{"id":47,"date":"2020-09-03T16:38:50","date_gmt":"2020-09-03T13:38:50","guid":{"rendered":"http:\/\/acikkitap.com.tr\/oaek\/chapter\/bolum-5-kestirimci-modelleme-icinde-egitim-ve-ogretim\/"},"modified":"2020-09-03T16:38:50","modified_gmt":"2020-09-03T13:38:50","slug":"bolum-5-kestirimci-modelleme-icinde-egitim-ve-ogretim","status":"publish","type":"chapter","link":"https:\/\/acikkitap.com.tr\/oaek\/chapter\/bolum-5-kestirimci-modelleme-icinde-egitim-ve-ogretim\/","title":{"raw":"B\u00f6l\u00fcm 5 Kestirimci Modelleme \u0130\u00e7inde E\u011fitim ve \u00d6\u011fretim","rendered":"B\u00f6l\u00fcm 5 Kestirimci Modelleme \u0130\u00e7inde E\u011fitim ve \u00d6\u011fretim"},"content":{"raw":"\n

<\/a> Christopher Brooks1<\/sup>, Craig Thompson2<\/sup><\/span><\/span><\/p>\n1<\/sup>\u0130leti\u015fim Okulu, Michigan \u00dcniversitesi, ABD<\/span><\/span>\n\n2<\/sup>Saskatchewan \u00dcniversitesi, Bilgisayar Bilimi B\u00f6l\u00fcm\u00fc, Kanada<\/span><\/span>\n\nDOI: 10.18608\/hla17.005<\/span><\/span>\n

\u00d6Z<\/h2>\nBu makale, \u00f6\u011fretme ve \u00f6\u011frenmede kestirimci modelleme kullanman\u0131n s\u00fcreci, uygulamas\u0131 ve zorluklar\u0131 ele almaktad\u0131r. Kestirimci modelleme hem e\u011fitsel veri madencili\u011fi (EVM) hem de \u00f6\u011frenme analiti\u011fi (\u00d6A) alan\u0131nda \u00f6\u011frenci ba\u015far\u0131s\u0131n\u0131 tahmin etmeye odaklanm\u0131\u015f ara\u015ft\u0131rmac\u0131lar\u0131n temel bir uygulamas\u0131 haline gelmi\u015ftir. Bu b\u00f6l\u00fcmde, kestirimci modelleme kullan\u0131l\u0131rken dikkat edilecek hususlara genel bir bak\u0131\u015f ile birlikte bir e\u011fitsel veri bilimcisinin s\u00fcrece d\u00e2hil olurken g\u00f6z \u00f6n\u00fcnde bulundurmas\u0131 gereken ad\u0131mlar ve alandaki en pop\u00fcler tekniklere k\u0131sa bir genel bak\u0131\u015f sunulmaktad\u0131r.<\/span>\n\nAnahtar Kelimeler<\/span>: Kestirimci modelleme, makine \u00f6\u011frenmesi, e\u011fitsel veri madencili\u011fi (EVM), \u00f6zellik se\u00e7imi, model de\u011ferlendirme<\/span>\n

Kestirimci analitik, gelecekteki belirsiz olaylar hakk\u0131nda \u00e7\u0131kar\u0131mlarda bulunmak i\u00e7in kullan\u0131lan bir teknikler grubudur. E\u011fitim alan\u0131nda, ki\u015fi \u00f6\u011frenme (\u00f6rne\u011fin, \u00f6\u011frencinin akademik ba\u015far\u0131s\u0131 veya beceri kazanmas\u0131), \u00f6\u011fretme (\u00f6rne\u011fin, belirli bir \u00f6\u011fretim tarz\u0131n\u0131n veya belirli bir \u00f6\u011fretenin bir birey \u00fczerindeki etkisini) veya y\u00f6neticiler i\u00e7in de\u011ferli olan di\u011fer vekil \u00f6l\u00e7\u00fc birimlerini \u00f6l\u00e7mekle (\u00f6rne\u011fin, okulda tutma veya ders kayd\u0131 tahminleri) ilgilenebilir. E\u011fitimde kestirimci analitik, sa\u011flam bir ara\u015ft\u0131rma alan\u0131d\u0131r ve baz\u0131 ticari \u00fcr\u00fcnler art\u0131k \u00f6\u011frenme i\u00e7eri\u011fi y\u00f6netim sistemlerinde (\u00f6r. D2L1<\/sup><\/a>, Starfish Retention2<\/sup><\/a> Solutions, Ellucian3<\/sup><\/a> ve Blackboard4<\/sup><\/a>) tahmine dayal\u0131 analitik i\u00e7ermektedir. Ayr\u0131ca, uzman \u015firketler (\u00f6r. Blue Canary5<\/sup><\/a> Civitas Learning6<\/sup><\/a>) \u015fimdi y\u00fcksek\u00f6\u011frenim i\u00e7in kestirime dayal\u0131 analitik dan\u0131\u015fmanl\u0131\u011f\u0131 ve \u00fcr\u00fcnleri sunmaktad\u0131r.<\/p>\n

