dc.contributor.advisor | Kutzke, Alexander Robert, 1986- | pt_BR |
dc.contributor.other | Universidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Curso de Especialização em Inteligência Artificial Aplicada | pt_BR |
dc.creator | Pinto, Camila Scotti | pt_BR |
dc.date.accessioned | 2023-12-15T13:35:33Z | |
dc.date.available | 2023-12-15T13:35:33Z | |
dc.date.issued | 2022 | pt_BR |
dc.identifier.uri | https://hdl.handle.net/1884/85453 | |
dc.description | Orientador: Alexander Robert Kutzke | pt_BR |
dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada. | pt_BR |
dc.description | Inclui referências: p. 22-23. | pt_BR |
dc.description.abstract | Resumo: Recentemente, tem havido um aumento no uso de ferramentas de data mining na extraçao de informações relevantes de bases de dado educacionais, sendo que tal processo recebe o nome de Educational Data Mining. Considerando a grande incidência de evasão nas universidades públicas brasileiras, existe uma grande importˆancia na identificação precoce de alunos que possu'issem um risco de evasão. Tendo em vista o grande efeito de reprovações no aumento da probabilidade de evasão, este artigo traz a comparação de diferentes abordagens na identificação de alunos que possuem o maior risco de reprovar em determinada disciplina. Os seguintes métodos foram implementados em uma base real de alunos da UFPR: Support Vector Machines, Redes Neurais Profundas e Random Forests. Todos os algoritmos foram testados em uma base contendo unicamente os dados de histórico acadêmico e outra contendo os dados de histórico e dados socioeconômicos a fim de identificar as vari'aveis de maior relevância para o aumento no risco de reprovação. De todos os métodos mostrados, o Random Forest utilizando dados de histórico escolar e dados socioeconômicos mostrou a melhor performance para o problema apresentado. | pt_BR |
dc.format.extent | 1 recurso online : PDF. | pt_BR |
dc.format.mimetype | application/pdf | pt_BR |
dc.language | Português | pt_BR |
dc.subject | Aprendizado do computador | pt_BR |
dc.subject | Desempenho - Educação | pt_BR |
dc.subject | Mineração de dados (Computação) | pt_BR |
dc.subject | Redes neurais (Computação) | pt_BR |
dc.title | Algoritmo de predição de desempenho de alunos do curso de análise e desenvolvimento de sistemas baseado no histórico acadêmico e dados sociodemográficos | pt_BR |
dc.type | TCC Especialização Digital | pt_BR |