| dc.contributor | García Cortegano, Carlos Alberto | |
| dc.contributor | Reátegui Pezo, Alejandro | |
| dc.creator | Puga de la Cruz, Jorge | |
| dc.creator | Torres Monzon, Rony | |
| dc.date | 2023-07-14T18:38:40Z | |
| dc.date | 2023-07-14T18:38:40Z | |
| dc.date | 2023 | |
| dc.date.accessioned | 2023-08-08T00:33:57Z | |
| dc.date.available | 2023-08-08T00:33:57Z | |
| dc.identifier | https://hdl.handle.net/20.500.12737/9204 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7972242 | |
| dc.description | In the research carried out on the prediction of academic performance in the Linear Algebra course at the Faculty of Systems Engineering and Informatics of the National University of the Peruvian Amazon, an attempt was made to determine if machine learning techniques could improve the accuracy of identification. of passing and failing students. Applied research with a predictive level was carried out using all available electronic data and tools such as MATLAB Neural Network Toolbox and MS Excel were used for analysis, as well as artificial neural networks. The results indicated a precision of 97.6%, a completeness of 100% and an accuracy of 97.9%, with a %E of 2.083 and a CE of 0.196274, surpassing the results obtained in similar studies. In conclusion, the research showed that machine learning techniques are effective in predicting academic performance in the Linear Algebra course, obtaining superior results to those of similar studies. | |
| dc.description | En la investigación realizada sobre la predicción del rendimiento académico en el curso de Álgebra Lineal en la Facultad de Ingeniería de Sistemas e Informática de la Universidad Nacional de la Amazonia Peruana, se intentó determinar si las técnicas de aprendizaje automático podrían mejorar la precisión en la identificación de estudiantes aprobados y desaprobados. La investigación aplicada y con un nivel predictivo fue realizada utilizando todos los datos electrónicos disponibles y se emplearon herramientas como MATLAB Neural Network Toolbox y MS Excel para el análisis, así como redes neuronales artificiales. Los resultados indicaron una precisión del 97,6%, una exhaustividad del 100% y una exactitud del 97,9%, con un %E de 2,083 y un CE de 0,196274, superando los resultados obtenidos en estudios similares. En conclusión, la investigación demostró que las técnicas de aprendizaje automático son efectivas en la predicción del rendimiento académico en el curso de Álgebra Lineal, obteniendo resultados superiores a los de estudios similares. | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Nacional de la Amazonía Peruana | |
| dc.publisher | PE | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Inteligencia artificial | |
| dc.subject | Redes neuronales de la computación | |
| dc.subject | Eficiencia de la educación | |
| dc.subject | Estudiante universitario | |
| dc.subject | https://purl.org/pe-repo/ocde/ford#2.02.04 | |
| dc.title | Redes neuronales artificiales para pronosticar el rendimiento académico de alumnos de ingeniería de sistemas e informática de la Universidad Nacional de la Amazonía Peruana | |
| dc.type | info:eu-repo/semantics/masterThesis | |