Bu b\u00f6l\u00fcmde, bu tekniklerin \u00f6zellikle \u00f6\u011fretme ve \u00f6\u011frenmede nas\u0131l uyguland\u0131\u011f\u0131na de\u011finerek, kestirimci modellemeye ili\u015fkin terimleri ve i\u015f ak\u0131\u015f\u0131n\u0131 tan\u0131t\u0131yoruz. Alan yaz\u0131n\u0131n tam bir incelemesi bu b\u00f6l\u00fcm\u00fcn kapsam\u0131 d\u0131\u015f\u0131nda kalsa da okuyuculara uygulamal\u0131 e\u011fitsel kestirimci modellemeye dair daha fazla \u00f6rnek i\u00e7in \u00d6\u011frenme Analitikleri ve Ara\u015ft\u0131rmalar\u0131 Derne\u011fi (SoLAR) ve Uluslararas\u0131 E\u011fitsel Veri Madencili\u011fi Derne\u011fi (IEDMS) ile ilgili konferans bildirileri ve dergilerini dikkate almalar\u0131n\u0131 tavsiye ediyoruz.<\/p>\n

\u00d6ncelikle, kestirimci modellemeyi a\u00e7\u0131klay\u0131c\u0131 modellemeden ay\u0131rmak \u00f6nemlidir7<\/sup><\/a>. A\u00e7\u0131klay\u0131c\u0131 modellemede ama\u00e7, verilen bir sonu\u00e7 i\u00e7in bir a\u00e7\u0131klama sa\u011flamak amac\u0131yla mevcut t\u00fcm kan\u0131tlar\u0131 kullanmakt\u0131r. \u00d6rne\u011fin, bir \u00f6\u011frenen pop\u00fclasyonun ya\u015f, cinsiyet ve sosyoekonomik durumuna ait g\u00f6zlemler, bunlar\u0131n belirli bir \u00f6\u011frencinin ba\u015far\u0131 sonucuna nas\u0131l katk\u0131da bulunduklar\u0131n\u0131 a\u00e7\u0131klamak i\u00e7in bir regresyon modelinde kullan\u0131labilir. Bu a\u00e7\u0131klamalar\u0131n amac\u0131 genellikle nedensel (yaln\u0131zca ba\u011f\u0131nt\u0131l\u0131 olman\u0131n d\u0131\u015f\u0131nda) olmakla birlikte bu yakla\u015f\u0131mlar\u0131 kullanarak sunulan bulgular genellikle deneysel \u00e7al\u0131\u015fmalardan ka\u00e7\u0131n\u0131r ve nedenselli\u011fi g\u00f6stermek i\u00e7in teorik yorumlamaya dayan\u0131r (Shmueli, 2010 taraf\u0131ndan da a\u00e7\u0131kland\u0131\u011f\u0131 gibi).<\/p>\n

Kestirimci modellemede ama\u00e7, g\u00f6zlemlere dayanarak yeni verilerin de\u011ferlerini (veya kestirimin say\u0131sal veriyle ilgilenmedi\u011fi durumlarda ise s\u0131n\u0131fland\u0131r\u0131lmas\u0131n\u0131) tahmin edecek bir model olu\u015fturmakt\u0131r. A\u00e7\u0131klay\u0131c\u0131 modellemeden farkl\u0131 olarak, kestirimci modelleme bir dizi bilinen veri (veri madencili\u011finde ara\u015ft\u0131rma durumlar\u0131 olarak adland\u0131r\u0131l\u0131r) g\u00f6zlenen de\u011fi\u015fkenlere dayanan yeni verilerin de\u011ferini veya s\u0131n\u0131f\u0131n\u0131 tahmin etmek i\u00e7in kullan\u0131labilecek oldu\u011fu varsay\u0131m\u0131na dayan\u0131r (kestirimci modelleme literat\u00fcr\u00fcndeki \u00f6zellikler olarak adland\u0131r\u0131l\u0131r). Bu nedenle, a\u00e7\u0131klay\u0131c\u0131 modelleme ile kestirimci modelleme aras\u0131ndaki temel fark, a\u00e7\u0131klay\u0131c\u0131 modellemenin gelece\u011fe ili\u015fkin herhangi bir iddiada bulunmay\u0131 ama\u00e7lamad\u0131\u011f\u0131 ancak kestirimci modellemenin ama\u00e7lad\u0131\u011f\u0131d\u0131r.<\/p>\n

Daha a\u00e7\u0131k bir \u015fekilde, a\u00e7\u0131klay\u0131c\u0131 modelleme ve kestirimci modelleme, e\u011fitsel verilere uyguland\u0131\u011f\u0131nda \u00e7o\u011fu zaman uygulamada baz\u0131 farkl\u0131l\u0131klara sahiptir. A\u00e7\u0131klay\u0131c\u0131 modelleme, bir olguya dair anlay\u0131\u015f geli\u015ftirmeyi ama\u00e7layan post-hoc ve yans\u0131t\u0131c\u0131 bir etkinliktir. Kestirimci modelleme, sistemleri altta yatan verilerdeki de\u011fi\u015fikliklere duyarl\u0131 hale getirmeyi ama\u00e7layan ait oldu\u011fu yerde yap\u0131lan bir etkinliktir. Her iki modelleme bi\u00e7imini de y\u00fcksek\u00f6\u011frenimde kullan\u0131lan teknolojiye uygulamak m\u00fcmk\u00fcnd\u00fcr. \u00d6rne\u011fin, Lonn ve Teasley (2014), a\u00e7\u0131klay\u0131c\u0131 modellere dayanan bir \u00f6\u011frenci ba\u015far\u0131 sistemini tan\u0131mlarken, Brooks, Thompson ve Teasley (2015), kestirimci modellemeye dayanan bir yakla\u015f\u0131m\u0131 tan\u0131mlamaktad\u0131r. Her iki y\u00f6ntem de m\u00fcdahale sistemlerinin tasar\u0131m\u0131na bilgi sunmay\u0131 ama\u00e7lasa da birincisi, uzmanlar taraf\u0131ndan a\u00e7\u0131klay\u0131c\u0131 modellerin g\u00f6zden ge\u00e7irilmesi s\u0131ras\u0131nda geli\u015ftirilen teoriye dayanan bir yaz\u0131l\u0131m geli\u015ftirerek, ikincisi bunu ge\u00e7mi\u015f kay\u0131t dosyalar\u0131ndan toplanan verileri kullanarak yapar (bu durumda, t\u0131klama verisi).<\/p>\n

