Bilgisayar mühendisliği mezunlarına yönelik makine öğrenmesi tabanlı kişiselleştirilmiş kariyer öneri platformu (WEB-MÖS) tasarımı ve geliştirilmesi

Bu çalışmada, bilgisayar mühendisliği öğrencilerinin akademik profillerine ve teknolojik ilgi alanlarına göre kişiselleştirilmiş kariyer önerileri sunan web tabanlı bir akıllı sistem tasarlanmış ve geliştirilmiştir. Proje, iki farklı makine öğrenmesi modellemesi yaklaşımını karşılaştırmalı olarak analiz etmektedir. İlk aşamada (Model-1), tamamen kurallara dayalı üretilen yapay bir veri setiyle eğitilen modellerin, 50 kişilik gerçek öğrenci verisi üzerinde test edildiğinde genelleme başarımının sınırlı kaldığı ve en yüksek %52 (Lojistik Regresyon) doğruluk oranına ulaştığı tespit edilmiştir. Bu genelleme problemini aşmak amacıyla geliştirilen ikinci aşamada (Model-2) ise, 50 kişilik gerçek veri setini temel alan ve bu verileri sınıf-spesifik CTGAN (Conditional Tabular Generative Adversarial Network) tekniği ile zenginleştiren hibrit bir veri çoğaltma (data augmentation) stratejisi uygulanmıştır. Bu yöntemle oluşturulan sentetik ağırlıklı hibrit veri setiyle eğitilen Rastgele Orman (Random Forest), Gradyan Artırma (Gradient Boosting) ve Destek Vektör Makinesi (Support Vector Machine) gibi modeller, test setinde %97'nin üzerinde bir doğruluk oranına ulaşmıştır. Bu sonuç, az sayıda gerçek veriden yola çıkarak CTGAN ile yapılan veri çoğaltmanın, modelin öğrenme kapasitesini ve tahmin gücünü belirgin şekilde artırdığını doğrulamıştır. Sistemin canlıya alınması amacıyla Python Flask ile geliştirilen web uygulaması (WEB-MÖS), anlık tahmin sunmanın yanı sıra, Google Sheets API entegrasyonu sayesinde kullanıcı geri bildirimlerini toplayarak modelin periyodik olarak yeniden eğitilmesine olanak tanıyan dinamik bir yapıya sahiptir. Bu bütüncül yaklaşım, bilgisayar mühendisliği eğitimi alanında öğrencilere veri odaklı rehberlik sunan etkili bir kariyer öneri sistemi prototipi sunmaktadır.