Predicción de rotación de empleados usando modelos de aprendizaje automático

Palacio Mesa, Luis Javier

Publicación:
Predicción de rotación de empleados usando modelos de aprendizaje automático

dc.contributor.advisor	Suárez Sierra, Biviana Marcela
dc.contributor.advisor	Román Calderón, Juan Pablo
dc.contributor.author	Palacio Mesa, Luis Javier
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees	eng
dc.creator.email	ljpalaciom@eafit.edu.co	spa
dc.date.accessioned	2023-06-23T17:39:15Z
dc.date.available	2023-06-23T17:39:15Z
dc.date.issued	2023
dc.description	Las rotaciones de empleados son eventos de gran relevancia dentro de las compañías por múltiples ra- zones. Una de estas razones es que el costo de buscar y contratar nuevos empleados que se ajusten a los puestos disponibles es elevado, por lo que los equipos de recursos humanos tratan de identificar a las personas con inten- ciones de irse y utilizar esta información para tomar mejores decisiones en beneficio tanto de los empleados como de la empresa. En los últimos años, la academia ha comenzado a aplicar muchos algoritmos de aprendizaje auto- mático para predecir la rotación de empleados, y se ha sugerido a la comunidad científica estudiar nuevos modelos que tengan la capacidad de encontrar patrones con datos que posean una dimensión temporal. El propósito de esta investigación es estudiar modelos para la predicción de la rotación de empleados con los datos disponibles de una red social de empleados y realizar una comparativa del desempeño de técnicas que se han usado usualmente para resolver este problema como Regresión logística, Random Forest y Extreme boosting frente a técnicas que estén diseñadas para manejar secuencias de datos indexados con el tiempo como LSTM (Long Short-Term Memory)	spa
dc.description.degreelevel	Maestría	spa
dc.description.degreename	Magíster en Ciencias de Datos y Analítica	spa
dc.format.mimetype	application/pdf
dc.identifier.ddc	006.31 P153
dc.identifier.instname	instname:Universidad EAFIT
dc.identifier.reponame	reponame:Repositorio Institucional Universidad EAFIT
dc.identifier.repourl	repourl:https://repository.eafit.edu.co
dc.identifier.uri	https://hdl.handle.net/10784/32615
dc.language.iso	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Área Computación y Analítica	spa
dc.publisher.faculty	Escuela de Ciencias Aplicadas e Ingeniería	spa
dc.publisher.place	Medellín	spa
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.rights	Todos los derechos reservados	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Acceso abierto
dc.rights.local		spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc/4.0/deed.es
dc.subject	Predicción de rotación de empleados	spa
dc.subject	Aprendizaje automático	spa
dc.subject	LSTM	spa
dc.subject	Analítica de recursos humanos	spa
dc.subject.lemb	APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)	spa
dc.subject.lemb	CAPITAL HUMANO	spa
dc.subject.lemb	ESTABILIDAD LABORAL	spa
dc.subject.lemb	CIENCIA DE LA INFORMACIÓN	spa
dc.subject.lemb	CAPITAL INTELECTUAL	spa
dc.title	Predicción de rotación de empleados usando modelos de aprendizaje automático
dc.type	info:eu-repo/semantics/masterThesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.local	Tesis de Maestría	spa
dc.type.local	Monografía	spa
dc.type.redcol	http://purl.org/redcol/resource_type/TM
dc.type.version	info:eu-repo/semantics/acceptedVersion
dspace.entity.type	Publication