Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/21209
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorEscobedo Mitre, Rogelio-
dc.contributor.authorQuezada Cisnero, Ángeles-
dc.contributor.authorMarquez Lobato, Bogart Yair-
dc.contributor.authorAlanis Garza, Arnulfo-
dc.date.accessioned2024-05-23T20:23:27Z-
dc.date.available2024-05-23T20:23:27Z-
dc.date.issued2024-03-01-
dc.identifier.urihttp://dspace.espoch.edu.ec/handle/123456789/21209-
dc.descriptionEn los últimos años, la integración de técnicas de aprendizaje automático (AP), en los sistemas de gestión escolar ofrece varias oportunidades para mejorar la eficiencia y la toma de decisiones en el ámbito educativo. Al aplicar el AP en la educación, se pueden obtener beneficios significativos. Sin embargo, es importante tener en cuenta que la integración exitosa de técnicas de AP en los sistemas de gestión escolar requiere una infraestructura de datos sólida, la recopilación adecuada de datos y la consideración de cuestiones éticas y de privacidad. Además, el AP no debe reemplazar la interacción humana en la educación, sino complementarla y mejorarla, brindando a los educadores y estudiantes herramientas adicionales para el éxito educativo. Debido al incremento en la retícula de la carrera de Ingeniería en Sistemas Computacionales es necesario llevar a cabo una predicción más confiable y de manera automática de los horarios por semestre. Para abordar el problema de generación de horarios de manera manual, se llevó a cabo un análisis exhaustivo del proceso existente. Esto implica recopilar información relevante sobre cómo se realiza actualmente la generación de horarios por semestre en la institución educativa. Se estudio el enfoque actual utilizado para generar los horarios, además analizar los problemas y las limitaciones asociadas al proceso manual. Se investigarán diferentes técnicas de Machine Learning que podrían aplicarse al problema de generación de horarios. Esto podría incluir algoritmos de optimización, algoritmos de agrupamiento o clasificación, algoritmos genéticos u otros enfoques de aprendizaje automático que puedan adaptarse al problema específico.es_ES
dc.description.abstractIn recent years, the integration of machine learning (ML) techniques into school management systems offers several opportunities to enhance efficiency and decision-making in the educational field. Applying ML in education can yield significant benefits. However, it is important to note that the successful integration of ML techniques into school management systems requires a robust data infrastructure, proper data collection, and consideration of ethical and privacy issues. Furthermore, ML should not replace human interaction in education but rather complement and improve it by providing educators and students with additional tools for educational success. Due to the increased complexity in the curriculum of the Computer Systems Engineering program, it is necessary to carry out a more reliable and automated prediction of semester schedules. To address the manual scheduling generation problem, a comprehensive analysis of the existing process was conducted. This involved gathering relevant information on how semester schedules are currently generated in the educational institution. The current approach used for scheduling was studied, along with an analysis of the problems and limitations associated with the manual process. Various ML techniques that could be applied to the scheduling generation problem were investigated. This could include optimization algorithms, clustering or classification algorithms, genetic algorithms, or other machine learning approaches that can be adapted to the specific problem.es_ES
dc.language.isospaes_ES
dc.publisherEscuela Superior Politécnica de Chimborazoes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.subjectAPRENDIZAJE AUTOMÁTICOes_ES
dc.subjectAUTOMATIZACIÓNes_ES
dc.subjectHORARIOSes_ES
dc.subjectMACHINE LEARNINGen
dc.subjectAUTOMATIONen
dc.subjectSCHEDULESen
dc.titleAnálisis de datos para la optimización eficiente de horarios y aprendizaje automático.es_ES
dc.typeinfo:eu-repo/semantics/articlees_ES
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
Aparece en las colecciones: 2024 Vol. 6 (julio - diciembre 2024)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
perspe_v6_n2_04.pdf643,76 kBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons