Kısa Sınavların, Ödevlerin ve Projelerin Dönem Sonu Sınavına Olan Etkilerinin Farklı Makine Öğrenmesi Teknikleri ile Araştırılması
Bu çalışma Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü’nde verilen Programlama Dilleri dersi kapsamında yapılan kısa sınavların, ödevlerin ve projelerin dönem sonu sınavına olan etkisini sunar. Bu bağlamda çalışmanın ilk kısmında, öğrenci verilerinden kısa sınav bilgileri ile Lineer Regresyon yöntemi kullanılarak lineer bir model üretilmeye çalışılmış ve dönem sonu sınav notu tahmin edilmeye çalışılmıştır. Çalışmanın ikinci kısmında ise En Yakın Komşu (KNN), Lineer Regresyon, Lojistik Regresyon, Destek Vektör Makineleri (SVM), Lineer Destek Vektör Makineleri ve Çok Katmanlı Algılayıcılar (MLP) makine öğrenmesi yöntemleri kullanılarak kısa sınavların, ödevlerin ve projelerin ayrı ayrı ve birlikte dönem sonu sınav notuna etkisi gösterilmeye çalışılmıştır. Çalışma, kullanılan makine öğrenmesi yöntemlerinin karşılaştırmalı performansını göstermektedir. Deneysel sonuçlar lineer modelimizin iyileştirilmesi gerektiğini belirtirken, sınıflandırma işlemlerinin başarılı bir şekilde elde edildiğini göstermektedir.
Anahtar Kelimeler:
Öğrenci Performans Tahmini, Öğrenci Performansı, Kısa Sınav, Dönem Sonu Sınavı, Makine Öğrenmesi
Analysis of the Effects of Quizzes, Homeworks and Projects on Final Exam with Different Machine Learning Techniques
This study presents the effect of quizzes, assignments and projects on the final exam of the Programming Languages course given in the Department of Computer Engineering at Bilkent University. In this context, in the first part of the study, a linear model is tried to be produced by using the linear regression method from the student data and the final exam grade is estimated. In the second part of the study, K-Nearest Neighbors(KNN), Linear Regression, Logistic Regression, Support Vector Machines(SVM), Linear Support Vector Machinesand Multi-layer Perceptron (MLP) machine learning methods are used to show the effect of quizzes, assignments and projects separately and together on the final exam grade. The study shows the comparative performance of machine learning methods used in the experiment. Experimental results show that our linear model needs to be improved, while classification operations are achieved successfully.
Keywords:
Student performance prediction student performance, quiz, final exam, machine learning, lineer regression,
___
- [1] Rao, K. Prasada, M. C. Rao, and B. Ramesh. “Predicting learning behavior of students using classification techniques”, International Journal of Computer Applications, 139.7: 15-19, 2016.
- [2] Al-Radaideh, Q. A., Al-Shawakfa, E. M. and Al-Najjar, M. I, “Mining student data using decision trees.” International Arab Conference on Information Technology, Yarmouk University, Jordan. 2006.
- [3] Okubo, F., Yamashita, T., Shimada, A., Taniguchi, Y. and Konomi, S., “On the prediction of students’ quiz score by recurrent neural network”, CEUR Workshop Proceedings, 2163, 2018.
- [4] Iqbal, Z., Qadir, J., Mian, A. and Kamiran, F., “Machine Learning Based Student Grade Prediction: A Case Study”, 2017.
- [5] Gadhavi, M. and Chirag, P., “Student final grade prediction based on linear regression.” Indian J. Comput. Sci. Eng. 8.3: 274-279, 2017.
- [6] Yadav, S. K. and Pal, S., “Data mining: A prediction for performance improvement of engineering students using classification”, World of computer science and information technology journal, 2(2), pp. 51-56, 2012.
- [7] Khan, B., Khiyal, M. S. H. and Khattak, M.D., “Final grade prediction of secondary school student using decision tree.”, International Journal of Computer Applications 115.21, 2015.
- [8] Agrawal, H. and Mavani, H., “Student performance prediction using machine learning.” International Journal of Engineering Research and Technology, 4.03: 111-113. 2015.
- [9] Kim, B., Vizitei, E., and Ganapathi, V., “GritNet: Student performance prediction with deep learning.” arXiv preprint arXiv:1804.07405, 2018.
- [10] Pandey, U. K. and Saurabh, P., “Data Mining: A prediction of performer or underperformer using classification.”, International Journal of Computer Science and information technology, 2(2), pp. 686-690, 2011.
- ISSN: 1309-5501
- Yayın Aralığı: Yılda 2 Sayı
- Başlangıç: 2011
- Yayıncı: -