Student performance prediction using deep belief network

Abstract

Veri madenciliği tekniklerini içeren eğitim araştırması hızla artıyor. Veri madenciliği teknikleri, eğitim geçmişinde gizli bilgi ve öğrenci performans modellerini keşfetmek için eğitim bilgi madenciliği olarak bilinir. Bu çalışma, öngörü için bu çalışmada seçilen UCI (California Irvine Üniversitesi) makine öğrenme veri havuzu için öğrenciye yönelik bir akademik tahmin modeli geliştirmeyi amaçlamaktadır. İç işaretler, katılım işaretlerinin, iki sınavdan alınan ortalama işaretlerin ve ödev işaretlerinin birleşimidir. Öğretmenler bu nedenle öğrencileri sınıflandırabilir ve performanslarını erken bir aşamada tahmin etmeye başlayabilir. Zaman içindeki performansı arttırmak için sistemik yaklaşımlar benimsenebilir. Erken tahminler ve çözümler nedeniyle final sınavlarında daha iyi sonuçlar beklenebilir.

Education research involving techniques of data mining is growing rapidly. Data mining techniques are known as educational information mining to explore hidden knowledge and patterns of student performance in educational backgrounds. This work seeks to develop an academic prediction model for the student for the UCI (University of California Irvine) machine learning repository dataset selected in this work for prediction. Internal marks are a combination of attendance marks, average marks from two examinations and marks of assignment. The teachers can therefore classify students and start predicting their performance at an early stage. To improve performance over time, systemic approaches can be adopted. Better results can be expected at the final examinations due to early predictions and solutions.