Journals / Engineering Sciences / 2019 / Cilt: 14 Sayı: 3

LSTM Derin Sinir Ağları İle Üniversite Giriş Sınavındaki Matematik Soru Sayılarının Konulara Göre Tahmini

Pages
112–118
Publication Date
2019-07-08
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)

Çalışma sonucu olarak modelden elde edilen doğruluğun yüksek olması, ilerleyen çalışmalarda soru tahmin robotların geliştirilmesine imkân sağlayacaktır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada Long Short-Term Memory (LSTM) derin sinir ağı (DSA) ile üniversite giriş sınavındaki matematik testinin soru sayılarının tahmin edilmesi için bir model önerilmiştir.
📊
Key Findings & Data:Modelin veri kümesi 1981-2018 yıllarına ait sınavların matematik testinin 16 farklı konuya göre ayrılmış 931 soru sayısı verisinden oluşmaktadır.
💡
Conclusion & Impact:Çalışma sonucu olarak modelden elde edilen doğruluğun yüksek olması, ilerleyen çalışmalarda soru tahmin robotların geliştirilmesine imkân sağlayacaktır.
🔬Design:Modeling & Simulation
📍Scope:2018 Verileri
⚙️Variables:Derin Sinir Ağı · LSTM · Üniversite Giriş Sınavı

Özet

Bu çalışmada Long Short-Term Memory (LSTM) derin sinir ağı (DSA) ile üniversite giriş sınavındaki matematik testinin soru sayılarının tahmin edilmesi için bir model önerilmiştir. Modelin veri kümesi 1981-2018 yıllarına ait sınavların matematik testinin 16 farklı konuya göre ayrılmış 931 soru sayısı verisinden oluşmaktadır. Veri kümesi %80’ı modelin eğitilmesi, %20’u testi için ayrılmıştır. LSTM modelde zaman serisi tahmin problemlerinde yüksek doğruluk sağlanması için hiper parametreleri belirlenmiştir. Her konu gruba ait soru sayıları zaman serisi modelde ayrı ayrı eğitilmiştir. Çalışma sonucunda eğitimde ortalama %98.42, testte ortalama %96.82 doğruluk elde edilmiştir. Kullanılan DSA algoritmasının başarısının ölçülmesi için veri kümesi makine öğrenme algoritmalarında test edilerek ile kıyaslanmıştır. Bunun sonucunda LSTM DSA, en yüksek başarımı sağlamıştır. Çalışma sonucu olarak modelden elde edilen doğruluğun yüksek olması, ilerleyen çalışmalarda soru tahmin robotların geliştirilmesine imkân sağlayacaktır.

🔖

Cite This Article

SÜZEN, A. A. (2019). LSTM Derin Sinir Ağları İle Üniversite Giriş Sınavındaki Matematik Soru Sayılarının Konulara Göre Tahmini. Engineering Sciences, Cilt: 14 Sayı: 3, 112–118. https://ajindex.com/articles/986246

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Oral, I., Mcgivney, E J., (2014). Türkiye Eğitim Sisteminde Eşitlik ve Akademik Başarı. Eğitim Reformu Girişimi, İstanbul
  2. Baran, İ.N. ve Altun, T., (2014). 333 Dershanelerin Eğitim Sistemimizdeki Yeri Ve Önemi. Eğitim ve Öğretim Araştırmaları Dergisi, 3(2):2146-9199
  3. Zararsız, M.E., Ekici, B. ve Ulutaş, S., (2012). İlköğretimden Ortaöğretime Ortaöğretimden Yükseköğretime Geçiş Analizi. T.C. Millî Eğitim Bakanlığı
  4. Gürbüztürk, O. ve Kıncal, R.Y., (2018). Türkiye’de Yükseköğretime Geçiş Surecinin Analizi: Gelişmeler, Modeller ve Uygulamalar. Akdeniz Eğitim Araştırmaları Dergisi, 12(24):33-54
  5. Erdem, A.R., (2014). Yükseköğretime Geçişin Kritiği, Cumhuriyet'in Kuruluşundan Günümüze Eğitimde Kademeler Arası Geçiş ve Yeni Modeller. Uluslararası Kongresi, 851-864
  6. Khashei, M. ve Bijari, M., (2011). A Novel Hybridization of Articial Neural Networks and Arima Models for Time Series Forecasting”. Applied Soft Computing 11(2):2664-2675
  7. Szegedy, C., Toshev, A., and Erhan, D., (2013). Deep Neural Networks for Object Detection. In: Advances in Neural Information Processing Systems, pp:2553-2561
  8. Graves, A., (2012). Supervised Sequence Labelling with Recurrent Neural Networks. ISBN 9783642212703. URL http://books. google. com/books
  9. Akmeliawati, R., Ooi, M.P.L., and Kuang, Y.C., (2007). Real-time Malaysian Sign Language Translation Using Colour Segmentation and Neural Network. In: Instrumentation and Measurement Technology Conference Proceedings, 1(6)
  10. King, S.Y. and Hwang, J.N., (1989). Neural Network Architectures for Robotic Applications Robotics and Automation, IEEE Transactions on 5(5):641-657
  11. Derakhshani, A. and Foruzan, A.H., (2019). Predicting the Principal Strong Ground Motion Parameters: A deep learning approach, Applied Soft Computing Journal, 80:192-201
  12. Şeker, A., Diri, B. ve Balık, H.H., (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme, Gazi Mühendislik Bilimleri Dergisi, 3(3):47-64
  13. Cheng, J., Chen, X., and Metallinou, A., (2015). Deep Neural Network Acoustic Models for Spoken Assessment Applications. Speech Communication, 73:14-27
  14. Xiong, C., Merity, S., and Socher, R., (2016). Dynamic Memory Networks for Visual and Textual Question Answering. In International conference on machine learning, 2397-240
  15. Liu, Y., Xu, B., Yang, Y., Chung, T., and Zhang, P., (2019). Constructing a Hybrid Automatic Q&A System Integrating Knowledge Graph and Information Retrieval Technolog