1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Morelos
4. Centro Nacional de Investigación y Desarrollo Tecnológico
5. Tesis CENIDET
6. Tesis de Maestría
7. Tesis de Maestría en Ciencias de la Ingeniería

Title:	Minería de Datos Educativa para la Detección de Patrones en una Institución Educativa Superior
Authors:	Benítez Morales, Brenda Erika%1244385
metadata.dc.subject.other:	Minería de Datos Educativos, Deserción Estudiantil, Rendimiento Académico, Aprendizaje Supervisado, Agrupamiento K-means, Predicción de Éxito/Fracaso.
Issue Date:	2025-12-12
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Centro Nacional de Investigación y Desarrollo Tecnológico
Description:	La Minería de Datos Educativos es una disciplina en crecimiento que aplica técnicas de la ciencia de datos para descubrir patrones y tendencias ocultos en grandes volúmenes de datos académicos. Su objetivo central es fundamentar la toma de decisiones basada en evidencia en entornos educativos, con énfasis en la mejora del rendimiento estudiantil y la reducción de la deserción. Esta tesis presenta un caso práctico realizado en El Tecnológico Nacional de México Campus Iztapalapa III con el fin de identificar patrones académicos predictivos del éxito o fracaso estudiantil a nivel de ingeniería. La metodología implementada se dividió en cuatro etapas clave: (I) recopilación de datos, (II) preprocesamiento, (III) selección y validación del modelo, e (IV) interpretación de los resultados. Se utilizaron técnicas de aprendizaje no supervisado, específicamente Análisis de Componentes Principales y el agrupamiento Kmeans, que revelaron tres perfiles estudiantiles distintos. El análisis identificó un grupo con indicios de desvinculación emocional o académica, lo que subraya la necesidad de implementar estrategias de intervención temprana como asesoramiento psicológico, mentoría personalizada y orientación vocacional. Finalmente, se entrenaron cuatro algoritmos de aprendizaje supervisado para clasificar a los nuevos estudiantes en función de sus características académicas. Los modelos más efectivos fueron el Perceptrón Multicapa, las Máquinas de Vectores de Soporte y la Regresión Logística, logrando métricas de rendimiento elevadas, incluyendo una precisión del 95%, una exactitud del 96%, una sensibilidad del 96% y un puntaje F1 del 96%. Estos resultados demuestran la eficacia de la Minería de datos Educativa para la detección de patrones y reducir la deserción estudiantil.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Tesis de Maestría en Ciencias de la Ingeniería

This item is protected by original copyright View License

This item is licensed under a Creative Commons License