Algoritmo computacional para el análisis y toma de decisiones en datos de la predicción ICFES 2024, utilizando estrategias de machine learning

El examen Saber 11 es una prueba desarrollada por el Ministerio de Educación Nacional para medir la calidad de la educación secundaria. Este examen se administra a nivel nacional y su desempeño es un requisito para que los estudiantes puedan finalizar su secundaria. El estudio utilizó los resultados...

Full description

Autores:
Correal Rodríguez, Wilson Andrés
Pérez Cubides, Marlon Yair
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Corporación Universitaria Remington
Repositorio:
Repositorio institucional Uniremington
Idioma:
spa
OAI Identifier:
oai:repositorio.uniremington.edu.co:123456789/2659
Acceso en línea:
https://repositorio.uniremington.edu.co/handle/123456789/2659
Palabra clave:
Icfes
Análisis
Puntaje
Machine learning
Saber11
Aprendizaje en ML
Árbol de regresión
Regresión lineal múltiple
Entrenamiento
Evaluación ML
AI
Python
Aprendizaje automático (Inteligencia artificial)
Toma de decisiones
Predicciones tecnológicas
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
Description
Summary:El examen Saber 11 es una prueba desarrollada por el Ministerio de Educación Nacional para medir la calidad de la educación secundaria. Este examen se administra a nivel nacional y su desempeño es un requisito para que los estudiantes puedan finalizar su secundaria. El estudio utilizó los resultados de las últimas pruebas Saber 11 realizadas el 2023 por estudiantes de Colombia. Los datos se obtuvieron de https://www.datos.gov.co para predecir los resultados globales para 2024 basándose en el modelo de aprendizaje MLP supervisado por MLP. Según lo anterior este estudio aprovechará los datos, basado en los resultados del algoritmo de puntaje global de 2023. Se utilizaron 500. Se tomaron seis pasos para construir un modelo. 1) Identificación de problemas de aprendizaje de automóviles (explicaciones, objetivos y variables (investigación, limpieza, variable de categoría), 3) correlación entre funciones (correlación y gráficos académicos de variables, 4) modelo educativo (implementación) Modelo seleccionado 5) Prueba de clasificación. (Simulación para ilustrar cómo el modelo puede predecir la puntuación general comparando el modelo seleccionado con el conjunto de datos original utilizando las variables de entrada y promediando los cinco componentes evaluados en la Prueba de conocimientos 11). Como resultado el modelo dio los datos requeridos por nosotros.