Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Bonat, Wagner Hugo, 1985- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
Autor(es): dc.creator | Barbosa, Guilherme Matos | - |
Data de aceite: dc.date.accessioned | 2025-09-01T12:00:35Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T12:00:35Z | - |
Data de envio: dc.date.issued | 2024-02-07 | - |
Data de envio: dc.date.issued | 2024-02-07 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/79916 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/79916 | - |
Descrição: dc.description | Orientador: Prof. Dr. Wagner Hugo Bonat | - |
Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data. | - |
Descrição: dc.description | Inclui referências | - |
Descrição: dc.description | Resumo: A evasão escolar pode ser definida como a descontinuação de um estudante no seu ensino, podendo ocorrer de diferentes formas e, esse fenômeno, está cada vez mais presente no cenário do ensino superior. Torna-se importante então buscar maneiras de reduzir a taxa de evasão. As técnicas de aprendizagem de máquina permitem identificar padrões e gerar modelos computacionais que podem predizer se um aluno será um evasor. Este trabalho usou modelos de classificação de árvore de decisão e randon forest para predizer quais alunos estão em risco de evasão, assim como identificar os atributos mais determinantes utilizando dados do SIGA (Sistema de Gestão Acadêmica) da Universidade Federal do Paraná, que contempla informações sobre matrícula, cursos, professores, disciplinas, frequências, notas, entre outras. As variáveis mais significativas foram índice de rendimento acadêmico, carga curricular e setor de estudo. O melhor resultado de predição foi obtido pelo algoritmo randon forest com uma acurácia de 0,78 e AUC de 0,87. | - |
Descrição: dc.description | Abstract: School dropout can be defined as the discontinuation of a student’s education, which can occur in different ways, and this phenomenon is increasingly present in the higher education scenario. It is therefore important to look for ways to reduce the dropout rate. Machine learning techniques allow us to identify patterns and generate computational models that can predict whether a student will be a truant. This work used decision tree and randon forest classification models to predict which students are at risk of dropping out, as well as to identify the most determinant attributes using data from SIGA (Academic Management System) of the Federal University of Paraná, which includes information about enrollment, courses, professors, subjects, frequencies, grades, among others. The most significant variables were academic performance index, course load, and study sector. The best prediction result was obtained by the randon forest algorithm with an accuracy of 0.78 and AUC of 0.87. | - |
Formato: dc.format | 1 recurso online : PDF. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Evasão escolar | - |
Palavras-chave: dc.subject | Mineração de dados (Computação) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Título: dc.title | Árvore de decisão aplicado a evasão escolar | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: