Model based on machine learning to predict the approval of an engineering course

A Conceptual Model of Nontraditional Undergraduate Student Attrition—John P. Bean, Barbara S. Metzner, 1985. (s. f.). Recuperado 13 de octubre de 2022, de https://journals.sagepub.com/doi/10.3102/00346543055004485

Acero, A., Achury, J. C., & Morales, J. C. (2019). University dropout: A prediction model for an engineering program in bogotá, Colombia. 483-490. Scopus.

Amazon. (2020). Validación cruzada—Amazon Machine Learning. https://docs.aws.amazon.com/es_es/machine-learning/latest/dg/cross-validation.html

Apaza, L. A. V., Huamani, J. A. R., Bernedo, J. O. A., & Chauca, A. G. Z. (2021). A proposal of Machine Learning model to improve learning process and reduce dropout rate at technical training institutes. Iberian Conference on Information Systems and Technologies, CISTI. Scopus. https://doi.org/10.23919/CISTI52073.2021.9476370

Aquino, A. A., Molero-Castillo, G., & Rojano, R. (2018). Hacia un nuevo proceso de minería de datos centrado en el usuario. Pistas Educativas, 36(114).

Ballesteros, H. F. V., Iñiguez, E. G., & Velasco, S. R. M. (2018). Minería de Datos. RECIMUNDO: Revista Científica de la Investigación y el Conocimiento, 2(1), 339-349.

Blackmist. (2022). Evaluación de los resultados de los experimentos de aprendizaje automático automatizado—Azure Machine Learning. https://learn.microsoft.com/es-es/azure/machine-learning/how-to-understand-automated-ml

Boser, B. E. (1992). Isabelle M. Guyon, and Vladimir N. Vapnik.“A Training Algorithm for Optimal Margin Classifiers.” COLT, 92.

Donoso, S., & Schiefelbein, E. (2007). ANÁLISIS DE LOS MODELOS EXPLICATIVOS DE RETENCIÓN DE ESTUDIANTES EN LA UNIVERSIDAD: UNA VISIÓN DESDE LA DESIGUALDAD SOCIAL. Estudios pedagógicos (Valdivia), 33(1). https://doi.org/10.4067/S0718-07052007000100001

Facundo Díaz, Ph. D, Á. H. (2009). Análisis sobre la deserción en la educación superior a distancia y virtual: El caso de la UNAD - COLOMBIA. Revista de Investigaciones UNAD, 8(2), 117. https://doi.org/10.22490/25391887.639

Gálvez Chambilla, M. B., & Flores Cornejo, K. B. (2015). Modelo predictivo de deserción universitaria de la carrera de Ingeniería Informática en la Universidad Ricardo Palma. Universidad Ricardo Palma. http://repositorio.urp.edu.pe/handle/URP/2031

Gamboa, H., & Fred, A. (2002). Designing intelligent tutoring systems: A bayesian approach. Enterprise Information Systems III. Edited by J. Filipe, B. Sharp, and P. Miranda. Springer Verlag: New York, 146-152.

Giovagnoli, P. I. (2002). Determinantes de la deserción y graduación universitaria: Una aplicación utilizando modelos de duración. Documentos de Trabajo, no. 37. http://sedici.unlp.edu.ar/handle/10915/3436

Guerrero, V., & Xavier, V. (2020). Aplicación de la técnica de minería de datos para la predicción de la deserción estudiantil universitaria. https://repositorio.uta.edu.ec:8443/jspui/handle/123456789/30892

Guzman Ruiz, C., Duran Muriel, D. M., Franco Gallego, J., Castaño Velez, E., Gallon Gomez, S., & Gomez Portilla, K. (2009). Desercion estudiantil en la educacion superior colombiana: Metodologia de seguimiento, diagnóstico y elementos para su prevención. Ministerio de Educacion Nacional.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: An update. ACM SIGKDD explorations newsletter, 11(1), 10-18.

Han, J., Pei, J., & Tong, H. (2022). Data mining: Concepts and techniques. Morgan kaufmann.

Hernández J., R. M. J. y F. C. (2004). Introducción a la Minería de Datos. Editorial Pearson Prentice Hall, pp. 680, ISBN: 84-205-4091-9, Madrid, España.

IBM Documentation. (2021, agosto 17). https://prod.ibmdocs-production-dal-6099123ce774e592a519d7c33db8265e-0000.us-south.containers.appdomain.cloud/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview

Izaurieta, F., & Saavedra, C. (2000). Redes neuronales artificiales. Departamento de Física, Universidad de Concepción Chile.

