Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı

Yıl 2022, , 295 - 304, 10.11.2021

Mustafa Servet Kıran , Eyüp Sıramkaya , Engin Eşme

https://doi.org/10.17341/gazimmfd.890180

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

Aşırı öğrenme makinesi, Çoklu aşırı öğrenme makinesi, Yapay arı kolonisi, bütünleme sınavı

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.
• 9. Zong, W.W., G.B. Huang, and Y.Q. Chen, Weighted extreme learning machine for imbalance learning. Neurocomputing, 2013. 101: p. 229-242.
• 10. Balasundaram, S., D. Gupta, and Kapil, 1-Norm extreme learning machine for regression and multiclass classification using Newton method. Neurocomputing, 2014. 128: p. 4-14.
• 11. Musikawan, P., et al., Improved Convex Incremental Extreme Learning Machine Based on Ridgelet and PSO Algorithm. 2016 13th International Joint Conference on Computer Science and Software Engineering (Jcsse), 2016: p. 189-194.
• 12. Zong, W.W. and G.B. Huang, Face recognition based on extreme learning machine. Neurocomputing, 2011. 74(16): p. 2541-2551.
• 13. Zong, W.W., et al., Face Recognition Based on Kernelized Extreme Learning Machine. Autonomous and Intelligent Systems, 2011. 6752: p. 263-272.
• 14. Mohammed, A.A., et al., Human face recognition based on multidimensional PCA and extreme learning machine. Pattern Recognition, 2011. 44(10-11): p. 2588-2597.
• 15. Ucar, A., Color Face Recognition Based on Steerable Pyramid Transform and Extreme Learning Machines. Scientific World Journal, 2014.
• 16. Ray, P. and D. Mishra, Application of extreme learning machine for underground cable fault location. International Transactions on Electrical Energy Systems, 2015. 25(12): p. 3227-3247.
• 17. Sokolov-Mladenovic, S., et al., Economic growth forecasting by artificial neural network with extreme learning machine based on trade, import and export parameters. Computers in Human Behavior, 2016. 65: p. 43-45.
• 18. Kuang, Y.X., et al., Extreme learning machine classification method for lower limb movement recognition. Cluster Computing-the Journal of Networks Software Tools and Applications, 2017. 20(4): p. 3051-3059.
• 19. Razavi-Far, R., et al., Extreme Learning Machine Based Prognostics of Battery Life. International Journal on Artificial Intelligence Tools, 2018. 27(8).
• 20. Cao, J., et al., Voting based extreme learning machine. Information Sciences, 2012. 185(1): p. 66-77.
• 21. Karaboga, D. and B. Basturk, A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimization, 2007. 39(3): p. 459-471.
• 22. Huang, G.-B., Q.-Y. Zhu, and C.-K. Siew. Extreme learning machine: a new learning scheme of feedforward neural networks. in 2004 IEEE international joint conference on neural networks (IEEE Cat. No. 04CH37541). 2004. IEEE.