EP Computación Científica

Permanent URI for this communityhttps://hdl.handle.net/20.500.12672/5099

Browse

Browsing EP Computación Científica by Subject "Aprendizaje automático"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Aplicación de modelos de aprendizaje automático y optimización de parámetros para estimar los ingresos laborales en el Perú
    (Universidad Nacional Mayor de San Marcos, 2025) Madge Escobedo, Jennifer Yvonne; Vásquez Serpa, Luis Javier
    En esta tesis se desarrolla una plataforma basada en modelos de aprendizaje automático para estimar los ingresos laborales en Perú. Se emplean datos provenientes de la Encuesta Permanente de Empleo Nacional del INEI de 26 ciudades, la cual constituye la fuente principal y especializada sobre el mercado laboral peruano. Estos datos fueron procesados en SQL y analizados en Power BI y Python. El tratamiento de los datos incluye la aplicación del Análisis de Componentes Principales como técnica de reducción de dimensionalidad. Por cada ciudad, se evalúan cinco modelos de aprendizaje automático: Random Forest, Extra Trees, LightGBM, XGBoost, CatBoost y para cada uno se realizó la optimización de parámetros usando Random Search, Bayesian Optimization y Grid Search obteniendo un total de 22,360 modelos. Con los resultados de cada ciudad se implementa una herramienta interactiva que ofrece estimaciones salariales personalizadas basadas en su perfil socioeconómico. Esta aplicación simplifica el uso de herramientas de aprendizaje automático, ajustándolas a situaciones como la planificación económica y la toma de decisiones en el ámbito laboral. El enfoque metodológico y la innovación tecnológica de este trabajo contribuyen al entendimiento y mejoramiento del análisis del mercado laboral peruano.
  • Thumbnail Image
    Item
    Modelos predictivos para la detección de riesgo académico en los estudiantes de pregrado de la carrera de computación científica utilizando técnicas de Machine Learning
    (Universidad Nacional Mayor de San Marcos, 2023) Garcia Chambi, Eunice Luzdemivida; Vásquez Serpa, Luis Javier
    Desarrolla modelos predictivos mediante diversas técnicas de aprendizaje automático, utilizando como conjunto de datos los historiales académicos de 241 estudiantes de pregrado de la carrera de Computación Científica de la Universidad Nacional Mayor de San Marcos. Ello con el fin de determinar si un estudiante de pregrado enfrentará dificultades académicas (riesgo académico) en su próximo semestre en función de su desempeño académico desde que ingreso a la universidad. Así mismo, se utiliza diferentes métricas de evaluación para comparar los modelos que fueron construidos por medio de 5 técnicas de aprendizaje automático, para luego analizar los resultados obtenidos en cada modelo. Llegando a la conclusión de que existe mas de un modelo adecuado con una exhaustividad (Recall) superior al 80% para identificar estudiantes en riesgo académico. También se encontró que el promedio del último semestre cursado es una de las características más significativas para la predicción de estudiantes en riesgo académico. De esta manera, se logra brindar a la escuela de Computación Científica una herramienta que ayuda a identificar a los estudiantes en riesgo académico para el próximo semestre. Finalmente, se sugiere replicar la metodología desarrollada a las otras carreras de la FCM, y evaluar la posibilidad de implementar estrategias de apoyo educativo para aquellos estudiantes en situación de riesgo académico identificados por los distintos modelos.