Makine Öğrenmesi Modelleri ile Ön lisans Öğrencilerinin Hangi Lise Türünden Mezun Olduklarının Tahmin Edilmesi
Abstract
Çalışmanın kapsamını, makine öğrenmesinde sık kullanılan algoritmalardan olan; tree, random forest, logistic regression ve linear regression teknikleri ile iki ayrı sınıftan oluşan öğrenci grubunun hangi lise türünden mezun olduklarına yönelik tahminde bulunma örneği oluşturmaktadır. Ön lisans elektronik ve otomasyon bölümünde okuyan bu öğrenci sınıflarından ilki elektronik haberleşme teknolojisi diğeri ise elektronik teknolojisi programı sınıfıdır. Sınıflandırmada belirleyici rol üstlenen beş ders seçilmiştir. Bu derslerden bazıları lise eğitiminde ortak görülen dersler olurken bazıları ise meslek lisesinin elektrik elektronik programlarında okutulan meslek derslerden oluşmaktadır. Örnek uygulamada öncelikle algoritma davranış farklılıklarının gözlemlenmesi hedeflenmiştir ve buna ek olarak da öğrencilerin farklı liselerden gelmiş olmaları bir kısım derste kendini başarı/başarısızlık olarak ortaya çıkarıyor mu? Sorunsalına cevap bulmaktır.
Keywords
Makine Öğrenmesi, Random Forest Algoritması, Lojistik Regresyon Algoritması, Tree Algoritma
Project Number
4165
References
- [1] M. Gök, “Makine Öğrenmesi Yöntemleri ile Akademik Başarının Tahmin Edilmesi,” Gazi Üniversitesi Fen Bilimleri Dergisi, c. 5, s. 3, ss. 139-148, 2017.
- [2] D. Şengür, “Öğrencilerin Akademik Başarılarının Veri Madenciliği Metotları ile Tahmini,” Doktora Tezi, Bilgisayar ve Öğretim Teknolojileri Eğitimi Anabilim Dalı, Eğitim Bilimleri Enstitüsü, Fırat Üniversitesi, Elazığ, Türkiye, 2013.
- [3] T.C. Hakyemez, “İlk Yıl Öğrencilerinin Akademik Performansına Etki Eden Faktörlerin Araştırılması ve Bu Faktörlere Bağlı Olarak Başarılarının Tahminine Yönelik Bir Karar Destek Sistemi Tasarım,” Yüksek Lisans Tezi, Yönetim Bilişim Sistemleri Anabilim Dalı, Sosyal Bilimler Enstitüsü, Sakarya Üniversitesi, Sakarya, Türkiye, 2015.
- [4] Ş. Özdemir, “Eğitimde Veri Madenciliği ve Öğrenci Akademik Başarı Öngörüsüne İlişkin Bir Uygulama,” Yüksek Lisans Tezi, Enformatik Anabilim Dalı, Fen Bilimleri Enstitüsü, İstanbul Üniversitesi, İstanbul, Türkiye, 2016.
- [5] Z. A. Pardos, N. T. Heffernan, & B. Anderson, C. L. Heffernan, “Using Fine-Grained Skill Models to Fit Student Performance with Bayesian Networks”, Proceedings of the Workshop in Educational Data Mining held at the 8th International Conference on Intelligent Tutoring Systems, Taiwan, 2006.
- [6] P. Cortez & A. Silva, “Using Data Mining To Predict Secondary School Student Performance”, Proceddings of 5th Annual Future Business Technology Conference, Porto, Portugal, 2008, pp. 5-12.