As instituições públicas de ensino superior do Brasil enfrentam taxas de evasão anual preocupantes. Torna-se de extrema importância, então, o reconhecimento do perfil de alunos com maior probabilidade de evadir, levando em consideração características dos estudantes e das universidades em que eles se encontram matriculados, para que planos de medidas públicas sejam construídos de maneira a reduzir estas taxas. Nesse contexto, o presente trabalho tem como objetivo a identificação dos padrões característicos de alunos com maior tendência a abandonar o ensino público superior, assim como a identificação dos atributos mais determinantes nestes padrões. Para isso, foram aplicadas cinco técnicas de aprendizado de máquina nos dados de educação superior do INEP (Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira): Naive Bayes, K-Nearest Neighbors, Árvores de Decisão, Random Forest e Redes Neurais. Dentre elas, o melhor resultado foi obtido pela técnica Random Forest, que alcançou uma taxa de acerto de aproximadamente 80% das previsões de evasão. O modelo construído indicou que algumas das características mais determinantes na evasão de um aluno são a idade, a participação em atividades extracurriculares e a carga horária total do curso. A principal contribuição do presente trabalho vem na forma da identificação das variáveis mais importantes para a previsão de evasão. Espera-se que os resultados aqui apresentados possibilitem o desenvolvimento de estratégias de redução de evasão focadas no suporte a estudantes que se encontram nos padrões característicos identificados.

Com a expansão do mercado imobiliário na Região Serrana do estado do Rio de Janeiro, uma parcela cada vez maior da população precisa tratar com a compra e venda de imóveis. Porém, a avaliação justa de uma unidade imobiliária não é uma tarefa simples e pode ser influenciada por diferentes atributos da edificação. Com o propósito de auxiliar nessa incumbência, o presente trabalho tem como objetivo identificar as características mais importantes na avaliação de um imóvel nessa região e, em seguida, propor um modelo matemático simples capaz de estimar o seu valor de mercado. Para isso, informações sobre valores de comercialização e detalhes construtivos de casas e apartamentos à venda na cidade de Nova Friburgo foram extraídos de portais de anúncios online, formando uma base única de dados imobiliários, sobre a qual foram, posteriormente, aplicadas técnicas de seleção de variáveis e regressão linear múltipla para a obtenção do modelo pretendido. Os resultados obtidos revelaram que a característica de maior influência na determinação do preço de compra e venda de um imóvel na região é a sua área construída. Por outro lado, o modelo matemático construído foi capaz de estimar os preços de comercialização de uma propriedade com aproximadamente 25% de desvio percentual médio da base de testes.