Makine Öğrenme Tekniklerini Kullanarak Öğrencinin Akademik Performansinin Tahmin Edilmesi

Abstract

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.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.