Normal view MARC view ISBD view

Análisis de datos educativos aplicado en el estudio de la incidencia de factores socioeconómicos en el rendimiento escolar (Record no. 57768)

MARC details
000 -CABECERA
campo de control de longitud fija	05825nam a2200241 a 4500
003 - IDENTIFICADOR DEL NÚMERO DE CONTROL
campo de control	AR-LpUFIB
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN
campo de control	20250311171205.0
008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL
campo de control de longitud fija	230201s2023 ag a om 000 0 spa d
024 8# - Otro identificador estandar
Número estándar o código	DIF-M8727
--	8954
--	DIF007996
040 ## - FUENTE DE LA CATALOGACIÓN
Centro catalogador/agencia de origen	AR-LpUFIB
Lengua de catalogación	spa
Centro/agencia transcriptor	AR-LpUFIB
100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA
Nombre de persona	Pincay Ponce, Jorge Iván
245 10 - MENCIÓN DE TÍTULO
Título	Análisis de datos educativos aplicado en el estudio de la incidencia de factores socioeconómicos en el rendimiento escolar
260 ## - PUBLICACIÓN, DISTRIBUCIÓN, ETC.
Fecha de publicación, distribución, etc.	2023
300 ## - DESCRIPCIÓN FÍSICA
Extensión	1 archivo (10,3 MB) :
Otras características físicas	il. col.
502 ## - NOTA DE TESIS
Nota de tesis	Tesis (Doctorado en Ciencias Informáticas) - Universidad Nacional de La Plata. Facultad de Informática, 2023.
505 0# - NOTA DE CONTENIDO CON FORMATO
Nota de contenido con formato	1. Introducción -- 1.1. Motivación -- 1.1.1. El problema del rendimiento escolar -- 1.1.2. Análisis de datos educativos -- 1.1.3. Aprendizaje Automático, Minería de Datos -- 1.2. Objetivos -- 1.3. Alcance -- 1.4. Metodología -- 1.4.1. Tipo de investigación -- 1.4.2. Ciclo de vida de los modelos de Aprendizaje Automático -- 1.4.3. Conjuntos de datos -- 1.4.4. Niveles de análisis de datos -- 1.4.5. Consideraciones éticas -- 1.5. Contribuciones -- 1.6. Publicaciones -- 1.7. Organización de la tesis -- 2. Marco teórico -- 2.1. Minería de datos educativos -- 2.1.1. Campos de aplicación -- 2.1.2. Objetivos generales de la minería de datos educativos -- 2.1.3. Tipos de datos usados con frecuencia en el contexto escolar -- 2.2. Delimitación del término rendimiento académico -- 2.3. Factores de riesgo del rendimiento -- 2.4. Abandono y deserción escolar -- 2.5. Aprendizaje automático -- 2.5.1. Parámetros e hiperparámetros generales -- 2.5.2. Modelos supervisados -- 2.5.2.1. Máquinas de soporte vectorial (SVM) -- 2.5.2.2. Análisis discriminante lineal -- 2.5.2.3. Método de Bayes -- 2.5.2.4. Vecino más cercano, KNN -- 2.5.2.5. Árboles de decisión -- 2.5.2.6. Regresión lineal -- 2.5.2.7. Regresión logística -- 2.5.2.8. Aprendizaje en conjunto -- 2.5.2.8.1. ADA Boost -- 2.5.2.8.2. Gradient Boosting -- 2.5.2.8.3. XG Boost -- 2.5.2.8.4. XG Boost Random Forest -- 2.5.2.8.5. CatBoost -- 2.5.2.8.6. Random Forests -- 2.5.2.9. Redes neuronales -- 2.5.2.10. Descenso de gradiente estocástico, SGD -- 2.5.2.11. Métricas de evaluación de modelos supervisados -- 2.5.2.11.1. Matriz de confusión -- 2.5.2.11.2. Precisión -- 2.5.2.11.3. Exactitud (Accuracy)3 -- 2.5.2.11.4. Recuerdo (Recall) -- 2.5.2.11.5. F1 Score -- 2.5.2.11.6. Especificidad -- 2.5.2.11.7. Curva ROC -- 2.5.2.11.8. Error cuadrático medio, MSE -- 2.5.2.11.9. Error cuadrático medio de la raíz, RMSE -- 2.5.2.11.10. Error absoluto medio, MAE -- 2.5.2.11.11. R cuadrado, R2 -- 2.5.2.11.12. N Error cuadrático medio de la raíz, NRMSE -- 2.5.3. Modelos no supervisados -- 2.5.3.1. Patrones frecuentes, FP-Growth -- 2.5.3.2. K-Means -- 2.5.3.3. Clúster jerárquico -- 2.5.3.4. Reglas de asociación -- 2.5.3.5. Análisis de componentes principales -- 3. Desarrollo -- 3.1. Fase 1. Comprensión del aprovechamiento escolar -- 3.1.1. Sobre las escuelas y el rendimiento académico -- 3.1.2. Sobre los objetivos escolares -- 3.1.3. Sobre la situación actual -- 3.1.4. Sobre los objetivos de análisis