Machine Learning como estrategia pedagógica lúdica para planeación de producción

Machine Learning como estrategia pedagógica lúdica para planeación de producción

Main Article Content

Leila Nayibe Ramírez
Ana María Villamil
Andrea Patricia Vásquez
Mariluz Osorio Quiceno

Abstract

Este artículo describe una estrategia pedagógica basada en la lúdica “The Product X, The Product Z, Production Laboratory” diseñada por Schesinger, que busca que el estudiante de ingeniería industrial comprenda con mayor facilidad los conceptos de MRP y Machine learning y que, del mismo modo, pueda implementarlos en su proceso de aprendizaje. Se realizó un análisis con varios modelos matemáticos, para identificar el resultado que se ajusta mejor a las predicciones sobre el tamaño de las órdenes de producto y tipo de producto. En la realimentación realizada con los estudiantes que participaron en la lúdica, se evidenció que el proceso fue satisfactorio, pues calificaron a los conocimientos adquiridos por encima del 75%.

Downloads

Download data is not yet available.

Article Details

Author Biographies (SEE)

Leila Nayibe Ramírez, Universidad Libre

Docente, facultad de Ingeniería, Universidad Libre, Bogotá, Colombia. leylan.ramirezc@unilibre.edu.co

Ana María Villamil, Universidad Libre

Estudiante, facultad de Ingeniería, Universidad Libre, Bogotá, Colombia. anam-villamilo@unilibre.edu.co

Andrea Patricia Vásquez, Universidad Libre

Estudiante, facultad de Ingeniería, Universidad Libre, Bogotá, Colombia. andreap-vasquezm@unilibre.edu.co

Mariluz Osorio Quiceno, Universidad El Bosque

Docente, facultad de Ingeniería, Universidad El Bosque, Bogotá, Colombia. mosorioq@unbosque.edu.co

References (SEE)

Caja García, O. (2020). Librería Python para el aprendizaje y la implementación de redes neuronales

(Doctoral dissertation, Universitat Politècnica de València). Recuperado de https://

riunet.upv.es/handle/10251/152226

Calancha, C., & Abgar, N. (2011). Breve aproximación a la técnica de árbol de decisiones. Recuperado

de https://niefcz. files. wordpress. com/2011/07/breve-aproximacion-a-la-tecnica-

de-arbol-de-decisiones. pd.

Chang, S., Cohen, T. & Ostdiek, B. (2018). What is machine learning?. Physical Review D.

(97). Recuperado de https://journals.aps.org/prd/abstract/10.1103/PhysRevD.

056009

Cognodata (2019). ¿Qué Es El Análisis Descriptivo?. Recuperado de https://www.cognodata.

com/que-es-analisis-descriptivo/

González, Nelson Vladimir Yepes (2015). La educación lúdica en los procesos de enseñanza

aprendizaje de los ingenieros industriales.” Encuentro Internacional de Educación

en Ingeniería.

Haykin, S. (2004). Neural Networks. A Comprehensive Foundation. Vol. 2. Prentice Hall.

Hernández Cruz, Harold. (2015). La Lúdica En El Aula de Ingeniería. Revisión de Experiencias.

Revista de Ingeniería, Matemáticas y Ciencias de La Información. 2(3):67–71.

Ithandehuil C. & Crisólogo, D. (2006). Lectura e Interpretación de Gráficas Socialmente Compartidas.

Revista Latinoamericana de Investigación en matemática educativa.

Katuu, S. (2020). New Review of Information Networking Enterprise Resource Planning:

Past, Present, and Future.” New Review of Information Networking 25(1):37–46. Doi:

1080/13614576.2020.1742770.

Marco, F. J. (s.f.) R cuadrado ajustado: coeficiente de determinación ajustado. Recuperado

de_https://economipedia.com/definiciones/r-cuadrado-ajustado-coeficiente-

de-determinacion-ajustado.html

Minitab. (18 de abril de 2019). Análisis de Regresión: ¿Cómo Puedo Interpretar El R-Cuadrado

y Evaluar La Bondad de Ajuste? [Entrada de blog]. Recuperado de https://

blog.minitab.com/es/analisis-de-regresion-como-puedo-interpretar-el-r-cuadrado-

y-evaluar-la-bondad-de-ajuste

Moscote, O., and & Quintana, R. (2008). Estadistica I: Programa administracion publica territorial.

Murphy, K. P. (2006). Naive bayes classifiers. University of British Columbia, 18(60), 1-8.

Mesa L., Lozano, M. R., & Davila, J.. (2011). Descripción general de la Inferencia Bayesiana y

sus aplicaciones en los procesos de gestión. La simulación al Servicio de la Academia,

, 1-28.

Orozco, J. A. (2018). Machine Learning y su importancia en la actualidad. Recuperado

de_https://www.ipade.mx/2018/08/30/machine-learning-y-su-importancia-

en-la-actualidad/

Quiceno, M. O., & Jaramillo, C. (2006). Utilización de la lúdica para la enseñanza del MRP I.

Scientia et technica, 3(32). Doi: https://doi.org/10.22517/23447214.6289.

Pedregosa, F. et al. (2011). Scikit-Learn: Machine Learning in Python. Journal of Machine Learning

Research 12:28, 25–30.

Ranjeeth, S., Latchoumi, T. P., & Paul, P. V. (2021). Optimal stochastic gradient descent with

multilayer perceptron based student’s academic performance prediction model.

Recent Advances in Computer Science and Communications (Formerly: Recent Patents

on Computer Science), 14(6), 1728-1741.

Rodriguez, A. M. P., Mejia, K. A. P., & Ramos, A. F. S. (2016). Propuesta de un juego de mesa

como herramienta didáctica para la explicación de conceptos de control de inventarios

en programas de ingeniería industrial. Revista educación en ingeniería, 11(21),

-50.

Soto, G. R. (2011). El teorema de Bayes. Revista De Educación Matemática, 26(3), 3-25.

Weisstein, E. W. (2006). Correlation coefficient. Recuperado de https://mathworld. wolfram.com/.

Wiper, M. (s.f.). Probabilidad condicionada y el teorema de BAYES ¿Cambiarías de Puerta?

Recuperado de http://halweb.uc3m.es/esp/Personal/personas/mwiper/docencia/

Spanish/Teoria_Est_El/tema4_orig.pdf

Most read articles by the same author(s)