Öğrenci akademik başarısının tahmin edilmesinde farklı makine öğrenmesi algoritmalarının karşılaştırmalı analizi
Comparative analysis of different machine learning algorithms in prediction of student academic success
- Tez No: 953578
- Danışmanlar: DOÇ. DR. BAHAR DEMİRTÜRK, DOÇ. DR. ONUR UĞURLU
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Engineering Sciences, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Genetik algoritma tekniği, Genetik algoritmalar, Optimizasyon algoritmaları, Parametre optimizasyonu, Yapay zeka ve makine öğrenmesi dersi, Genetic algorithm technique, Genetic algorithms, Optimization algorithms, Parameter optimization, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İzmir Bakırçay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenmesi eğitim alanında, öğrenci akademik başarısının öngörülmesi ve eğitim politikalarının geliştirilmesi açısından önemli katkılar sunmaktadır. Bu çalışma, öğrencilerin akademik başarılarını tahmin etmek için, Karar Ağacı, Rassal Orman, k-En Yakın Komşuluk ve Adaptif Yükseltme algoritmaları kullanılmıştır. Hiper parametre optimizasyonu Genetik Algoritma yöntemiyle gerçekleştirilmiş, model doğruluğu 10 katlı çapraz doğrulama ile test edilmiştir. Çalışmada kullanılan veri seti, Kaggle platformundan alınmış olup, 2392 öğrenciye ait demografik bilgiler, akademik bilgiler, ders katılım oranları ve etkinlik katılım durumları gibi çeşitli değişkenleri içermektedir. Öğrenci başarısını öngörmek için yapılan analizler sonucunda en başarılı model Adaptif Yükseltme olarak belirlenmiş olup, R² değeri 0.937 olarak elde edilmiştir. Rassal Orman'da R², 0.932; KNN'da R², 0.918; Karar Ağacı'nda R²,0.892 değerleri elde edilmiştir. Sonuç olarak, Makine Öğrenmesi algoritmalarında hiper parametre optimizasyonunun model performansını önemli ölçüde arttırdığı, Adaptif Yükseltme ve Rassal Orman algoritmalarının ise diğer yöntemlere kıyasla daha yüksek doğruluk oranları sunduğu gözlemlenmiştir.
Özet (Çeviri)
Machine learning offers significant contributions to the field of education in terms of predicting student academic success and in developing educational policies. In this study, Decision Tree, Random Forest, K-Nearest Neighbors and Adaptive Boosting algorithms are applied to predict students' academic performance. Hyperparameter optimization is performed using a Genetic Algorithm and model accuracy is evaluated with 10-fold cross validation. The dataset used in the study is obtained from the Kaggle platform and includes various variables such as demographic data, academic information, course participation rates and activity participation status of 2392 students. As a result of the analyses conducted to predict student performance, Adaptive Boosting emerges as the most successful model, achieving an R² value of 0.937. R² is 0.932 for Random Forest, 0.918 for KNN, and 0.892 for Decision Tree. Overall, the findings show that hyperparameter optimization significantly enhances model performance, with Adaptive Boosting and Random Forest offering higher prediction accuracy compared to the other methods.
Benzer Tezler
- Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini
Early prediction of student academic performance using deep learning algorithms
AHMET KALA
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN TORKUL
DR. ÖĞR. ÜYESİ TUĞBA YILDIZ
- Işığın madde ile etkileşimi ünitesinde yapay zekâ sisteminin öğrencilerin akademik başarısına etkisi
The effect of artificial intelligence system on the academic success of students in the unit of interaction of light with matter
SİBEL KESLER
Yüksek Lisans
Türkçe
2021
Eğitim ve ÖğretimErzincan Binali Yıldırım ÜniversitesiMatematik ve Fen Bilimleri Eğitimi Ana Bilim Dalı
PROF. DR. PAŞA YALÇIN
DR. ÖĞR. ÜYESİ RECEP ÖZ
- Uzaktan eğitim öğrencilerinin başarılarının FPFS-kNN ile tahmini
Prediction of the success of distance students via FPFS-kNN
SEMA KILIÇ
Yüksek Lisans
Türkçe
2023
İşletmeİstanbul Rumeli Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAMET MEMİŞ
- The roles of parenting practices and school attitudes in academic competence of turkish high school students
Türkiye?de lise öğrencilerinin okul başarılarında ebeveynlik davranışlarının ve öğrencilerin okul tutumlarının rolü
AYŞEGÜL PARMAKSIZOĞLU CEBENOYAN
Yüksek Lisans
İngilizce
2008
Eğitim ve ÖğretimBoğaziçi ÜniversitesiPsikoloji Bölümü
PROF. DR. İ. ERCAN ALP
- PISA 2022 öğrenci anket verileri ile okuma başarısı ve matematik başarısının tahmin edilmesi
Predicting reading achievement and mathematics achievement with PISA 2022 student survey data
SEHER YILMAZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBartın ÜniversitesiBilişim Sistemleri ve Teknolojileri Ana Bilim Dalı
PROF. DR. FATMA GİZEM KARAOĞLAN YILMAZ