Publicación:
Predicción de los resultados académicos en el área de programación del programa de Ingeniería de Sistemas de la Universidad de Córdoba

Vista sencilla de ítem
dc.contributor.advisorCaicedo Castro, Isaac Bernardo
dc.contributor.authorPinto Lucas, José David
dc.date.accessioned2022-03-03T15:02:54Z
dc.date.available2022-03-03T15:02:54Z
dc.date.issued2022-02-28
dc.description.abstractIn this work, I aim at finding the functional dependency between the engineering students’ performance in computer programming courses and competencies that they achieved during the secondary. The context of this work consists of engineering students with a major in computer science at University of Córdoba, in Colombia. I assume the test known as Saber 11, which is used to evaluate students at secondary level throughout Colombia, measures the extent that secondary students have attained competencies in four areas as follows: i) Mathematics, ii) critical reading, iii) English, and iv) social science and citizen competencies. In fact, the Saber 11 test outcomes are considered to study applications for undergraduate careers at Colombian universities, such as, e.g., the University of Córdoba. Attaching the results of the saber 11 test together with the results obtained by the programming courses (computational logic, programming I, II, II) by means of computational learning algorithms predicts the future performance of the new students of the systems engineering career, the computer programming courses are assumed to be fundamental for the rest of the courses of the curriculum, which require students to have skills to solve problems through the writing of computer programs. In conclusion, the main contribution of this work is an intelligence system which predicts the students’ average grade of all computer programming courses given their outcomes achieved from the Saber 11 test, in the context of the B.Sc. in Engineering with a major in computer science at University of Córdoba. From the evaluation carried out on this systems, it reaches a RMSE and R2 about 0.29 and 0.98, respectively.eng
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Sistemasspa
dc.description.modalityTrabajos de Investigación y/o Extensiónspa
dc.description.resumenEl objetivo del presente trabajo es encontrar la dependencia funcional entre el desempeño académico de los estudiantes de ingeniería en cursos de programación en base a las competencias adquiridas durante la secundaria, el presente estudio se realiza en el contexto de los estudiantes de ingeniería de sistemas de la Universidad de Córdoba, en Colombia, asumiendo que las pruebas que se aplican en toda la nación,, miden la adquisición de competencias de estudiantes de secundaria en cuatro áreas a saber: i) matemáticas, ii) lectura crítica, iii) inglés y iv) ciencias sociales y competencias ciudadanas, de hecho, las pruebas Saber 11 es tomado en cuenta para estudiar la admisión de estudiantes en las Universidades Colombianas. Adjuntando los resultados de la prueba saber 11 junto a los resultados obtenidos por los cursos de programación (lógica computacional, programación I,II,II) por medio de algoritmos de aprendizaje computacional se predice el futuro desempeño de los nuevos estudiantes de la carrera de ingeniera a de sistemas, los cursos de programación de computadoras se asume que son fundamentales para el resto cursos del plan de estudios, que requieren que los estudiantes tengan habilidades para resolver problemas a través de la escritura de programas de computadoras. En conclusión, la contribución del presente trabajo es un sistema inteligente que predice el desempeño futuro de estudiantes de ingeniería de sistemas de la Universidad de Córdoba en los cursos de programación con un RMSE de 0.296 y un MSE 0.090 junto a un r2 de 0.982 en ANN (Solver sgd).eng
dc.description.tableofcontentsRESUMEN ........................................................................................................................... 12spa
dc.description.tableofcontentsABSTRACT ......................................................................................................................... 13spa
dc.description.tableofcontents1. INTRODUCCIÓN ........................................................................................................ 14spa
dc.description.tableofcontents1.1 PLANTEAMIENTO DEL PROBLEMA ................................................................. 16spa
dc.description.tableofcontents2. OBJETIVOS ................................................................................................................. 23spa
dc.description.tableofcontents2.1 OBJETIVOS GENERAL: .............................................................................. 23spa
dc.description.tableofcontents2.2 OBJETIVOS ESPECÍFICOS: ........................................................................ 23spa
dc.description.tableofcontents3. REVISIÓN BIBLIOGRÁFICA .................................................................................... 24spa
dc.description.tableofcontents3.1 APRENDIZAJE COMPUTACIONAL. ......................................................... 24spa
dc.description.tableofcontents3.2 REGRESIÓN LINEAL .................................................................................. 24spa
dc.description.tableofcontents3.3 VALIDACIÓN CRUZADA. .......................................................................... 24spa
dc.description.tableofcontents3.4 MÉTODOS DE MACHINE LEARNING IMPLEMENTADOS-SUPPORT VECTOR MACHINE REGRESION. ...................................................................... 25spa
dc.description.tableofcontents3.5 PROCESO DE GAUSS (GAUSSIAN PROCESS). ...................................... 25spa
