Estudo e implementação de algoritmos de aprendizagem de máquina supervisionado para a realização de processo de descoberta de conhecimento na base de dados do SIGAA-UFPI
Resumo
Este artigo propõe uma aplicação de métodos de aprendizagem de máquina supervisionado para identificar e prever o desempenho acadêmico de alunos da Universidade Federal do Piauí (UFPI). Através de um algoritmo de árvore de decisão, foi encontrado perfis de alunos relacionados a seus desempenhos acadêmicos.
Referências
BOENT, A.N.P; GOLDSCHIMIDT, R.R; ESTRELA, V.V. Uma metodologia de suporte ao processo de conhecimento em bases de dados. In V SIMPÓSIO DE EXCELÊNCIA EM GESTÃO E TECNOLOGIA, 2008. Resende (RJ). Disponível em: www.boente.eti.br/publica/seget2008kdd.pdf. Acesso em: 19 ago. 2019.
FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. (1996). From Data Mining to Knowledge in Databases. AI Magazine, Menlo Park, v.17, n.3, mar. 1996. Disponível em: https://www.aaai.org/ojs/index.php/aimagazine/article/view/1230. Acesso em: 19 ago. 2019.
GOLDSCHMIDT, R. R.; PASSOS, E. Data Mining: Um Guia Prático. Rio de Janeiro: Elsevier, 2005.
GÉRON, A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: CONCEPTS, TOOLS, AND TECHNIQUES TO BUILD INTELLINGENT SYSTEMS. 1. Ed. Sebastopol: O’Reilly Media, 2017.
HAN, J.; KAMBER, M.; PEI, J. DATA MINING: Concepts and Techniques. 3. ed. Waltham: Elsevier, 2012.
SILVA, A. M. L. Descoberta de Conhecimento através de Métodos de Aprendizagem de Máquina Simbólicos aplicados ao Ensino a Distância da Universidade Federal do Piauí. 2018. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal do Piauí, Teresina, 2018. Disponível em: http://repositorio.ufpi.br/xmlui/bitstream/handle/123456789/1506/Descoberta%20de %20Conhecimento%20atrav%C3%A9s%20de%20M%C3%A9todos%20de%20Aprendizagem%20de%20M%C3%A1quina%20Simb%C3%B3licos%20aplicados%20ao%20.pdf?sequence=1. Acesso em: 19 ago. 2019.
SILVA, A. M. L, et. al. DESCOBERTA DE CONHECIMENTO ATRAVÉS DE MÉTODOS DE APRENDIZAGEM DE MÁQUINA SUPERVISIONADOS APLICADOS AO SIGAA/UFPI. Revista de Sistemas e Computação, Salvador, v.7, n.1, jan/jun. 2017. Disponível em: https://revistas.unifacs.br/index.php/rsc/article/view/4953. Acesso em: 19 ago. 2019.
FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. (1996). From Data Mining to Knowledge in Databases. AI Magazine, Menlo Park, v.17, n.3, mar. 1996. Disponível em: https://www.aaai.org/ojs/index.php/aimagazine/article/view/1230. Acesso em: 19 ago. 2019.
GOLDSCHMIDT, R. R.; PASSOS, E. Data Mining: Um Guia Prático. Rio de Janeiro: Elsevier, 2005.
GÉRON, A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: CONCEPTS, TOOLS, AND TECHNIQUES TO BUILD INTELLINGENT SYSTEMS. 1. Ed. Sebastopol: O’Reilly Media, 2017.
HAN, J.; KAMBER, M.; PEI, J. DATA MINING: Concepts and Techniques. 3. ed. Waltham: Elsevier, 2012.
SILVA, A. M. L. Descoberta de Conhecimento através de Métodos de Aprendizagem de Máquina Simbólicos aplicados ao Ensino a Distância da Universidade Federal do Piauí. 2018. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal do Piauí, Teresina, 2018. Disponível em: http://repositorio.ufpi.br/xmlui/bitstream/handle/123456789/1506/Descoberta%20de %20Conhecimento%20atrav%C3%A9s%20de%20M%C3%A9todos%20de%20Aprendizagem%20de%20M%C3%A1quina%20Simb%C3%B3licos%20aplicados%20ao%20.pdf?sequence=1. Acesso em: 19 ago. 2019.
SILVA, A. M. L, et. al. DESCOBERTA DE CONHECIMENTO ATRAVÉS DE MÉTODOS DE APRENDIZAGEM DE MÁQUINA SUPERVISIONADOS APLICADOS AO SIGAA/UFPI. Revista de Sistemas e Computação, Salvador, v.7, n.1, jan/jun. 2017. Disponível em: https://revistas.unifacs.br/index.php/rsc/article/view/4953. Acesso em: 19 ago. 2019.
Publicado
26/12/2019
Como Citar
DA SILVA, Pedro Antonio F.; CAMINHA, Felipe B.; BASÍLIO, Arthur C. ; MACHADO, Vinícius P. .
Estudo e implementação de algoritmos de aprendizagem de máquina supervisionado para a realização de processo de descoberta de conhecimento na base de dados do SIGAA-UFPI. In: ESCOLA REGIONAL DE COMPUTAÇÃO APLICADA À SAÚDE (ERCAS), 7. , 2019, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 97-102.
