AI Summary & Key Takeaways
AI InsightK-nearest neighbor (KNN), Decision tree (KA), Naive Bayes (NB), Random forest (RO), Support vector machine (DVM), Logistic regression (LR), Linear Discriminant Analysis (LDA) The highest accuracy was obtained with the DVM algorithm as a result of the classification processes made with the method and 5-fold cross-validation.
📌 3 Key Takeaways
Abstract
Machine learning, a sub-branch of artificial intelligence, is a computer science branch that is rapidly gaining popularity in the field of education. The evaluation phase, which is the step of determining student development in education, the effect of educational programs, and the effectiveness of teaching methods, is of great importance. Machine learning, which enables the production of meaningful results from data stacks belonging to students, is guiding in the evaluation phase. In this study, the publicly shared “Students Performance in Exams” data set was used. Machine learning-based classifications were carried out to predict student success on the data set consisting of 8 attributes containing information about students. K-nearest neighbor (KNN), Decision tree (KA), Naive Bayes (NB), Random forest (RO), Support vector machine (DVM), Logistic regression (LR), Linear Discriminant Analysis (LDA) The highest accuracy was obtained with the DVM algorithm as a result of the classification processes made with the method and 5-fold cross-validation.
Özet
Yapay zekânın bir alt dalı olan makine öğrenmesi eğitim alanında hızla popülerlik kazanan bir bilgisayar bilimi dalıdır. Eğitimde öğrenci gelişiminin, eğitim programlarının etkisinin, öğretim yöntemlerinin etkililiğinin belirlenmesi adımı olan değerlendirme aşamasının önemi büyüktür. Öğrencilere ait veri yığınlarından anlamlı sonuçlar üretilmesini sağlayan makine öğrenmesi, değerlendirme aşamasında yön gösterici olmaktadır. Bu çalışmada kamuya açık olarak paylaşılan, “Students Performance in Exams” veri seti kullanılmıştır. Öğrencilere ait bilgilerin bulunduğu 8 öznitelikten oluşan veri seti üzerinde öğrenci başarısının tahminlenmesine yönelik makine öğrenmesi temelli sınıflandırmalar gerçekleştirilmiştir. K-en yakın komşu (KNN), Karar ağacı (KA), Naive Bayes (NB), Rastgele orman (RO), Destek vektör makinesi (DVM), Lojistik regresyon (LR), Lineer Diskriminant Analizi (LDA) ile toplamda yedi ayrı yöntemle ve 5 kat çapraz doğrulamayla yapılan sınıflandırma işlemleri sonucunda en yüksek doğruluk (accuracy) DVM algoritması ile elde edilmiştir.