Este documento resume um projeto de previsão de aprovação acadêmica de alunos utilizando dados históricos. Ele descreve os atributos previsores coletados, como idade, desempenho em disciplinas anteriores e características dos cursos. Também analisa a relevância desses atributos e compara os resultados de dois algoritmos de classificação na previsão da situação final dos alunos. Por fim, discute desafios e possíveis melhorias no sistema de recomendação de disciplinas.

1. Previsor de Aprovação Henrique Dias [email_address]

4. Atributos Previsores Idade Classe Sexo I1 I2 I3 I4 I5 I6 I7 Etapa TRM TIM Créditos Caráter Docente Disciplina Semestre Total de Créditos Saúde Carga Horária Trabalho Clima Férias Vestibular Redação Repetência Histórico Motivação Conceito Situação

5. Atributos Previsores Idade Classe Sexo I1 I2 I3 I4 I5 I6 I7 Etapa TRM TIM Créditos Caráter Docente Disciplina Semestre Total de Créditos Saúde Carga Horária Trabalho Clima Férias Vestibular Redação Repetência Histórico Motivação Conceito Situação

9. Relacão dos Dados (TIM x I3)

10. Resultados Meta.ClassificationViaRegression TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.269 0.003 0.75 0.269 0.396 0.799 Afastado 0.922 0.474 0.84 0.922 0.879 0.857 Aprovado 0 0 0 0 0 0.387 Cancelado 0.507 0.09 0.635 0.507 0.564 0.843 Reprovado Lazy.KStar TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.821 0.007 0.797 0.821 0.809 0.996 Afastado 0.888 0.39 0.86 0.888 0.874 0.85 Aprovado 0 0.001 0 0 0 0.457 Cancelado 0.558 0.107 0.617 0.558 0.586 0.838 Reprovado

11. Análise de Erros

15. Muito Obrigado! Dúvidas? Sugestão de leitura: Super Crunchers, Ian Ayres