Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning
El objetivo del proyecto consistió en desarrollar un modelo predictivo con técnicas de machine learning, que permitió identificar los casos de mortalidad académica que pueden conllevar a la deserción de los estudiantes en el programa de ingeniería de sistemas. El trabajo inició con un análisis bibli...
- Autores:
-
Mendoza Santamaría, Juana Valentina
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/51470
- Acceso en línea:
- http://hdl.handle.net/11634/51470
- Palabra clave:
- Student Dropout
Higher Education
Computer Science
Machine Learning
Academic Dropout
Deserción Estudiantil
Educación Superior
Ingeniería de Sistemas
Machine Learning
Mortalidad Académica
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SANTTOMAS2_122ad68afcc3f155efba858dca805669 |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/51470 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning |
| title |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning |
| spellingShingle |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning Student Dropout Higher Education Computer Science Machine Learning Academic Dropout Deserción Estudiantil Educación Superior Ingeniería de Sistemas Machine Learning Mortalidad Académica |
| title_short |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning |
| title_full |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning |
| title_fullStr |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning |
| title_full_unstemmed |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning |
| title_sort |
Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning |
| dc.creator.fl_str_mv |
Mendoza Santamaría, Juana Valentina |
| dc.contributor.advisor.none.fl_str_mv |
Contreras Ortiz, Martha Susana |
| dc.contributor.author.none.fl_str_mv |
Mendoza Santamaría, Juana Valentina |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
Student Dropout Higher Education Computer Science Machine Learning Academic Dropout |
| topic |
Student Dropout Higher Education Computer Science Machine Learning Academic Dropout Deserción Estudiantil Educación Superior Ingeniería de Sistemas Machine Learning Mortalidad Académica |
| dc.subject.proposal.spa.fl_str_mv |
Deserción Estudiantil Educación Superior Ingeniería de Sistemas Machine Learning Mortalidad Académica |
| description |
El objetivo del proyecto consistió en desarrollar un modelo predictivo con técnicas de machine learning, que permitió identificar los casos de mortalidad académica que pueden conllevar a la deserción de los estudiantes en el programa de ingeniería de sistemas. El trabajo inició con un análisis bibliométrico para recopilar los datos de las investigaciones que hayan implementado el aprendizaje automático en el estudio de la deserción académica. Asimismo, se indagó sobre las técnicas de machine learning que mejor se ajustan al tema y las experiencias internacionales. Posteriormente, se consolidó el dataset a partir de la información académica de los estudiantes de ingeniería de sistemas durante los periodos 2018-1 al 2021-2. Después, se aplicó la ingeniería de características para determinar cuáles eran las más relevantes para un predictor de deserción. De esta forma, se determinó el modelo de aprendizaje automático para la predicción de estudiantes de ingeniería de sistemas en la universidad. Este proceso se realizó mediante la comparación de índices de desempeño, al utilizar diferentes algoritmos de machine learning con la información previamente recopilada. Posteriormente, se realizó la validación del modelo, mediante la técnica de la validación cruzada. Por último, se desplegó un dashboard con los factores que influyen en la deserción académica estudiantil y las predicciones de riesgo de deserción en los estudiantes. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-07-26T20:08:39Z |
| dc.date.available.none.fl_str_mv |
2023-07-26T20:08:39Z |
| dc.date.issued.none.fl_str_mv |
2023-07-25 |
| dc.type.local.spa.fl_str_mv |
Trabajo de grado |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Mendoza Santamaría, J. V. (2023). Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning. Universidad Santo Tomás. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/51470 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Mendoza Santamaría, J. V. (2023). Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning. Universidad Santo Tomás. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/51470 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Berrar, D. (2019). Cross-Validation. In Encyclopedia of Bioinformatics and Computational Biology (pp. 542–545). Elsevier. http://dx.doi.org/10.1016/b978-0-12-809633-8.20349-x Burkov, A. (2019). The hundred-page machine learning book (pp. 14–17). CWTS. (2022). Centre for Science and Technology Studies. Visualizing Science Using VOSviewer. https://www.vosviewer.com/ da Fonseca Silveira, R., Holanda, M., de Carvalho Victorino, M., & Ladeira, M. (2019). Educational Data Mining: Analysis of Drop out of Engineering Majors at the UnB - Brazil. 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA), 259–262. https://doi.org/10.1109/ICMLA.2019.00048 de O. Santos, K. J., Menezes, A. G., de Carvalho, A. B., & Montesco, C. A. E. (2019). Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout. 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT), 207–208. https://doi.org/10.1109/ICALT.2019.00068 Del Bonifro, F., Gabbrielli, M., Lisanti, G., & Zingaro, S. P. (2020). Student Dropout Prediction (pp. 129–140). https://doi.org/10.1007/978-3-030-52237-7_11 Fernandez-Garcia, A. J., Preciado, J. C., Melchor, F., Rodriguez-Echeverria, R., Conejero, J. M., & Sanchez-Figueroa, F. (2021). A Real-Life Machine Learning Experience for Predicting University Dropout at Different Stages Using Academic Data. IEEE Access, 9, 133076–133090. https://doi.org/10.1109/ACCESS.2021.3115851 Hernández Romero, Ó. A., Novoa Beltrán, M. F., Hernández Molina, L. E., & Salina Casas, E. C. (2021, November 19). PERMANENCIA EN EL PRIMER AÑO DE VIDA UNIVERSITARIA EN TIEMPOS DE PANDEMIA. Línea Temática: Teorías y Factores Asociados a La Permanencia y El Abandono. https://revistas.utp.ac.pa/index.php/clabes/article/view/3363/4071 Hutagaol, N., & Suharjito, S. (2019). Predictive Modelling of Student Dropout Using Ensemble Classifier Method in Higher Education. Advances in Science, Technology and Engineering Systems Journal, 4(4), 206–211. https://doi.org/10.25046/aj040425 kdnuggets. (2017). Four Problems in Using CRISP-DM and How To Fix Them. https://www.kdnuggets.com/2017/01/four-problems-crisp-dm-fix.html Kemper, L., Vorhoff, G., & Wigger, B. U. (2020). Predicting student dropout: A machine learning approach. European Journal of Higher Education, 10(1), 28–47. https://doi.org/10.1080/21568235.2020.1718520 Lottering, R., Hans, R., & Lall, M. (2020). A Machine Learning Approach to Identifying Students at Risk of Dropout: A Case Study. International Journal of Advanced Computer Science and Applications, 11(10). https://doi.org/10.14569/IJACSA.2020.0111052 Maksimova, N., Pentel, A., & Dunajeva, O. (2021). Predicting First-Year Computer Science Students Drop-Out with Machine Learning Methods: A Case Study (pp. 719–726). https://doi.org/10.1007/978-3-030-68201-9_70 Opazo, D., Moreno, S., Álvarez-Miranda, E., & Pereira, J. (2021). Analysis of First-Year University Student Dropout through Machine Learning Models: A Comparison between Universities. Mathematics, 9(20), 2599. https://doi.org/10.3390/math9202599 Oege, O. (2020). explainerdashboard — explainerdashboard 0.2 documentation. Explainerdashboard. https://explainerdashboard.readthedocs.io/en/latest/index.html Ruiz-Rosero, J., Ramirez-Gonzalez, G., & Viveros-Delgado, J. (2019). Software survey: ScientoPy, a scientometric tool for topics trend analysis in scientific publications. Scientometrics, 121(2), 1165–1188. https://doi.org/10.1007/s11192-019-03213-w Sarkar, D., Bali, R., & Sharma, T. (2017). Practical machine learning with python: A problem-solver’s guide to building real-world intelligent systems. Apress. Schröer, C., Kruse, F., & Marx Gómez, J. C. (2020). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science. CENTERIS - International Conference on ENTERprise Information Systems / ProjMAN - International Conference on Project MANagement / HCist - International Conference on Health and Social Care Information Systems and Technologies 2020, 526–534. https://www.researchgate.net/publication/349527794_A_Systematic_Literature_Review_on_Applying_CRISP-DM_Process_Model Sierra, H., & Hernández, O. (2014, November 3). SISTEMA DE ALERTAS TEMPRANAS COMO HERRAMIENTA DE INNOVACIÓN TECNOLÓGICA EN LA UNIVERSIDAD SANTO TOMÁS PARA EL FORTALECIMIENTO DE LA PERMANENCIA ESTUDIANTIL Y GRADUACIÓN OPORTUNA. Línea Temática 4: Prácticas de La Integración Universitaria Para La Reducción Del Abandono Tipo de Comunicación: Experiencia/Reporte de Caso. https://core.ac.uk/download/pdf/234020468.pdf Theobald, O. (2017). Machine Learning For Absolute Beginners (Second Edition). Timaran Pereira, R., & Caicedo Zambrano, J. (2017). Application of Decision Trees for Detection of Student Dropout Profiles. 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), 528–531. https://doi.org/10.1109/ICMLA.2017.0-107 Universidad Católica de Brasilia. (2022, November 16). Congresso Latino-americano sobre o Abandono na Educação Superior (XI CLABES). Congresso Latino-Americano Sobre o Abandono Na Educação Superior (XI CLABES). https://doity.com.br/clabes2022/artigos?lang=es UDIES - Unidad de Desarrollo Integral Estudiantil. (2020). Reporte deserción Ingeniería de Sistemas 2020. Universidad de los Andes. (2014). Informe Determinantes de la deserción: “Informe mensual sobre el soporte técnico y avance del contrato para garantizar la alimentación, consolidación, validación y uso de la información del SPADIES.” https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles-254702_Informe_determinantes_desercion.pdf vijh, samarth. (2019, June 12). What is ROC curve in machine learning? ROC curve in python with example. Intellipaat. https://intellipaat.com/blog/roc-curve-in-machine-learning/?US Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a Standard Process Model for Data Mining. 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining, 29–30. http://www.cs.unibo.it/~danilo.montesi/CBD/Beatriz/10.1.1.198.5133.pdf |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Tunja |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Informática |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería de Sistemas |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/51470/6/2023juanavalentinamendozasantamaria.pdf.jpg https://repository.usta.edu.co/bitstream/11634/51470/7/Carta%20de%20Derechos%20de%20Autor.pdf.jpg https://repository.usta.edu.co/bitstream/11634/51470/8/Carta%20autorizaci%c3%b3n%20facultad.pdf.jpg https://repository.usta.edu.co/bitstream/11634/51470/1/2023juanavalentinamendozasantamaria.pdf https://repository.usta.edu.co/bitstream/11634/51470/2/Carta%20de%20Derechos%20de%20Autor.pdf https://repository.usta.edu.co/bitstream/11634/51470/5/Carta%20autorizaci%c3%b3n%20facultad.pdf https://repository.usta.edu.co/bitstream/11634/51470/3/license_rdf https://repository.usta.edu.co/bitstream/11634/51470/4/license.txt |
| bitstream.checksum.fl_str_mv |
ab616f56d09dfe376aee00ed3f017be6 ec1e0b4e63db2e3f38de695bd5be3b91 3c638695e430830ca00d1ac26c85d78d 2884e8e3e784890648fc2c73f9bf07d2 c1929636ad4e0ec9ef919d9269dcfa06 e68bc1edd1e29653ba1fa127c97d147b 217700a34da79ed616c2feb68d4c5e06 aedeaf396fcd827b537c73d23464fc27 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
noreply@usta.edu.co |
| _version_ |
1782026141313269760 |
| spelling |