Lee, S. (2014). Learning random forests for segmentation of person in self-portrait photos. The 18th IEEE International Symposium on Consumer Electronics (ISCE 2014), 1-2. https://doi.org/10.1109/ISCE.2014.6884485

López, R. F., & Fernández, J. M. F. (2008). Las redes neuronales artificiales. Netbiblo.

Martínez Pérez, J. A., & Pérez Martin, P. S. (2022). La curva ROC. Medicina de Familia. SEMERGEN, 49(1), 101821. https://doi.org/10.1016/j.semerg.2022.101821

Martínez, R. E. B., Ramírez, N. C., Mesa, H. G. A., Suárez, I. R., León, P. P., & Morales, S. L. B. (2009). Árboles de decisión como herramienta en el diagnóstico médico. 6.

Microsoft. (2022). Optimizar los hiperparámetros del modelo—Azure Machine Learning. https://learn.microsoft.com/es-es/azure/machine-learning/component-reference/tune-model-hyperparameters

Moreira da Silva, D. E., Solteiro Pires, E. J., Reis, A., de Moura Oliveira, P. B., & Barroso, J. (2022). Forecasting Students Dropout: A UTAD University Study. Future Internet, 14(3). Scopus. https://doi.org/10.3390/fi14030076

Paramo, G., & Correa Maya, C. (1999). Deserción estudiantil universitaria. Conceptualización. Revista Universidad EAFIT, 35(114), 65-78.

Peralta, B., Salazar, J., Levano, M., & Nicolis, O. (2021). A causal modelling for desertion and graduation prediction using Bayesian networks: A Chilean case. 2021 IEEE International Conference on Automation/24th Congress of the Chilean Association of Automatic Control, ICA-ACCA 2021. Scopus. https://doi.org/10.1109/ICAACCA51523.2021.9465333

Ríos, G., & Darío, R. (2018). Modelo predictivo de gestión administrativa y deserción estudiantil en programa pre grado adulto trabajador de universidad privada de Lima Metropolitana, año 2017. Universidad Privada del Norte. https://repositorio.upn.edu.pe/handle/11537/13723

Rodriguez, C. C. (2020, septiembre 2). Maquina de Soporte Vectorial (SVM). Medium. https://medium.com/@csarchiquerodriguez/maquina-de-soporte-vectorial-svm-92e9f1b1b1ac

Shin. (2020, mayo 20). Comprensión de la Matriz de Confusión y Cómo Implementarla en Python. DataSource.ai. https://www.datasource.ai/es/data-science-articles/view-source:https://www.datasource.ai/es/data-science-articles/comprension-de-la-matriz-de-confusion-y-como-implementarla-en-python

SPADIES. (2019). Estadísticas de Deserción—Sistemas información. https://www.mineducacion.gov.co/sistemasdeinformacion/1735/w3-article-357549.html?_noredirect=1

Tinto, V. (1989). DEFINIR LA DESERCION: UNA CUESTION DE PERSPECTIVA. 9.

Torrado, Y. K. A., Avendaño, E. B., & Vizcaíno, D. J. H. (2014). Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos. 14.

UNAD. (2018). Acuerdo 002 del 30 de enero de 2018.

https://sgeneral.unad.edu.co/images/documentos/consejoSuperior/acuerdos/2018/COSU_ACUE_002_20180130.pdf

UNAD. (2022). Acerca de la UNAD:Misión https://informacion.unad.edu.co/acerca-de-la-unadUNAD

Valle Benavides, A. R. del. (2017). Curvas ROC (Receiver-Operating-Characteristic) y sus aplicaciones.

Vargas, L. P. G., Nunez, E. J. P., Ruge, I. A. R., & López, F. R. J. (2021). Influential factors in the desertion of electronic engineering students from UPTC admitted in 2015. Proceedings - 7th International Symposium on Accreditation of Engineering and Computing Education, ICACIT 2021. Scopus. https://doi.org/10.1109/ICACIT53544.2021.9612503

Zea, L. D. F., Reina, Y. F. P., & Molano, J. I. R. (2019). Machine Learning for the Identification of Students at Risk of Academic Desertion. En L. Uden, D. Liberona, G. Sanchez, & S. Rodríguez-González (Eds.), Learning Technology for Education Challenges (pp. 462-473). Springer International Publishing. https://doi.org/10.1007/978-3-030-20798-4_40