Santana Carbajal, Oliver IsraelSegovia Hinojosa, James Enrique2025-04-092025-04-092024https://repositorio.unjbg.edu.pe/handle/20.500.12510/4921Este trabajo de investigación busca determinar la relación entre el rendimiento académico escolar y el universitario de los ingresantes a la Facultad de Ingeniería de la Universidad Nacional Jorge Basadre Grohmann en 2023, utilizando algoritmos de machine learning. Se emplearon modelos de regresión lineal, árboles de decisión y redes neuronales para desarrollar herramientas predictivas que identifiquen patrones significativos en los datos académicos, con el fin de mejorar los procesos de admisión y apoyo académico. El estudio aborda la alta tasa de deserción y bajo rendimiento en los primeros años universitarios, subrayando la necesidad de predecir con mayor precisión qué estudiantes tienen mayor probabilidad de éxito. Se analizaron registros académicos de 403 estudiantes, preprocesados para garantizar su calidad, y se implementaron algoritmos de machine learning con herramientas como Scikit-learn y TensorFlow. La calidad de los modelos se evaluó mediante métricas como R², MSE, RMSE y MAE. Los resultados indican que las redes neuronales tienen una mejor capacidad para identificar relaciones complejas entre las variables, aunque presentan problemas de sobreajuste. Por su parte, los árboles de decisión y la regresión lineal ofrecen resultados más interpretables, pero con menor precisión. El estudio concluye que el rendimiento escolar es un buen predictor del desempeño universitario, aunque su capacidad explicativa es limitada. Los algoritmos de machine learning permiten explorar nuevas perspectivas en el análisis educativo, sugiriendo la necesidad de incluir factores adicionales para mejorar las predicciones y estrategias de apoyo académico.application/pdfspainfo:eu-repo/semantics/openAccessMachine learningAlgoritmosRendimiento académico escolarRendimiento académico universitarioinfo:eu-repo/semantics/bachelorThesis