Contreras Ortiz, Martha SusanaMendoza Santamaría, Juana ValentinaUniversidad Santo Tomás2023-07-26T20:08:39Z2023-07-26T20:08:39Z2023-07-25Mendoza Santamaría, J. V. (2023). Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine Learning. Universidad Santo Tomás.http://hdl.handle.net/11634/51470reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEl objetivo del proyecto consistió en desarrollar un modelo predictivo con técnicas de machine learning, que permitió identificar los casos de mortalidad académica que pueden conllevar a la deserción de los estudiantes en el programa de ingeniería de sistemas. El trabajo inició con un análisis bibliométrico para recopilar los datos de las investigaciones que hayan implementado el aprendizaje automático en el estudio de la deserción académica. Asimismo, se indagó sobre las técnicas de machine learning que mejor se ajustan al tema y las experiencias internacionales. Posteriormente, se consolidó el dataset a partir de la información académica de los estudiantes de ingeniería de sistemas durante los periodos 2018-1 al 2021-2. Después, se aplicó la ingeniería de características para determinar cuáles eran las más relevantes para un predictor de deserción. De esta forma, se determinó el modelo de aprendizaje automático para la predicción de estudiantes de ingeniería de sistemas en la universidad. Este proceso se realizó mediante la comparación de índices de desempeño, al utilizar diferentes algoritmos de machine learning con la información previamente recopilada. Posteriormente, se realizó la validación del modelo, mediante la técnica de la validación cruzada. Por último, se desplegó un dashboard con los factores que influyen en la deserción académica estudiantil y las predicciones de riesgo de deserción en los estudiantes.The project's aim was to develop a predictive model using machine learning techniques, which allowed identifying cases of academic mortality that may lead to student dropout in the computer science program. The work began with a bibliometric analysis to gather data from research that has implemented machine learning in the study of academic dropout. Additionally, inquiries were made about the machine learning techniques that best fit the subject and international experiences. Subsequently, the dataset was consolidated based on the academic information of computer science students from 2018-1 to 2021-2. Afterwards, feature engineering was applied to determine which ones were the most relevant for a dropout predictor. In this way, the machine learning model for predicting students in the computer science program at the university was determined. This process was conducted by comparing performance indices using different machine learning algorithms with the previously collected information. Thereafter, the model was validated using the cross-validation technique. Finally, a dashboard was deployed, showing the factors that influence student academic dropout and the predictions of dropout risk in students.Ingeniero InformáticoPregradoapplication/pdfspaUniversidad Santo TomásIngeniería InformáticaFacultad de Ingeniería de SistemasAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelo predictivo de la mortalidad académica del programa de Ingeniería de Sistemas de la USTA Seccional Tunja basado en técnicas de Machine LearningStudent DropoutHigher EducationComputer ScienceMachine LearningAcademic DropoutDeserción EstudiantilEducación SuperiorIngeniería de SistemasMachine LearningMortalidad AcadémicaTrabajo de gradoinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA TunjaBerrar, D. (2019). Cross-Validation. In Encyclopedia of Bioinformatics and Computational Biology (pp. 542–545). Elsevier. http://dx.doi.org/10.1016/b978-0-12-809633-8.20349-xBurkov, A. (2019). The hundred-page machine learning book (pp. 14–17).CWTS. (2022). Centre for Science and Technology Studies. Visualizing Science Using VOSviewer. https://www.vosviewer.com/da Fonseca Silveira, R., Holanda, M., de Carvalho Victorino, M., & Ladeira, M. (2019). Educational Data Mining: Analysis of Drop out of Engineering Majors at the UnB - Brazil. 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA), 259–262. https://doi.org/10.1109/ICMLA.2019.00048de O. Santos, K. J., Menezes, A. G., de Carvalho, A. B., & Montesco, C. A. E. (2019). Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout. 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT), 207–208. https://doi.org/10.1109/ICALT.2019.00068Del Bonifro, F., Gabbrielli, M., Lisanti, G., & Zingaro, S. P. (2020). Student Dropout Prediction (pp. 129–140). https://doi.org/10.1007/978-3-030-52237-7_11Fernandez-Garcia, A. J., Preciado, J. C., Melchor, F., Rodriguez-Echeverria, R., Conejero, J. M., & Sanchez-Figueroa, F. (2021). A Real-Life Machine Learning Experience for Predicting University Dropout at Different Stages Using Academic Data. IEEE Access, 9, 133076–133090. https://doi.org/10.1109/ACCESS.2021.3115851Hernández Romero, Ó. A., Novoa Beltrán, M. F., Hernández Molina, L. E., & Salina Casas, E. C. (2021, November 19). PERMANENCIA EN EL PRIMER AÑO DE VIDA UNIVERSITARIA EN TIEMPOS DE PANDEMIA. Línea Temática: Teorías y Factores Asociados a La Permanencia y El Abandono. https://revistas.utp.ac.pa/index.php/clabes/article/view/3363/4071Hutagaol, N., & Suharjito, S. (2019). Predictive Modelling of Student Dropout Using Ensemble Classifier Method in Higher Education. Advances in Science, Technology and Engineering Systems Journal, 4(4), 206–211. https://doi.org/10.25046/aj040425kdnuggets. (2017). Four Problems in Using CRISP-DM and How To Fix Them. https://www.kdnuggets.com/2017/01/four-problems-crisp-dm-fix.htmlKemper, L., Vorhoff, G., & Wigger, B. U. (2020). Predicting student dropout: A machine learning approach. European Journal of Higher Education, 10(1), 28–47. https://doi.org/10.1080/21568235.2020.1718520Lottering, R., Hans, R., & Lall, M. (2020). A Machine Learning Approach to Identifying Students at Risk of Dropout: A Case Study. International Journal of Advanced Computer Science and Applications, 11(10). https://doi.org/10.14569/IJACSA.2020.0111052Maksimova, N., Pentel, A., & Dunajeva, O. (2021). Predicting First-Year Computer Science Students Drop-Out with Machine Learning Methods: A Case Study (pp. 719–726). https://doi.org/10.1007/978-3-030-68201-9_70Opazo, D., Moreno, S., Álvarez-Miranda, E., & Pereira, J. (2021). Analysis of First-Year University Student Dropout through Machine Learning Models: A Comparison between Universities. Mathematics, 9(20), 2599. https://doi.org/10.3390/math9202599Oege, O. (2020). explainerdashboard — explainerdashboard 0.2 documentation. Explainerdashboard. https://explainerdashboard.readthedocs.io/en/latest/index.htmlRuiz-Rosero, J., Ramirez-Gonzalez, G., & Viveros-Delgado, J. (2019). Software survey: ScientoPy, a scientometric tool for topics trend analysis in scientific publications. Scientometrics, 121(2), 1165–1188. https://doi.org/10.1007/s11192-019-03213-wSarkar, D., Bali, R., & Sharma, T. (2017). Practical machine learning with python: A problem-solver’s guide to building real-world intelligent systems. Apress.Schröer, C., Kruse, F., & Marx Gómez, J. C. (2020). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science. CENTERIS - International Conference on ENTERprise Information Systems / ProjMAN - International Conference on Project MANagement / HCist - International Conference on Health and Social Care Information Systems and Technologies 2020, 526–534. https://www.researchgate.net/publication/349527794_A_Systematic_Literature_Review_on_Applying_CRISP-DM_Process_ModelSierra, H., & Hernández, O. (2014, November 3). SISTEMA DE ALERTAS TEMPRANAS COMO HERRAMIENTA DE INNOVACIÓN TECNOLÓGICA EN LA UNIVERSIDAD SANTO TOMÁS PARA EL FORTALECIMIENTO DE LA PERMANENCIA ESTUDIANTIL Y GRADUACIÓN OPORTUNA. Línea Temática 4: Prácticas de La Integración Universitaria Para La Reducción Del Abandono Tipo de Comunicación: Experiencia/Reporte de Caso. https://core.ac.uk/download/pdf/234020468.pdfTheobald, O. (2017). Machine Learning For Absolute Beginners (Second Edition).Timaran Pereira, R., & Caicedo Zambrano, J. (2017). Application of Decision Trees for Detection of Student Dropout Profiles. 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), 528–531. https://doi.org/10.1109/ICMLA.2017.0-107Universidad Católica de Brasilia. (2022, November 16). Congresso Latino-americano sobre o Abandono na Educação Superior (XI CLABES). Congresso Latino-Americano Sobre o Abandono Na Educação Superior (XI CLABES). https://doity.com.br/clabes2022/artigos?lang=esUDIES - Unidad de Desarrollo Integral Estudiantil. (2020). Reporte deserción Ingeniería de Sistemas 2020.Universidad de los Andes. (2014). Informe Determinantes de la deserción: “Informe mensual sobre el soporte técnico y avance del contrato para garantizar la alimentación, consolidación, validación y uso de la información del SPADIES.” https://www.mineducacion.gov.co/sistemasdeinformacion/1735/articles-254702_Informe_determinantes_desercion.pdfvijh, samarth. (2019, June 12). What is ROC curve in machine learning? ROC curve in python with example. Intellipaat. https://intellipaat.com/blog/roc-curve-in-machine-learning/?USWirth, R., & Hipp, J. (2000). CRISP-DM: Towards a Standard Process Model for Data Mining. 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining, 29–30. http://www.cs.unibo.it/~danilo.montesi/CBD/Beatriz/10.1.1.198.5133.pdfTHUMBNAIL2023juanavalentinamendozasantamaria.pdf.jpg2023juanavalentinamendozasantamaria.pdf.jpgIM Thumbnailimage/jpeg4818https://repository.usta.edu.co/bitstream/11634/51470/6/2023juanavalentinamendozasantamaria.pdf.jpgab616f56d09dfe376aee00ed3f017be6MD56open accessCarta de Derechos de Autor.pdf.jpgCarta de Derechos de Autor.pdf.jpgIM Thumbnailimage/jpeg9421https://repository.usta.edu.co/bitstream/11634/51470/7/Carta%20de%20Derechos%20de%20Autor.pdf.jpgec1e0b4e63db2e3f38de695bd5be3b91MD57open accessCarta autorización facultad.pdf.jpgCarta autorización facultad.pdf.jpgIM Thumbnailimage/jpeg10041https://repository.usta.edu.co/bitstream/11634/51470/8/Carta%20autorizaci%c3%b3n%20facultad.pdf.jpg3c638695e430830ca00d1ac26c85d78dMD58open accessORIGINAL2023juanavalentinamendozasantamaria.pdf2023juanavalentinamendozasantamaria.pdfDocumento Principalapplication/pdf12789063https://repository.usta.edu.co/bitstream/11634/51470/1/2023juanavalentinamendozasantamaria.pdf2884e8e3e784890648fc2c73f9bf07d2MD51open accessCarta de Derechos de Autor.pdfCarta de Derechos de Autor.pdfCarta de Derechosapplication/pdf220628https://repository.usta.edu.co/bitstream/11634/51470/2/Carta%20de%20Derechos%20de%20Autor.pdfc1929636ad4e0ec9ef919d9269dcfa06MD52metadata only accessCarta autorización facultad.pdfCarta autorización facultad.pdfCarta autorización Facultadapplication/pdf323020https://repository.usta.edu.co/bitstream/11634/51470/5/Carta%20autorizaci%c3%b3n%20facultad.pdfe68bc1edd1e29653ba1fa127c97d147bMD55metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/51470/3/license_rdf217700a34da79ed616c2feb68d4c5e06MD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/51470/4/license.txtaedeaf396fcd827b537c73d23464fc27MD54open access11634/51470oai:repository.usta.edu.co:11634/514702023-07-27 03:01:30.674open accessRepositorio Universidad Santo Tomásnoreply@usta.edu.coQXV0b3Jpem8gYWwgQ2VudHJvIGRlIFJlY3Vyc29zIHBhcmEgZWwgQXByZW5kaXphamUgeSBsYSBJbnZlc3RpZ2FjacOzbiwgQ1JBSS1VU1RBCmRlIGxhIFVuaXZlcnNpZGFkIFNhbnRvIFRvbcOhcywgcGFyYSBxdWUgY29uIGZpbmVzIGFjYWTDqW1pY29zIGFsbWFjZW5lIGxhCmluZm9ybWFjacOzbiBpbmdyZXNhZGEgcHJldmlhbWVudGUuCgpTZSBwZXJtaXRlIGxhIGNvbnN1bHRhLCByZXByb2R1Y2Npw7NuIHBhcmNpYWwsIHRvdGFsIG8gY2FtYmlvIGRlIGZvcm1hdG8gY29uCmZpbmVzIGRlIGNvbnNlcnZhY2nDs24sIGEgbG9zIHVzdWFyaW9zIGludGVyZXNhZG9zIGVuIGVsIGNvbnRlbmlkbyBkZSBlc3RlCnRyYWJham8sIHBhcmEgdG9kb3MgbG9zIHVzb3MgcXVlIHRlbmdhbiBmaW5hbGlkYWQgYWNhZMOpbWljYSwgc2llbXByZSB5IGN1YW5kbwptZWRpYW50ZSBsYSBjb3JyZXNwb25kaWVudGUgY2l0YSBiaWJsaW9ncsOhZmljYSBzZSBsZSBkw6kgY3LDqWRpdG8gYWwgdHJhYmFqbyBkZQpncmFkbyB5IGEgc3UgYXV0b3IuIERlIGNvbmZvcm1pZGFkIGNvbiBsbyBlc3RhYmxlY2lkbyBlbiBlbCBhcnTDrWN1bG8gMzAgZGUgbGEKTGV5IDIzIGRlIDE5ODIgeSBlbCBhcnTDrWN1bG8gMTEgZGUgbGEgRGVjaXNpw7NuIEFuZGluYSAzNTEgZGUgMTk5Mywg4oCcTG9zIGRlcmVjaG9zCm1vcmFsZXMgc29icmUgZWwgdHJhYmFqbyBzb24gcHJvcGllZGFkIGRlIGxvcyBhdXRvcmVz4oCdLCBsb3MgY3VhbGVzIHNvbgppcnJlbnVuY2lhYmxlcywgaW1wcmVzY3JpcHRpYmxlcywgaW5lbWJhcmdhYmxlcyBlIGluYWxpZW5hYmxlcy4K |