Ingeniería de Software

Permanent URI for this collectionhttps://repositorio.pascualbravo.edu.co/handle/pascualbravo/2689

Browse

Browsing Ingeniería de Software by Author "Briñez de León, Juan Carlos"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Modelo predictivo de riesgos de deserción estudiantil para la Institución Universitaria Pascual Bravo
    (Institución Universitaria Pascual Bravo, 2025) Flórez Aguirre, Daniel Jaime; Briñez de León, Juan Carlos
    La deserción universitaria es un problema complejo con repercusiones económicas, sociales y personales significativas. Los altos índices de abandono escolar representan una pérdida de recursos financieros y oportunidades de movilidad social, perpetuando ciclos de pobreza y desigualdad. Identificar tempranamente a los estudiantes en riesgo de abandonar permite implementar programas de apoyo específicos, optimizar recursos, y mejorar las políticas educativas, lo que fortalece el compromiso estudiantil y mejora las tasas de retención. La intervención temprana es crucial para abordar este fenómeno de manera efectiva, beneficiando tanto a los individuos como a la sociedad en su conjunto. Este proyecto propone el desarrollo de un modelo predictivo de deserción académica, utilizando técnicas avanzadas de modelado de datos. El objetivo es generar información relevante que permita la creación de alertas preventivas y tempranas para mitigar este fenómeno. Se espera que este modelo contribuya a la identificación de los factores clave que influyen en la deserción, ofreciendo a la institución herramientas más eficaces para intervenir antes de que los estudiantes abandonen sus estudios. Este enfoque no solo busca reducir las tasas de deserción, sino también mejorar la eficiencia en la utilización de recursos públicos destinados a la educación superior. Utilizando técnicas avanzadas de análisis de datos y modelado estadístico, se buscará generar alertas tempranas que ayuden a las instituciones educativas a implementar estrategias de prevención más efectivas. Este estudio se estructurará en cuatro fases principales: la recopilación y limpieza de datos, el desarrollo y ajuste del modelo, y la validación de este con datos históricos de estudiantes. Este trabajo se inscribe en el marco del semillero de investigación SAMDATA, donde participa el investigador externo Juan Carlos Briñez de León. La solución planteada se apoya en el análisis de datos históricos de la institución, integrando variables académicas, socioeconómicas, demográficas y comportamentales para construir un modelo de riesgo. Como producto final, se espera generar una API que integre este modelo con los sistemas institucionales, permitiendo el monitoreo automático del riesgo de deserción y facilitando la toma de decisiones.
  • Thumbnail Image
    Item
    Sistema identificador de la salud de frutos de árboles de cacao y café mediante algoritmos clasificadores de machine learning y procesamiento de imágenes
    (Institución Universitaria Pascual Bravo, 2024) Diaz Arango, Jhon Michael; Briñez de León, Juan Carlos; Orozco Gómez, Diego Hernando
    En el cultivo de cacao y café, las enfermedades como la moniliasis y la mazorca negra en los frutos de cacao, así como los defectos en los granos de café, representan un desafío significativo para los agricultores, afectando la calidad y la producción. Este trabajo presenta una intervención a través del diseño de una aplicación informática para el sistema operativo Microsoft Windows 10, que emplea dos algoritmos clasificadores de machine learning. La aplicación permite a los usuarios cargar imágenes de frutos de cacao y granos de café para identificar su estado de salud, facilitando así la toma de decisiones para el manejo adecuado de los cultivos. La implementación de esta herramienta ofrece varias ventajas, incluyendo la capacidad de diagnóstico rápido y preciso de las condiciones de los frutos, lo que puede contribuir a la mejora en las prácticas agrícolas y a la optimización de los rendimientos. Además, el desarrollo de un dataset cuidadosamente curado, con más de 1200 imágenes clasificadas de manera rigurosa, garantiza que los modelos entrenados sean robustos y efectivos. Los resultados obtenidos demuestran altos niveles de precisión en la clasificación, con un 100% para los granos de café y un 94% para los frutos de cacao utilizando el algoritmo Random Forest y KNN, respectivamente. Estos hallazgos indican que la aplicación tiene un gran potencial para ser utilizada en el campo, proporcionando una herramienta valiosa para los agricultores en la detección temprana de enfermedades.