\u0130ki modelleme yakla\u015f\u0131m\u0131 aras\u0131ndaki en b\u00fcy\u00fck metodolojik fark, genelle\u015ftirilebilirlik sorununa nas\u0131l hitap ettikleridir. A\u00e7\u0131klay\u0131c\u0131 modellemede, bir \u00f6rneklemeden toplanan verilerin t\u00fcm\u00fc (\u00f6r. belirli bir kursa kay\u0131tl\u0131 \u00f6\u011frenciler) daha genel olarak bir pop\u00fclasyon tan\u0131mlamak i\u00e7in kullan\u0131l\u0131r (\u00f6r. belirli bir kursa kay\u0131t olabilecek t\u00fcm \u00f6\u011frenciler). Genellenebilirlik ile ilgili konular b\u00fcy\u00fck \u00f6l\u00e7\u00fcde \u00f6rnekleme tekniklerine dayanmaktad\u0131r. Genellikle rastgele veya katmanl\u0131 \u00f6rnekleme yoluyla ve ara\u015ft\u0131rmac\u0131n\u0131n kabul etmek istedi\u011fi pop\u00fclasyon b\u00fcy\u00fckl\u00fc\u011f\u00fc ve hata seviyelerinin bir analizi yap\u0131larak uygun bir \u00f6rneklem temin etmek i\u00e7in gereken g\u00fc\u00e7 miktar\u0131n\u0131 belirleyerek se\u00e7im yanl\u0131l\u0131\u011f\u0131n\u0131 azaltmak \u00f6rneklemin pop\u00fclasyonu temsil etmesini sa\u011flar. Bir kestirim modelinde, bir modelin tahmin i\u00e7in uygunlu\u011funu de\u011ferlendirmek ve modellerin e\u011fitim i\u00e7in kullan\u0131lan verilere a\u015f\u0131r\u0131 y\u00fcklenmesine8<\/sup><\/a> kar\u015f\u0131 korumak i\u00e7in bir holdout veri k\u00fcmesi kullan\u0131l\u0131r. Hold out veri k\u00fcmelerini \u00fcretmek i\u00e7in, k-katlamal\u0131 \u00e7apraz do\u011frulama9<\/sup><\/a>, tek \u00e7\u0131k\u0131\u015fl\u0131 \u00e7apraz do\u011frulama, rastlant\u0131sal alt \u00f6rnekleme ve uygulamaya \u00f6zel stratejiler gibi birka\u00e7 farkl\u0131 strateji vard\u0131r.<\/p>\n

Yap\u0131lan bu kar\u015f\u0131la\u015ft\u0131rmalarla, bu b\u00f6l\u00fcm\u00fcn geri kalan\u0131, \u00f6\u011frenme ve \u00f6\u011fretme alan\u0131nda kestirimci modellemenin nas\u0131l kullan\u0131ld\u0131\u011f\u0131na odaklanacak ve ara\u015ft\u0131rmac\u0131lar\u0131n kestirimci modelleme s\u00fcrecinde nas\u0131l yer ald\u0131\u011f\u0131na dair genel bir bak\u0131\u015f sunacakt\u0131r.<\/p>\n\n

KEST\u0130R\u0130MC\u0130 MODELLEME \u0130\u015e AKI\u015eI<\/h2>\n

Problem Te\u015fhisi<\/h3>\n

\u00d6\u011fretme ve \u00f6\u011frenme alan\u0131nda, kestirimci modelleme, daha b\u00fcy\u00fck eylem odakl\u0131 bir e\u011fitim politikas\u0131 ve teknoloji ba\u011flam\u0131nda konumlanma e\u011filimindedir ve kurumlar bu modelleri \u00f6\u011frencilerin ihtiya\u00e7lar\u0131na ger\u00e7ek zamanl\u0131 olarak cevap vermek i\u00e7in kullan\u0131rlar. Kestirimci modelleme etkinli\u011finin amac\u0131, yeni bir m\u00fcdahalenin olmad\u0131\u011f\u0131 varsay\u0131larak belirli bir \u00f6\u011frencinin \u00e7\u0131kt\u0131lar\u0131n\u0131 do\u011fru \u015fekilde a\u00e7\u0131klayacak bir senaryo olu\u015fturmakt\u0131r. \u00d6rne\u011fin, belirli bir bireyin akademik \u00f6\u011frenimini ne zaman tamamlamas\u0131 gerekti\u011fine karar vermek i\u00e7in \u00f6ng\u00f6r\u00fcc\u00fc bir model kullan\u0131labilir. Bu modeli her bir \u00f6\u011frenciye uygulamak, hi\u00e7bir m\u00fcdahale stratejisinin kullan\u0131lmad\u0131\u011f\u0131 varsay\u0131ld\u0131\u011f\u0131nda \u00f6\u011frenimlerini ne zaman tamamlayabilecekleri konusunda fikir verecektir. Bu nedenle, kestirimci bir modelin do\u011fru senaryolar \u00fcretmesi \u00f6nemli olsa da bu modeller genellikle bir m\u00fcdahale veya iyile\u015ftirme stratejisi g\u00f6z \u00f6n\u00fcnde bulundurulmadan kullan\u0131lmaz.<\/p>\n

