Utilize este link para identificar ou citar este item:
https://bdm.unb.br/handle/10483/24527
| Título: | Algoritmos de mineração de dados para análise de evasão na graduação da Universidade de Brasília |
| Autor(es): | Gramacho, Wladimir Ganzelevitch Mesquita |
| Orientador(es): | Ramos, Guilherme Novaes |
| Assunto: | Mineração de dados
Aprendizado de máquina
Evasão universitária
Universidade de Brasília (UnB) |
| Data de apresentação: | 4-Dez-2019 |
| Data de publicação: | 22-Jul-2020 |
| Referência: | GRAMACHO, Wladimir Ganzelevitch Mesquita. Algoritmos de mineração de dados para análise de evasão na graduação da universidade de Brasília. 2019. 55 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação)—Universidade de Brasília, Brasília, 2019. |
| Resumo: | A evasão de estudantes nas universidades tem sido motivo de muita discussão e análise. Nas universidades públicas, as perdas de estudantes que iniciam mas não terminam seus cursos são desperdícios de recursos públicos: sociais, acadêmicos e econômicos. Identificar estudantes em risco de evasão pode auxiliar na prevenção desse problema. Este trabalho tem o intuito de avaliar a aplicação de métodos de Mineração de Dados e Aprendizagem de Máquina para predição de risco de evasão na Universidade de Brasília. Seguindo a metodologia Knowledge Discovery Process, foram obtidos classificadores com sensibilidade de 82% e acurácia de 81%. Além disso, foram geradas regras de associação de alta confiança (chegando até 100% de confiança) que podem ser usadas para a tomada de decisão por gestores dos cursos de graduação. |
| Abstract: | Student dropout at universities has been the subject of much discussion and analysis. In public universities, the loss of students who start but do not finish their courses is a waste of public resources: social, academic and economic. Identifying students at risk of dropout can assist in preventing this problem. This work aims to evaluate the application of Data Mining and Machine Learning methods to predict dropout risk at the University of Brasília. Following the Knowledge Discovery Process methodology, classifiers with a sensitivity of 82% and an accuracy of 81% were obtained. In addition, high confidence association rules (up to 100% in confidence) were generated that can be used for decision making by undergraduate managers. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2019. |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. |
| Aparece na Coleção: | Ciência da Computação
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
