3.1. Ejemplo de Regresión Lineal

                     Ejemplos de Regresión Lineal

(Aprendizaje Supervisado)

Ejemplo práctico para abordar un bajo rendimiento en la asignatura de Teorías del Aprendizaje en la UAGRM (Universidad Autónoma Gabriel René Moreno), considerar un análisis de datos y técnicas de aprendizaje automático para identificar posibles factores que podrían estar contribuyendo a este bajo rendimiento.

1. Recopilación y preparación de datos:

   • Reúne datos relevantes, como calificaciones previas, asistencia, horas de estudio, participación en clases, etc., de los estudiantes que han cursado Teorías del Aprendizaje.
   • Limpia y procesa los datos para eliminar valores atípicos, manejar valores faltantes y prepararlos para su análisis.

2. Análisis exploratorio de datos (EDA):

   • Realiza un análisis exploratorio para entender la distribución de las calificaciones, identificar posibles correlaciones entre las características de los estudiantes y sus calificaciones en Teorías del Aprendizaje.
   • Examina si hay relaciones entre variables como asistencia, horas de estudio, participación, calificaciones previas, etc., y las calificaciones en la asignatura.

3. Modelado con aprendizaje automático:

   • Utiliza técnicas de aprendizaje automático, como regresión lineal, árboles de decisión, o incluso modelos más complejos como redes neuronales, para predecir las calificaciones en Teorías del Aprendizaje en función de las características de los estudiantes.
   • Entrena el modelo con datos históricos, utilizando ciertas características como variables independientes y las calificaciones como la variable dependiente.

4. Análisis de resultados y hallazgos:

   • Evalúa el modelo utilizando métricas adecuadas para ver qué tan bien predice las calificaciones en base a las características de los estudiantes.
   • Examina la importancia de las características; esto puede ayudar a identificar qué aspectos podrían influir más en el rendimiento académico en esta asignatura.

5. Acciones recomendadas:

• Basándote en los hallazgos del modelo, podrías sugerir estrategias para mejorar el rendimiento académico, como fomentar la participación en clase, promover métodos de estudio efectivos, brindar apoyo adicional a estudiantes con ciertas características, etc.

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

# Generamos un conjunto de datos ficticio

np.random.seed(42)

num_students = 500

# Simulación de características de los estudiantes

hours_studied = np.random.uniform(1, 12, num_students)

attendance = np.random.uniform(0.6, 1, num_students)

participation = np.random.uniform(0.2, 1, num_students)

previous_grades = np.random.uniform(5, 10, num_students)

# Simulación de las calificaciones en Teorías del Aprendizaje

mean_grades = 5 + 0.3 * hours_studied + 1.5 * attendance + 1.2 * participation + 0.8 * previous_grades + np.random.normal(0, 1, num_students)

# Creamos un DataFrame con los datos

data = pd.DataFrame({

    'Hours_Studied': hours_studied,

    'Attendance': attendance,

    'Participation': participation,

    'Previous_Grades': previous_grades,

    'Grades': mean_grades

})

# Guardamos el conjunto de datos como CSV

data.to_csv('teorias_aprendizaje_dataset.csv', index=False)

# Gráfico de barras

plt.figure(figsize=(8, 5))

plt.bar(['Grupo A', 'Grupo B', 'Grupo C', 'Grupo D'], [50, 30, 20, 40], color='skyblue')

plt.xlabel('Grupos')

plt.ylabel('Valores')

plt.title('Ejemplo de Gráfico de Barras')

plt.savefig('bar_chart.png')  # Guardamos el gráfico como imagen

plt.show()

# Gráfico circular

plt.figure(figsize=(6, 6))

plt.pie([75, 25], labels=['Aprobados', 'Desaprobados'], autopct='%1.1f%%', colors=['lightgreen', 'lightcoral'])

plt.title('Ejemplo de Gráfico Circular')

plt.savefig('pie_chart.png')  # Guardamos el gráfico como imagen

plt.show()