DSpace Repository

Student academic performance prediction via artificial intelligence using machine learning algorithms

Show simple item record

dc.contributor.author Bastem, Hatice Nazlı
dc.date.accessioned 2023-03-14T12:39:18Z
dc.date.available 2023-03-14T12:39:18Z
dc.date.issued 2021
dc.identifier.citation Bastem, Hatice Nazlı (2021). Student academic performance prediction via artificial intelligence using machine learning algorithms / Makine öğrenmesi algoritmalarını kullanarak yapay zeka yoluyla öğrenci akademik performans tahmini. Yayımlanmış yüksek lisans tezi. Ankara: Çankaya Üniversitesi, Fen Bilimleri Enstitüsü. tr_TR
dc.identifier.uri http://hdl.handle.net/20.500.12416/6309
dc.description.abstract Öğrencilerin okuldaki akademik başarıları hem öğrenciler hem öğretmenler hem de aileler tarafından önemsenmektedir. Bu nedenle performans tahmini, öğrencinin yaşamında önemli bir rol oynamaktadır. Performans tahmini ile başarısız öğrenciler başarılarını artırmaya yönlendirilebilir, çalışma programları oluşturulabilir, destekleyici ders kaynakları önerilebilir veya seçmeli dersler seçilebilir. Bu çalışmada öğrencinin akademik başarısı makine öğrenmesi yöntemleri ile tahmin edilebilmektedir. Bu çalışmada, Kaggle web sitesinden Portekiz'deki iki okuldan öğrencilerin bilgilerinden toplanan veri seti kullanılmıştır. Performans tahmini yapmak için üç farklı algoritma kullandık. Bunlar Karar Ağacı, Rastgele Orman ve Lojistik Regresyondur. Veri setinin %30'u test verisi olarak kullanılmıştır. Kalan %70'lik veri ise eğitim verisi olarak kullanılmıştır. Üç algoritma kullanılarak, karışıklık matrisi, doğruluk, geri çağırma, kesinlik ve auc değerleri elde edilir. Hangi algoritmanın hangi miktarda veri üzerinde daha başarılı olduğu sonucuna varılmıştır. Karar ağacı algoritması, 649 öğrenci verisi için maksimum derinlik 2 değeri ile en iyi doğruluk oranını verir. Rastgele orman algoritması, 649 öğrenci verisi ile en iyi doğruluğu verir. Lojistik regresyon algoritması, 395 öğrenci verisi ile en iyi doğruluğu verir. tr_TR
dc.description.abstract The academic success of students in schools is valued by both students, teachers, and families. For this reason, performance prediction plays a significant role in students' life. With performance prediction, unsuccessful students can be directed to increase their success, study programs can be created, supportive course resources can be suggested, or elective courses can be selected. In this study, the academic success of the student can be predicted with machine learning methods. This study made use of dataset collected from student's knowledge from two schools in Portugal from Kaggle web site. We used three different algorithms to make performance prediction. These are Decision Tree, Random Forest and Logistic Regression. 30% of the dataset was used as test data. The remaining 70% data was used as training data. By using three algorithms, the confusion matrix, accuracy, recall, precision and auc values are obtained. It has been concluded that which algorithm is more successful on which amount of data. decision tree algorithm gives the best accuracy rate with max depth 2 value with 649 student data. The random forest algorithm gives the best accuracy with 649 student data. The logistic regression algorithm gives the best accuracy with 395 student data. tr_TR
dc.language.iso eng tr_TR
dc.rights info:eu-repo/semantics/openAccess tr_TR
dc.subject Performance Prediction tr_TR
dc.subject Machine Learning tr_TR
dc.subject Accuracy tr_TR
dc.subject Algorithm tr_TR
dc.subject Decision Tree tr_TR
dc.subject Random Forest tr_TR
dc.subject Logistic Regression tr_TR
dc.subject Performans Tahminleme tr_TR
dc.subject Makine Öğrenmesi tr_TR
dc.subject Doğruluk tr_TR
dc.subject Algoritma tr_TR
dc.subject Karar Ağacı tr_TR
dc.subject Rassal Orman tr_TR
dc.subject Lojistik Regresyon tr_TR
dc.title Student academic performance prediction via artificial intelligence using machine learning algorithms tr_TR
dc.title.alternative Makine öğrenmesi algoritmalarını kullanarak yapay zeka yoluyla öğrenci akademik performans tahmini tr_TR
dc.type masterThesis tr_TR
dc.identifier.startpage 1 tr_TR
dc.identifier.endpage 68 tr_TR
dc.contributor.department Çankaya Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Bölümü tr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record