Divulgação - Defesa Nº 269

Aluno: Messias Rafael Batista

Título: “Otimização de Hiperparâmetros com PSO para Modelos de Machine Learning na Previsão da Performance de Estudantes em Concursos Educacionais”

Orientadora: Roberta Andrade de Araújo Fagundes (PPGEC)

Examinador Externo: José Adson Oliveira Guedes da Cunha (UFPB)

Examinador Interno: Carlo Marcelo Revoredo (PPGEC)

Data-hora: 28 de Abril de 2023, às 14:30h.
Local: Formato Presencial - Mini-Auditorio do PPGEC


Resumo:

         A capacidade dos estudantes de aumentar sua performance em concursos propostos é um fator crítico para o desenvolvimento educacional das nações. O tema da performance dos estudantes é recorrente no campo de estudos da regressão, que utiliza o machine learning como ferramenta para compreender quais atributos podem influenciar com maior grau a performance dos estudantes em avaliações. Neste contexto, este trabalho visa contribuir para a proposta de um modelo de machine learning que possa ampliar a capacidade preditiva das instituições educacionais em relação ao desempenho dos estudantes em concursos educacionais internacionais. O objetivo central deste estudo é comparar a performance entre diferentes modelos de machine learning na resolução do problema de previsão da performance de estudantes em concursos educacionais internacionais, utilizando a base de dados do PISA 2018. Além disso, será realizada uma revisão sistemática da literatura para evidenciar a contribuição científica da área. Como contribuição para o campo de pesquisa, este trabalho propõe a aplicação da otimização de hiperparâmetros com algoritmos baseados em enxames, especificamente o Particle Swarm Optimization. Espera-se que os resultados deste estudo possam contribuir para o desenvolvimento de estratégias mais eficazes de intervenção educacional e, assim, melhorar a performance dos estudantes em concursos educacionais internacionais. Além disso, espera-se que a aplicação da otimização de hiperparâmetros com algoritmos baseados em enxames possa levar a melhorias significativas na precisão das previsões em relação a outras técnicas de otimização de hiperparâmetros utilizadas na literatura.

Go to top Menú