de datos -- 3.1.5. Sobre planificación del modelado de datos -- 3.2. Fase 2. Comprensión de los datos -- 3.2.1. Recopilación inicial de datos -- 3.2.2. Descripción del conjunto de datos -- 3.2.3. Exploración de datos -- 2.3.3.1. Con base en la cantidad de alumnos -- 2.3.3.2. Con base en los registros de notas de cada materia -- 2.3.3.3. Correlaciones -- 2.3.3.4. Ganancia de Información e Información Mutua -- 2.3.3.5. Análisis confirmatorio -- 3.3. Fase 3. Preparación de los datos -- 3.3.1. Selección de los datos -- 3.3.2. Limpieza de los datos -- 3.3.3. Construcción de nuevos datos -- 3.3.4. Aumento de datos -- 3.3.5. Reducción de la dimensionalidad -- 3.3.6. Formato de datos -- 3.4. Fase 4. Modelado -- 3.4.1. Generalidades -- 3.4.2. Parámetros e hiperparámetros -- 3.4.3. Aprendizaje no supervisado -- 3.4.4. Aprendizaje supervisado -- 3.4.4.1. Support Vector Machine -- 3.4.4.2. Análisis discriminante lineal, LDA -- 2.4.4.3. Método de Bayes -- 3.4.4.4. KNN -- 3.4.4.5. Árbol de decisión, C4.5 -- 2.4.4.6. Regresión lineal -- 2.4.4.7. Regresión Logística -- 2.4.4.8. Métodos de aprendizaje en conjunto o ensamblados -- 2.4.4.9. Redes neuronales -- 2.4.4.10. Descenso del gradiente estocástico, SGD -- 3.5. Fase 5. Evaluación -- 3.5.1. Modelos de clasificación considerando notas intermedias -- 3.5.2. Modelos de clasificación sin considerar notas intermedias -- 3.5.3. Modelos de regresión sin considerar notas intermedias -- 3.5.4. Modelos de clasificación con PCA, Smote ponderado y sin considerar notas intermedias -- 3.6. Fase 6. Despliegue -- 4. Resultados -- 5. Conclusiones, limitaciones y trabajos futuros -- 5.1. Respecto del objetivo de reconocer las aplicaciones de análisis de datos en los problemas del contexto educativo escolar -- 5.2. Respecto del objetivo de preparar los datos de acuerdo con la dimensionalidad a un número efectivo de características -- 5.3. Respecto del objetivo de estudiar comparativamente la idoneidad de los algoritmos de minería de datos -- 5.4. Respecto del objetivo de establecer parámetros e hiperparámetros que pueden ser apropiados a los datos y los modelos -- 5.5. Respecto del objetivo de interpretar los resultados del conocimiento descubierto y su eficiencia según métricas pertinentes a los modelos -- 5.6. Limitaciones y trabajos futuros -- 6. Referencias
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada	MINERÍA DE DATOS
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada	EDUCACIÓN
9 (RLIN)	1801
653 ## - TÉRMINO DE INDIZACIÓN--NO CONTROLADO
Término no controlado	rendimiento académico
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona	De Giusti, Armando Eduardo ,
--	Director/a
856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS
Identificador Uniforme del Recurso	<a href=" http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2622"> http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2622</a>
942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA)
Tipo de ítem Koha	Tesis de posgrado

Holdings
Disponibilidad	Biblioteca permanente	Biblioteca actual	Fecha de adquisición	Número de inventario	Signatura topográfica completa	Código de barras	Fecha visto por última vez	Precio válido a partir de	Tipo de ítem Koha	Colección	Identificador Uniforme del Recurso
Préstamo a domicilio	Biblioteca de la Facultad de Informática	Biblioteca de la Facultad de Informática	11/03/2025	DIF-05293	TES 23/33	DIF-05293	11/03/2025	11/03/2025	Tesis de posgrado
Recurso en Línea	Biblioteca de la Facultad de Informática	Biblioteca de la Facultad de Informática	11/03/2025				11/03/2025	11/03/2025	Tesis de posgrado	Biblioteca digital	https://doi.org/10.35537/10915/156471
Recurso en Línea	Biblioteca de la Facultad de Informática	Biblioteca de la Facultad de Informática	11/03/2025				11/03/2025	11/03/2025	Tesis de posgrado	Biblioteca digital	http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2622