Karani Kardaş, Altay Güvenir

2812

Kısa Sınavların, Ödevlerin ve Projelerin Dönem Sonu Sınavına Olan EtkilerininFarklı 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

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 andprojects on the final exam of the Programming Languagescourse 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 linearregression method from the student data and the final examgrade is estimated. In the second part of the study, K-NearestNeighbors(KNN), Linear Regression, Logistic Regression,Support Vector Machines(SVM), Linear Support VectorMachinesand Multi-layer Perceptron (MLP) machine learningmethods are used to show the effect of quizzes, assignments andprojects separately and together on the final exam grade. Thestudy shows the comparative performance of machine learningmethods used in the experiment. Experimental results show thatour linear model needs to be improved, while classificationoperations are achieved successfully. Keywords: Student performance prediction, studentperformance, quiz, final exam, machine learning, linearregression
PDF

___

  • [1] Rao, K. Prasada, M. C. Rao ve 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. ve 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. ve 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. ve Kamiran, F., “McGraw Hill, 199: A Case Study”, 2017.
  • [5] Udemy, https://www.udemy.com/, [Erişim: 25.05.2020].
  • [6] Gadhavi, M. ve Chirag, P., “Student final grade prediction based on linear regression” Indian J. Comput. Sci. Eng. 8.3: 274-279, 2017.
  • [7] Yadav, S. K. ve 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.
  • [8] Khan, B., Khiyal, M. S. H. ve Khattak, M.D., “Final grade prediction of secondary school student using decision tree.”, International Journal of Computer Applications 115.21, 2015.
  • [9] Agrawal, H. ve Mavani, H., “Student performance prediction using machine learning.” International Journal of Engineering Research and Technology, 4.03: 111-113. 2015.
  • [10] Kim, B., Vizitei, E.ve Ganapathi, V., “GritNet: Student performance prediction with deep learning.” arXiv preprint arXiv:1804.07405, 2018.
  • [11] Pandey, U. K. ve 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.
  • [12] Mitchell, T., “Machine Learning”, McGraw Hill, 1997.
  • [13] Nabıyev, Vasif V., “Yapay zeka: problemler-yöntemleralgoritmalar”, Seçkin Yayıncılık, 2005.
  • [14] Öztemel, E., “Yapay sinir ağları”, Papatya Yayıncılık, İstanbul, 2003.
  • [15] Karakoyun, M. ve Hacıbeyoğlu, M.,“Biyomedikal Veri Kümeleri ile Makine Öğrenmesi SınıflandırmaAlgoritmalarının İstatistiksel Olarak Karşılaştırılması”, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 2014.
  • [16] Liao, Y.ve Vemuri, V. R., “Use of k-nearest neighbor classifier for intrusion detection”, Computers ve security, 21(5), 439-448, 2002.
  • [17] KNN Classifier, https://www.mathworks.com/matlabcentral/fileexchange/6 3621-knn-classifier?focused=7902851&tab=function, [Erişim: 25.05.2020].
  • [18] Seber, G. A.ve Lee, A. J., “Linear regression analysis”, Vol. 329, John Wiley & Sons, 2012.
  • [19] Wright, R. E., “Logistic regression”, 1995.
  • [20] How to do Linear Regression and Logistic Regression in Machine Learning?, https://mlfromscratch.com/machinelearning-introduction-8-linear-regression-and-logisticregression/#/, [Erişim: 25.05.2020].
  • [21] Shawe-Taylor, J. ve Cristianini, N., “Support vector machines. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods”, 93-112, 2000.
  • [22] Support Vector Machines, https://towardsdatascience.com /support-vector-machines-soft-margin-formulation-andkernel-trick-4c9729dc8efe, [Erişim: 25.05.2020].
  • [23] J. A. Freeman ve D. M. Skapura, “Neural Networks Algorithms”, Applications and Programming Techniques. New York, USA: Addison-Wesley Publishing Company, 1991.
  • [24] Multi Layer Perceptron (MLP) Models on Real World Banking Data, https://becominghuman.ai/multi-layerperceptron-mlp-models-on-real-world-banking-dataf6dd3d7e998f, [Erişim: 25.05.2020]
  • [25] Python Programlama Dili, https://www.python.org, [Erişim: 25.05.2020].
  • [26] Anaconda Yazılım Ortamı, https://www.anaconda.com, [Erişim: 25.05.2020
EMO Bilimsel Dergi-Cover
  • ISSN: 1309-5501
  • Yayın Aralığı: Yılda 2 Sayı
  • Başlangıç: 2011
  • Yayıncı: -
Arşiv
Sayıdaki Diğer Makaleler

Serbest Uzay Optik Haberleşme Sistemlerinde Turbo Çarpım Kodların Performans Analizi

Mert BAYRAKTAR

Türkiye’de Yenilenebilir Enerji Uygulamaları, Mevcut Durum ve GelecekÖngörüleri

Ahmet Yıldız, Önder Özgener, Leyla Özgener

Türk Kahvesi Pişirme Süreci İçin Algılayıcı Tabanlı BirKontrol Yöntemi

Arda Dönerkayalı, Türker Türker

Kısa Sınavların, Ödevlerin ve Projelerin Dönem Sonu Sınavına Olan EtkilerininFarklı Makine Öğrenmesi Teknikleri ile Araştırılması

Karani Kardaş, Altay Güvenir

Bir Fazlı Şebeke Etkileşimli Eviricide LCL Filtre Parametre Değerlerinin veSeri Sönümleme Direnç Değerinin Değişim Etkisi

Akif Karafil