Aplicación de técnicas de minería de datos para predecir el desempeño académico de los estudiantes de la escuela ‘Lic. Angélica Villón L.’

Palabras clave: Minería de datos, Inteligencia de Negocios, Educación

Resumen

Una de las metas que tiene la escuela ‘Lic. Angélica Villón L.’ es el mejoramiento del nivel académico de sus estudiantes, para ello, contar con herramientas que permitan disponer de información académica a tiempo para la toma de decisiones resulta básico. Para este fin, se priorizan elementos como la población estudiantil, las calificaciones que alcanzan en cada nivel, el soporte familiar, entre otros; todo esto catalogado como el rendimiento académico del estudiante. No obstante, la evaluación de este indicador se encuentra limitada debido a la influencia de varios factores que requieren ser procesados de forma integrada en función de su nivel de influencia. La investigación realizada es de tipo observacional, nivel exploratorio; muestra el empleo de herramientas de inteligencia de negocios como soporte para la toma de decisiones; se crea un almacén de datos como repositorio unificado a través de procesos ETL; se entrena modelos de aprendizaje supervisado como máquina de soporte de vectores, redes neuronales y árboles de decisión de regresión para predecir el rendimiento académico. Los datos históricos de los estudiantes son la fuente para la aplicación de los modelos. Finalmente, se identifica el modelo que mejor precisión tiene a través de métricas válidas en el contexto de análisis de regresiones.

Descargas

La descarga de datos todavía no está disponible.

Citas

Bobadilla Sancho, J. (2020). Machine Learning y Deep Learning: Usando Python, Scikit y Keras (Primera ed.). Bogotá, Cundinamarca, Colombia: Ra-Ma.

Contreras, L., Fuentes, H., & Rodríguez, J. (2020). Predicción del rendimiento académico como indicador de éxito/fracaso de los estudiantes de ingeniería, mediante aprendizaje automático. SciELO, 13(5), 233-246.

Curto Díaz, J. (2010). Introducción al Business Intelligence (Primera ed.). Barcelona, España: UOC.

Fernández Fernández, J., & Flórez López, R. (2008). Las Redes Neuronales Artificiales: Fundamentos téoricos y aplicaciones prácticas (Primera ed.). La Coruña, España: Netbiblo.

Gamarra Gómez, F. (2019). MODELO BASADO EN MACHINE LEARNING PARA EL NEURORRENDIMIENTO ACADÉMICO DE ESTUDIANTES UNIVERSITARIOS. Revista Ciencia y Tecnología para el Desarrollo-UJCM, 5(9), 10-18. Obtenido de https://revistas.ujcm.edu.pe/index.php/rctd/article/view/137/121

Gironés Roig, J., Casas Roma, J., Minguillón Alfonso, J., & Caihuelas Quiles, R. (2017). Minería de datos: Modelos y algoritmos (Primera ed.). Barcelona, España: UOC.

Gupta, R. (2002). Making use of Python. (B. Ryan, Ed.) New York, United States: Wiley Publishing. Recuperado el 17 de Diciembre de 2020

Hernández Orallo, J., Ramírez Quintana, M., & Ferri Ramírez, C. (2005). Introducción a la Minería de Datos. (D. Fayerman Aragón, Ed.) Madrid, España: Pearson. Recuperado el 17 de Diciembre de 2020

Jupyter. (15 de Diciembre de 2020). Jupyter. Recuperado el 17 de Diciembre de 2020, de https://jupyter.org/

Moncecchi, G., & Garreta, R. (2013). Learning scikit-learn: Machine Learning in Python. Birmingham, Midlands Occidentales, Reino Unido: Packt Publishing. Recuperado el 11 de febrero de 2021

Nevpro. (23 de septiembre de 2020). Pentaho Business Intelligence Tool. Recuperado el 17 de diciembre de 2020, de https://www.nevprobusinesssolutions.com/pentaho-business-intelligence/

Pardillo Vela, J., Trujillo Mondejar, J., & Mazón López, N. (2011). Diseño y explotación de almacenes de datos: Conceptos básicos de modelado multidimensional (Primera ed.). San Vicente, Alicante, España: ECU.

Pojon, M. (junio de 2017). Using Machine Learning to Predict Student Performance. Recuperado el 10 de diciembre de 2020, de https://trepo.tuni.fi/bitstream/handle/10024/101646/GRADU-1498472565.pdf?sequence=1

Predicción del rendimiento académico aplicando técnicas de minería de datos. (2017). Anales Científicos, 78(1), 26-33. Obtenido de https://dialnet.unirioja.es/servlet/articulo?codigo=6171237

Pulido Romero, E., Escobar Domínguez, Ó., & Núñez Pérez, J. (2019). Base de datos (Primera ed.). Ciudad de México, México, México: Patria.

Rico Páez, A., & Sánchez Guzmán, D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN. SciELO, 8(16).

Rodríguez Parrilla, J. (2014). Cómo hacer inteligente su negocio: Business Intelligence a su alcance (Primera ed.). Ciudad de México, México, México: Patria.

Scikit-learn. (28 de junio de 2021). Scikit-learn. Recuperado el 19 de Julio de 2021, de https://scikit-learn.org/stable/

Seaborn. (15 de agosto de 2021). Seaborn. Recuperado el 17 de agosto de 2021, de https://seaborn.pydata.org/

Suganya, G. (2018). Data Mining Techniques to Improve Predictions Accuracy of Students’ Academic Performance: A Case Study with Xorro-Q. Recuperado el 10 de diciembre de 2020, de https://mro.massey.ac.nz/bitstream/handle/10179/14655/02_whole.pdf?sequence=2&isAllowed=y

Tosi, S. (2009). Matplotlib for Python Developers. Birmingham, Midlands Occidentales, Reino Unido: Packt Publishing. Recuperado el 11 de Febrero de 2021

Publicado
2021-12-07
Cómo citar
Orozco Iguasnia, W., Villao Balón, A. J., Orozco Iguasnia, J., & Villarroel Sánchez, M. (2021). Aplicación de técnicas de minería de datos para predecir el desempeño académico de los estudiantes de la escuela ‘Lic. Angélica Villón L.’. Revista Científica Y Tecnológica UPSE, 8(2), 68-75. https://doi.org/10.26423/rctu.v8i2.637
Sección
Artículos científicos