Browsing by Author "Chango Sailema, Wilson Gustavo"

0-9ABCDEFGHIJKLMNOPQRSTUVWXYZ
Now showing 1 - 3 of 3
  • No Thumbnail Available
    ItemMetadata only
    Multi-source and multimodal data fusion for predicting academic performance in blended learning university courses
    (2021-01) Chango Sailema, Wilson Gustavo; Chango Sailema, Wilson Gustavo
    In this paper we apply data fusion approaches for predicting the final academic performance of university students using multiple-source, multimodal data from blended learning environments. We collect and preprocess data about first-year university students from different sources: theory classes, practical sessions, on-line Moodle sessions, and a final exam. Our objective is to discover which data fusion approach produces the best results using our data. We carry out experiments by applying four different data fusion approaches and six classification algorithms. The results show that the best predictions are produced using ensembles and selecting the best attributes approach with discretized data. The best prediction models show us that the level of attention in theory classes, scores in Moodle quizzes, and the level of activity in Moodle forums are the best set of attributes for predicting students’ final performance in our courses.
  • No Thumbnail Available
    ItemMetadata only
    Predicting academic performance of university students from multi-sources data in blended learning
    Chango Sailema, Wilson Gustavo
    In this paper, we propose to predict academic performance of university students from multi-sources data in multimodal and blended learning environments using data fusion and data mining. We have gathered data from 65 university students and different variables from four different sources. Firstly, we apply data fusion and preprocessing for creating a summary dataset in numerical and categorical format. Then, we have applied different white box classification algorithms provided by Weka data mining tool in order to select the best algorithm. Finally, we show the best predicting model in order to help instructor to take remedial actions with students at risk of dropout or failing.
  • No Thumbnail Available
    ItemOpen Access
    Técnicas de fusión de datos para la predicción de plagas en cultivos de pitahaya en el cantón Joya de los Sachas
    (PUCE - Quito, 2024) Logroño Naranjo, Santiago Israel; Chango Sailema, Wilson Gustavo
    En la región amazónica de Ecuador, especialmente en el cantón Joya de los Sachas, la producción de pitahaya ha crecido considerablemente desde 2015 debido a su alta demanda en mercados nacionales e internacionales. Este crecimiento ha traído consigo desafíos relacionados con la gestión de plagas y enfermedades que afectan la calidad y cantidad de la producción. A pesar de los avances en la producción de pitahaya, los métodos actuales de manejo de plagas no han sido completamente efectivos, resultando en pérdidas económicas significativas. La literatura evidencia una brecha en la implementación de tecnologías avanzadas que integren datos meteorológicos y de campo para mejorar la predicción y gestión de plagas. Específicamente, en la región de Joya de los Sachas, existe una necesidad urgente de desarrollar métodos más eficaces para abordar esta problemática. Este estudio propone abordar la brecha identificada mediante la implementación de técnicas de fusión de datos que integren información climática y de campo, optimizando así la predicción y gestión de plagas en cultivos de pitahaya. Se aplican técnicas de aprendizaje no supervisado y reducción de dimensionalidad para clasificar datos relacionados con la clorofila en plantas, utilizando algoritmos como MeanShift y MiniBatchKMeans. Se emplea PCA, IPCA y KernelPCA para reducir la dimensionalidad y mejorar la precisión de los modelos de clasificación.Los resultados indican que PCA y KernelPCA con kernel lineal son los métodos más efectivos para la reducción de dimensionalidad en este contexto, con una precisión de hasta 0.9699 en la clasificación de plantas con y sin plaga. Sin la fusión de ciertos datos, se observa una ligera disminución en la precisión, lo que sugiere que la fusión de datos es beneficiosa en este contexto. Este estudio subraya la importancia de la fusión de datos y la implementación de técnicas avanzadas de reducción de dimensionalidad para mejorar la predicción de plagas en cultivos de pitahaya. La investigación proporciona un modelo que puede ser replicado en otras regiones, promoviendo prácticas agrícolas más sostenibles y resilientes en la Amazonía ecuatoriana y más allá.