Predicción del rendimiento académico mediante redes neuronales (Registro nro. 76825)

Detalles MARC
000 -LIDER
Campo de control de longitud fija 01914nam a2200181Ia 4500
003 - IDENTIFICADOR DEL NUMERO DE CONTROL
Campo de control pecaunac
005 - FECHA Y HORA DE ULTIMA TRANSACCION
Campo de control 20250423112941.0
008 - ELEMENTOS DE LONGITUD FIJA--INFORMACION GENERAL
Campo de control de longitud fija 250423s9999||||xx |||||||||||||| ||und||
040 ## - FUENTE DE CATALOGACION
Agencia de catalogación pecaunac
Idioma de catalogación spa
082 ## - NUMERO DE CLASIFICACION DECIMAL DEWEY
Número de clasificación T/620.092/Z75
100 ## - ASIENTO PRINCIPAL--NOMBRE PERSONAL
Nombre personal Zevallos Salazar, Rodolfo Joel
245 #0 - TITULO
Título Predicción del rendimiento académico mediante redes neuronales
264 ## - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y AVISO DE DERECHOS DE AUTOR
Lugar de producción, publicación, distribución, fabricación Callao-Perú
Fecha de producción, publicación, distribución, fabricación o aviso de derechos 2017
300 ## - DESCRIPCION FISICA
Páginas 98
520 ## - NOTA DE RESUMEN, ETC.
Nota de sumario, etc. En la actualidad el Perú es uno de los países que se encuentra en los últimos puestos con un índice de nivel académico muy bajo según el PISA de la Organización para la Cooperación y el Desarrollo Económicos. Las instituciones educativas realizan pruebas psicológicas a los estudiantes que tienen bajo rendimiento académico de forma posteriori, es decir, luego de conocer el rendimiento que tuvo a lo largo de un periodo para tomar medidas correctivas en el estudiante. El objetivo de la investigación es crear una red neuronal para predecir el rendimiento académico de los estudiantes del nivel primario del distrito de Ventanilla. Los factores que influyen el rendimiento académico de los estudiantes del nivel primario se clasifican en 2 (factores alterables y factores no alterables). Del total de factores en el rendimiento académico de los estudiantes del nivel primario solo se tomaron en cuenta 33 de un total de 47.Se creó una arquitectura de red neuronal, utilizando el perceptrón milticapa con algoritmo de aprendizaje de resilient backpropagation y funcióm de activación la tangente hiperbólica. La arquitectura de red neuronal tiene 3 capas ocultas, bias para mejorar la performance de la arquitectura y como parámetro de error de aceptación hasta 2%.Finalmente, la red neuronal artificial obtubo resultados de un 2% de error absoluto en el entrenamiento y un grado de validez de un 84%.
856 ## - LOCALIZACION Y ACCESO ELECTRONICO
Identificador Uniforme del Recurso <a href="https://hdl.handle.net/20.500.12952/2728">https://hdl.handle.net/20.500.12952/2728</a>
942 ## - CAMPOS ADICIONALES (KOHA)
Tipo de ítem Tesis Pregrado-Título
Existencias
Withdrawn status Lost status Damaged status Not for loan Home library Current library Shelving location Date acquired Source of acquisition Coded location qualifier Full call number Barcode Koha item type Public note
        Unidad de Biblioteca Central, Banco de Libros y Librería Unidad de Biblioteca Central, Banco de Libros y Librería Primer Piso-Referencia 09/01/2024 Donación Bueno T/620.092/Z75 BCt2971 Tesis Pregrado-Título Interno