Bütünleme sınavına girecek öğrenci sayılarının aşırı öğrenme makinesi tabanlı yaklaşımlar ile tahmin edilmesi

Bütünleme sınavları genel sınavlar neticesinde başarısız olan öğrencilerin girebileceği bir ek genel sınavdır ve ülkemizde bu sınavlar farklı üniversitelerce uygulanmaktadır. Bütünleme sınavlarında elde edilen puan genel sınav puanı olarak değerlendirilmekte olup öğrencinin dersi başarıp başaramadığının değerlendirilmesi amacıyla genel sınavlardan sonra yapılmaktadır. Derslerden elde edilen notlara veya ağırlıklı not ortalamalarına bağlı olarak bir öğrenci, dersin bütünlemesine kalmasına rağmen bütünleme sınavına girmeyebilmektedir. Sınava girmeyecek öğrencilerin önceden belirlenmediği durumlarda bütünlemeye kalan tüm öğrencilerin sınava gireceği varsayımıyla sınav çizelgesi oluşturulmakta ve soru kâğıtları çoğaltılmaktadır. Bunun neticesinde ise hem emek israfı (gözetmenlerin sınavlara gönderilmesi) hem de kâğıt ve toner gibi kırtasiye malzemelerinin verimsiz kullanılması ortaya çıkmaktadır. Bu israfları önlemek amacıyla bu tez çalışmasında her bir öğrenciye ait kişisel olmayan veriler Konya Teknik Üniversitesi Etik Kurulu'ndan alınan bir izinle toplanmış ve sınava girilmesine etki eden özellikler (mesafe, cinsiyet, genel ağırlıklı not ortalaması, dönem not ortalaması, dersin ara sınav notu, genel sınav notu vb.) çıkarılmıştır. Bunun sonucunda farklı derslere ait veriler kullanılarak veri setleri oluşturulmuş ve deneysel çalışmalarda kullanılmıştır. Bu veri kümelerindeki her bir kaydın bütünleme sınavına girip girmeyeceği sınıflandırma problemi olarak ele alınmış ve aşırı öğrenme makinesi tabanlı yaklaşımlar uygulanmıştır. Deneysel çalışmalarda ilk olarak problemin literatüre tanıtılması amacıyla temel aşırı öğrenme makinesi uygulaması yapılmıştır. Elde edilen sonuçlar sürü zekâsı algoritmaları ve hatanın geri yayılım algoritması ile eğitilmiş yapay sinir ağlarının eğitim ve test doğruluklarının karşılaştırması da bu çalışmada sunulmuştur. Elde edilen sonuçlar hatanın geri yayılım algoritması ile eğitimin yüksek başarı göstermesine karşın test başarısın da hem sürü zekâsı algoritmalarının hem de önerilen yaklaşımın daha iyi olduğunu göstermiştir. Daha sonraki deneysel çalışmalar ise yapay arı kolonisi ile optimize edilmiş aşırı öğrenme makinesinin bu veri setleri üzerindeki performans araştırmasını içermektedir. Bu çalışmada birden fazla aşırı öğrenme makinesinin gizli katman nöron sayısı ve kullanılan aktivasyon fonksiyonlarının belirlenmesi amacıyla yapay arı kolonisi algoritması önerilmektedir. Önerilen yaklaşımlar ve elde edilen sonuçlar genel olarak değerlendirildiğinde bütünlemeye girecek öğrenci sayısının belirlenmesi israfın önlenmesinde etkilidir ve bu sınıflandırma problemi için yapay sinir ağı tabanlı yaklaşımlar kabul edilebilir performans sunmaktadır.