Ba\u015far\u0131l\u0131 bir kestirimci modelleme yakla\u015f\u0131m\u0131 i\u00e7in g\u00fc\u00e7l\u00fc problem adaylar\u0131, modellenmekte olan konunun \u00f6l\u00e7\u00fclebilir \u00f6zelliklerinin oldu\u011fu, ilgilenilen konunun net bir sonucunun, yerinde m\u00fcdahale etme kabiliyetinin ve b\u00fcy\u00fck bir veri k\u00fcmesinin oldu\u011fu problemlerdir. En \u00f6nemlisi, \u00f6\u011frenenlerle ilgili ge\u00e7mi\u015f verilerin (e\u011fitim seti10<\/sup><\/a>) gelecekteki \u00f6\u011frenenlerin (test seti) g\u00f6stergesi oldu\u011fu, y\u0131ldan y\u0131la s\u0131ralanan bir s\u0131n\u0131f gibi s\u00fcrekli bir ihtiya\u00e7 olu\u015fmas\u0131 gerekir.<\/p>\n

Di\u011fer taraftan, bir\u00e7ok fakt\u00f6r kestirimci modellemeyi daha az uygun hale getirir veya zorla\u015ft\u0131r\u0131r. \u00d6rne\u011fin hem seyrek hem de g\u00fcr\u00fclt\u00fcl\u00fc veriler11<\/sup><\/a>, do\u011fru tahmin modelleri olu\u015fturmaya \u00e7al\u0131\u015f\u0131rken zorluklar ortaya \u00e7\u0131kar\u0131r. Veri da\u011f\u0131l\u0131m\u0131 veya eksik veriler, iste\u011fe ba\u011fl\u0131 bilgi vermemeyi se\u00e7en \u00f6\u011frenciler gibi \u00e7e\u015fitli nedenlerle ortaya \u00e7\u0131kabilir. Baz\u0131 \u00f6\u011frenciler sanal \u00f6zel a\u011flar kullan\u0131rken (b\u00f6lge k\u0131s\u0131tlamalar\u0131n\u0131 a\u015fmak i\u00e7in kullan\u0131lan vekil sunucular, \u00c7in gibi \u00fclkelerde al\u0131\u015f\u0131lmad\u0131k bir uygulama olan vekil sunucular), bir \u00f6\u011frencinin IP adresinden konumunu belirleme gibi bir \u00f6l\u00e7\u00fcm ama\u00e7lanan verileri do\u011fru \u015fekilde yakalayamad\u0131\u011f\u0131nda g\u00fcr\u00fclt\u00fcl\u00fc veriler ortaya \u00e7\u0131kar. Son olarak, baz\u0131 alanlarda, kestirimci modellerin \u00fcretti\u011fi \u00e7\u0131kar\u0131mlar, risk alt\u0131ndaki \u00f6\u011frenci tahmini modelleri kullan\u0131ld\u0131\u011f\u0131nda s\u00f6z konusu \u00f6\u011frencilerin kabul almalar\u0131n\u0131 zorla\u015ft\u0131rmak gibi etik veya adil uygulamalar ile ters d\u00fc\u015febilir (Stripling vd., 2016'da \u00f6rneklenmi\u015ftir).<\/p>\n\n

Veri Koleksiyonu<\/h3>\n

Kestirimci modellemede, ge\u00e7mi\u015f veriler, \u00f6zellikler aras\u0131ndaki ili\u015fki modelleri \u00fcretmek i\u00e7in kullan\u0131l\u0131r. Ara\u015ft\u0131rmac\u0131 i\u00e7in ilk faaliyetlerden biri, \u00e7\u0131kt\u0131 de\u011fi\u015fkeninin (\u00f6r. s\u0131n\u0131f veya ba\u015far\u0131 d\u00fczeyi) yan\u0131 s\u0131ra bu de\u011fi\u015fkene dair ku\u015fkulan\u0131lan korelasyonlar\u0131 (\u00f6r. cinsiyet, etnik yap\u0131, verilen kaynaklara eri\u015fim) tan\u0131mlamakt\u0131r. Modelleme etkinli\u011finin durumsal niteli\u011fi g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, yaln\u0131zca m\u00fcdahalenin yap\u0131labilece\u011fi zamanda veya \u00f6ncesinde mevcut olan korelasyonlar\u0131 se\u00e7mek \u00f6nemlidir. \u00d6rne\u011fin, bir ara s\u0131nav notu, dersin bir final notu i\u00e7in \u00f6ng\u00f6r\u00fcc\u00fc olabilir ancak e\u011fer ara s\u0131navdan \u00f6nce m\u00fcdahale etmek isteniyorsa, bu veri de\u011feri modelleme etkinli\u011finin d\u0131\u015f\u0131nda b\u0131rak\u0131lmal\u0131d\u0131r.<\/p>\n

\u00d6\u011frencinin final notunun tahmini gibi zamana dayal\u0131 modelleme faaliyetlerinde, her biri farkl\u0131 bir zaman dilimine ve g\u00f6zlenen de\u011fi\u015fkenlere kar\u015f\u0131l\u0131k gelen birden fazla modelin olu\u015fturulmas\u0131 yayg\u0131nd\u0131r (\u00f6r. Barber ve Sharkey, 2012). \u00d6rne\u011fin, bir dersin her haftas\u0131 i\u00e7in kestirimci modeller olu\u015fturabilir, her modele haftal\u0131k s\u0131navlar\u0131n sonu\u00e7lar\u0131, \u00f6\u011frenci demografisi ve \u00f6\u011frencinin derse bug\u00fcne kadarki dijital kaynaklar ile ilgili sahip olduklar\u0131 kat\u0131l\u0131m miktar\u0131 d\u00e2hil edilebilir.<\/p>\n

N\u00fcfus (\u00f6r. cinsiyet, etnik k\u00f6ken), ili\u015fkiler (\u00f6r. ders kay\u0131tlar\u0131), psikolojik \u00f6l\u00e7\u00fcmler (\u00f6r. sab\u0131r, Duckworth, Peterson, Matthews ve Kelly, 2007 ve yetenek testleri) ve performans (\u00f6r. standart test puanlar\u0131, not ortalamalar\u0131) verileri gibi resmi veriler e\u011fitsel kestirimci modeller i\u00e7in \u00f6nemli olmakla birlikte, olay odakl\u0131 b\u00fcy\u00fck veri derlemlerinin son zamanlardaki y\u00fckseli\u015fi kestirimci modellerin etkin olmas\u0131nda \u00f6zellikle g\u00fc\u00e7l\u00fc bir etken olmu\u015ftur (Daha detayl\u0131 bir tart\u0131\u015fma i\u00e7in bk. Alhadad vd., 2015). Olay odakl\u0131 veri b\u00fcy\u00fck \u00f6l\u00e7\u00fcde \u00f6\u011frenci etkinli\u011fi temellidir ve \u00f6\u011frencilerin \u00f6\u011frenme i\u00e7erik y\u00f6netim sistemleri, tart\u0131\u015fma forumlar\u0131, aktif \u00f6\u011frenme teknolojileri ve video tabanl\u0131 \u00f6\u011fretim ara\u00e7lar\u0131 gibi etkile\u015fime giren \u00f6\u011frenme teknolojilerinden elde edilir. Bu veriler b\u00fcy\u00fck ve karma\u015f\u0131kt\u0131r (genellikle tek bir ders i\u00e7in milyonlarca veritaban\u0131 sat\u0131r\u0131 s\u0131ras\u0131na g\u00f6re) ve makine \u00f6\u011frenmesi i\u00e7in anlaml\u0131 \u00f6zelliklere d\u00f6n\u00fc\u015ft\u00fcrmek b\u00fcy\u00fck \u00e7aba gerektirir.<\/p>\n

E\u011fitsel ara\u015ft\u0131rmac\u0131n\u0131n pragmatik olarak d\u00fc\u015f\u00fcnmesi gereken \u015fey olay verisine eri\u015fimin sa\u011flanmas\u0131 ve kestirimci modelleme s\u00fcreci i\u00e7in gerekli \u00f6zelliklerin olu\u015fturulmas\u0131d\u0131r. Eri\u015fim konusu olduk\u00e7a i\u00e7eri\u011fe \u00f6zg\u00fcd\u00fcr ve kurumsal politikalara ve s\u00fcre\u00e7lerin yan\u0131 s\u0131ra devlet k\u0131s\u0131tlamalar\u0131na (ABD'deki FERPA gibi) tabidir. Karma\u015f\u0131k verilerin (olaya dayal\u0131 verilerde oldu\u011fu gibi) kestirimci modellemeye uygun \u00f6zelliklere d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi konusu \u00f6zellik m\u00fchendisli\u011fi olarak adland\u0131r\u0131l\u0131r ve geni\u015f bir ara\u015ft\u0131rma alan\u0131d\u0131r.<\/p>\n\n

