Akademik başarının eğitsel veri madenciliği ve makine öğrenmesi teknikleri kullanılarak tahminlenmesi

Makine öğrenmesi, bir bilgisayarın, verileri analiz etmek, modeller oluşturmak ve kararlar vermek için öğrenmesini sağlayan bir yapay zekâ alanıdır. Pek çok alanda yaygın olarak kullanılan makine öğrenmesinin yaygın olarak kullanıldığı alanlardan biri de eğitimdir. Eğitimde makine öğrenmesi kullanımının birçok faydası vardır. Makine öğrenmesi, öğrencilerin öğrenme ihtiyaçlarına uygun olarak kişiselleştirilmiş öğrenme deneyimleri sunabilir. Öğrenci performansı, öğretmen geribildirimi ve diğer ölçümler gibi birçok veriyi analiz edebilir. Bu verilerin analizi, öğretmenlere öğrencilerin ne kadar iyi öğrendiğini anlamalarına ve öğrencilerin daha iyi öğrenmelerine yardımcı olacak öğrenme stratejilerini geliştirmelerine olanak tanır. Öğrencilerin başarı düzeylerini analiz ederek, öğretmenlere öğrencilerin neleri anladığını ve neleri anlamadığı konusunda yol gösterici olabilir. Öğrenci performansını izlemek ve öğretmenlerin değerlendirme yapmasına yardımcı olmak için birçok süreci otomatikleştirir. Bu sayede eğitimde maliyet tasarrufu sağlanabilir. Ayrıca öğretmenlerin daha iyi ders planları oluşturmalarına yardımcı olabilir ve öğrencilere daha etkili öğrenme materyalleri sunabilir. Bu sebeplerden dolayı, makine öğrenmesi eğitimde yaygın olarak kullanılmaktadır ve gelecekte daha da yaygınlaşması beklenmektedir. Bu tez çalışmasının amacı; çevrimiçi açık ders veri seti üzerinde, farklı makine öğrenmesi algoritmalarını kullanarak, öğrencilerin akademik başarılarını tahmin etmek ve başarıya etki eden parametreleri belirlemektir. Çalışmada kitlesel çevrimiçi açık ders veri seti kullanılmıştır. Veri seti üzerinde öznitelik seçimi yapılarak akademik başarı üzerinde en fazla etkiye sahip değişkenler tespit edilmiş olup modellemede bu nitelikler kullanılmıştır. Hedef niteliğin sınıflandırılması amacı ile Lojistik Regresyon, Linear Diskriminant Analizi, Rastgele Orman, K-En Yakın Komşu, Karar Ağaçları, Destek Vektör Makineleri ve Naive Bayes olmak üzere 7 adet makine öğrenmesi algoritması uygulanmış ve modellerin başarı performansları karşılaştırılmıştır. Model performans değerlendirmesi sonuçlarına göre en başarılı model Rastgele Orman algoritması olarak belirlenmiştir. Öğrencilerin final sonucu başarıyı en fazla etkileyen öznitelik olarak tespit edilmiştir.