Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/5532
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorLima, Helen de Cássia Sousa da Costapt_BR
dc.contributor.authorMartins, Matheus Augusto Figueiredo-
dc.date.accessioned2023-05-08T19:10:02Z-
dc.date.available2023-05-08T19:10:02Z-
dc.date.issued2023pt_BR
dc.identifier.citationMARTINS, Matheus Augusto Figueiredo. Análise e caracterização de padrões de escolha de disciplinas do curso de Engenharia de Computação do ICEA para recomendação de matrículas semestrais. 2023. 61 f. Monografia (Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2023.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/5532-
dc.description.abstractEste trabalho apresenta uma metodologia capaz de identificar o perfil de disciplinas cursadas pelos discentes do curso de Engenharia da Computação (EC) do Instituto de Ciências Exatas e Aplicadas (ICEA), através da utilização de tarefas e técnicas de Mineração de Dados. O presente trabalho foi modelado baseado no histórico escolar dos alunos diplomados e evadidos de tal modo a diferir as estratégias de escolha e desempenho entre esses grupos de alunos. Para evidenciar os fatos mencionados, foi utilizado o Algoritmo Apriori para a Extração de Regras de Associação baseado nas disciplinas cursadas pelos discentes. Os resultados mostram-se bastante promissores ao identificar de forma sucinta regras capazes de levar os alunos ao sucesso acadêmico bem como a evasão. Para o grupo de diplomados, diferentes regras foram geradas envolvendo as disciplinas, como por exemplo o adiantamento de algumas disciplinas como Fundamentos de Ciência do Ambiente e Compiladores nos períodos finais. Essas regras resultam em uma diversidade maior de caminhos a serem percorridos para atingir o objetivo. Entretanto para os discentes que optaram pela evasão, essa comportamento pode ser observado a partir de quando a reprovação na disciplina Cálculo Diferencial e Integral I implica a reprovação em Geometria Analítica e Álgebra Linear com confiança superior à 50% para os quatro primeiros períodos do curso.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAlgorítmospt_BR
dc.subjectEvasão universitáriapt_BR
dc.subjectFrequência universitáriapt_BR
dc.subjectMineração de dados - computaçãopt_BR
dc.subjectUniversidades e faculdades - currículospt_BR
dc.titleAnálise e caracterização de padrões de escolha de disciplinas do curso de Engenharia de Computação do ICEA para recomendação de matrículas semestrais.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeLima, Helen de Cássia Sousa da Costapt_BR
dc.contributor.refereeRibeiro, Filipe Nunespt_BR
dc.contributor.refereeFonseca, George Henrique Godim dapt_BR
dc.description.abstractenThis work presents a methodology capable of identifying the profile of disciplines taken by students of the Engenharia da Computação (EC) course at Instituto de Ciências Exatas e Aplicadas (ICEA), through the use of Data Mining tasks and techniques. The present work was modeled based on the academic history of graduated and dropped out students in such a way as to differ the choice and performance strategies between these groups of students. To highlight the mentioned facts, the Apriori Algorithm was used for the Extraction of Rules of Association based on the disciplines studied by the students. The results are very promising when they succinctly identify rules capable of leading students to academics as well as evasion. For the group of graduates, different rules were generated involving disciplines, such as the advancement of some disciplines such as Fundamentals of Environmental Science and Compilers in the final periods. These rules result in a greater diversity of paths to be taken to reach the goal. However, for students who choose to drop out, this behavior can be observed when failure in Differential and Integral Calculus implies failure in Analytical Geometry and Linear Algebra with confidence greater than 50% for the first four periods of the course.pt_BR
dc.contributor.authorID15.2.8142pt_BR
Aparece nas coleções:Engenharia de Computação - JMV

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AnáliseCaracterizaçãoPadrões.pdf1,4 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons