Modelo de agregación para medir la influencia del machine learning y modelos predictivos de empleabilidad pertinente con la carrera universitaria
Description
Las Instituciones de Educación Superior (IES) forman a los jóvenes profesionales en los aspectos técnico, teórico, competencias y habilidades en áreas específicas del conocimiento, para un mercado de trabajo con demandas muy cambiantes a las cuales a veces sus graduados no logran satisfacer las expectativas, es por ello la preocupación contante de la IES por identificar las causas asociadas con la tasa de empleabilidad de sus graduados. Por ello las IES deben prestar constante atención a la información que obtienen en su proceso de seguimiento a graduados, construir un modelo de optimización del proceso formativo para calcular y estimar los escenarios de producción de las IES en función de la demanda del mercado laboral. Los sistemas de seguimiento a graduados deben contar con técnicas de Minería de Datos que permitan identificar patrones de empleabilidad de los graduados para la toma de decisiones en procura de una mayor tasa de inserción laboral y una formación de sus profesionales que responda a la demanda laboral, es por ellos que se planteó como objetivo la creación y análisis de tres modelos de aprendizaje predictivo basado en algoritmos de machine learning, que permita predecir el resultado de una variable objetivo en función de varias variables predictoras, el caso estudiado es la Universidad Regional Autónoma de los Andes, en Ecuador. La presente investigación tiene como objetivo desarrollar un modelo de agregación para medir la influencia del machine learning y modelos predictivos de empleabilidad pertinente con la carrera universitaria. El modelo predictivo usó algoritmos de aprendizaje no supervisado, como: regresión lineal, árbol de decisiones y SVM generando los modelos con una precisión alta y con los ajustes necesarios demostrando su aplicabilidad.
Files
28machinelearning.pdf
Files
(877.6 kB)
Name | Size | Download all |
---|---|---|
md5:8c01eeabd9273fc5445f9b0bcd5cfbae
|
877.6 kB | Preview Download |