Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks

La correcta predicción de la cartelera académica del programa de Ingeniería Industrial tiene como objetivo designar el número adecuado de cupos para cada asignatura, esto impacta directamente en la cantidad de solicitudes conflicto horario reduciéndola y a su vez, representando para la coordinación...

Full description

Autores:
Restrepo Jiménez, Daniel
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2019
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/44853
Acceso en línea:
http://hdl.handle.net/1992/44853
Palabra clave:
Universidad de los Andes (Colombia). Facultad de Ingeniería. Departamento de Ingeniería Industrial
Teoría de la predicción
Redes neurales (Computadores)
Materias de estudio (Educación Superior)
Horarios
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id UNIANDES2_f5cefc0a34d5dc61f7a2f0afb207dc1a
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/44853
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.es_CO.fl_str_mv Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
title Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
spellingShingle Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
Universidad de los Andes (Colombia). Facultad de Ingeniería. Departamento de Ingeniería Industrial
Teoría de la predicción
Redes neurales (Computadores)
Materias de estudio (Educación Superior)
Horarios
Ingeniería
title_short Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
title_full Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
title_fullStr Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
title_full_unstemmed Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
title_sort Predicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural Networks
dc.creator.fl_str_mv Restrepo Jiménez, Daniel
dc.contributor.advisor.none.fl_str_mv Valencia Arboleda, Carlos Felipe
Rodríguez Herrera, Carlos Francisco
dc.contributor.author.none.fl_str_mv Restrepo Jiménez, Daniel
dc.contributor.jury.none.fl_str_mv Gómez Castro, Camilo Hernando
dc.subject.keyword.es_CO.fl_str_mv Universidad de los Andes (Colombia). Facultad de Ingeniería. Departamento de Ingeniería Industrial
topic Universidad de los Andes (Colombia). Facultad de Ingeniería. Departamento de Ingeniería Industrial
Teoría de la predicción
Redes neurales (Computadores)
Materias de estudio (Educación Superior)
Horarios
Ingeniería
dc.subject.armarc.es_CO.fl_str_mv Teoría de la predicción
Redes neurales (Computadores)
Materias de estudio (Educación Superior)
dc.subject.armarc.none.fl_str_mv Horarios
dc.subject.themes.none.fl_str_mv Ingeniería
description La correcta predicción de la cartelera académica del programa de Ingeniería Industrial tiene como objetivo designar el número adecuado de cupos para cada asignatura, esto impacta directamente en la cantidad de solicitudes conflicto horario reduciéndola y a su vez, representando para la coordinación académica menor inversión en tiempo y recursos para la solución de los conflictos de los estudiantes durante el comienzo de semestre. La predicción de cartelera académica se ve afectada por diferentes variables dinámicas por lo que se aplican dos algoritmos de predicción dinámica, estos son la red neuronal recurrente Long Short Term Memory y la regresión dinámica entrenando el modelo desde 201310 para predecir en 202010. Se realizó la predicción con ambos modelos siendo la red neuronal la de mejor desempeño de Mean Square Error respecto a la regresión dinámica.
publishDate 2019
dc.date.issued.none.fl_str_mv 2019
dc.date.accessioned.none.fl_str_mv 2020-09-03T15:03:59Z
dc.date.available.none.fl_str_mv 2020-09-03T15:03:59Z
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/44853
dc.identifier.pdf.none.fl_str_mv u830358.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/44853
identifier_str_mv u830358.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.es_CO.fl_str_mv spa
language spa
dc.rights.uri.*.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.spa.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 https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.es_CO.fl_str_mv 71 hojas
dc.format.mimetype.es_CO.fl_str_mv application/pdf
dc.publisher.es_CO.fl_str_mv Universidad de los Andes
dc.publisher.program.es_CO.fl_str_mv Ingeniería Industrial
dc.publisher.faculty.es_CO.fl_str_mv Facultad de Ingeniería
dc.publisher.department.es_CO.fl_str_mv Departamento de Ingeniería Industrial
dc.source.es_CO.fl_str_mv instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
instname_str Universidad de los Andes
institution Universidad de los Andes
reponame_str Repositorio Institucional Séneca
collection Repositorio Institucional Séneca
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/9d721024-20ce-4cf3-bcb7-8cbba8772b8e/download
https://repositorio.uniandes.edu.co/bitstreams/6b39ef19-65d1-4117-83c7-fca91f28dd91/download
https://repositorio.uniandes.edu.co/bitstreams/a65357f9-0990-4159-85c1-12cac91008f3/download
bitstream.checksum.fl_str_mv 3edcf406e66dacefbdab423047ce658b
e8ce0c8bcfbbf01c1cf33bc766accde3
5b4db5ae6e4c004035c17b71f072fb23
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1808390218381787136
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Valencia Arboleda, Carlos Felipevirtual::3942-1Rodríguez Herrera, Carlos Franciscovirtual::3943-1Restrepo Jiménez, Daniel068a4167-5820-4dc5-992b-e6ebcab8a21d400Gómez Castro, Camilo Hernando2020-09-03T15:03:59Z2020-09-03T15:03:59Z2019http://hdl.handle.net/1992/44853u830358.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/La correcta predicción de la cartelera académica del programa de Ingeniería Industrial tiene como objetivo designar el número adecuado de cupos para cada asignatura, esto impacta directamente en la cantidad de solicitudes conflicto horario reduciéndola y a su vez, representando para la coordinación académica menor inversión en tiempo y recursos para la solución de los conflictos de los estudiantes durante el comienzo de semestre. La predicción de cartelera académica se ve afectada por diferentes variables dinámicas por lo que se aplican dos algoritmos de predicción dinámica, estos son la red neuronal recurrente Long Short Term Memory y la regresión dinámica entrenando el modelo desde 201310 para predecir en 202010. Se realizó la predicción con ambos modelos siendo la red neuronal la de mejor desempeño de Mean Square Error respecto a la regresión dinámica.The correct prediction of the academic billboard of the Industrial Engineering program aims to designate the appropriate number of quotas for each subject, this directly impacts the number of requests for hourly conflict reducing the amount of conflicts which represents for the coordination less time investment and resources for students during the beginning of the semester. The academic billboard prediction is affected by different dynamic variables, so two dynamic prediction algorithms are applied, these are the recurrent long short Term Memory neural network and the dynamic regression training the model since 201310 to predict in 202010. The Prediction with both models with the neural network being the best one of Mean Square Error regarding dynamic regression.Ingeniero IndustrialPregrado71 hojasapplication/pdfspaUniversidad de los AndesIngeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería Industrialinstname:Universidad de los Andesreponame:Repositorio Institucional SénecaPredicción de cartelera académica en el Programa de Ingeniería Industrial mediante el algoritmo Recurrent Neural NetworksTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPUniversidad de los Andes (Colombia). Facultad de Ingeniería. Departamento de Ingeniería IndustrialTeoría de la predicciónRedes neurales (Computadores)Materias de estudio (Educación Superior)HorariosIngenieríaPublicationhttps://scholar.google.es/citations?user=vPH5LywAAAAJvirtual::3942-1https://scholar.google.es/citations?user=O8Cl-rUAAAAJvirtual::3943-10000-0002-7438-8963virtual::3943-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000271403virtual::3942-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000054020virtual::3943-1e1de19e8-629e-401d-a9d3-77eea3d2db48virtual::3942-1e6d7de00-33cf-432f-9b5d-cdcff3b1f6a1virtual::3943-1e1de19e8-629e-401d-a9d3-77eea3d2db48virtual::3942-1e6d7de00-33cf-432f-9b5d-cdcff3b1f6a1virtual::3943-1ORIGINALu830358.pdfapplication/pdf2239348https://repositorio.uniandes.edu.co/bitstreams/9d721024-20ce-4cf3-bcb7-8cbba8772b8e/download3edcf406e66dacefbdab423047ce658bMD51THUMBNAILu830358.pdf.jpgu830358.pdf.jpgIM Thumbnailimage/jpeg9785https://repositorio.uniandes.edu.co/bitstreams/6b39ef19-65d1-4117-83c7-fca91f28dd91/downloade8ce0c8bcfbbf01c1cf33bc766accde3MD55TEXTu830358.pdf.txtu830358.pdf.txtExtracted texttext/plain113979https://repositorio.uniandes.edu.co/bitstreams/a65357f9-0990-4159-85c1-12cac91008f3/download5b4db5ae6e4c004035c17b71f072fb23MD541992/44853oai:repositorio.uniandes.edu.co:1992/448532024-03-13 12:33:41.811https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co

Publicaciones similares