Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/27592
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2019_IgorChavesSodre_PedroBorgesPio_tcc.pdf2,28 MBAdobe PDFver/abrir
Título: Visualização exploratória e predição de desempenho de dados educacionais da Universidade de Brasília
Autor(es): Pio, Pedro Borges
Sodré, Igor Chaves
Orientador(es): Borges, Vinicius Ruela Pereira
Assunto: Mineração de dados
Cotas raciais - universidades
Aprendizado de máquina
Data de apresentação: 29-Ago-2019
Data de publicação: 21-Mai-2021
Referência: PIO, Pedro Borges; SODRÉ, Igor Chaves. Visualização exploratória e predição de desempenho de dados educacionais da Universidade de Brasília. 2019. 66 f., il. Trabalho de conclusão de curso (Bacharelado em Ciência da Computação)—Universidade de Brasília, Brasília, 2019.
Resumo: Nas últimas décadas, a quantidade dados educacionais coletados por universidades tem aumen- tado. Com o auxílio das informações passíveis de serem extraídas desses dados, universidades podem melhorar a qualidade de ensino e o desempenho dos estudantes. Técnicas de visual- ização de informação podem ser úteis para a análise desses dados facilitando a descoberta de padrões e auxiliando universidades a tomar decisões. Em 2004, a Universidade de Brasília (UnB) começou a implementar um sistema de co- tas raciais no ingresso dos estudantes, separando parte das vagas para estudantes negros. A quantidade de dados gerados, referentes a esses estudantes nos últimos 15 anos, torna possível realizar uma comparação entre os estudantes cotistas de forma quantitativa e verificar diferenças em seus rendimentos acadêmicos. Neste trabalho, por meio da visualização exploratória foi realizada uma comparação entre os alunos cotistas e não cotistas da UnB. Técnicas de redução de dimensionalidade como PCA e t-SNE foram utilizadas para facilitar a visualização e separação dos estudantes em grupos. Uma ferramenta de visualização interativa também foi construída para prover informações de acordo com a necessidade do usuário. Além disso, foi desenvolvido um modelo de predição, utilizando os algoritmos K-NN e Gradient Boosting, para prever os alunos que estão com maior risco de abandonar o curso, provendo assim informações para a universidade, se possível.
Abstract: In recent decades the amount of educational data collected by universities has increased. With the help of information that can be extracted from this data, universities can improve teach- ing quality and student performance. Information visualization techniques can be useful for analyzing this data by facilitating pattern discovery and helping universities make decisions. In 2004, the University of Brasilia (UnB) began implementing a quota system for student admission, separating part of the vacancies for black students. The amount of data generated for these students over the last 15 years makes it possible to perform a quantitative comparison between quota students and verify differences in their academic achievement. In this study, through visual data mining, a comparison between the quota and non-quota students was performed at UnB. Dimensionality reduction techniques such as PCA and t-SNE were used to facilitate visualization and separation of students into groups. An interactive vi- sualization tool has also been built to provide information according to the user’s need. In addition, a prediction model has been developed using the K-NN and Gradient Boosting to pre- dict students who are most likely to drop out, thus providing information to the university and, if possible, to avoid dropout.
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.