Estudio de redes neuronales para el pronóstico de la demanda de asignaturas

Autor: Jesús David Terán-Villanueva, Salvador Ibarra-Martínez, Ph. D., Julio Laria-Menchaca, Ph. D., José Antonio Castán-Rocha, Ph. D., Mayra Guadalupe Treviño-Berrones, M.Sc., Alejandro Humberto García-Ruiz, José Eduardo Martínez-Infante
Jazyk: English<br />Spanish; Castilian
Rok vydání: 2019
Předmět:
Zdroj: Revista Facultad de Ingeniería, Vol 28, Iss 50, Pp 34-43 (2019)
Druh dokumentu: article
ISSN: 0121-1129
2357-5328
01211129
DOI: 10.19053/01211129.v28.n50.2019.8783
Popis: La planeación de cursos de un centro educativo o universidad está compuesta por múltiples problemas complejos como lo es la asignación de horarios para los alumnos, salones y profesores para cada asignatura. Uno de los problemas iniciales es determinar la cantidad de asignaturas que se ofertarán; este problema parece sencillo a simple vista ya que una vez que se tenga la información de la cantidad de alumnos aprobados para cada asignatura, se puede calcular fácilmente la siguiente demanda de asignaturas. Sin embargo, existen ocasiones en los que la planeación de cursos del siguiente período inicia antes de tener la información relativa a la aprobación de los alumnos. Lo cual nos lleva al problema del pronóstico de los porcentajes de aprobación para calcular la demanda de asignaturas de los alumnos. En este trabajo se compara el desempeño de modelos causales contra modelos estadísticos para el pronóstico de los porcentajes de aprobación y reprobación de los alumnos. Los resultados finales muestran una ventaja importante de los métodos causales sobre los métodos estadísticos para los casos de prueba. Consideramos que esta ventaja ocurre debido a que el modelo causal aprende los patrones de comportamiento de los datos de entrenamiento de forma independiente en vez de generalizar porcentajes de acreditación. Además de lo anterior, el método estadístico puede presentar problemas importantes al tratar de pronosticar porcentajes de acreditación para situaciones que no se encuentren en los datos de entrenamiento, mientras que el modelo causal utilizará la información aprendida para pronosticar dichas situaciones.
Databáze: Directory of Open Access Journals
Externí odkaz: