Analysis of the outcomes of Yasar University e-learning system

Abstract

Büyük miktardaki veriler içerisinden önemli olanları bulup çıkarmaya yönelik olarak veriyi işlemeye veri madenciliği denir. Veriler üzerinde çözümleme yapmak amacıyla, veriyi çözümleyip bilgiye ulaşabilmek için veri madenciliği kullanılır. Bu araştırmadaki amacımız, Yaşar Üniversitesi UFND veri kümesi üzerinden Veri Madenciliği ve Makine Öğrenmesi uygulayarak bir öğrencinin notunu tahmin etmek. Bahsedilen veri kümesi 2013-2014 güz dönemi ve 2015-2016 güz dönemi arasında elde edilip web sitesi faaliyetleri olarak log kayıtlarıyla 5 dönem ve 10 ders üzerinden gerçekleştirildi (Yaşar Üniversitesi e-öğrenme web sitesi https://e.yasar.edu.tr). Bahsi geçen bu loglar web sitesinin ne zaman ve nasıl kullanıldığına ve bu web sitesi üzerinde çalışan son kullanıcı bilgilerini içerir. Bu Veri madenciliği teknikleri uygulanırken ilk olarak önerilen system elde edilen bilgiyi inceliyor ve ardından öğrencinin dersten kalıp kalmayacağı ile ilgili doğru tahminde bulunuyor. Bu sonuca ulaşabilmek için önerilen çerçeve uygulama önceden sistemi 31 farklı algoritmik sınıflandırma ile çalıştırmış ve sonar her ders, dönem ve 5 dönem için tüm derslerin dahil edildiği versiyon çalıştırılarak bir algoritma seçilmiş. Analiz esnasında Weka'nın J48, Naïve Bayes, Ripper, J48, Bayes Net, Adaboost, AdTree, Attribute Selected Classifier, Bagging, Classification Via Regression, Conjunctive Rule, CV Parameter Selection, Decision Table, DTNB, END, Filtered Classifier, Grading, IB1, Ibk, K*, Logistic, Logiboost, LWL, MultiBoostAB, K*, LogiBoost, Multi Scheme, Multi-Layer Perceptron, Multiclass Classifier, Voted Perceptron sınıflandırma algoritmaları kullanıldı. Sonuçlar üzerinde hangi algoritmanın daha başarılı olacağını birden farklı versiyonlar ile tespit etmek mümkünüdür. Bu tez, bu konuları, uygulamalarını ve sonuçlarını içeren 6 bölümden oluşmaktadır.

Data mining is the computational process of analyzing large data sets, discovering the patterns of data groups and reaching the targeted data through processing operation. The process of extraction of the important information through the large amount of data and execution of that data is called `Data Mining`. In this research, our aim is to predict a student's grade via implementing machine learning techniques of data mining over Yasar University UFND Dataset. The dataset in question is collected between 2012-2013 Fall Term and 2015-2016 Fall Term and made from the log records of website activity of 10 courses over 5 terms (Yasar University e-learning website https://e.yasar.edu.tr). These logs inherit end user information regarding how and when the website in question is used and studied. By implementing these data mining techniques, first the proposed framework analyzed the collected data and then tried to successfully guess whether a student will pass or fail from the course in question. In order to achieve this goal, the proposed framework trained the system with 31 different classification algorithms and then a final algorithm was selected for each course, for each term and for the combination of the data of each course over 5 terms. These algorithms are Naive Bayes, Ripper, J48, Bayes Net, Adaboost, AdTree, Attribute Selected Classifier, Bagging, Classification via Regression, Conjunctives Rules, CV Parameter Selection, Decision Table, DTNB, END, Filtered Classifier, Grading, IB1, Ibk, Kstar, Logistic, LogiBoost, LWL, MultiBoostAB, Multiclass Classifier, Multi Scheme, Multilayer Perceptron, SMO, Voted Perceptron, Random Forest, and ZeroR. At the end, all these results are analyzed and then evaluated to achieve the goal of effective prediction of a student's success.