Doctorado Facultad de Ingeniería de Sistemas e Informática

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12672/129

Browse

Now showing 1 - 3 of 3

Modelo de agrupamiento para evaluar la calidad de enseñanza docente en la educación superior basado en aprendizaje automático
(Universidad Nacional Mayor de San Marcos, 2025) Zambrano Romero, Walter Daniel; Rodriguez Rodriguez, Ciro
Las Instituciones de Educación Superior (IES) tienen como finalidad brindar a sus estudiantes una educación de calidad, que permita mejorar la eficacia de la enseñanza de los docentes. La enorme cantidad de datos acumulados en las IES puede ayudar a descubrir conocimiento útil para la calidad de enseñanza lo que implica una importante tarea de análisis de datos para medir el desempeño de los docentes y predecir su efectividad en el ámbito educativo. Este estudio construye un modelo de aprendizaje automático de calidad de enseñanza docente (CEDU-ML) y su marco de factores de la calidad enseñanza docente (MFCED que diseño un artefacto de solución utilizando algoritmos de aprendizaje automático no supervisado con 26 criterios de factores para su medición, en las evaluaciones de desempeño docente, tiene como objetivo apoyar el crecimiento profesional de los educadores y mejorar los entornos de aprendizaje de los estudiantes, para este estudio se utilizaron 6 periodos académico. Asimismo, para mantener el nivel de calidad en el CEDU-ML y MFCED se empleó y validó un modelo de aprendizaje automático que clasifica la calidad de enseñanza de los docentes, donde se utilizaron los modelos de ML Kmeans con Silhouette Score: 0.72 y el modelo Agglomerative Clustering con Silhouette Score: 0.70, se identificó que Kmeans presentó ligeramente el mejor resultado aplicando una validación cruzada de 5 veces. Además, se aplicó el algoritmo de Random Forest, donde se obtuvo una precisión del 98,88 %, lo que evidencia una muy buena clasificación en el agrupamiento de los clusters. El estudio concluye que el uso de aprendizaje automático contribuye significativamente en la calidad de enseñanza docente, permitiendo identificar patrones que no están a vistas del ojo humano, para aplicar retroalimentaciones de mejoras a los docentes en las diferentes dimensiones del marco de factores. Este enfoque está desarrollado para la educación superior en una facultad y dos carreras, el cual podría extenderse a otros sectores de la educación, aplicarse a las diferentes facultades y agregar nuevas variables significativas que sigan optimizando el modelo.
Modelo de predicción basado en aprendizaje automático para la explicabilidad del riesgo de accidente vehicular por conducta de manejo
(Universidad Nacional Mayor de San Marcos, 2025) Lacherre Vargas, Javier Enrique; Rodriguez Rodriguez, Ciro
Este estudio tiene como objetivo desarrollar un modelo de predicción basado en aprendizaje automático para explicar el riesgo de accidentes vehiculares en vehículos pesados del sector minero, específicamente en carreteras rurales. Con datos de telemetría recolectados en tiempo real, se busca identificar patrones de comportamiento del conductor y condiciones del vehículo que logren predecir accidentes en tiempo real. Se usa un modelo ensamblado, que combina varios algoritmos de aprendizaje automático, con el fin de mejorar la exactitud y sensibilidad en la predicción de los riesgos. El estudio se estructura en tres fases principales. Primero, se lleva a cabo un estudio naturalista que recolecta datos de telemetría de vehículos pesados en operaciones mineras en carreteras rurales. En segundo lugar, se desarrolla y valida un modelo de predicción que combina modelos individuales para optimizar los resultados y lograr un equilibrio entre exactitud, sensibilidad y capacidad explicativa. Por último, se evalúa el modelo con un conjunto de datos independientes, y se demuestra que mantiene altos niveles de exactitud y fiabilidad. Los resultados obtenidos muestran que el modelo propuesto puede identificar de manera efectiva los riesgos de accidentes en función de 15 características del comportamiento del conductor. Además, el estudio confirma que un modelo ensamblado mejora significativamente los resultados en comparación con modelos individuales. Este enfoque está desarrollado para el sector minero, pero podría extenderse a otros sectores del transporte pesado. Por lo tanto, el estudio proporciona un modelo innovador para mejorar la seguridad vial y reducir el riesgo de accidentes en carreteras rurales.
Modelo de predicción de deserción de clientes de servicio postpago de telefonía móvil en empresas de telecomunicaciones
(Universidad Nacional Mayor de San Marcos, 2025) Freire Vera, David Andres; Rodriguez Rodriguez, Ciro
El sector de telecomunicaciones ha experimentado un crecimiento exponencial desde el año 2000, alcanzando 5.31 billones de usuarios hasta el 2022 y generando ingresos de 1.07 trillones de dólares, sin embargo, este crecimiento conduce a una intensa competencia entre las empresas para la adquisición de clientes, especialmente en servicios móviles, lo que a menudo resulta en una deserción de clientes "churn". Por ello, se vienen desarrollando múltiples investigaciones que presentan algoritmos de predicción, que ayuden a tomar acciones con antelación para evitar la fuga de clientes, sin embargo, no existe homogeneidad entre las variables utilizadas en el conjunto de datos, el diseño de pasos para obtención del modelo y su comprobación, por lo cual el objetivo de esta investigación consiste en determinar cómo contribuye el uso del modelo de aprendizaje automático a la predicción de la deserción de clientes postpago en empresas de telecomunicaciones, considerando las variables del conjunto de datos (pertenecientes o no al sector de telecomunicaciones), el diseño del modelo y su validación a través de técnicas como la validación cruzada, prueba t de Student y el test de McNemar, demostrando con un p-value cercano a 0 que el modelo supera significativamente a los modelos base, y alcanzando un F1 score de 84% y un recall de 74%. El estudio concluye que el uso de aprendizaje automático contribuye significativamente a predecir la deserción de clientes, proponiendo mejoras en la integración de datos externos y exploración de nuevas técnicas de ensamblaje. La implementación del modelo puede extenderse a otros sectores, sugiriendo incluir variables macro y microeconómicas para una visión más completa del cliente.

Browse

Browsing Doctorado Facultad de Ingeniería de Sistemas e Informática by Subject "Aprendizaje automático (Inteligencia artificial)"