Castillo Zumaran, Jose SegundoBazan Fernandez, Edwin Manuel2025-12-292025-12-292025E. Bazan, “Aplicación web basado en machine learning para predecir el rendimiento académico en matemática del tercer grado en un colegio militar,” tesis de licenciatura, Fac. de Ingeniería, Univ. USAT, Chiclayo, Perú, 2025. [En línea]. Disponible en: https://hdl.handle.net/20.500.12423/9696RTU009235https://hdl.handle.net/20.500.12423/9696En esta investigación se determinaron ciertas características claves que influyen en el rendimiento académico estudiantil, con la finalidad de predecir aquellos estudiantes que tengan alta probabilidad de desaprobar. Entre los principales problemas abordados se encuentran los factores que afectan el rendimiento académico, la deserción estudiantil y el alto porcentaje de desaprobados, la cual genera un incremento en los costos operativos, como la ampliación de horas laborales de los docentes y el uso intensivo de recursos e infraestructura. Para abordar esta problemática se propuso desarrollar una aplicación web basado en Machine Learning permitiendo predecir el rendimiento académico, teniendo en cuenta los siguientes objetivos específicos: determinar cuáles son las variables para predecir con mayor grado de precisión el rendimiento académico, determinar el algoritmo que nos proporcione la mayor precisión al predecir el rendimiento académico, crear un modelo de predicción en base a los datos recolectados y el algoritmo seleccionado, desarrollar la aplicación web como herramienta de interacción, validar la aplicación web construida en base a técnicas de pruebas de ingeniería de software. La metodología empleada es CRISP-DM, utilizada en proyectos de minería de datos y Machine Learning. Durante el desarrollo se evaluaron tres algoritmos de regresión, obteniendo los resultados: Algoritmo Regresión Lineal (ECM:14.15, RMSE:3.76, Índice de Concordancia:99.99988%), algoritmo Gaussian Naive Bayes ECM y el algoritmo regresor de Árbol de Decisión (ECM: 8.49, RMSE:91, Índice de Concordancia: 99.99992%), tras evaluar los resultados se seleccionó el algoritmo con mejor desempeño para implementar el modelo de predicción del rendimiento académico de los nuevos estudiantes.This research identified key characteristics that influence students' academic performance, with the aim of predicting those who are at high risk of failing. The main issues addressed include factors affecting academic performance, student dropout, and the high percentage of failing students, which leads to increased operational costs such as extended teaching hours and intensive use of resources and infrastructure. To address this problem, the development of a web application based on Machine Learning was proposed to predict academic performance, considering the following specific objectives: to identify the variables that most accurately predict academic performance; to determine the algorithm that provides the highest accuracy in academic performance prediction; to create a prediction model based on the collected data and the selected algorithm; to develop the web application as an interactive tool; and to validate the web application based on software engineering testing techniques. The methodology used was CRISP-DM, commonly applied in data mining and Machine Learning projects. During the development, three regression algorithms were evaluated, yielding the following results: Linear Regression (MSE: 14.15, RMSE: 3.76, Concordance Index: 99.99988%), Gaussian Naive Bayes, and Decision Tree Regressor (both with MSE: 8.49, RMSE: 2.91, Concordance Index: 99.99992%). Based on these results, the algorithm with the best performance was selected to implement the predictive model for forecasting the academic performance of new students.application/pdfspahttps://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by/4.0/Rendimiento académicoAprendizaje automáticoPredicciónAcademic performanceMachine learningPredictionhttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/pe-repo/ocde/ford#2.02.04