Akademik Veri Yönetim Sistemi
Yükseköğretim Kurumları Destekli Proje, 2024 - 2025
Bu çalışmada makine öğrenmesi yöntemleri ile öğrencilerin akademik başarılarını tahmin etmeye yönelik makine öğrenmesi modellemeleri kurularak öğrenci performansı üzerindeki öğrenci demografik öznitelikleri ve öznitelik ağırlıkları incelenecektir. Bu amaçla K- en yakın komşu, naive bayes, rastgele orman, destek vektör makineleri, karar ağaçları, boosting gibi makine öğrenmesi sınıflandırma algoritmaları kullanılarak, UCI Machine Learning Repository sitesinden açık erişim olarak erişilebilen veri seti ile matematiksel modellemeler kurulacak ve ilgili matematiksel modellemelerin sınıflandırma başarısı araştırılacaktır. Izgara taraması ile, kurulan matematiksel modellerin başarısına etki eden hiperparametreler belirlenerek maksimum model başarısı sağlanacaktır. Kullanılacak veri setinde öğrencilere ait demografik bilgiler mevcuttur. Veri seti etiketli veri olup öğrenci başarılarına dair 18 farklı not durumuna göre etiketlenmiştir. Kurulan matematiksel modellemelerde öğrenci başarısı çıktı olarak belirlenerek; kurulan matematiksel modellerde çıktı ve girdi verilerine ait model başarılarının değişimi incelenecek; çıktı bilgileri ile öğrenci demografik bilgilerini içeren öz değişkenler arasındaki ilişki ve bu öznitelik dağılımının öğrenci başarı durumu etkisi incelenecektir. öz niteliklerin öznitelik azaltma yöntemleri ile (denetimli ve denetimsiz yöntemlerle), sınıf etiket sayısının çeşitli tasvir yöntemleri ile azaltılmasının matematiksel model başarısına etkileri gözlenerek başarı durumuna etki eden faktörler araştırılacaktır.