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: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İZMİR BAKIRÇAY ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: 66
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
- Makine öğrenimi algoritmalarını kullanarak öğrenci akademik performans tahmini
Student academic performance prediction using machine learning algorithms
AIGERIM SULTANALI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. HASAN ÇAKIR
- Yapay zeka yöntemleri ile uzaktan eğitimdeki sorunların tespiti ve öğrencilerin akademik performanslarının tahmin edilmesi
Detecting the problems in distance education and predicting the academic performance of students by using artificial intelligence methods
HALİT IRMAK
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. ZÜMRÜT ECEVİT SATI
- Sosyo-ekonomik değişkenlerin yükseköğretim öğrencilerinin akademik başarısı üzerindeki etkisi
The effect of socioeconomic variables on the academic success of higher education students
GÖKHAN POLAT
Yüksek Lisans
Türkçe
2008
Eğitim ve ÖğretimSüleyman Demirel ÜniversitesiEğitim Bilimleri Bölümü
YRD. DOÇ. DR. EKBER TOMUL
- 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