Mineração de dados educacionais para a classificação de perfis de evasão do ensino superior
| dc.contributor.advisor | Ellen Polliana Ramos Souza | |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/6593918610781356 | |
| dc.contributor.author | Rafael Gentil de Barros Santos | |
| dc.contributor.authorLattes | http://lattes.cnpq.br/3501823453025704 | |
| dc.date.accessioned | 2025-07-09T21:00:52Z | |
| dc.date.issued | 2022-08-19 | |
| dc.degree.departament | UAST | |
| dc.degree.graduation | bacharelado em sistemas da informacao | |
| dc.degree.level | bachelor's degree | |
| dc.degree.local | Serra Talhada | |
| dc.description.abstract | A evasão escolar é uma problemática que atinge diversas instituições e é considerada uma grande preocupação para empresários, diretores, pesquisadores, pais e alunos. As perdas ocasionadas pela evasão tanto no setor público como privado, causam ociosidade de professores, funcionários, equipamentos e espaço físico. Este trabalho tem como objetivo desenvolver de um comitê de classificador para realizar a predição dos discentes com possibilidade de evasão. O método CRISP-DM foi usado para entender, preparar e modelar os dados da solução. Para a preparação dos dados, foram utilizadas as ferramentas Pentaho e RapidMiner. A linguagem de programação Python foi utilizada para implementar o comitê de classificador. Como resultados, espera-se ajudar no entendimento do perfil dos discentes com a possibilidade de evasão e como esse fenômeno pode ser evitado pelos gestores das instituições. | |
| dc.description.abstractx | School dropout is a problem that affects several institutions and is considered a major concern for entrepreneurs, directors, researchers, parents and students. The losses caused by evasion in both public and private sectors are a source of idleness for teachers, employees, equipment and physical space. This work aims to develop a classifier committee to perform the prediction of students with the possibility of dropping out. The CRISP-DM method will was used to understand, prepare and model the solution. For data preparation, the Pentaho and RapidMiner tools were used. The Python programming language was used to implement the classifier committee. As a result, it is expected to help in understanding the profile of students with the possibility of dropout and how this phenomenon can be avoided by the managers of the institutions. | |
| dc.format.extent | 27 f. | |
| dc.identifier.citation | SANTOS, Rafael Gentil de Barros. Mineração de dados educacionais para a classificação de perfis de evasão do ensino superior. 2022. 27 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Unidade Acadêmica de Serra Talhada, Universidade Federal Rural de Pernambuco, Serra Talhada, 2022. | |
| dc.identifier.uri | https://arandu.ufrpe.br/handle/123456789/7354 | |
| dc.language.iso | pt_BR | |
| dc.publisher.country | Brazil | |
| dc.publisher.initials | UFRPE | |
| dc.rights | openAccess | |
| dc.rights.license | Attribution-NonCommercial 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | Mineração de dados (Computação) | |
| dc.subject | Dados conectados | |
| dc.subject | Evasão escolar - Ensino superior | |
| dc.title | Mineração de dados educacionais para a classificação de perfis de evasão do ensino superior | |
| dc.type | bachelorThesis |