Título : |
Predicción de Rendimiento Académico Mediante Regresión y Redes Neuronales en los Estudiantes de la Escuela Profesional de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano - Puno, 2015 |
Tipo de documento: |
texto impreso |
Autores: |
Paja Dominguez, Hicler_Emerson, Autor |
Editorial: |
Puno : Universidad Nacional del Altiplano. Facultad de Ingeniería Estadística e Informática. Escuela Profesional de Ingeniería Estadística e Informática |
Fecha de publicación: |
2017 |
Número de páginas: |
120 p. |
Il.: |
ils.; diagrs.; tbls.; |
Dimensiones: |
30 cm. |
Nota general: |
Para Optar Título Profesional de Ingeniero Estadístico e Informático |
Idioma : |
Español (spa) |
Resumen: |
La presente investigación se realizó en la Facultad de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano de Puno, la cual tuvo como objetivo determinar la mejor técnica de predicción en el rendimiento académico utilizando regresión y redes neuronales en estudiantes de la Facultad mencionada. Para ello se utilizó una población que estuvo conformada por estudiantes matriculados durante los años 2009 al 2015; haciendo un total de 696 estudiantes. Se consideró muestreo intencional de cohorte entre los años 2009-2015, conteniendo 19334 registros de promedios finales de asignaturas. Se consideró 23 variables predictoras; de ellas 17 variables fueron seleccionados por el método stepwise para la asignatura 009-05 con un R^2= 0.72, 0.11 de error para los modelos, 0.37 de error para la predicción y 16 variables para la asignatura 010-05 con de R^2= 0.92, 0.96 de error para los modelos, 0.0032 de error para la predicción. Mientras que las RNA’s Perceptrón multicapa, algoritmo backpropagation, con arquitectura de 3 capas en función de las mismas variables que fueron seleccionadas en regresión múltiple; en donde de ambos asignaturas mencionadas anteriormente obtuvieron promedios de 0.0558 de error para los modelos y 0.00081 de error para las predicciones. Finalmente se midieron los promedios los errores obteniendo que las RNA’s es la mejor técnica en predicción; puesto que tienen una diferencia de 0.534 error en modelo y 0.1307 error en predicción respecto a la regresión.
|
En línea: |
http://tesis.unap.edu.pe/handle/UNAP/6337 |
Link: |
https://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=101892 |
Predicción de Rendimiento Académico Mediante Regresión y Redes Neuronales en los Estudiantes de la Escuela Profesional de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano - Puno, 2015 [texto impreso] / Paja Dominguez, Hicler_Emerson, Autor . - Puno : Universidad Nacional del Altiplano. Facultad de Ingeniería Estadística e Informática. Escuela Profesional de Ingeniería Estadística e Informática, 2017 . - 120 p. : ils.; diagrs.; tbls.; ; 30 cm. Para Optar Título Profesional de Ingeniero Estadístico e Informático Idioma : Español ( spa)
Resumen: |
La presente investigación se realizó en la Facultad de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano de Puno, la cual tuvo como objetivo determinar la mejor técnica de predicción en el rendimiento académico utilizando regresión y redes neuronales en estudiantes de la Facultad mencionada. Para ello se utilizó una población que estuvo conformada por estudiantes matriculados durante los años 2009 al 2015; haciendo un total de 696 estudiantes. Se consideró muestreo intencional de cohorte entre los años 2009-2015, conteniendo 19334 registros de promedios finales de asignaturas. Se consideró 23 variables predictoras; de ellas 17 variables fueron seleccionados por el método stepwise para la asignatura 009-05 con un R^2= 0.72, 0.11 de error para los modelos, 0.37 de error para la predicción y 16 variables para la asignatura 010-05 con de R^2= 0.92, 0.96 de error para los modelos, 0.0032 de error para la predicción. Mientras que las RNA’s Perceptrón multicapa, algoritmo backpropagation, con arquitectura de 3 capas en función de las mismas variables que fueron seleccionadas en regresión múltiple; en donde de ambos asignaturas mencionadas anteriormente obtuvieron promedios de 0.0558 de error para los modelos y 0.00081 de error para las predicciones. Finalmente se midieron los promedios los errores obteniendo que las RNA’s es la mejor técnica en predicción; puesto que tienen una diferencia de 0.534 error en modelo y 0.1307 error en predicción respecto a la regresión.
|
En línea: |
http://tesis.unap.edu.pe/handle/UNAP/6337 |
Link: |
https://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=101892 |
Predicción de Rendimiento Académico Mediante Regresión y Redes Neuronales en los Estudiantes de la Escuela Profesional de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano - Puno, 2015
La presente investigación se realizó en la Facultad de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano de Puno, la cual tuvo como objetivo determinar la mejor técnica de predicción en el rendimiento académico utilizando regresión y redes neuronales en estudiantes de la Facultad mencionada. Para ello se utilizó una población que estuvo conformada por estudiantes matriculados durante los años 2009 al 2015; haciendo un total de 696 estudiantes. Se consideró muestreo intencional de cohorte entre los años 2009-2015, conteniendo 19334 registros de promedios finales de asignaturas. Se consideró 23 variables predictoras; de ellas 17 variables fueron seleccionados por el método stepwise para la asignatura 009-05 con un R^2= 0.72, 0.11 de error para los modelos, 0.37 de error para la predicción y 16 variables para la asignatura 010-05 con de R^2= 0.92, 0.96 de error para los modelos, 0.0032 de error para la predicción. Mientras que las RNA’s Perceptrón multicapa, algoritmo backpropagation, con arquitectura de 3 capas en función de las mismas variables que fueron seleccionadas en regresión múltiple; en donde de ambos asignaturas mencionadas anteriormente obtuvieron promedios de 0.0558 de error para los modelos y 0.00081 de error para las predicciones. Finalmente se midieron los promedios los errores obteniendo que las RNA’s es la mejor técnica en predicción; puesto que tienen una diferencia de 0.534 error en modelo y 0.1307 error en predicción respecto a la regresión.
Paja Dominguez, Hicler_Emerson -
Puno : Universidad Nacional del Altiplano. Facultad de Ingeniería Estadística e Informática. Escuela Profesional de Ingeniería Estadística e Informática - 2017
Para Optar Título Profesional de Ingeniero Estadístico e Informático
|
| |