Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Briñez de León, Juan CarlosCruz Holguín, Héctor JaimeCatuche Mompotes, Miguel Ángel2024-11-162024-11-162024https://repositorio.uniremington.edu.co/handle/123456789/5417El presente trabajo aborda la predicción del desempeño académico de estudiantes mediante el análisis de patrones y comportamientos individuales utilizando algoritmos de machine learning. A partir de un conjunto de datos de Kaggle, se identificaron variables como horas de estudio, asistencia, participación parental, acceso a recursos educativos, y motivación, que impactan en los resultados académicos. Tras una cuidadosa limpieza y preprocesamiento de datos, se implementaron seis algoritmos de clasificación supervisada: KNN, Bayes, LDA, QDA, árboles de decisión, y SVM, los cuales lograron una precisión superior al 98% en la predicción de desempeño estudiantil (Suficiente o Satisfactorio). La metodología incluyó un análisis de correlación para seleccionar las variables con mayor relevancia, descartando aquellas con baja influencia. La eliminación de la puntuación en el examen final como variable permitió enfocar la predicción en patrones conductuales en lugar de calificaciones previas. La implementación del modelo fue validada mediante la simulación de tres perfiles estudiantiles distintos, lo que demostró la efectividad y adaptabilidad del modelo para anticipar el rendimiento académico y ofrecer recomendaciones personalizadas.38 p.application/pdfspaDerechos Reservados - Corporación Universitaria Remington, 2024Data SetModelo de predicciónAprendizaje supervisadoPatronesComportamientosVariablesAnálisisAlgoritmos de clasificaciónTrabajo de grado - Pregradoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aprendizaje automático (Inteligencia artificial)Análisis de datosEstudiantes