Predicting student academic performance using machine learning techniques
Makine öğrenme tekniklerini kullanarak öğrencinin akademik performansinin tahmin edilmesi
- Tez No: 847178
- Danışmanlar: Assoc. Prof. Dr. CANSU ÇİĞDEM EKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Eğitim ve Öğretim, Computer Engineering and Computer Science and Control, Education and Training
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 112
Özet
Son dönemde eğitim sektörü, dünya genelinde insanların en fazla ilgisini çeken sektörlerden biri haline gelmiş ve bu, bu sektöre yatırım yapmak ve gelir elde etmek isteyenler için daha değerli hale gelmiştir. Bu nedenle, bu alanı daha istikrarlı hale getirmek için büyük çaba harcanmaktadır. Öğrenciler, bu alandaki en büyük paydaşlardır ve bu nedenle eğitimde daha fazla dikkat gerektirirler. Tüm üniversiteler, öğrencilerinin memnuniyetini sağlamak ve eğitim kalitesini artırmak için çaba sarf etmektedir. Çünkü eğitim kalitesi, öğrencilerin başarı oranı ve kurumun öğrencilerini elinde tutma yeteneğine bağlıdır. Öğrenci performansını tahmin etmek, başarısızlık riski taşıyan öğrencileri tanımlamanın bir yolu olduğu için yönetim, öğrenci performansını artırmak için kararlar alabilir. Bu analizler, Eğitim Veri Madenciliği (EDM) olarak adlandırılan, sonuçlar üretmek için çok büyük veri kümelerini keşfedebilen Makine Öğrenimi (ML) alt kümesi aracılığıyla gerçekleştirilebilir. Bu çalışmanın ana amacı, en uygun veri madenciliği algoritmalarını kullanarak öğrenci akademik performansını tahmin etmek ve lisans düzeyinde bilgisayar mühendisliği öğrencilerinin performansını etkileyen faktörleri belirlemektir. Öğrenci akademik performansı, Final Notu, Çalışma Süresi ve Bir Sonraki Dönem Ders Notu olmak üzere üç farklı açıdan analiz edilmiştir. Sonuçlarımız, Destek Vektör Makinesi (SVM) ve Karar Ağacı (DT) gibi iki en iyi ML algoritmasının olduğunu göstermektedir ve ayrıca sadece Final Notunun tahminde en değerli faktör olduğunu göstermiştir.
Özet (Çeviri)
Recently education sectors have the most attraction from people all around the world and this make it more valuable for whom wants to invest in this sector and make income. Therefore, there are too much efforts to make this domain more stable. Students are the largest stakeholders in this area, in this reason they need more attention in educational settings. All universities are trying to make their better quality for achieving their students' satisfaction. Because the quality of education is depended on success rate of students and capability of the institute for retaining its students, predicting student's performance is a way to identify the students who are at risk of failure, so management can make decision for improving students' performance. These analyzes can be done EDM (Educational Data Mining) a subset of ML (Machine Learning) that is able to discover very large datasets for producing valuable results. The main purpose of this study is to predict students' academic performance using most accurate data mining algorithms and determine the factors which influence the performance of computer engineering students in undergraduate level. The student academic performances were analyzed in three different aspects as Final Grades, Study Duration, and Next Term Course Grade. Our results shows that SVM (Support Vector Machine) and DT (Decision Tree) are the two best ML algorithms and also, we determined that only Final Course grades are the most valuable factors in prediction.
Benzer Tezler
- Eğitim verileri analizinde regresyon ve sınıflandırma algoritmaları: Öğrenci performansının modellenmesi
Eğitim verileri analizinde regresyon ve sınıflandırma algoritmalari: öğrenci performansinin modellenmesi
ERDAL ÖZKUL
Yüksek Lisans
Türkçe
2024
Bilim ve Teknolojiİstanbul Kültür ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR
- Predicting students' performance using classification algorithms and generative adversarial network
Sınıflandırma algoritmaları ve üretken çatışma ağları kullanarak öğrenci performansını tahmin etmek
AWS MOHAMMED KHUDHUR KHUDHUR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
- SBS sınav sonucu tahmin modeli
SBS exam result prediction model
BOTAN ONAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BİLGE
- Moodle sistemindeki veriler ile makine öğrenmesi algoritmaları kullanılarak öğrencilerin dönem sonu akademik performanslarının tahmin edilmesi
Predicting students academic performance at the end of the semester by using machine learning algorithms with the data in moodle system
BUKET DÖNMEZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL BEYKENT ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EGE KİPMAN
- Estimation of students' performance in distance education using ensemble-based machine learning
Topluluk tabanlı makine öğrenimi kullanılarak öğrencilerin uzaktan eğitimdeki performansının tahmini
ABDULLAH RAED FADHIL AL-SHAIKHLI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT DEMİR