Look-up in Google Scholar
Full metadata record
Pérez Pichis, Roy
Jesus Llontop, Ashley Alejandra (es_PE)
Jimenez Ramirez, Omar Antonio Hernan
2024-08-09T04:40:06Z
2024-08-09T04:40:06Z
2024-06-12
http://hdl.handle.net/10757/674924
El presente proyecto analiza los principales factores de la deserción universitaria y plantea un modelo de análisis predictivo aplicando Machine Learning para detectar de manera temprana casos de deserción. Actualmente, la deserción universitaria es un problema que no solo afecta al estudiante, sino a las familias, universidad y sociedad. Como consecuencias, la pérdida de un profesional genera pérdidas en las inversiones de las universidad y disminución de investigación y producción científica. Con el apoyo de los algoritmos de Machine Learning, el proyecto identifica casos de deserción con la finalidad que las universidades actúen lo más antes posible. Tras analizar investigaciones similares, se realizó un Benchmarking de los algoritmos potencialmente aplicables. Finalmente, el proyecto desarrolla un modelo de análisis predictivo aplicando el algoritmo Random Forest (RF). Para el diseño del modelo, se definió un total de catorce (14) variables que pertenecen datos demográficos del alumno, formación preuniversitaria y admisión del alumno, entorno familiar, integración social y desempeño académico del alumno y variables cognitivas y emocionales del alumno.
This project analyzes the main factors of university dropout and proposes a predictive analysis model applying Machine Learning to detect early dropout cases. Currently, student dropout is a problem that not only affects the student, but also the families, university and society. With the support of machine learning, the main purpose of this project is to identify desertion cases in order to help universities to act as soon as possible. After analyzing similar research, we prepared a benchmarking of potentially applicable algorithms. Finally, the project develops a predictive analysis model applying the Random Forest (RF) algorithm. For the design of the model, a total of fourteen (14) variables were defined pertaining to student demographics, pre-university education and admission of the student, family environment, social integration and academic performance of the student, and cognitive and emotional variables of the student.
Tesis (es_PE)
application/pdf (en_US)
application/epub (en_US)
application/msword (en_US)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Repositorio Académico - UPC (es_PE)
Análisis predictivo
Aprendizaje automático
Deserción universitaria
Bosque aleatorio
Predictive analytics
Machine learning
Student dropout
Random forest.
Modelo de análisis predictivo para el monitoreo de la deserción estudiantil aplicando machine learning en la educación superior universitaria del Perú (es_PE)
Predictive Analytics Model for Monitoring Student Dropout Using Machine Learning in Higher Education in Peruvian Universities
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería (es_PE)
Ingeniería de Sistemas de Información (es_PE)
Licenciatura (es_PE)
Ingeniero de sistemas de información (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04
https://purl.org/pe-repo/ocde/ford#2.00.00 (es_PE)
https://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
42346887
https://orcid.org/0000-0003-2113-0405 (es_PE)
74528016
75207621
612136 (es_PE)
Burga Durango, Daniel Wilfredo
Lucero Guevara, Delicia Esmeralda
Coronado Gutierrez, Jaime Juniors
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons