Student performance prediction using deep belief network

Veri madenciliği tekniklerini içeren eğitim araştırması hızla artıyor. Veri madenciliği teknikleri, eğitim geçmişinde gizli bilgi ve öğrenci performans modellerini keşfetmek için eğitim bilgi madenciliği olarak bilinir. Bu çalışma, öngörü için bu çalışmada seçilen UCI (California Irvine Üniversitesi) makine öğrenme veri havuzu için öğrenciye yönelik bir akademik tahmin modeli geliştirmeyi amaçlamaktadır. İç işaretler, katılım işaretlerinin, iki sınavdan alınan ortalama işaretlerin ve ödev işaretlerinin birleşimidir. Öğretmenler bu nedenle öğrencileri sınıflandırabilir ve performanslarını erken bir aşamada tahmin etmeye başlayabilir. Zaman içindeki performansı arttırmak için sistemik yaklaşımlar benimsenebilir. Erken tahminler ve çözümler nedeniyle final sınavlarında daha iyi sonuçlar beklenebilir.