S\u0131n\u0131fland\u0131rma ve Regresyon<\/h3>\n

\u0130statistiksel modellemede, genel olarak d\u00f6rt t\u00fcr veri g\u00f6z \u00f6n\u00fcnde bulundurulur: kategorik, s\u0131ra, aral\u0131k ve oran. Her veri t\u00fcr\u00fc, ili\u015fki t\u00fcrlerine ve dolay\u0131s\u0131yla bireysel \u00f6gelerden t\u00fcretilebilecek matematiksel i\u015flemlere g\u00f6re farkl\u0131l\u0131k g\u00f6sterir. Uygulamada, s\u0131ral\u0131 de\u011fi\u015fkenler genellikle kategoriye g\u00f6re de\u011ferlendirilir ve aral\u0131kl\u0131 ve oranl\u0131 veriler say\u0131sal olarak kabul edilir. Kategorik de\u011ferler ikili (\u00f6r. bir \u00f6\u011frencinin bir dersi ge\u00e7ip ge\u00e7meyece\u011fini tahmin etmek gibi) veya \u00e7ok de\u011ferli (\u00f6r. muhtemel uygulama sorular\u0131 grubundan hangisinin bir \u00f6\u011frenci i\u00e7in en uygun olaca\u011f\u0131n\u0131 tahmin etmek gibi) olabilir. Bu uygulamalar i\u00e7in iki farkl\u0131 algoritma s\u0131n\u0131f\u0131 vard\u0131r; kategorik de\u011ferleri tahmin etmek i\u00e7in s\u0131n\u0131fland\u0131rma algoritmalar\u0131 kullan\u0131l\u0131rken say\u0131sal de\u011ferleri tahmin etmek i\u00e7in regresyon algoritmalar\u0131 kullan\u0131l\u0131r.<\/p>\n\n

\u00d6zellik Se\u00e7imi<\/h3>\n

Kestirime dayal\u0131 bir model olu\u015fturmak ve uygulamak i\u00e7in tahmin edilecek de\u011ferle ili\u015fkilendirilen \u00f6zelliklerin olu\u015fturulmas\u0131 gerekir. Uygulay\u0131c\u0131 hangi verilerin toplanaca\u011f\u0131na karar verirken sonradan bilgiyi \u00e7\u0131karman\u0131n nispeten kolay ancak bilgi eklemenin zor hatta imkans\u0131z olaca\u011f\u0131n\u0131 g\u00f6z \u00f6n\u00fcnde bulundurarak daha fazla bilgi toplama e\u011filiminde olmal\u0131d\u0131r. \u0130deal olarak, se\u00e7ilen \u00e7\u0131kt\u0131 \u00f6ng\u00fcr\u00fcs\u00fc ile m\u00fckemmel bir \u015fekilde ili\u015fkili olan tek bir \u00f6zellik olacakt\u0131r. Ancak bu pratikte nadiren ger\u00e7ekle\u015fir. Baz\u0131 \u00f6\u011frenme algoritmalar\u0131 \u00e7ok bilgilendirici olup olmad\u0131klar\u0131na bak\u0131lmaks\u0131z\u0131n, kestirimde bulunmak i\u00e7in mevcut t\u00fcm nitelikleri kullan\u0131rken, di\u011ferleri ise modelden bilgilendirici olmayan \u00f6znitelikleri elemek i\u00e7in bir \u00e7e\u015fit de\u011fi\u015fken se\u00e7imi uygulamaktad\u0131r.<\/p>\n

Kestirimci bir model olu\u015fturmak i\u00e7in kullan\u0131lan algoritmaya ba\u011fl\u0131 olarak, \u00f6zellikler aras\u0131ndaki korelasyonu incelemek ve y\u00fcksek derecede ili\u015fkili nitelikleri kald\u0131rmak (regresyon analizlerinde \u00e7oklu do\u011frusall\u0131k problemi) veya ba\u011f\u0131nt\u0131y\u0131 ortadan kald\u0131rmak i\u00e7in \u00f6zelliklere bir d\u00f6n\u00fc\u015f\u00fcm uygulamak yararl\u0131 olabilir. \u00d6z niteliklerin ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131n\u0131 naif bir \u015fekilde varsayan bir \u00f6\u011frenme algoritmas\u0131 uygulamak, tekrarlanan veya ili\u015fkilendirilen \u00f6zellikleri a\u015f\u0131r\u0131 vurgulayan tahminlerle sonu\u00e7lanabilir. \u00d6rne\u011fin, bir ki\u015fi bir s\u0131n\u0131ftaki \u00f6\u011frencinin notunu tahmin etmeye \u00e7al\u0131\u015f\u0131yorsa ve bir \u00f6\u011frencinin belirli bir g\u00fcnde bir soru sorup sormamas\u0131n\u0131n yan\u0131 s\u0131ra devams\u0131zl\u0131k niteli\u011fini de kullan\u0131yorsa, ara\u015ft\u0131rmac\u0131n\u0131n iki \u00f6zelli\u011fin birbirinden ba\u011f\u0131ms\u0131z olmad\u0131\u011f\u0131n\u0131 kabul etmesi \u00f6nemlidir (\u00f6r. \u00f6\u011frenci devams\u0131zl\u0131k yapm\u0131\u015fsa soru soramaz). Uygulamada, \u00f6zellikler aras\u0131ndaki ba\u011f\u0131ml\u0131l\u0131klar genellikle g\u00f6z ard\u0131 edilir ancak verileri temizlemek ve i\u015flemek i\u00e7in kullan\u0131lan baz\u0131 tekniklerin ba\u011f\u0131ms\u0131zl\u0131k12<\/sup><\/a> varsay\u0131m\u0131na dayanabilece\u011fini belirtmek \u00f6nemlidir. \u00d6zelliklerin bilgilendirici bir alt k\u00fcmesini belirlemek, tahmine dayal\u0131 modelin bilgi i\u015flemsel karma\u015f\u0131kl\u0131\u011f\u0131, veri depolama ve toplama gereksinimleri azalt\u0131labilir ve a\u00e7\u0131klama i\u00e7in tahmine dayal\u0131 modellerin basitle\u015ftirilmesine yard\u0131mc\u0131 olabilir.<\/p>\n

