Biblioteca Digital de Teses e Dissertações PÓS-GRADUAÇÃO SCTRICTO SENSU Programa de Mestrado Profissional em Matemática em Rede Nacional
Use este identificador para citar ou linkar para este item: http://bdtd.uftm.edu.br/handle/tede/882
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCAETANO, Natalia Gonçalves-
dc.creator.ID06605913671por
dc.contributor.advisor1LEMES, Leandro Cruvinel-
dc.contributor.advisor1ID07074594601por
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5865049926600585por
dc.date.accessioned2019-10-16T18:53:29Z-
dc.date.issued2016-07-29-
dc.identifier.citationCAETANO, Natalia Gonçalves. Classificação de estudantes através de árvores de decisão via Python e RapidMiner. 2016. 71f . Dissertação (Mestrado em Matemática) - Programa de Mestrado Profissional em Matemática em Rede Nacional, Universidade Federal do Triângulo Mineiro, Uberaba, 2016 .por
dc.identifier.urihttp://bdtd.uftm.edu.br/handle/tede/882-
dc.description.resumoMineração de dados educacionais é uma área de pesquisa que utiliza ferramentas de mineração de dados para interpretar dados nos contextos educacionais. Neste trabalho, utiliza-se a mineração de dados para classificar alunos de acordo com o nível de conhecimento com base em notas e atividades anteriores. No estudo, usa-se dados reais para construção de modelos através do algoritmo de árvore de decisão com o objetivo de avaliar regras de classificação para intervenções didáticas e pedagógicas. A partir dos modelos criados, extraiu-se informações relevantes para previsão de resultados finais e identificação de pontos importantes no desenvolvimento do plano de ensino e aprendizagem dos alunos.por
dc.description.abstractEducational data mining - EDM is a research field concerned with data mining tools for data analisys over educational datasets. The purpose at this work is to use data mining to classify students according to their knowledge level based in their past grades and activities. We use real data to construct decision tree models with purpose of test classification rules for didactic and pedagogical interventions. Considering the created models, relevant information for student's final result predictions and for important points on teaching and learning process development identifications was obtained.eng
dc.formatapplication/pdf*
dc.thumbnail.urlhttp://bdtd.uftm.edu.br/retrieve/5928/Dissert%20Natalia%20G%20Caetano.pdf.jpg*
dc.languageporpor
dc.publisherUniversidade Federal do Triângulo Mineiropor
dc.publisher.departmentInstituto de Ciências Exatas, Naturais e Educação - ICENE::Curso de Licenciatura em Matemáticapor
dc.publisher.countryBrasilpor
dc.publisher.initialsUFTMpor
dc.publisher.programPrograma de Mestrado Profissional em Matemática em Rede Nacionalpor
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/-
dc.subjectMineração de dados.por
dc.subjectData mining.eng
dc.subjectÁrvore de decisão.por
dc.subjectClassificação.por
dc.subjectPython.por
dc.subjectRapidminer.por
dc.subjectDecision Tree.eng
dc.subjectClassification.eng
dc.subjectPython.eng
dc.subjectRapidminer.eng
dc.subject.cnpqAnálise de Dados.por
dc.titleClassificação de estudantes através de árvores de decisão via Python e RapidMinerpor
dc.typeDissertaçãopor
Aparece nas coleções:Programa de Mestrado Profissional em Matemática em Rede Nacional

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissert Natalia G Caetano.pdfDissert Natalia G Caetano1,96 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons