Makine öğrenmesi ile lise öğrencilerine mesleki alan seçim rehberi

Yapay zekâ insanların beynini taklit ederek ve geri bildirimlere göre kendini sürekli yenileyerek geliştiren bir sistemdir. Bu sistem her geçen gün insan hayatında daha büyük bir yer edinmektedir. Bunun sebebi; yazılım içeren teknolojik araçlarda yapay zekâ sistemleri bulunduğunda çevre ile iletişimin üst düzeye çıkması bu sayede de geri bildirimler alabilmesi, sonuç olarak da bu araçların işlevinin artmasıdır. Makine öğrenmesi kavramı yapay zekânın bir uygulama alanıdır ve endüstri içerisinde kullanımı yaygındır. Makine öğrenmesinin kullanılabilmesi için gereken en önemli araç anlamlı bir veridir. Makine öğrenmesi yöntemleriyle, veri üzerinde ile insan gözünün yakalayamadığı ilişkiler ve sonuçlar çıkartılabilir. Buradan çıkan sonuçlar ile de ilgili problem alanı özelinde iyileştirmeler yapılabilir. Eğitim kurumları verinin muazzam boyutlarda bulunduğu kurumlardır. Ancak ülkemizde bu veriler henüz pek kullanılmamaktadır. Bu tezin konusu bu sebeple eğitim alanında seçilmiştir. Makine öğrenmesi yardımıyla lise öğrencilerinin 4 sene boyunca derslerde aldıkları notlar ve bir takım başka bilgileri ile seçtikleri üniversite bölümleri arasında korelasyon olabileceği düşünülmüştür. Bu motivasyonla Millî Eğitim Bakanlığı'ndan gerekli izinler alınarak önceki senelerde mezun olmuş lise öğrencilerinin bilgisi toplanmıştır. Toplam 447 gözlem birimi oluşturulmuştur. Bu öğrencilerin seçtikleri toplam bölüm sayısı 43 olarak belirlenmiştir. Gözlem birimlerinin bağımlı değişkendeki sınıf sayısına oranı düşük olduğundan dolayı benzer bölümler birleştirilerek yeni bağımlı değişkenler oluşturulmuştur. Sonuç olarak veri seti üzerinde tekrarlanan deneyler için 43, 23, 9 ve 6 sınıf içeren etiketleme yaklaşımları ele alınmaktadır. Bununla birlikte veri seti üzerinde her bir etiket için 10 makine öğrenmesi algoritması test edilmektedir. İlk etiketleme yaklaşımında %43, 2. yaklaşımda %53, 4. yaklaşımda %75 başarı oranı ile XGBoost çok başarılı sonuçlar vermektedir. 3. etiketleme yaklaşımında ise en başarılı sonucu %65 ile KNN vermektedir. Çalışmada elde edilen sonuçlara göre veri setindeki gözlem birimleri önemli ölçüde arttırılırsa bölümlerin gruplandırılarak yeni etiketler oluşturulmasına gerek kalmayacağı ve tahminlerdeki başarıların önemli ölçüde artacağı ortaya konmaktadır.