Sistema de predicción para el rendimiento académico en los estudiantes de la IE Mis Primeros Pasos, Cañete.
| dc.contributor.advisor | Sanchez Castillo , Eddye Arturo | |
| dc.contributor.advisor | Almidón Ortiz Carlos Alcides | |
| dc.contributor.author | Chumpitaz Luna , Jeanice Daniela | |
| dc.contributor.author | Hinojosa Rojas , Anel Cecilia | |
| dc.date.accessioned | 2025-04-14T22:54:32Z | |
| dc.date.available | 2025-04-14T22:54:32Z | |
| dc.date.issued | 2025-04-14 | |
| dc.description.abstract | La presente investigación tiene como objetivo predecir el rendimiento académico de los estudiantes de la Institución Educativa Mis Primeros Pasos, Cañete. Esta necesidad surgió a raíz del desempeño académico de los estudiantes, utilizando información de datos x históricos existentes en la Institución Educativa Mis Primeros Pasos. Para llevar a cabo este proceso, se empleó la metodología CRISP-DM, que consta de seis etapas: (1) Comprensión del negocio, (2) Comprensión de los datos, (3) Preparación de los datos, (4) Modelado, (5) Evaluación, y (6) Despliegue. El enfoque de la investigación fue cuantitativo, de tipo aplicado, con un diseño no experimental de tipo correlacional-causal, utilizando un tamaño de muestra de 2210 registros de notas obtenidos mediante muestreo no probabilístico por conveniencia; se utilizó el análisis documental como técnica e instrumento para registrar los datos históricos. Como resultado, se determinó que el algoritmo Gradient Boosting fue óptimo para realizar predicciones de notas, evaluado a través del error cuadrático medio, mientras que el algoritmo SVM mostró una mayor fiabilidad en las predicciones del aprendizaje de los estudiantes. En conclusión, las técnicas de minería de datos permitieron prever significativamente el rendimiento académico de los estudiantes de la Institución Educativa Mis Primeros Pasos, Cañete. Se recomienda implementar un sistema de monitoreo continúo utilizando técnicas avanzadas de minería de datos para seguir evaluando y mejorando las predicciones del rendimiento académico de los estudiantes. | |
| dc.description.abstract | The objective of this research is to predict the academic performance of students at the Mis Primeros Pasos Educational Institution, Cañete. This need arose as a result of the academic performance of the students, using information from existing historical data at the Mis Primeros Pasos Educational Institution. To carry out this process, the CRISP-DM methodology was used, which consists of six stages: (1) Business compression, (2) Data compression, (3) Data preparation, (4) Modeling, (5) Evaluation, and (6) Deployment. The research approach was quantitative, applied, with a non-experimental correlational-causal design, using a sample size of 2,210 records of notes obtained through non-probabilistic convenience sampling; Document analysis was used as a technique and instrument to record historical data. As a result, it wasdetermined that the Gradient Boosting algorithm was optimal for making grade predictions, evaluated through the mean square error, while the SVM algorithm showed greater reliability in the predictions of student learning. In conclusion, data mining techniques allowed us to significantly predict the academic performance of the students of the Mis Primeros Pasos Educational Institution, Cañete. It is recommended to implement a continuous monitoring system using advanced data mining techniques to continue evaluating and improving predictions of students' academic performance. | |
| dc.format | application/pdf | |
| dc.identifier.citation | Chumpitaz Luna Jeanice Daniela - Hinojosa Rojas Anel Cecilia , "Sistema de predicción para el rendimiento académico en los estudiantes de la IE Mis Primeros Pasos, Cañete." Tesis para optar el grado de Ingeniero de Sistemas, Escuela de pregrado Facultad de Ingenieria de Sistemas. Universidad Nacional de Cañete. Cañete – Perú | |
| dc.identifier.uri | https://hdl.handle.net/20.500.14559/276 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Nacional de Cañete | |
| dc.publisher.country | PE | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Gradient Boosting | |
| dc.subject | metodología CRISP-DM | |
| dc.subject | SVM | |
| dc.subject | error cuadrático medio. | |
| dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | |
| dc.title | Sistema de predicción para el rendimiento académico en los estudiantes de la IE Mis Primeros Pasos, Cañete. | |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
| renati.advisor.dni | 06011207 | |
| renati.advisor.dni | 20066294 | |
| renati.advisor.orcid | https://orcid.org/0000-0002-9534-6156 | |
| renati.advisor.orcid | https://orcid.org/0000-0003-1055-9724 | |
| renati.author.dni | 78549112 | |
| renati.author.dni | 76302907 | |
| renati.discipline | 612076 | |
| renati.juror | Vicente Wagner , Enoc | |
| renati.juror | Asto Huamán , Leonidas | |
| renati.juror | Pacheco Pumaleque , Alex Abelardo | |
| renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | |
| renati.type | https://purl.org/pe-repo/renati/type#tesis | |
| thesis.degree.discipline | Universidad Nacional de Cañete. Facultad de Ingenieria de Sistemas | |
| thesis.degree.grantor | Universidad Nacional de Cañete. Facultad de Ingenieria de Sistemas | |
| thesis.degree.name | Ingeniero de Sistemas |