeniería catastral de la Universidad Distrital Francisco José de Caldas, utilizando series de tiempo y machine learning.

Galvis Berrio, John Felipe

Construcción de un modelo para diagnosticar y pronosticar el rendimiento académico de los estudiantes del proyecto curricular de ingeniería catastral de la Universidad Distrital Francisco José de Caldas, utilizando series de tiempo y machine learning.

dc.contributor.advisor	Fuentes López, Héctor Javier
dc.contributor.author	Galvis Berrio, John Felipe
dc.date.accessioned	2022-10-24T20:55:48Z
dc.date.available	2022-10-24T20:55:48Z
dc.date.created	2022-06-24
dc.description	Este documento presenta la investigación para la construcción de un modelo de diagnóstico y pronostico del rendimiento académico del proyecto curricular de Ingeniería Catastral utilizando las herramientas series de tiempo y Machine Learning. Se documenta un análisis de los resultados obtenidos en las investigaciones preliminares. La finalidad es conocer las características generales del alumno y las motivaciones para el abandono de la carrera de Ingeniería, de esta forma poder pronosticar qué procesos o actividades se pueden mejorar con el paso del tiempo para mejorar el rendimiento académico del estudiante. Consecuentemente, se evaluará y determinará el aporte de las series de tiempo y el aprendizaje automático para llegar a resultados estadísticos de datos con resultados fiables y efectivos para la toma de decisiones.	spa
dc.description.abstract	This document presents the research for the construction of a diagnostic and prognostic model of the academic performance of the Cadastral Engineering curricular project using the tools of time series and Machine Learning. An analysis of the results obtained in the preliminary investigations is documented. The purpose is to know the general characteristics of the student and the motivations for abandoning the Engineering career, in this way to be able to predict which processes or activities can be improved over time to improve the student's academic performance. Consequently, the contribution of time series and machine learning will be evaluated and determined to arrive at statistical data results with reliable and effective results for decision making.	spa
dc.format.mimetype	pdf	spa
dc.identifier.uri	http://hdl.handle.net/11349/30365
dc.language.iso	spa	spa
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Internacional	*
dc.rights.acceso	Abierto (Texto Completo)	spa
dc.rights.accessrights	OpenAccess	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Python	spa
dc.subject	Montecarlo	spa
dc.subject	Rendimiento académico	spa
dc.subject	Series de tiempo	spa
dc.subject.keyword	Python	spa
dc.subject.keyword	Montecarlo	spa
dc.subject.keyword	Time Series	spa
dc.subject.keyword	Big data	spa
dc.subject.keyword	Machine learning	spa
dc.subject.keyword	Academic performance	spa
dc.subject.lemb	Maestría en Ingeniería Industrial - Tesis y disertaciones académicas	spa
dc.subject.lemb	Rendimiento académico - Procesamiento de datos	spa
dc.subject.lemb	Análisis de series de tiempo	spa
dc.subject.lemb	Aprendizaje automático (Inteligencia artificial)	spa
dc.subject.lemb	Python (Lenguaje de programación de computadores)	spa
dc.title	Construcción de un modelo para diagnosticar y pronosticar el rendimiento académico de los estudiantes del proyecto curricular de ingeniería catastral de la Universidad Distrital Francisco José de Caldas, utilizando series de tiempo y machine learning.	spa
dc.title.titleenglish	Construction of a model to diagnose and forecast the academic performance of the students of the cadastral engineering curricular project of the Francisco José de Caldas District University, using time series and machine learning.	spa
dc.type	masterThesis	spa
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc	spa
dc.type.degree	Monografía	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa