Bilgisayar mühendisliği bölümü için makine öğrenme algoritmaları ile kariyer tahmini ve açıklanabilir yapay zeka ile değerlendirilmesi
Prediction with machine learning algorithms for computer engineering department and evaluation with explainable artificial intelligence
- Tez No: 974207
- Danışmanlar: DR. ÖĞR. ÜYESİ CEVRİYE ALTINTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında bilgisayar mühendisliği alanındaki bireylerin sahip oldukları teknik yeterliliklere ve akademik performanslarına göre hangi mesleki alanda çalışabileceklerinin makine öğrenmesi ile tahmin edilmesi amaçlanmıştır. Çalışmaya özgü oluşturulan veri kümesi genel not ortalaması, staj alanı, proje bilgisi, veri tabanı bilgisi ve Python, Java, C#, C++ gibi programlama dillerine ilişkin seviyeleri içeren 174 kayıttan oluşmaktadır. Veri ön işleme sürecinde kategorik veriler sayısallaştırılmış ve veri kümesi modellemeye hazır hâle getirilmiştir. Model seçiminde LazyClassifier kullanılarak birçok sınıflandırma algoritma karşılaştırılmış ve en yüksek doğruluğu gösteren sekiz model sınıflandırma için seçilmiştir. Sekiz model ortak veri kümesi kullanılarak GridSearchCV ile hiperparametre optimizasyonu yapılarak eğitilmiştir. Optimum hiperparametreler ile elde edilen sonuçlar doğruluk, kesinlik, duyarlılık ve F1 skor metrikleri ile performansı değerlendirilmiştir. Sonuç olarak sınıflandırma modellerinden en yüksek doğruluk %97 ile Gradient Boosting'dan elde edilmiştir. Modelin kararlarını yorumlayabilmek amacıyla SHAP ve LIME algoritmaları kullanılmıştır. SHAP analizleri sınıf bazında hangi proje ve ilgili alanın karar üzerindeki etkisini gösterirken, LIME analizleri ise veri tabanı ve programlama dili için karar gerekçelerini açıklamıştır. Sonuçlar tahminlerin yalnızca isabetli değil aynı zamanda açıklanabilir olduğunu ortaya koymuştur. Geliştirilen model kariyer yönlendirme, personel yerleştirme ve eğitim planlaması gibi alanlarda etkili biçimde kullanılabilecek potansiyele sahiptir.
Özet (Çeviri)
This thesis study aims to predict the professional fields in which individuals in computer engineering can work, based on their technical competencies and academic performance, through machine learning. A custom dataset comprising 174 records was constructed, including variables such as grade point average (GPA), internship domain, project experience, database knowledge, and proficiency levels in programming languages such as Python, Java, C#, and C++. During the data preprocessing phase, categorical variables were encoded, and the dataset was prepared for modeling. For model selection, multiple classification algorithms were compared using LazyClassifier, and the top eight models exhibiting the highest accuracy were selected for further analysis. These models were trained on a shared dataset with hyperparameter optimization performed via GridSearchCV. Performance was evaluated using metrics including accuracy, precision, recall, and F1-score. The results demonstrated that the Gradient Boosting algorithm achieved the highest accuracy of 97%. To interpret the model's decision-making process, SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations) algorithms were employed. SHAP analyses highlighted the influence of specific projects and relevant domains on class-specific decisions, while LIME elucidated the rationale behind decisions related to database and programming language proficiencies. The findings indicate that the predictions are not only accurate but also interpretable. The developed model holds potential for effective application in career guidance, personnel placement, and educational planning.
Benzer Tezler
- Modeling educational data with machine learning methods
Eğitim verilerinin makine oğrenmesi algoritmaları kullanılarak modellenmesi
AYŞE İLKNUR DİLEK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- A unified deep learning framework for scalable learning and uncertainty quantification in interval Type-2 fuzzy logic systems
Aralık Tip-2 bulanık mantık sistemlerinde ölçeklenebilir öğrenme ve belirsizlik nicelendirmesi için derin öğrenme tabanlı birleştirilmiş bir çerçeve
ATA KÖKLÜ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Sahne analizi için ses kaynağı tespiti
Sound source identification for scene analysis
İSMAİL İREN SALTALI
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE