Please use this identifier to cite or link to this item:
http://dspace.utpl.edu.ec/handle/123456789/69238
Title: | Análisis comparativo de algoritmos de Machine Learning y Deep Learning para la predicción de la Deserción Estudiantil Universitaria |
Authors: | Ruiz Vivanco, Omar Alexander Briceño Gaona, Marco Antonio |
Keywords: | Ecuador. Tesis digital. |
Issue Date: | 2024 |
Citation: | Briceño Gaona, M. A. Ruiz Vivanco, O. A. (2024) Análisis comparativo de algoritmos de Machine Learning y Deep Learning para la predicción de la Deserción Estudiantil Universitaria [Tesis de Grado, Universidad Técnica Particular de Loja]. Repositorio Institucional. https://dspace.utpl.edu.ec/handle/123456789/69238 |
Abstract: | Abstract: This study conducts a comparative analysis of machine learning and deep learning algorithms for predicting university dropout rates. Using a dataset from a university, specifically Tecnológico de Monterrey, we establish a interactive pipeline base on CRISP-DM and several platforms and techniques to evaluate algorithms including TabNet, LSTM, Logistic Regression, and SVM. The goal is to identify the most effective model in accurately predicting potential dropout cases. The results show that proposal pipeline contribute to algorithms achieve highest accuracy, for instance TabNet reaching 97% of accuracy. This indicates its effectiveness in recognizing patterns associated with dropout risks linked to academic performance and economic resources. The comparative analysis highlights the strengths and weaknesses of each algorithm in handling the complexities of university dropout prediction, providing insights for future research and application in educational settings to student dropout prediction. |
Description: | Resumen: Este estudio realizó un análisis comparativo de algoritmos de aprendizaje automático y aprendizaje profundo para predecir tasas de deserción universitaria. Utilizando un conjunto de datos de una universidad, específicamente del Tecnológico de Monterrey, se estableció un pipeline interactivo basado en CRISP-DM y diversas plataformas y técnicas para evaluar algoritmos como TabNet, LSTM, Regresión Logística y SVM. El objetivo fue identificar el modelo más eficaz para predecir con precisión los casos potenciales de deserción. Los resultados mostraron que el pipeline propuesto contribuyó a que los algoritmos alcanzaran una mayor precisión, como TabNet, que logró un 97% de exactitud. Esto indicó su efectividad para reconocer patrones asociados con los riesgos de deserción vinculados al desempeño académico y los recursos económicos. El análisis comparativo destacó las fortalezas y debilidades de cada algoritmo al manejar las complejidades de la predicción de deserción universitaria, proporcionando información valiosa para futuras investigaciones y aplicaciones en entornos educativos para la predicción de deserción estudiantil. |
URI: | https://bibliotecautpl.utpl.edu.ec/cgi-bin/abnetclwo?ACC=DOSEARCH&xsqf99=143053.TITN. |
Appears in Collections: | Titulación de Sistemas Informáticos y Computación |
Files in This Item:
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.