Geri Dön

Student academic performance prediction via artificial intelligence using machine learning algorithms

Makine öğrenmesi algoritmalarını kullanarak yapay zeka yoluyla öğrenci akademik performans tahmini

  1. Tez No: 703366
  2. Yazar: HATİCE NAZLI BASTEM
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ROYA CHOUPANI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 68

Özet

Öğrencilerin okuldaki akademik başarıları hem öğrenciler hem öğretmenler hem de aileler tarafından önemsenmektedir. Bu nedenle performans tahmini, öğrencinin yaşamında önemli bir rol oynamaktadır. Performans tahmini ile başarısız öğrenciler başarılarını artırmaya yönlendirilebilir, çalışma programları oluşturulabilir, destekleyici ders kaynakları önerilebilir veya seçmeli dersler seçilebilir. Bu çalışmada öğrencinin akademik başarısı makine öğrenmesi yöntemleri ile tahmin edilebilmektedir. Bu çalışmada, Kaggle web sitesinden Portekiz'deki iki okuldan öğrencilerin bilgilerinden toplanan veri seti kullanılmıştır. Performans tahmini yapmak için üç farklı algoritma kullandık. Bunlar Karar Ağacı, Rastgele Orman ve Lojistik Regresyondur. Veri setinin %30'u test verisi olarak kullanılmıştır. Kalan %70'lik veri ise eğitim verisi olarak kullanılmıştır. Üç algoritma kullanılarak, karışıklık matrisi, doğruluk, geri çağırma, kesinlik ve auc değerleri elde edilir. Hangi algoritmanın hangi miktarda veri üzerinde daha başarılı olduğu sonucuna varılmıştır. Karar ağacı algoritması, 649 öğrenci verisi için maksimum derinlik 2 değeri ile en iyi doğruluk oranını verir. Rastgele orman algoritması, 649 öğrenci verisi ile en iyi doğruluğu verir. Lojistik regresyon algoritması, 395 öğrenci verisi ile en iyi doğruluğu verir.

Özet (Çeviri)

The academic success of students in schools is valued by both students, teachers, and families. For this reason, performance prediction plays a significant role in students' life. With performance prediction, unsuccessful students can be directed to increase their success, study programs can be created, supportive course resources can be suggested, or elective courses can be selected. In this study, the academic success of the student can be predicted with machine learning methods. This study made use of dataset collected from student's knowledge from two schools in Portugal from Kaggle web site. We used three different algorithms to make performance prediction. These are Decision Tree, Random Forest and Logistic Regression. 30% of the dataset was used as test data. The remaining 70% data was used as training data. By using three algorithms, the confusion matrix, accuracy, recall, precision and auc values are obtained. It has been concluded that which algorithm is more successful on which amount of data. decision tree algorithm gives the best accuracy rate with max depth 2 value with 649 student data. The random forest algorithm gives the best accuracy with 649 student data. The logistic regression algorithm gives the best accuracy with 395 student data.

Benzer Tezler

  1. Çevrimiçi öğrenme ortamındaki etkileşim verilerine göre öğrencilerin akademik performanslarının veri madenciliği yaklaşımı ile modellenmesi

    A data mining approach to students' academic performance modeling in online learning environment based on their interaction data

    GÖKHAN AKÇAPINAR

    Doktora

    Türkçe

    Türkçe

    2014

    Eğitim ve ÖğretimHacettepe Üniversitesi

    Bilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı

    PROF. DR. ARİF ALTUN

  2. Eğitimde veri madenciliği ve öğrenci akademik başarı öngörüsüne ilişkin bir uygulama

    Educational data mining and an application related to prediction of student academic success

    ŞEBNEM ÖZDEMİR

    Doktora

    Türkçe

    Türkçe

    2016

    Bilim ve Teknolojiİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    PROF. DR. MEHMET ERDAL BALABAN

  3. Uzaktan eğitim öğrencilerinin başarılarının fpfs-knn ile tahmini

    Prediction of the success of distance students via fpfs-knn

    SEMA KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Rumeli Üniversitesi

    İşletme Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SAMET MEMİŞ

  4. Lise öğrencilerinde okul tükenmişliğine ilişkin bir modelin sınanması ve sınıf tekrarını yordama düzeyinin incelenmesi

    Testing of a model on the school burnout among high school students and exploring the model's prediction level of grade retention

    ZEKERİYA ÇAM

    Doktora

    Türkçe

    Türkçe

    2016

    Eğitim ve ÖğretimAnkara Üniversitesi

    Eğitimde Psikolojik Hizmetler Ana Bilim Dalı

    PROF. DR. SELAHİDDİN ÖĞÜLMÜŞ

  5. İkinci dil olarak Türkçe öğretiminde uzaktan eğitimle dinleme stratejilerinin öğretimi

    Teaching listening strategies with distance education in teaching Turkish as a second language

    AYŞEGÜL SEFER

    Doktora

    Türkçe

    Türkçe

    2021

    Eğitim ve ÖğretimMarmara Üniversitesi

    Türkçe ve Sosyal Bilimler Eğitimi Ana Bilim Dalı

    DOÇ. DR. AHMET BENZER