2021-10-122021-10-122021-04-01Proyecciones, Vol. 19 No.11853-6352http://hdl.handle.net/20.500.12272/5587La deserción estudiantil siempre ha sido un tema de preocupación debido a sus múltiples implicancias. En este trabajo se propone la aplicación de técnicas de reconocimiento de patrones para exponer información útil y formular reglas de inferencia en sistemas de diagnóstico automático. De esta manera se generan modelos predictivos de deserción universitaria en la UTN.BA, a partir de bases de datos de estudiantes de la carrera de Ingeniería en Sistemas de la Información del plan K08. Se construyeron dos modelos, uno basado sobre Máquinas de Vectores de Soporte y otro sobre Redes neuronales. Ambos presentan resultados muy similares reconociendo a estudiantes en situación de deserción con una exactitud de 79%.Dropping out has been a cause of concern due to its multiple implications. In this work, the application of pattern recognition techniques is proposed to make explicit meaningful information to be used later in expert systems. The application of these techniques was aimed at generating predictive models of university dropout at the UTN.BA, from databases of students of the Information Systems Engineering career of the K08 plan. Two models were built, one based on Support Vector Machines and the other on Neural Networks. Both present very similar results, recognizing dropout students with an accuracy of 79%.pdfspaopenAccesshttp://creativecommons.org/licenses/by-nc/4.0/Atribución-NoComercial 4.0 Internacionalminería de datospredictor de deserción universitariaSVMredes neuronalesaprendizaje automáticoknowledge data discoverydata minninguniversity dropout predictorneural networksmachine learningPredictor de deserción universitariainfo:eu-repo/semantics/articleGiselle V. Romero, Joaquín S. Toranzo Calderón, Sesbastián E. Jaremczuk, Juan C. Gómez, Claudio VerrastroLicencia Creative Commons Atribución -No Comercial