Machine Learning Aplicado Al Rendimiento Académico en Educación Superior.

Format:

Book

Author/Creator:

Emiro Contreras, Leonardo.

Contributor:

Tarazona Bermúdez, Giovanny Mauricio.

Alemán Cardona, Angie Paola.

Series:

Espacios Series

Language:

Spanish

Subjects (All):

Machine learning.

Educational technology.

Genre:

Electronic books.

Physical Description:

1 online resource (208 pages)

Edition:

1st ed.

Place of Publication:

Bogota : Universidad Distrital Francisco Jose de Caldas, 2023.

Summary:

Las herramientas de aprendizaje automático están siendo muy utilizadas por sus buenas aproximaciones al predecir el rendimiento académico de los estudiantes. Se analiza información de la última década con el objetivo de identificar los factores que influyen sobre el rendimiento académico en el nivel superior, a partir de modelos realizados por medio de técnicas de aprendizaje automático. Se plantea una clasificación en factores académicos, sociodemográficos, de aprendizaje en línea, de gestión académica, psicosocial y de entorno académico. También se identifican los algoritmos más usados en su predicción.Adicionalmente, la detección de las variables que más influyen en el fenómeno permitirá implementar algoritmos de Machine Learning pertenecientes a otras ramas de este campo. Así pues, al ahondar un poco más sobre la aplicación de herramientas de Machine Learning en educación superior, este trabajo servirá a docentes e investigadores que deseen investigar estos temas.

Contents:

Intro

Portadilla

Portada

Creditos

Contenido

Índice de tablas

Índice de figuras

Capítulo 1. Contextualización del tema de investigación y su desarrollo

1.1. Introducción

1.2. Formulación del problema

1.3. Justificación del problema

1.4. Objetivos de la investigación

1.4.1. Objetivo general

1.4.2. Objetivos específicos

1.5. Metodología

1.5.1. Fase I. Fuentes de información

1.5.2. Fase II. Planificación de la revisión de literatura

1.5.3. Fase III. Criterios de selección de la información

1.5.4. Fase IV. Análisis e interpretación de datos relevantes

1.5.5. Fase V. Resultados

Capítulo 2. Rendimiento academico

2.1. Generalidades del rendimiento academico

2.2. Panorama de posibles variables que predicen el rendimiento academico

2.3. Indicadores del rendimiento academico: calificaciones

2.4. Indicadores del rendimiento academico: pruebas objetivas

2.5. Indicadores del rendimiento academico: número de asignaturas aprobadas

2.6. Indicadores del rendimiento academico: creditos acumulados

Capítulo 3. Machine Learning

3.1. Generalidades del Machine Learning

3.2. Clasificación del Machine Learning

3.3. Proceso de Machine Learning

Capítulo 4. Aprendizaje no supervisado: factores y variables que influyen en el rendimiento academico

4.1. Factor sociodemográfico

4.2. Factor de aprendizaje

4.3. Factor academico

4.4. Factor entorno academico

4.5. Factor psicológico

4.6. Factor de gestión academica

Capítulo 5. Aprendizaje no supervisado: investigación referencial

5.1. Investigaciones realizadas entre 2010 y 2013

5.2. Investigaciones realizadas entre 2014 y 2017

5.3. Investigaciones realizadas entre 2018 y 2020

5.4. Análisis de las producciones academicas relacionadas con aprendizaje no supervisado

Capítulo 6. Aprendizaje no supervisado: algoritmos implementados

6.1. K-Means

6.2. K-Medoides

6.3. Fuzzy C-Means

6.4. Hierarchical Clustering (HCM/HCA)

6.5. Latent Dirichlet Allocation (LDA)

6.6. Análisis de componentes principales (PCA)

6.7. Gaussian Mixture Model (GMM)

6.8. Hidden Markov Model (HMM)

6.9. Apriori

6.10. Escalamiento multidimensional (MDS)

6.11. Expectation Maximization (EM)

6.12. Self-Organization Maps (SOM)

6.13. Agglomerative Hierarchical Clustering (AHC)

6.14. Temporal Data Clustering

6.15. Relational Association Rules (RAR)

6.16. Farthest-First

6.17. Fuzzy K-Means

6.18. K-Modes

6.19. Kohonen Self-Organizing Map

Capítulo 7. Aprendizaje supervisado: Factores y variables que influyen en el rendimiento academico

7.1. Factor academico

7.2. Factor sociodemográfico

7.3. Factor de aprendizaje en línea

7.4. Factor de gestión academica

7.5. Factor psicosocial

7.6. Factor de entorno academico

Capítulo 8. Aprendizaje supervisado: Investigación referencial

Notes:

8.1. Periodo 2010-2013

Description based upon print version of record.

Description based on publisher supplied metadata and other sources.

Part of the metadata in this record was created by AI, based on the text of the resource.

ISBN:

958-787-518-4

OCLC:

1381708541