Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS.
Este documento contiene archivo en PDF.
Shranjeno v:
| Glavni avtor: | |
|---|---|
| Drugi avtorji: | |
| Format: | bachelorThesis |
| Jezik: | spa |
| Izdano: |
2024
|
| Teme: | |
| Online dostop: | https://repositorio.ug.edu.ec/handle/redug/73588 |
| Oznake: |
Označite
Brez oznak, prvi označite!
|
Označite | _version_ | 1858987935159812096 |
|---|---|
| author | Avelino Orrala, Lilibeth Mercedes |
| author2 | Balón Zúñiga, Ginger Alexandra |
| author2_role | author |
| author_facet | Avelino Orrala, Lilibeth Mercedes Balón Zúñiga, Ginger Alexandra |
| author_role | author |
| collection | Repositorio Universidad de Guayaquil |
| dc.contributor.none.fl_str_mv | Taranto Vera, Gilda Judith |
| dc.creator.none.fl_str_mv | Avelino Orrala, Lilibeth Mercedes Balón Zúñiga, Ginger Alexandra |
| dc.date.none.fl_str_mv | 2024-08-21T20:29:57Z 2024-08-21T20:29:57Z 2024-02-28 |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | https://repositorio.ug.edu.ec/handle/redug/73588 |
| dc.language.none.fl_str_mv | spa |
| dc.publisher.none.fl_str_mv | Universidad de Guayaquil. Facultad de Ingeniería Industrial. Carrera de Ingeniería en Telemática. |
| dc.relation.none.fl_str_mv | BINGI0010-TM |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositorio Universidad de Guayaquil instname:Universidad de Guayaquil instacron:UG |
| dc.subject.none.fl_str_mv | INTELIGENCIA ARTIFICIAL Y CIENCIAS DE DATOS COMPORTAMIENTO DE UNIVERSIDADES BAGGING K-NEAREST NEIGHBORS |
| dc.title.none.fl_str_mv | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. |
| dc.type.none.fl_str_mv | info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion |
| description | Este documento contiene archivo en PDF. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | UG_e13d6dcf90b5dec45fe4207a69c4ad49 |
| instacron_str | UG |
| institution | UG |
| instname_str | Universidad de Guayaquil |
| language | spa |
| network_acronym_str | UG |
| network_name_str | Repositorio Universidad de Guayaquil |
| oai_identifier_str | oai:repositorio.ug.edu.ec:redug/73588 |
| publishDate | 2024 |
| publisher.none.fl_str_mv | Universidad de Guayaquil. Facultad de Ingeniería Industrial. Carrera de Ingeniería en Telemática. |
| reponame_str | Repositorio Universidad de Guayaquil |
| repository.mail.fl_str_mv | . |
| repository.name.fl_str_mv | Repositorio Universidad de Guayaquil - Universidad de Guayaquil |
| repository_id_str | 0 |
| spelling | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS.Avelino Orrala, Lilibeth MercedesBalón Zúñiga, Ginger AlexandraINTELIGENCIA ARTIFICIAL Y CIENCIAS DE DATOSCOMPORTAMIENTO DE UNIVERSIDADESBAGGINGK-NEAREST NEIGHBORSEste documento contiene archivo en PDF.El desarrollo de la investigación para la tesis aborda el empleo de técnicas de Machine Learning basadas en Bagging para predecir tendencias en el comportamiento de las universidades, con el objetivo de clasificarlas en los rankings internacionales más reconocidos: ARWU, THE y QS. La elección de R Studio permitió una implementación eficiente de los algoritmos como Regresión Lineal, K-Nearest Neighbors y Support Vector Machine. Además, una exploración detallada de las métricas utilizadas para evaluar el rendimiento de los modelos, en el cual se analizaron las metodologías de cada ranking, evidenciando la variabilidad en los factores considerados y sus ponderaciones. Se validó y estandarizó la base de datos para garantizar la fiabilidad del análisis. Este enfoque permitió evaluar la capacidad predictiva de cada algoritmo en función de métricas de rendimiento específicas. A través de este trabajo, buscamos ofrecer una contribución significativa al campo de la evaluación universitaria, proporcionando herramientas predictivas más precisas y confiables para las instituciones educativas y los interesados en los rankings internacionales.The development of the research for the thesis addresses the use of Bagging-based Machine Learning techniques to predict trends in university behavior, aiming to classify them in the most recognized international rankings: ARWU, THE, and QS. The choice of R Studio allowed for efficient implementation of algorithms such as Linear Regression, K-Nearest Neighbors, and Support Vector Machine. Additionally, a detailed exploration of the metrics used to evaluate model performance was conducted, analyzing the methodologies of each ranking, highlighting the variability in the factors considered and their weights. The database was validated and standardized to ensure the reliability of the analysis. This approach enabled the evaluation of each algorithm's predictive capacity based on specific performance metrics. Through this work, we aim to make a significant contribution to the field of university evaluation, providing more precise and reliable predictive tools for educational institutions and those interested in international rankings.Universidad de Guayaquil. Facultad de Ingeniería Industrial. Carrera de Ingeniería en Telemática.Taranto Vera, Gilda Judith2024-08-21T20:29:57Z2024-08-21T20:29:57Z2024-02-28info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://repositorio.ug.edu.ec/handle/redug/73588spaBINGI0010-TMinfo:eu-repo/semantics/openAccessreponame:Repositorio Universidad de Guayaquilinstname:Universidad de Guayaquilinstacron:UG2024-08-22T03:03:34Zoai:repositorio.ug.edu.ec:redug/73588Institucionalhttp://repositorio.ug.edu.ec/Universidad públicahttps://www.ug.edu.ec/..Ecuador...opendoar:02026-03-07T06:56:46.584327Repositorio Universidad de Guayaquil - Universidad de Guayaquiltrue |
| spellingShingle | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. Avelino Orrala, Lilibeth Mercedes INTELIGENCIA ARTIFICIAL Y CIENCIAS DE DATOS COMPORTAMIENTO DE UNIVERSIDADES BAGGING K-NEAREST NEIGHBORS |
| status_str | publishedVersion |
| title | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. |
| title_full | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. |
| title_fullStr | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. |
| title_full_unstemmed | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. |
| title_short | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. |
| title_sort | Técnicas Machine Learning basadas en Bagging para la predicción de tendencias en el comportamiento de las universidades para la clasificación en los ranking internacionales más conocidos: ARWU, THE y QS. |
| topic | INTELIGENCIA ARTIFICIAL Y CIENCIAS DE DATOS COMPORTAMIENTO DE UNIVERSIDADES BAGGING K-NEAREST NEIGHBORS |
| url | https://repositorio.ug.edu.ec/handle/redug/73588 |