Bir veri setindeki eksik de\u011ferler birka\u00e7 \u015fekilde ele al\u0131nabilir ve kullan\u0131lan yakla\u015f\u0131m verilerin bilinmemesi veya uygulanamamas\u0131 nedeniyle eksik olmas\u0131na ba\u011fl\u0131d\u0131r. En basit yakla\u015f\u0131m eksik de\u011ferleri olan \u00f6znitelikleri (s\u00fctunlar) ya da \u00f6rnekleri (sat\u0131rlar\u0131) kald\u0131rmakt\u0131r. Bu tekniklerin her ikisinin de sak\u0131ncalar\u0131 vard\u0131r. \u00d6rne\u011fin, toplam veri miktar\u0131n\u0131n olduk\u00e7a k\u00fc\u00e7\u00fck oldu\u011fu alanlarda, veri k\u00fcmesinin k\u00fc\u00e7\u00fck bir k\u0131sm\u0131n\u0131n bile kald\u0131r\u0131lmas\u0131n\u0131n etkisi, \u00f6zellikle de baz\u0131 verilerin \u00e7\u0131kar\u0131lmas\u0131 mevcut bir s\u0131n\u0131flama dengesizli\u011fi art\u0131r\u0131yorsa \u00f6nemli olabilir. Ayn\u0131 \u015fekilde, t\u00fcm niteliklerin \u00e7ok az eksik de\u011fere sahipken, kald\u0131r\u0131lmas\u0131 t\u00fcm verileri kald\u0131racak ve bu da kullan\u0131\u015fl\u0131 olmayacakt\u0131r. Eksik veri i\u00e7eren sat\u0131rlar\u0131 veya s\u00fctunlar\u0131 silmek yerine bilinen di\u011fer verilerden eksik de\u011ferleri de \u00e7\u0131kart\u0131labilir. Bir yakla\u015f\u0131m da eksik de\u011ferlerin bilinen de\u011ferlerin ortalamas\u0131 gibi \u201cnormal\u201d bir de\u011ferle de\u011fi\u015ftirilmesidir. Di\u011fer bir yakla\u015f\u0131m da veri k\u00fcmesindeki di\u011fer benzer kay\u0131tlar\u0131 bularak ve eksik de\u011ferleri kay\u0131tlardan kopyalayarak kay\u0131tlardaki eksik de\u011ferleri doldurmakt\u0131r.<\/p>\n

Eksik verilerin etkisi b\u00fcy\u00fck \u00f6l\u00e7\u00fcde, \u00f6\u011frenme algoritmas\u0131 (y\u00f6ntem mant\u0131\u011f\u0131) se\u00e7imine ba\u011fl\u0131d\u0131r. Naif Bayes s\u0131n\u0131fland\u0131r\u0131c\u0131 gibi baz\u0131 algoritmalar, baz\u0131 \u00f6zellikler bilinmedi\u011finde bile tahminler yapabilir; sadece eksik nitelikler bir tahmin yapmak i\u00e7in kullan\u0131lmaz. En yak\u0131n kom\u015fu s\u0131n\u0131fland\u0131r\u0131c\u0131, iki veri noktas\u0131 aras\u0131ndaki mesafeyi hesaplamaya dayal\u0131d\u0131r ve baz\u0131 uygulamalarda, bilinen bir de\u011fer ile eksik bir de\u011fer aras\u0131ndaki mesafenin, bu \u00f6zellik i\u00e7in m\u00fcmk\u00fcn olan en b\u00fcy\u00fck mesafe oldu\u011fu varsay\u0131m\u0131 yap\u0131l\u0131r. Son olarak, C4.5 karar a\u011fac\u0131 algoritmas\u0131, eksik bir de\u011fere sahip bir \u00f6rnek \u00fczerinde bir testle kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda, \u00f6rne\u011fin a\u011fa\u00e7ta yay\u0131lan ve a\u011f\u0131rl\u0131kl\u0131 oylama i\u00e7in kullan\u0131lan k\u0131smi b\u00f6l\u00fcmlere ayr\u0131l\u0131r. K\u0131sacas\u0131, eksik veriler hem d\u00fczenli olarak meydana gelen hem de kullan\u0131lan makine \u00f6\u011frenme y\u00f6ntemine ve kullan\u0131lan ara\u00e7 setine ba\u011fl\u0131 olarak farkl\u0131 \u015fekilde ele al\u0131nan \u00f6nemli bir husustur.<\/p>\n\n

