Preditor de desempenho de estudantes do curso de Matemática Industrial/UFG via redes neurais MLP e SOM

Abstract

Neste trabalho, utiliza-se técnicas de Mineração de Dados Educacionais baseadas na combinação de métodos de aprendizado de máquina supervisionado e não supervisionado pelos métodos de Redes Neurais Artificiais do tipo Multilayer Perceptron (MLP) e Mapas Autoorganizáveis de Kohonen (SOM), respectivamente, para o desenvolvimento de uma ferramenta capaz de classificar o desempenho acadêmico de estudantes a partir de notas em disciplinas da grade curricular do curso presencial de Bacharelado em Matemática Industrial. A ferramenta desenvolvida para classificação dos estudantes, com os dados utilizados neste trabalho, obteve com precisão a previsão do desempenho acadêmico, possibilitando que os gestores do curso possam utilizá-la como método auxiliador de tomada de decisões