Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı
Öz
Bütünleme sınavları ara sınavlar ve genel sınavlar neticesinde dersi başaramayan öğrencilerin katıldığı bir sınavdır ve ülkemizde birçok üniversite tarafından uygulanmaktadır. Her ne kadar dersi başaramayan öğrencilerin bu sınavlara katılacağı varsayılsa da öğrencilerin bir kısmı çeşitli içsel (ara sınav notunun çok düşük olması, dersi öğrenme amacıyla yeniden alma isteği, tatil yapma ihtiyacı vb.) ve dışsal motivasyonlarla (memleketi ile üniversite arası mesafe, maddi imkânsızlıklar vb.) bütünleme sınavına katılmamaktadır. Tüm öğrencilerini sınava katılacağı varsayılarak yapılan sınav programları, gözetmen atama ve sınav kâğıdı çoğaltılması gibi süreçler ise maddî israflara neden olmaktadır. Bu çalışmada bütünleme sınavına kalan öğrencilerin bütünleme sınavına katılıp katılmayacağının tespit edilmesi amacıyla aşırı öğrenme makinesi tabanlı bir yaklaşım önerilmiştir. Önerilen yaklaşımda birden fazla aşırı öğrenme makinesi aynı veri setinin belirli bir oranındaki örnekler ile eğitime tabi tutulmuş ve test aşamasında oylama tabanlı bir yaklaşım ile sınıflandırma yapılmıştır. Oylamaya katılacak ELM karar parametrelerinin optimizasyonu ise yapay arı kolonisi algoritması ile sağlanmıştır. Önerilen yöntemlerin eğitimi ve test edilmesi amacıyla ise Konya Teknik Üniversitesi Bilgisayar Mühendisliği Bölümü’nde okutulan 9 adet derse ait veriler toplanmıştır. Ayrıca 9 adet dersin birleşiminden oluşan bir veri kümesi daha oluşturulmuş ve önerilen yöntemin analizi bu 10 veri seti üzerinde yapılmıştır. Deneysel çalışmalarda aşırı öğrenme makinesi ve önerilen yöntemin performansı her ders için ayrı ayrı karşılaştırılmıştır. Önerilen yöntemin performansının sınıflandırma doğruluğu açısından temel aşırı öğrenme makinesinden daha yüksek olduğu gözlemlenmiştir
Anahtar Kelimeler
Kaynakça
- 1. Huang, G.B., Q.Y. Zhu, and C.K. Siew, Extreme learning machine: A new learning scheme of feedforward neural networks. 2004 Ieee International Joint Conference on Neural Networks, Vols 1-4, Proceedings, 2004: p. 985-990.
- 2. Huang, G.-B., Q.-Y. Zhu, and C.-K. Siew, Extreme learning machine: theory and applications. Neurocomputing, 2006. 70(1-3): p. 489-501.
- 3. Moore, E.H., On the reciprocal of the general algebraic matrix. Bull. Am. Math. Soc., 1920. 26: p. 394-395.
- 4. Penrose, R. A generalized inverse for matrices. in Mathematical proceedings of the Cambridge philosophical society. 1955. Cambridge University Press.
- 5. Huang, G.B., L. Chen, and C.K. Siew, Universal approximation using incremental constructive feedforward networks with random hidden nodes. Ieee Transactions on Neural Networks, 2006. 17(4): p. 879-892.
- 6. Huang, G.B. and L. Chen, Convex incremental extreme learning machine. Neurocomputing, 2007. 70(16-18): p. 3056-3062.
- 7. Miche, Y., et al., OP-ELM: Optimally Pruned Extreme Learning Machine. Ieee Transactions on Neural Networks, 2010. 21(1): p. 158-162.
- 8. Huang, G.B., et al., Extreme Learning Machine for Regression and Multiclass Classification. Ieee Transactions on Systems Man and Cybernetics Part B-Cybernetics, 2012. 42(2): p. 513-529.
Ayrıntılar
Birincil Dil
Türkçe
Konular
Mühendislik
Bölüm
Araştırma Makalesi
Yayımlanma Tarihi
10 Kasım 2021
Gönderilme Tarihi
3 Mart 2021
Kabul Tarihi
31 Mayıs 2021
Yayımlandığı Sayı
Yıl 2022 Cilt: 37 Sayı: 1
APA
Kıran, M. S., Sıramkaya, E., & Eşme, E. (2021). Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(1), 295-304. https://doi.org/10.17341/gazimmfd.890180
AMA
1.Kıran MS, Sıramkaya E, Eşme E. Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı. GUMMFD. 2021;37(1):295-304. doi:10.17341/gazimmfd.890180
Chicago
Kıran, Mustafa Servet, Eyüp Sıramkaya, ve Engin Eşme. 2021. “Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 (1): 295-304. https://doi.org/10.17341/gazimmfd.890180.
EndNote
Kıran MS, Sıramkaya E, Eşme E (01 Kasım 2021) Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 1 295–304.
IEEE
[1]M. S. Kıran, E. Sıramkaya, ve E. Eşme, “Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı”, GUMMFD, c. 37, sy 1, ss. 295–304, Kas. 2021, doi: 10.17341/gazimmfd.890180.
ISNAD
Kıran, Mustafa Servet - Sıramkaya, Eyüp - Eşme, Engin. “Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37/1 (01 Kasım 2021): 295-304. https://doi.org/10.17341/gazimmfd.890180.
JAMA
1.Kıran MS, Sıramkaya E, Eşme E. Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı. GUMMFD. 2021;37:295–304.
MLA
Kıran, Mustafa Servet, vd. “Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 37, sy 1, Kasım 2021, ss. 295-04, doi:10.17341/gazimmfd.890180.
Vancouver
1.Mustafa Servet Kıran, Eyüp Sıramkaya, Engin Eşme. Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı. GUMMFD. 01 Kasım 2021;37(1):295-304. doi:10.17341/gazimmfd.890180