Veri Madenciliği ile Türkiye’deki ve Avrupa Birliği Ülkelerindeki Bilgisayar Mühendisliği Programlarının Karşılaştırılması

Yıl 2021, Sayı: 25, 120 - 130, 31.08.2021

Seda Kılıçer Rüya Şamlı

https://doi.org/10.31590/ejosat.873157

Öz

Veri madenciliği birçok alanda kullanılmaktadır. Veri madenciliği ile amaçlanan insanlar için ilk bakışta bir anlam ifade etmeyen verilerden insanlar için faydalı olabilecek bilgiler elde edilebilmesidir. Bu çalışmada veri madenciliği eğitim alanında kullanılmıştır. Bu çalışmada amaçlanan Türkiye’deki üniversitelerde ve Avrupa Birliği ülkelerindeki üniversitelerde bilgisayar mühendisliği lisans programlarının dersleri veri madenciliği yöntemleriyle sınıflandırılarak birbiriyle karşılaştırılmıştır. Bu karşılaştırma için Türkiye’deki 80 adet üniversitenin bilgisayar mühendisliği lisans ders listeleri ve Türkiye’deki üniversitelerle Erasmus programı anlaşması bulunan Avrupa Birliği ülkelerindeki 29 adet üniversitenin bilgisayar mühendisliği lisans ders listeleri toplanmış ve incelenmiştir. Elde edilen veriler veri madenciliği sınıflandırma algoritmalarından Naive Bayes algoritması ve C4.5 karar ağacı algoritması kullanılarak analiz edilmiştir. Derslerin çeşitliliklerinin incelenebilmesi için dersler “Ağ Güvenlik Dersleri, Bölüm Dışı Seçmeli Dersler, Bölüm İçi Seçmeli Dersler, Donanım Dersleri, Ek Dersler, Matematik Dersleri, Temel Dersler, Yapay Zeka Dersleri, Yazılım Dersleri” olmak üzere 9 tane sınıfa ayrılmıştır. Çalışma sonucunda Türkiye’deki üniversitelerdeki bilgisayar mühendisliği ders çeşitliliğinin Yapay Zeka Dersleri, Ağ Güvenliği Dersleri, Dölüm Dışı Seçmeli Dersler ve Ek Dersler sınıflarında Avrupa Birliği ülkelerindeki üniversitelerin bilgisayar mühendisliği bölümlerindeki ders çeşitlliğinden fazla olduğu; Matematik Dersleri, Donanım Dersleri, Yazılım Dersleri, Bölüm İçi Seçmeli Dersler ve Temel Dersler sınıflarına ait derslerde ise Avrupa Birliği ülkelerindeki bilgisayar mühendisliği bölümlerinden daha az olduğu görülmüştür. Bu çalışmadaki bir diğer incelenen durum ise derslerin kredileri ile AKTS’lerinin kıyaslanmasıdır. Türkiye’deki bilgisayar mühendisliği lisans programlarından ve Avrupa’daki bilgisayar mühendisliği lisans programlarından veri elde edilirken derslerin kredi ve AKTS miktarındaki farklılık dikkat çekmiştir. Bu sebeple belirlenen ders sınıflarına göre kredi ortalamaları hesaplanarak Türkiye’deki derslerin kredi ortalamaları ile Avrupa’daki derslerin kredi ortalamaları karşılaştırılmıştır. Bu çalışma ile Erasmus yapan öğrencilerin Avrupa’daki üniversitelerden aldıkları dersleri Türkiye’deki okuduğu üniversitede eşleştirme sırasında yaşadığı zorluğa da dikkat çekmek hedeflenmiştir.

Anahtar Kelimeler

veri madenciliği, karar ağaçları, naive bayes, Eğitim, Bilgisayar Mühendisliği Programı, J48, C4.5

A Comparison of Computer Engineering Programs in Turkey and European Community Countries by Data Mining

Öz

Anahtar Kelimeler

data mining, decision trees, naive bayes, education, Computer Engineering Program, J48, C4.5

Kaynakça

• Akçapınar, G. (2014). Çevrimiçi Öğrenme Ortamındaki Etkileşim Verilerine Göre Öğrencilerin Akademik Performanslarının Veri Madenciliği Yaklaşımı İle Modellenmesi, Hacettepe Üniversitesi Eğitim Bilimleri Enstitüsü, Doktora Tezi.
• Akgöbek, Ö., Çakır, F., (2009). Veri Madenciliğinde Bir Uzman Sistem Tasarımı, Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı Bildirileri Harran Üniversitesi, Şanlıurfa.
• Alan, M. A. (2012). Veri Madenciliği Ve Lisansüstü Öğrenci Verileri Üzerine Bir Uygulama. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (33), 165-174.
• Alan, M.A. (2014). Karar Ağaçlarıyla Öğrenci Verilerinin Sınıflandırılması. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 28(4), 101-112 . Altınkardeş, A., Erdal, H., Fevzi BABA, F. ve Fak, S.,A. (2012). ABPM Ölçümü olmaksızın karar ağaçları algoritması ile Non- Dipper/Dipper Öngörüsü, 6.Ulusal Tıp Bilişimi Kongresi, Antalya.
• Aydın, S. (2007). Veri Madenciliği Ve Anadolu Üniversitesi Uzaktan Eğitim Sisteminde Bir Uygulama, Anadolu Üniversitesi / Sosyal Bilimler Enstitüsü, Doktora Tezi.
• Ayık, Y. Z., Özdemir, A. ve Yavuz, U. (2007). Lise Türü Ve Lise Mezuniyet Başarısının, Kazanılan Fakülte İle İlişkisinin Veri Madenciliği Tekniği İle Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2), 441-454.
• Baykal, A. (2006). Veri Madenciliği Uygulama Alanları. Dicle Üniversitesi Ziya Gökalp Eğitim Fakültesi Dergisi, 7, 95-107.
• Bırtıl, F. S. (2011). Kız Meslek Lisesi Öğrencilerinin Akademik Başarısızlık Nedenlerinin Veri Madenciliği Tekniği İle Analizi, Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Bilen, Ö., Hotaman, D., Aşkın, Ö. E. ve Büyüklü, A.H. (2014). LYS Başarılarına Göre Okul Performanslarının Eğitsel Veri Madenciliği Teknikleriyle İncelenmesi: 2011 İstanbul Örneği. Eğitim ve Bilim, 39(172), 78-94.
• Çırak, G. ve Çokluk, Ö. (2013). Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay Sinir Ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması. Mediterranean Journal of Humanities, 3(2), 71-79.
• Çoban Budak, E. (2013). Üniversite Öğrencileri İçin Bilgisayar Okuryazarlığını Etkileyen Faktörlerin Etkisinin Veri Madenciliği İle Analizi. AJIT-e-Online Academic Journal Of Information Technology, 4(11), 1-14.
• Çöllüoğlu Gülen, Ö. (2014). Veri Madenciliği Teknikleri İle Üstün Yetenekli Öğrencilerin İlgi Alanlarının Analizi, Gazi Üniversitesi Bilişim Enstitüsü, Doktora Tezi.
• Dener, M., Dörterler, M., Orman, A., (2009,Şubat). Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama”, Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı Bildirileri, Harran Üniversitesi, Şanlıurfa.
• Ekim, U. (2011). Veri Madenciliği Algoritmalarını Kullanarak Öğrenci Verilerinden Birliktelik Kurallarının Çıkarılması. Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Farhad Alam, F. ve Pachauri, S. (2017). Comparative Study of J48, Naive Bayes and One-R Classification Technique for Credit Card Fraud Detection using WEKA. Advances in Computational Sciences and Technology, 10(6 ), 1731-1743.
• Göker, H. (2012). Üniversite Giriş Sınavında Öğrencilerin Başarılarının Veri Madenciliği Yöntemleri İle Tahmin Edilmesi, Gazi Üniversitesi Bilişim Enstitüsü, Yüksek Lisans Tezi.
• Hark, C. (2013). Öğrencilerin Akıllı Tahtaya İlişkin Tutumlarının İncelenmesine Yönelik Bir Veri Madenciliği Uygulaması. Fırat Üniversitesi Eğitim Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Hatipoğlu, B., Aslan, Z., Zontul, M. ve Güneş, A. (2011). Dershane Eğitiminin, Öğrencinin Üniversiteye Yerleşmesindeki Etkisi. İstanbul Aydın Üniversitesi Dergisi, 3(12), 13-50.
• Kılıçer, S., ve Şamlı, R. (2018). Veri Madenciliği ile Türkiye’deki ve Avrupa Birliği Ülkelerindeki Bilgisayar Mühendisliği Bölümleri Ders İçeriklerinin Karşılaştırılması. İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Kilicer, S. Ve Şamlı, R (2018). Comparison of Turkey ad European Union Computer Engineering Programs”, ICATCES – International Conference on Advanced Technologies, Computer Engineering and Science, Karabük/TÜRKİYE
• Kilicer, S. Ve Şamlı, R (2019). Veri Madenciliği İle Türkiye'deki Elektrik Elektronik Mühendisliği Programlarının Karşılaştırılması”, HEZARFEN – International Congress of Science, Mathematics and Engineering Sciences, İzmir/TÜRKİYE
• Kilicer, S. Ve Şamlı, R (2020). Türkiye ve Çin Bilgisayar Mühendisliği Programlarının Karşılaştırılması”, EFIS – Geleceğin Mühendisleri Uluslararası Öğrenci Sempozyumu, Zonguldak/Türkiye
• Kurt, Ç. ve Erdem, O. A. (2012). Öğrenci Başarısını Etkileyen Faktörlerin Veri Madenciliği Yöntemleriyle İncelenmesi. Politeknik Dergisi, 15(2), 111-116.
• Nizam, H., Akın, S.,S.,(2014). Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması, XIX Türkiye'de İnternet Konferansı, Yaşar Üniversitesi, İzmir.
• Özçınar, H. (2006). KPSS sonuçlarının veri madenciliği yöntemleriyle tahmin edilmesi. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Patil, T. Sherekar, S. (2013). Performance Analysis of Naive Bayes and J48 Classification Algorithm for Data Classification. International Journal Of Computer Science And Applications, 6(2), 256-261.
• Savas, S., Topaloglu, N., Yılmaz, M. (2012). Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11(21), 1-23.
• Stolz, H., Lehmann, P., ve Poonnawa, W., (2007). Data Mining with Microsoft SQL Server 2005, International DSI / Asia and Pacific DSI 2007.
• Şengür, D. (2013). Öğrencilerin Akademik Başarılarının Veri Madenciliği Metotları İle Tahmini, Fırat Üniversitesi Eğitim Bilimleri Enstitüsü, Yüksek Lisans Tezi
• Taşdelen, A. (2014). Veri Madenciliği Yöntemleri İle Mühendislik Fakültesi Uzaktan Eğitim Bölümlerinin Analizi: Karabük Üniversitesi Örneği, Karabük Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Yelegin, A. (2012). Mesleki Eğitimde Öğrenci Altyapısının Öğrenci Eğitim Başarısına Etkisinin Veri Madenciliği Yöntemleriyle Ortaya Çıkartılması. Yayınlanmamış Yüksek Lisans Tezi, Beykent Üniversitesi, İstanbul.