dc.description.tableofcontents3.6 RED NURONAL ............................................................................................ 26spa
dc.description.tableofcontents3.7 JUSTIFICACIÓN DEL PROBLEMA. .......................................................... 26spa
dc.description.tableofcontents3.8 ALCANCES ................................................................................................... 28spa
dc.description.tableofcontents3.9 CONTRIBUCIÓN DE LA TESIS .................................................................. 29spa
dc.description.tableofcontents3.10 ESTRUCTURA DE LA TESIS .................................................................. 30spa
dc.description.tableofcontents4. ESTADO DEL ARTE .................................................................................................. 31spa
dc.description.tableofcontents5. MATERIALES Y MÉTODOS ..................................................................................... 35spa
dc.description.tableofcontents5.1 MATERIALES ............................................................................................... 35spa
dc.description.tableofcontents5.2 MÉTODOS ......................................................................................................... 36spa
dc.description.tableofcontents6. RESULTADOS Y DISCUSIONES ............................................................................. 43spa
dc.description.tableofcontents6.1 RESULTADOS: KFOLD VALIDATIÓN. ....................................................... 44spa
dc.description.tableofcontents6.2 COMPARATIVA DE LOS RESULTADOS. .................................................... 56spa
dc.description.tableofcontents6.3 PRESENTACIÓN DE RESULTADOS PRUEBAS TTEST (COMPARATIVA DE MEDIAS DE R2 OBTENIDAS) ....................................................................... 57spa
dc.description.tableofcontents6.4 PRUEBA INDIVIDUAL T-TEST-1 .................................................................. 59spa
dc.description.tableofcontents6.5 PRUEBA T-TEST-2 ........................................................................................... 60spa
dc.description.tableofcontents6.6 PRUEBA T-TEST-3 ........................................................................................... 61spa
dc.description.tableofcontents6.7 CUARTILES ...................................................................................................... 62spa
dc.description.tableofcontents6.8 PROMEDIO Y MEDIDAS CENTRALES. ....................................................... 63spa
dc.description.tableofcontents6.9 MEDIDAS DE DISPERSIÓN. .......................................................................... 65spa
dc.description.tableofcontents7. CONCLUSIONES ........................................................................................................ 66spa
dc.description.tableofcontents8. RECOMENDACIONES .............................................................................................. 67spa
dc.description.tableofcontents9. BIBLIOGRAFÍA .......................................................................................................... 68spa
dc.description.tableofcontentsANEXOS .............................................................................................................................. 69spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/4869
dc.language.isospaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeMontería, córdoba, Colombiaspa
dc.publisher.programIngeniería de Sistemasspa
dc.rightsCopyright Universidad de Córdoba, 2022spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.keywordsCompetences, SAT, dependency.spa
dc.subject.proposalAlgoritmos, predicción, resultados.spa
dc.titlePredicción de los resultados académicos en el área de programación del programa de Ingeniería de Sistemas de la Universidad de Córdobaspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dcterms.referencesCarlos J. Villagra Arnedo-The SAT® As a Predictor of Different Levels of CollegePerformance/ https://rua.ua.es/dspace/bitstream/10045/54256/1/tesis_carlos_j_villagra_arnedo.spa
dcterms.referencesKotsiantis, S.; Pierrakeas, C.; Pintelas, P. Predicting Students’ Performance in Distance Learning using Machine Learning Techniques. Appl. Artif. Intell. 2004.spa
dcterms.referencesNavamani, J.; Kannammal, A. Predicting performance of schools by applying data mining techniques on public examination results. Res. J. Appl. Sci. Eng. Technol. 2015.spa
dcterms.referencesAndeshwar, A.; Menzies, T.; Nelson, A. Learning patterns of university student retention. Expert Syst. Appl. 2011, 38, 14984–14996.spa
dcterms.referencesVladimir, V. Leonel, F. Ardila Predicción del desempeño de las pruebas saber utilizando variables del contexto socio-económico de los aplicantes mediante un análisis estadístico con técnicas de machine learning https://www.icfes.gov.co/documents/20143/2157860/04+Policy+Brief+Vladimir+Vargas+y+Leonel+Ardila.pdfspa
dcterms.referencesFerney, J. Hamadys, L. Álvaro, J. Predicción del desempeño académico usando técnicas de aprendizaje de maquinas https://www.icfes.gov.co/documents/20143/234129/Prediccion+desempeno+academico+usando+un+enfoque+de+mineria+de+datos.pdf/0e5d0f1d-20ac-dffc-f3f1-88ccfde6b0bcspa
dcterms.referenceshttps://www.saedsayad.com/support_vector_machine_reg.htmspa
dcterms.referencesSupport Vector Machine - Regression (SVR)/ https://www.saedsayad.com/support_vector_machine_reg.htmspa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
pintolucasjosedavid.pdf
Tamaño:
791.14 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
No hay miniatura disponible
Nombre:
Formato de autorizacion.pdf
Tamaño:
390.52 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
F.E.A. Trabajos de Investigación y/o Extensión