Servicios Personalizados
Revista
Articulo
Indicadores
- Citado por SciELO
- Accesos
Links relacionados
- Citado por Google
- Similares en SciELO
- Similares en Google
Compartir
Revista Facultad de Ingeniería
versión impresa ISSN 0121-1129
Resumen
TERAN-VILLANUEVA, Jesús David et al. Estudo de redes neuronais para o prognóstico da demanda de disciplinas. Rev. Fac. ing. [online]. 2019, vol.28, n.50, pp.34-43. ISSN 0121-1129. https://doi.org/10.19053/01211129.v28.n50.2019.8783.
O planejamento de cursos de um centro educativo ou universidade está composto por múltiplos problemas complexos como é a distribuição de horários para os alunos, salões e professores para cada disciplina. Um dos problemas iniciais é determinar a quantidade de disciplinas que se ofertarão; este problema parece simples à primeira vista já que uma vez que se tenha a informação da quantidade de alunos aprovados para cada disciplina, pode-se calcular facilmente a seguinte demanda de disciplinas. Porém, existem ocasiões nas quais o planejamento de cursos do seguinte período inicia antes de ter a informação relativa à aprovação dos alunos. O que nos leva ao problema do prognóstico das porcentagens de aprovação para calcular a demanda de disciplinas dos alunos. Neste trabalho compara-se o desempenho de modelos causais contra modelos estatísticos para o prognóstico das porcentagens de aprovação e reprovação dos alunos. Os resultados finais mostram uma vantagem importante dos métodos causais sobre os métodos estatísticos para os casos de prova. Consideramos que esta vantagem ocorre devido a que o modelo causal aprende os padrões de comportamento dos dados de treinamento de forma independente em vez de generalizar porcentagens de acreditação. Além disso, o método estatístico pode apresentar problemas importantes ao tratar de prognosticar porcentagens de acreditação para situações que não se encontrem nos dados de treinamento, enquanto que o modelo causal utilizará a informação aprendida para prognosticar tais situações.
Palabras clave : planejamento estratégico; prognóstico de demanda; redes neuronais artificiais.