No abstract

Recientemente, el uso de técnicas de minería de datos educativa ha cobrado gran relevancia al aplicarlas en la predicción del desempeño, creación de modelos predictivos de retención, perfiles de comportamiento, fracaso escolar, entre otros. En este trabajo se presenta la aplicación del algoritmo selección de atributos para identificar los factores más importantes que inciden en la decisión de desertar; también, se utilizan árboles de decisión para definir patrones que pueden alertar una inminente deserción. Se adaptó un instrumento y se administró vía web a 300 estudiantes de IES pública y 200 estudiantes de IES privada actualmente inscritos en algún programa de nivel superior. Mediante el algoritmo selección de atributos se encontraron 27 factores relevantes, dentro de los tres factores principales se reconocen la falta de asesorías, la falta de un ambiente estudiantil adecuado y la falta de seguimiento académico, mientras que, por medio del árbol de decisión se encontraron 7 patrones, en donde uno de ellos incluye factores como: ambiente estudiantil, apoyos financieros insuficientes, experiencia de una situación incómoda, lugar que ocupa la elección de la carrera, entre otros. Finalmente, se ha visto que la deserción escolar no depende de un solo factor, sino que es multifactorial y que es imperativo ampliar la muestra a otras ciudades de manera que se puedan aplicar diversos algoritmos que proporcionen mayor información que conduzcan al establecimiento de mecanismos certeros para disminuir los índices de deserción universitaria en función de las características de la población estudiantil según la región.

No abstract

This paper proposes a weightless architecture for graph classification scenarios. This architecture is a three-headed arrangement composed of graph hand-picked features, a quantization method and a final classifier. Although multiple new strategies for graph classification have been proposed in recent years, it is still necessary to settle comparable studies with respect to weightless neural networks. The proposed architecture is evaluated along with other baseline classifiers and independent strategies, showing that weightless architectures are able to compete with other well-established methods such as graph kernels.

En este artículo se presenta una metodología para la segmentación de disco óptico de imágenes del fondo de la retina, donde la aportación principal reside en el preprocesamiento de las imágenes. El modelo se divide en dos fases. En la primera se realiza un preprocesamiento de la imagen realizando correcciones de iluminación, removido de venas y reconstrucción de la imagen. En la segunda fase se realiza la localización del disco óptico y la segmentación de este. Los resultados de la segmentación automática se comparan con la segmentación de un experto en oftalmología dando como resultado un índice de coincidencia alto para las imágenes del conjunto utilizado. This article presents a methodology for the segmentation of the optic disc of images of the retina fundus, where the main contribution resides in the preprocessing of the images. The model is divided into two phases. In the first, image preprocessing is performed by performing lighting corrections, vein removal, and image reconstruction. In the second phase, the location of the optic disc and its segmentation are performed. The results of the automatic segmentation are compared with the segmentation of an ophthalmology expert resulting in a high coincidence index for the images of the set used.