Busque entre los 168379 recursos disponibles en el repositorio
Mostrar el registro sencillo del ítem
dc.date.accessioned | 2016-05-18T15:21:50Z | |
dc.date.available | 2016-05-18T15:21:50Z | |
dc.date.issued | 2016-05-18 | |
dc.identifier.uri | http://sedici.unlp.edu.ar/handle/10915/52888 | |
dc.description.abstract | En muchas investigaciones se tiene necesidad de identificar cuáles son las características que diferencian unos grupos de sujetos u objetos respecto de otros, para así poder realizar predicciones. El análisis de conglomerados y el análisis discriminante, son técnicas que algunos autores ubican entre las más potentes para aplicar en investigaciones sociales, permiten clasificar sujetos u objetos a partir de características similares. Estas dos técnicas se pueden diferenciar por la manera de extraer conocimiento útil escondido en esos datos. El Análisis Discriminante cuenta con grupos de datos conocidos, con observaciones de unidades de pertenencia desconocida inicialmente y tiene que ser determinada a través del análisis de los datos. Este tipo de problemas de clasificación es referido como reconocimiento de patrones asistido o aprendizaje supervisado; en terminología estadística cae bajo el título de Análisis Discriminante. Por otro lado, hay problemas de clasificación donde los grupos son desconocidos a priori y el principal propósito del análisis es determinar los grupos a partir de los propios datos, de modo que las unidades dentro del mismo grupo sean, en algún sentido, más similares u homogéneas que aquellas que pertenecen a grupos diferentes. Este tipo de problema de clasificación es referido como reconocimiento de patrón no supervisado o conocimiento sin guía, y, en terminología estadística cae bajo el título de Análisis de Conglomerados. En este proyecto se aplicarán ambas técnicas o una combinación de ellas o una nueva técnica para analizar lo que llamamos rendimiento académico universitario. Se puede afirmar que, en general, un indicador directo de la calidad de la enseñanza es el rendimiento académico, medido a través del nivel alcanzado por los estudiantes. Vista la importancia del tema en este proyecto se determinarán las principales variables que influyen en el rendimiento como así también tipologías básicas de grupos, obtenidos de los alumnos universitarios tanto de la Facultad de Ciencias Exactas como de los alumnos de matemática de la Facultad de Filosofía de la UNSJ. | es |
dc.format.extent | 248-252 | es |
dc.language | es | es |
dc.subject | Clasificación | es |
dc.subject | rendimiento académico | es |
dc.subject | calidad universitaria | es |
dc.title | Técnicas de clasificación aplicadas al rendimiento académico | es |
dc.type | Objeto de conferencia | es |
sedici.identifier.isbn | 978-950-698-377-2 | es |
sedici.creator.person | Herrera, Myriam | es |
sedici.creator.person | Lund, María Inés | es |
sedici.creator.person | Ruiz, Susana | es |
sedici.creator.person | Torres, Estela | es |
sedici.creator.person | Mallea, Adriana | es |
sedici.creator.person | Romagnano, María Gema | es |
sedici.description.note | Eje: Bases de Datos y Minería de Datos | es |
sedici.subject.materias | Ciencias Informáticas | es |
sedici.description.fulltext | true | es |
mods.originInfo.place | Red de Universidades con Carreras en Informática (RedUNCI) | es |
sedici.subtype | Objeto de conferencia | es |
sedici.rights.license | Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5) | |
sedici.rights.uri | http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | |
sedici.date.exposure | 2016-04 | |
sedici.relation.event | XVIII Workshop de Investigadores en Ciencias de la Computación (WICC 2016, Entre Ríos, Argentina) | es |
sedici.description.peerReview | peer-review | es |
sedici.relation.isRelatedWith | http://sedici.unlp.edu.ar/handle/10915/52766 | es |