Publicación:
Neural network study for the subject demand forecasting

Vista sencilla de ítem
dc.coverageN.A.en-US
dc.coverageN.A.es-ES
dc.creatorTerán-Villanueva, Jesús David
dc.creatorIbarra-Martínez, Salvador
dc.creatorLaria-Menchaca, Julio
dc.creatorCastán-Rocha, José Antonio
dc.creatorTreviño-Berrones, Mayra Guadalupe
dc.creatorGarcía-Ruiz, Alejandro Humberto
dc.creatorMartínez-Infante, José Eduardo
dc.date2019-01-10
dc.date.accessioned2024-07-05T19:11:49Z
dc.date.available2024-07-05T19:11:49Z
dc.descriptionCourse planning of an educative center or university is composed of multiple complex problems like the design of the schedule for the students, classrooms, and professors for each signature. One of the problems is the forecasting of the number of subjects to make available for the students; this problem seems easy at first glance because once we have the number of approved and failed students for each subject, we can easily calculate the following demand for each subject. However, there are occasions where the course planning for the following period starts before having the information related to the number of accredited students; which lead us to the problem of forecasting the accreditation ratio for the calculation of the subject demand from the students. In this paper, the performance of a causal model compares to the performance of a statistical model for the forecasting of the approve and fail ratio of the students. The final results show that the causal model outperforms the statistical model for the given instances. We consider that this advantage occurs because the causal model learns the behavior patterns of the training data independently, instead of generalizing the accreditation ratio. Additionally, the statistical method can present significant problems when trying to forecast accreditation ratios for situations that are not found in the training data, while the causal model will use the information learned to predict such situations.en-US
dc.descriptionLa 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.es-ES
dc.formatapplication/pdf
dc.formatapplication/xml
dc.identifierhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/8783
dc.identifier10.19053/01211129.v28.n50.2019.8783
dc.identifier.urihttps://repositorio.uptc.edu.co/handle/001/14230
dc.languagespa
dc.language.isospaspa
dc.publisherUniversidad Pedagógica y Tecnológica de Colombiaen-US
dc.relationhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/8783/7285
dc.relationhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/8783/7502
dc.relationhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/8783/7531
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf412spa
dc.sourceRevista Facultad de Ingeniería; Vol. 28 No. 50 (2019); 34-43en-US
dc.sourceRevista Facultad de Ingeniería; Vol. 28 Núm. 50 (2019); 34-43es-ES
dc.source2357-5328
dc.source0121-1129
dc.subjectartificial neural networksen-US
dc.subjectdemand forecastingen-US
dc.subjectstrategic planningen-US
dc.subjectplaneación estratégicaes-ES
dc.subjectpronóstico de demandaes-ES
dc.subjectredes neuronales artificialeses-ES
dc.titleNeural network study for the subject demand forecastingen-US
dc.titleEstudio de redes neuronales para el pronóstico de la demanda de asignaturases-ES
dc.typeresearchen-US
dc.typeinvestigaciónes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarhttp://purl.org/coar/resource_type/c_18cfspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a495spa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication

Archivos

Colecciones

Revista Facultad de Ingeniería