Suárez Sierra, Biviana MarcelaRomán Calderón, Juan Pablo2023-06-232023http://hdl.handle.net/10784/32615Las 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)spaTodos los derechos reservadosPredicción de rotación de empleadosAprendizaje automáticoLSTMAnalítica de recursos humanosmasterThesisinfo:eu-repo/semantics/openAccessAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)CAPITAL HUMANOESTABILIDAD LABORALCIENCIA DE LA INFORMACIÓNCAPITAL INTELECTUALAcceso abierto2023-06-23Palacio Mesa, Luis Javier006.31 P153