SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2022 / Cilt: 37 - Sayı: 1

Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı

Engin Eşme
Mustafa Servet KIRAN
Eyüp Sıramkaya
Pages
295–304
Publication Date
2022-10-18
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Önerilen yöntemin performansının sınıflandırma doğruluğu açısından temel aşırı öğrenme makinesinden daha yüksek olduğu gözlemlenmiştir

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bütünleme sınavları ara sınavlar ve genel sınavlar neticesinde dersi başaramayan öğrencilerin katıldığı bir sınavdır ve ülkemizde birçok üniversite tarafından uygulanmaktadır.
📊
Key Findings & Data:Önerilen yaklaşımda birden fazla aşırı öğrenme makinesi aynı veri setinin belirli bir oranındaki örnekler ile eğitime tabi tutulmuş ve test aşamasında oylama tabanlı bir yaklaşım ile sınıflandırma yapılmıştır.
💡
Conclusion & Impact:Önerilen yöntemin performansının sınıflandırma doğruluğu açısından temel aşırı öğrenme makinesinden daha yüksek olduğu gözlemlenmiştir
🔬Design:Modeling & Simulation
📍Scope:9 adet
⚙️Variables:Aşırı öğrenme makinesi · Çoklu aşırı öğrenme makinesi · Yapay arı kolonisi

Özet

Bütünleme sınavları ara sınavlar ve genel sınavlar neticesinde dersi başaramayan öğrencilerin katıldığı bir sınavdır ve ülkemizde birçok üniversite tarafından uygulanmaktadır. Her ne kadar dersi başaramayan öğrencilerin bu sınavlara katılacağı varsayılsa da öğrencilerin bir kısmı çeşitli içsel (ara sınav notunun çok düşük olması, dersi öğrenme amacıyla yeniden alma isteği, tatil yapma ihtiyacı vb.) ve dışsal motivasyonlarla (memleketi ile üniversite arası mesafe, maddi imkânsızlıklar vb.) bütünleme sınavına katılmamaktadır. Tüm öğrencilerini sınava katılacağı varsayılarak yapılan sınav programları, gözetmen atama ve sınav kâğıdı çoğaltılması gibi süreçler ise maddî israflara neden olmaktadır. Bu çalışmada bütünleme sınavına kalan öğrencilerin bütünleme sınavına katılıp katılmayacağının tespit edilmesi amacıyla aşırı öğrenme makinesi tabanlı bir yaklaşım önerilmiştir. Önerilen yaklaşımda birden fazla aşırı öğrenme makinesi aynı veri setinin belirli bir oranındaki örnekler ile eğitime tabi tutulmuş ve test aşamasında oylama tabanlı bir yaklaşım ile sınıflandırma yapılmıştır. Oylamaya katılacak ELM karar parametrelerinin optimizasyonu ise yapay arı kolonisi algoritması ile sağlanmıştır. Önerilen yöntemlerin eğitimi ve test edilmesi amacıyla ise Konya Teknik Üniversitesi Bilgisayar Mühendisliği Bölümü’nde okutulan 9 adet derse ait veriler toplanmıştır. Ayrıca 9 adet dersin birleşiminden oluşan bir veri kümesi daha oluşturulmuş ve önerilen yöntemin analizi bu 10 veri seti üzerinde yapılmıştır. Deneysel çalışmalarda aşırı öğrenme makinesi ve önerilen yöntemin performansı her ders için ayrı ayrı karşılaştırılmıştır. Önerilen yöntemin performansının sınıflandırma doğruluğu açısından temel aşırı öğrenme makinesinden daha yüksek olduğu gözlemlenmiştir

🔖

Cite This Article

Eşme, E., KIRAN, M. S., Sıramkaya, E. (2022). Bütünleme sınavına girecek öğrenci sayısının tahmini için k-ELM yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 37 - Sayı: 1, 295–304. https://ajindex.com/articles/523454

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Huang, G.B., Q.Y. Zhu, and C.K. Siew, Extreme learning machine: A new learning scheme of feedforward neural networks. 2004 Ieee International Joint Conference on Neural Networks, Vols 1-4, Proceedings, 2004: p. 985-990
  2. Huang, G.-B., Q.-Y. Zhu, and C.-K. Siew, Extreme learning machine: theory and applications. Neurocomputing, 2006. 70(1-3): p. 489-501
  3. Moore, E.H., On the reciprocal of the general algebraic matrix. Bull. Am. Math. Soc., 1920. 26: p. 394-395
  4. Penrose, R. A generalized inverse for matrices. in Mathematical proceedings of the Cambridge philosophical society. 1955. Cambridge University Press
  5. Huang, G.B., L. Chen, and C.K. Siew, Universal approximation using incremental constructive feedforward networks with random hidden nodes. Ieee Transactions on Neural Networks, 2006. 17(4): p. 879-892
  6. Huang, G.B. and L. Chen, Convex incremental extreme learning machine. Neurocomputing, 2007. 70(16-18): p. 3056-3062
  7. Miche, Y., et al., OP-ELM: Optimally Pruned Extreme Learning Machine. Ieee Transactions on Neural Networks, 2010. 21(1): p. 158-162
  8. Huang, G.B., et al., Extreme Learning Machine for Regression and Multiclass Classification. Ieee Transactions on Systems Man and Cybernetics Part B-Cybernetics, 2012. 42(2): p. 513-529
  9. Zong, W.W., G.B. Huang, and Y.Q. Chen, Weighted extreme learning machine for imbalance learning. Neurocomputing, 2013. 101: p. 229-242
  10. Balasundaram, S., D. Gupta, and Kapil, 1-Norm extreme learning machine for regression and multiclass classification using Newton method. Neurocomputing, 2014. 128: p. 4-14
  11. Musikawan, P., et al., Improved Convex Incremental Extreme Learning Machine Based on Ridgelet and PSO Algorithm. 2016 13th International Joint Conference on Computer Science and Software Engineering (Jcsse), 2016: p. 189-194
  12. Zong, W.W. and G.B. Huang, Face recognition based on extreme learning machine. Neurocomputing, 2011. 74(16): p. 2541-2551
  13. Zong, W.W., et al., Face Recognition Based on Kernelized Extreme Learning Machine. Autonomous and Intelligent Systems, 2011. 6752: p. 263-272
  14. Mohammed, A.A., et al., Human face recognition based on multidimensional PCA and extreme learning machine. Pattern Recognition, 2011. 44(10-11): p. 2588-2597
  15. Ucar, A., Color Face Recognition Based on Steerable Pyramid Transform and Extreme Learning Machines. Scientific World Journal, 2014
  16. Ray, P. and D. Mishra, Application of extreme learning machine for underground cable fault location.