Comparación de algoritmos de machine learning en la predicción del rendimiento académico universitario basado en el rendimiento en el examen de admisión de los ingresantes a la Facultad de Ingeniería de la Universidad Nacional Jorge Basadre Grohmann del año 2023

Simple item page
dc.contributor.advisorChaparro Cruz, Israel Nazareth
dc.contributor.authorAcero Mamani, Nain Neptalí
dc.date.accessioned2025-12-03T15:55:18Z
dc.date.available2025-12-03T15:55:18Z
dc.date.issued2025
dc.description.abstractEn el Perú, la Secretaría Nacional de la Juventud (SENAJU, 2023) menciona que los jóvenes entre los 15 a 29 años de edad, solo un 21,4 % han accedido a una educación universitaria en zonas urbanas y 24,7 % en zonas rurales. En el Perú, no se puede detectar con facilidad durante el proceso de admisión, quienes realmente deben seguir estudios universitarios, por lo cual, un número significativo de alumnos no han podido responder a las exigencias que conlleven a tener logros significativos. El presente estudio aborda la necesidad de predecir el rendimiento académico universitario de los estudiantes de la Facultad de Ingeniería de la Universidad Nacional Jorge Basadre Grohmann basado en el examen de admisión de los ingresantes en el año 2023. Se formuló el siguiente objetivo: “Comparar los algoritmos de machine learning para predecir el rendimiento académico universitario basado en el examen de admisión en los ingresantes a la Facultad de Ingeniería de la UNJBG en el año 2023”. Se realizó un extenso estudio experimental comparativo utilizando modelos de machine learning como regresión lineal, árbol de decisión, bosques aleatorios y redes neuronales; obteniendo métricas como error absoluto medio (MAE), error cuadrático medio (MSE), raíz de error cuadrado medio (RMSE) y error de porcentaje medio absoluto (MAPE). Se concluyó que: “Se comparó los 2 algoritmos que tuvieron más precisión respecto a predecir el rendimiento académico universitario, luego de compararlos estadísticamente se observó que el modelo de redes neuronales sobresalió por su mayor precisión y capacidad predictiva, con un nivel de confianza al 95 %”. Finalmente, se publicaron el conjunto de datos como: las notas del rendimiento académico y el puntaje en los cursos de admisión, también los modelos de machine learning en la plataforma de gitLab para futuras investigaciones.
dc.description.uriTesis
dc.formatapplication/pdf
dc.identifier.urihttps://repositorio.unjbg.edu.pe/handle/20.500.12510/5486
dc.language.isospa
dc.publisherUniversidad Nacional Jorge Basadre Grohmann
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0
dc.sourceUniversidad Nacional Jorge Basadre Grohmann
dc.sourceRepositorio Institucional - UNJBG
dc.subjectMachine learning
dc.subjectMétricas
dc.subjectRendimiento académico universitario
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.04
dc.titleComparación de algoritmos de machine learning en la predicción del rendimiento académico universitario basado en el rendimiento en el examen de admisión de los ingresantes a la Facultad de Ingeniería de la Universidad Nacional Jorge Basadre Grohmann del año 2023
dc.typeinfo:eu-repo/semantics/masterThesis
renati.advisor.dni48584646
renati.advisor.orcidhttps://orcid.org/0000-0001-6286-3256
renati.author.dni74575544
renati.jurorLinares Gutiérrez, Nataniel Mario
renati.jurorMori Sosa, Luis Johnson Paúl
renati.jurorChaparro Cruz, Israel Nazareth
thesis.degree.disciplineIngeniería de Sistemas e Informática - Administración de Tecnologías de Información
thesis.degree.grantorUniversidad Nacional Jorge Basadre Grohmann. Escuela de Posgrado
thesis.degree.levelMaestría
thesis.degree.nameMaestro en Ciencias (Magister Scientiae) con mención en Ingeniería de Sistemas e Informática - Administración de Tecnologías de Información

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
2025_acero_mamani_nn_maestria.pdf
Size:
9.03 MB
Format:
Adobe Portable Document Format
Download

Collections

Tesis de Maestría