Raveau Morales, María PazCid Campos, Olga Angélica2025-02-172025-02-172024https://hdl.handle.net/11447/9774Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceEl pronóstico de la demanda consiste en predecir o estimar la necesidad de un producto o servicio en un período de tiempo futuro [16]. Realizar estimaciones de demanda es estratégicamente un valor invaluable dado que apoya significativamente la gestión institucional para la toma de decisiones de manera más oportuna y eficaz. Hoy en día con los avances tecnológicos a través de técnicas estadísticas, machine learning, deep learning entre otras es posible realizar pronósticos en las distintas áreas del conocimiento. Es por ello que este estudio se enmarca en el ámbito de apoyo a la gestión académica y sus procesos como lo es la planificación de la oferta de asignaturas para un periodo académico futuro. En el presente trabajo se propone realizar un estudio comparativo de algunas técnicas predictivas y algoritmos de analítica de datos, con el fin de proponer una solución para la predicción de la demanda de oferta de asignaturas de la Facultad de Ingeniería de la Universidad del Bio-Bío. Para ello se abordan, por una parte, un modelo de clasificación para determinar la tasa de aprobación de las asignaturas en estudio basado en algoritmos de regresión logística y árbol de decisión lo que permite estimar la demanda en función de los resultados de la tasa de aprobación estimada para las asignaturas, y por otra, un modelo de regresión lineal múltiple y series temporales para la predicción de la demanda de asignaturas para un periodo futuro. En el caso de serie temporal se aplican modelos ARIMA y de redes neuronales, específicamente algunos recomendados en esta materia como lo son las Redes Convoluciones (CNN) y Redes LSTM. Los resultados obtenidos reflejan que el modelo de árbol de decisión propuesto es el más preciso para la predicción de la tasa aprobación de las asignaturas. En el caso de la predicción de la demanda se obtienen los mejores resultados con el modelo de regresión lineal con penalización Ridge.65 p.es070037SUniversidadesAsignaturaThesis