Contreras Ortiz, Martha SusanaMendoza Santamaría, Juana Valentina2023-07-262023-07-262023-07-25Mendoza Santamaría, J. V. (2023). Modelo Predictivo de la Mortalidad Académica del Programa de Ingeniería de Sistemas de la USTA Seccional Tunja Basado en Técnicas de Machine Learning. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/51470El objetivo del proyecto consistió en desarrollar un modelo predictivo con técnicas de machine learning, que permitió identificar los casos de mortalidad académica que pueden conllevar a la deserción de los estudiantes en el programa de ingeniería de sistemas. El trabajo inició con un análisis bibliométrico para recopilar los datos de las investigaciones que hayan implementado el aprendizaje automático en el estudio de la deserción académica. Asimismo, se indagó sobre las técnicas de machine learning que mejor se ajustan al tema y las experiencias internacionales. Posteriormente, se consolidó el dataset a partir de la información académica de los estudiantes de ingeniería de sistemas durante los periodos 2018-1 al 2021-2. Después, se aplicó la ingeniería de características para determinar cuáles eran las más relevantes para un predictor de deserción. De esta forma, se determinó el modelo de aprendizaje automático para la predicción de estudiantes de ingeniería de sistemas en la universidad. Este proceso se realizó mediante la comparación de índices de desempeño, al utilizar diferentes algoritmos de machine learning con la información previamente recopilada. Posteriormente, se realizó la validación del modelo, mediante la técnica de la validación cruzada. Por último, se desplegó un dashboard con los factores que influyen en la deserción académica estudiantil y las predicciones de riesgo de deserción en los estudiantes.The project's aim was to develop a predictive model using machine learning techniques, which allowed identifying cases of academic mortality that may lead to student dropout in the computer science program. The work began with a bibliometric analysis to gather data from research that has implemented machine learning in the study of academic dropout. Additionally, inquiries were made about the machine learning techniques that best fit the subject and international experiences. Subsequently, the dataset was consolidated based on the academic information of computer science students from 2018-1 to 2021-2. Afterwards, feature engineering was applied to determine which ones were the most relevant for a dropout predictor. In this way, the machine learning model for predicting students in the computer science program at the university was determined. This process was conducted by comparing performance indices using different machine learning algorithms with the previously collected information. Thereafter, the model was validated using the cross-validation technique. Finally, a dashboard was deployed, showing the factors that influence student academic dropout and the predictions of dropout risk in students.application/pdfspaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Student DropoutHigher EducationComputer ScienceMachine LearningAcademic DropoutTrabajo de gradoAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Deserción EstudiantilEducación SuperiorIngeniería de SistemasMachine LearningMortalidad Académicareponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co