El fenómeno de la deserción estudiantil ha sido ampliamente estudiado y analizado desde diferentes ópticas y contextos. El presente trabajo pretende coadyuvar en la detección temprana de los posibles casos de deserción estudiantil en la Fundación Centro Colombiano de Estudios Profesionales FCECEP, concretamente en las tecnologías en ingeniería las cuales, en los últimos años, han sido fuertemente golpeadas por la disminución de la población estudiantil. El aprendizaje de máquina o Machine Learning se presenta como una opción para el análisis de datos, puntualmente las redes neuronales y más específicamente la posibilidad de analizar clústeres de datos que sean clasificados por ciertas características; es aquí donde los Mapas Auto Organizados (Self Organizing Maps o SOM) por sus siglas en inglés, brindan un espacio propicio para la investigación ya que poco han sido utilizados en análisis de la deserción estudiantil, sin embargo, si han sido muy aplicados en diversos sectores de la industria y de la empresa privada, reportando casos de éxito en análisis de quiebra de bancos, tendencias en la bolsa de valores, análisis de imágenes, entre muchos otros campos de acción. En concreto, este proyecto se centrará en el comportamiento de los Mapas Auto Organizados, cómo funcionan; cómo se realiza el proceso de selección y clasificación de datos; su caracterización; los pasos para utilizar herramientas informáticas que presenten de forma gráfica el resultado de aplicar los cálculos matemáticos en que se basan los Mapas: la identificación de las variables que denoten claramente cuál puede ser el origen de la deserción y por supuesto, las recomendaciones basadas en los resultados de la aplicación de esta técnica de análisis de datos

Proyecto de grado (Magíster en Ingeniera)-- Universidad Autónoma de Occidente, 2017

Magíster en Ingeniería

Maestría