ANALYSIS OF THE COURSE CONTENTS OF STATISTICS AT BACHELORS LEVEL IN TURKEY WITH DATA MINING TECHNIQUES

Öz

Today, with development of technology, it is take noticed that there is a rapid increase in the amount and diversity of data. Data increases are large and complex data sets. Data mining can easily analyze these large and complex data sets with data mining methods to reveal useful information.In this study, Çukurova University Department of Statistics and other universities with statistics department were compared and data mining methods were analyzed.In the analyzes; The relation ship between the statistical sections was examined. However, it is aimed to determine the courses that should be taken together in statistics departments with data mining. In this application, cluster mining and association rules analysis, one of the data mining methods, were used. The similarities of the universities with statistical departments were shown by clustering analysis. The association rules analysis was used to determine which courses should be taken together in the curriculum of the departments of statistics. KNIME datamining program was used for analysis. Clustering analysis indicated that Çukurova University Department of Statistics and 19 other universities with statistics department were similar to each other. As a result of the association rules analysis; There are 21 association rules. By examining these rules; It has been determined that the major courses required in the undergraduate programs of the department of statistics should be Introductionto Probability, Mathematics 1, Combinatorics, Actuarial Models, Linear Algebra 1 and Linear Algebra 2.

Anahtar Kelimeler

• Data Mining,Statistics,Course Contents

TÜRKİYE’DE LİSANS DÜZEYİNDEKİ İSTATİSTİK DERS İÇERİKLERİNİN VERİ MADENCİLİĞİ YÖNTEMLERİ İLE ANALİZİ

Öz

Günümüzde teknolojinin gelişmesi ile birlikte veri miktarlarında ve çeşitliliğinde hızlı artışların olduğu gözlenmektedir. Veri artışları büyük ve karmaşık veri kümelerini oluşturmaktadır. Veri madenciliği, büyük ve karmaşık olan bu veri kümelerini veri madenciliği yöntemleri ile kolay bir şekilde analiz ederek yararlı olan anlamlı bilgilerin ortaya çıkarılmasını sağlamaktadır. Bu çalışmada, Çukurova Üniversitesi İstatistik Bölümü ile istatistik bölümü bulunan diğer üniversitelerin lisans programlarında yer alan derslerin ders içerikleri karşılaştırılmıştır ve veri madenciliği yöntemleri ile analizleri yapılmıştır. Yapılan analizlerde; istatistik bölümlerinin birbirleri ile olan ilişkileri ve istatistik bölümlerinde birlikte alınması gereken derslerin veri madenciliği ile belirlenmesi amaçlanmıştır. Uygulamada veri madenciliği yöntemlerinden kümeleme analizi ve birliktelik kuralları analizi kullanılmıştır. İstatistik bölümleri bulunan üniversitelerin birbirleri ile olan benzerlikleri kümeleme analizi ile gösterilmiştir. İstatistik bölümlerinin ders programlarında hangi derslerin birlikte alınması gerektiğini belirlemek için ise birliktelik kuralları analizi kullanılmıştır. Analizler için KNIME veri madenciliği programı kullanılmıştır. Kümeleme analizi, Çukurova Üniversitesi İstatistik Bölümü ile istatistik bölümüne sahip diğer 19 üniversitenin birbirlerine benzerlik gösterdiğini ifade etmiştir. Birliktelik kuralları analizi sonucunda ise; 21 tane birliktelik kuralı oluşmuştur. Bu kurallar incelenerek; istatistik bölümünün lisans programlarında bulunması gereken önemli derslerin Olasılığa Giriş, Matematik 1, Kombinatorik, Aktüerya Modelleri, Lineer Cebir 1 ve Lineer Cebir 2 olması gerektiği tespit edilmiştir.

Anahtar Kelimeler

• Veri Madenciliği,istatistik,ders içeriği

Kaynakça

1. Agrawal, R. ve Srikant, R. (1994), Fast Algorithms for Mining Association Rules in Large Databases.Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile, 487-499.
2. Altunkaynak, B. (2017), Veri Madenciliği ve R Uygulamaları. Seçkin Yayıncılık, Ankara.
3. Bilen, H. (2009). Bankacılık Sektöründe Personel Seçimi ve Performans Değerlendirilmesine İlişkin Veri Madenciliği Uygulaması. Yüksek Lisans Tezi, Gazi Üniversitesi, Ankara, 10.
4. Bilen, Ö., Hotaman, D., Aşkın E., Ö., Büyüklü H., A., (2014). LYS Başarılarına Göre Okul Performanslarının Eğitsel Veri Madenciliği Teknikleriyle İncelenmesi: 2011 İstanbul Örneği. Eğitim ve Bilim, 39(172), 78-94.
5. Bilgin, T. T. (2009), Veri Akışı Diyagramları Tabanlı Veri Madenciliği Araçları ve Yazılım Geliştirme Ortamları, 11.Akademik Bilişim Konferansı, Şanlıurfa, 807-814.
6. Darko Dukic, Kat I Penny, (2011), Analysis of Crotian and Scoottish Students Attitudes towards e-learning, ITI 2011 33rd International Conference on Information Technology Interfaces, Cavtat, Croatia, June 27-30.
7. Delevari N, Beikzadeh M.R. (2008), Data Mining Application in Higher Learning Institutions, Informatics in Education, 7(1), 31-54.
8. Döşlü, A. (2008), Veri Madenciliğinde Market Sepet Analizi ve Birliktelik Kurallarının Belirlenmesi, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, İstanbul, 100.

9. Güven, B. Z. (2016), Türk Üniversitelerindeki Bilgisayar Mühendisliği Bölümleri Müfredatları Kullanılarak Veri Madenciliği Uygulaması Gerçekleştirilmesi, Yüksek Lisans Tezi, Maltepe Üniversitesi, İstanbul, 68.
10. Han, J. and Kamber, M., (2006), Data Mining Concepts and Techniques. Morgan Kaufmann, 770.
11. Kabra, R.R. and Bichkar, R. S. (2011), Performance Prediction of Engineering Students using Desicion Trees, International Journal of Computer Applications (0975-8887), 36(11).
12. Kılıçer, S. (2018), Veri Madenciliği ile Türkiye’deki ve Avrupa Birliği Ülkelerindeki Bilgisayar Mühendisliği Bölümleri Ders İçeriklerinin Karşılaştırılması. Yüksek Lisans Tezi, İstanbul Üniversitesi, İstanbul, 103.
13. Liao, S. H. and Wen, C. H. (2007), Artificial Neural Networks Classification and Clustering of Methodologies and Applications–Literature Analysis from 1995 to 2005, Expert Systems with Applications, 32(1-11).