Publicación:

Pronóstico de los estudiantes que aprobarían o no los cursos de matemáticas de primer semestre de los programas de ingeniería en la Universidad Tecnológica de Bolívar

Resumen en español

En el presente trabajo se aplican técnicas de aprendizaje automático para predecir la aprobación o no de los cursos del área de matemáticas que se imparten en primer semestre en la facultad de ingeniería de la Universidad Tecnológica de Bolívar, a partir de los datos suministrados por los estudiantes en su proceso de admisión, como sexo, estrato social, programa académico, tipo de estudiante, estado civil, resultados en las diferentes áreas de las pruebas Saber 11, entre otras. Se realiza un análisis descriptivo de los datos, análisis de correspondencia múltiple (MCA), análisis de componentes principales (PCA) y un análisis de variables importantes para posteriormente realizar la fase de entrenamiento y evaluación de los modelos de aprendizaje automático aplicados. Los modelos aplicados fueron K-nearest Neighbors (KNN), General Linear Model en Red (GLMNET), Random Forest (RF), Support Vector Machine (SVM), Árbol de Decisión (DT), Neural Network (NEURALNET), GLMBOOST y GAMBOOST. Cada una de las bases de datos se dividió en dos: una del 70% para el entrenamiento y otra del 30% para la evaluación. En todos los casos se aplicó validación cruzada con 10 folds. Los mejores resultados se obtuvieron con el algoritmo de Neural Network: Multilayer Perceptron (NEURALNET).