Machine Learning ile Öğrencilerin Akademik Başarılarını Tahmin Eden Web Uygulaması
Milli Eğitim Bakanlığı Veri Analitiği Merkezi tarafından planlanan projede veri analizi yapıldı ve makine öğrenmesi modelleri eğitildi. Eğitilen modeller web uygulaması ile canlı ortamda yayınlandı.
Projenin geliştiricileri;
Çalışma sonunda oluşturulan web uygulaması aşağıdaki videoda görüntülenebilir. Öğrencinin seçimleri sonucunda, başarı tahmininin yanı sıra öğrencinin başarısına katkı sağlayabilecek kişiye özel tavsiye ekranı bulunmaktadır;
vam-web.mp4
Projede kullanılan Python kütüphaneleri;
- NumPy
- Pandas
- Matplotlib
- Seaborn
- SciPy
- SciKit-Learn
- Keras
- Tensorflow
- Statsmodels
- Flask
Uygulanan Yöntemler;
- Veri Ön İşleme
- Eksik Veri Doldurma
- Özellik seçimi (Feature Selection)
- Filtre Yöntemleri
- Pearson Correlation
- Ki-Kare Testi Yöntemi
- Sarmalayıcı Yöntemler (Wrapper)
- Forward (İleri Arama)
- Backward (Geri Arama)(Recursive Feature Elimination)
- En Küçük Kareler Yöntemi (OLS)
- Filtre Yöntemleri
- Kategorik Değerleri Dönüştürme
- Label Encoder
- One-Hot Encoding
- Veriyi Ölçekleme ve Normalize Etme
- MinMax Scaling
- Robust Scaler
- MaxAbs Scaler
- Standardizasyon
- Aykırı Verileri Tespit Etme
- Quartile ve IQR ile Aykırı Değer Tespiti
- Veri Görselleştirme
- Makine Öğrenimi
- Öğrenme Yaklaşımları
- Gözetimli Öğrenme
- Yapay Sinir Ağları
- Support Vector Machine
- Support Vector Regression
- Karar Ağaçları
- Lojistik Regresyon
- XGBoost
- k-En Yakın Komşuluk
- Zincirleme Çok Çıkışlı Regresyon
- Model Değerlendirme Yöntemleri
- Cross-Validation
- Confusion Matrix