Kestirimci Model Olu\u015fturma Y\u00f6ntemleri<\/h3>\n

Bir veri k\u00fcmesi toplad\u0131ktan ve \u00f6zellik se\u00e7imi yapt\u0131ktan sonra, ge\u00e7mi\u015f verilerden kestirimci bir model olu\u015fturulabilir. En genel anlam, kestirimci bir modelin amac\u0131, bilinen bilgiler g\u00f6z \u00f6n\u00fcne al\u0131narak, baz\u0131 bilinmeyen miktar veya niteliklerin bir tahminini yapmakt\u0131r. Bu b\u00f6l\u00fcmde k\u0131saca, kestirimci modeller olu\u015fturmak i\u00e7in bunun gibi birka\u00e7 y\u00f6ntem tan\u0131t\u0131lacakt\u0131r. Kestirimci modellemenin temel varsay\u0131m\u0131, ge\u00e7mi\u015fte toplanan verilerde var olan ili\u015fkilerin gelecekte de devam edece\u011fidir. Bununla birlikte, pratikte bu varsay\u0131m ge\u00e7erli olmayabilir. \u00d6rne\u011fin (toplanan ge\u00e7mi\u015f verilere g\u00f6re) bir \u00f6\u011frencinin Hesaplamaya Giri\u015f dersindeki notunun 4 y\u0131l i\u00e7inde bir kadame tamamlama olas\u0131l\u0131\u011f\u0131 ile y\u00fcksek kademe ile ili\u015fkili olmas\u0131 durumu s\u00f6z konusu olabilir. Ancak dersi veren \u00f6\u011fretende, kullan\u0131lan pedagojik teknikte veya dersin \u00f6n ko\u015ful oldu\u011fu lisans programlar\u0131nda bir de\u011fi\u015fiklik varsa, bu ders de\u011fi\u015fiklik \u00f6ncesindeki lisans program\u0131 i\u00e7in \u00f6nko\u015ful olma \u00f6zelli\u011fini art\u0131k yitirebilir. Uygulay\u0131c\u0131 her zaman ge\u00e7mi\u015f verilerde ke\u015ffedilen \u00f6r\u00fcnt\u00fclerin gelecekteki verilerde beklenip beklenmeyece\u011fini d\u00fc\u015f\u00fcnmelidir.<\/p>\n

Kestirimci modeller olu\u015fturmak i\u00e7in \u00e7e\u015fitli algoritmalar vard\u0131r. E\u011fitsel verilerinde, a\u015fa\u011f\u0131daki gibi y\u00f6ntemler kullan\u0131larak olu\u015fturulmu\u015f modelleri g\u00f6rmek yayg\u0131nd\u0131r:<\/p>\n\n

    \n \t
  1. \n

    Do\u011frusal Regresyon<\/span> niteliklerin do\u011frusal bir birle\u015fimi s\u00fcrekli bir say\u0131sal \u00e7\u0131kt\u0131 \u00f6ng\u00f6r\u00fcr.<\/p>\n<\/li>\n \t

  2. \n

    Lojistik <\/span>Regresyon<\/b> kategorik tahminlere imk\u00e2n tan\u0131yan iki veya daha fazla sonucun olas\u0131l\u0131\u011f\u0131n\u0131 tahmin eder.<\/p>\n<\/li>\n \t

  3. \n

    En Yak\u0131n Kom\u015fu S\u0131n\u0131fland\u0131r\u0131c\u0131lar<\/span> yeni veriler i\u00e7in uygun \u00f6ng\u00f6r\u00fclen etiketleri belirlemek i\u00e7in sadece e\u011fitim veri k\u00fcmesindeki en yak\u0131n etiketli veri noktalar\u0131n\u0131 kullan\u0131r.<\/p>\n<\/li>\n \t

  4. \n

    Karar A\u011fa\u00e7lar\u0131<\/span> (\u00f6r. C4.5 algoritmas\u0131), bir dizi \u201c\u00f6znitelik\u201d \u00f6zelli\u011fine dayanan verilerin tekrarlanan b\u00f6l\u00fcmleridir.<\/p>\n<\/li>\n \t

  5. \n

    Naif Bayes S\u0131n\u0131fland\u0131r\u0131c\u0131lar<\/span>s\u0131n\u0131fland\u0131rmada verilen her bir \u00f6zelli\u011fin istatistiksel ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131n\u0131 kabul eder ve s\u0131n\u0131fland\u0131rmalar\u0131n olas\u0131 yorumlar\u0131n\u0131 sa\u011flar.<\/p>\n<\/li>\n \t

  6. \n

    Bayezyan A\u011flar<\/span> manuel olarak olu\u015fturulmu\u015f \u00e7izgesel modellere sahiptir ve s\u0131n\u0131fland\u0131rmalar\u0131n olas\u0131 yorumlar\u0131n\u0131 sa\u011flar.<\/p>\n<\/li>\n \t

  7. \n

    Destek Vekt\u00f6r Makinalar\u0131<\/span> \u00e7e\u015fitli s\u0131n\u0131flar aras\u0131nda en b\u00fcy\u00fck ayr\u0131m hiper d\u00fczlemini bulmak i\u00e7in y\u00fcksek boyutlu bir veri projeksiyonu kullan\u0131r.<\/p>\n<\/li>\n \t

  8. \n

    Yapay Sinir A\u011flar\u0131<\/span> veriyi bir \u00e7\u0131kt\u0131 \u00fcretmek i\u00e7in seyrek olarak birbirine ba\u011fl\u0131 hesaplama d\u00fc\u011f\u00fcmleri (n\u00f6ronlar) katmanlar\u0131ndan ge\u00e7iren biyolojik olarak ilham veren algoritmalard\u0131r. Derin \u00f6\u011frenme<\/i><\/span> ba\u015fl\u0131\u011f\u0131 alt\u0131ndaki sinir a\u011f\u0131 yakla\u015f\u0131mlar\u0131na g\u00f6sterilen ilgi artm\u0131\u015ft\u0131r.<\/p>\n<\/li>\n \t

  9. \n

    Topluluk<\/span> Y\u00f6ntemleri, homojen veya heterojen s\u0131n\u0131fland\u0131r\u0131c\u0131lardan olu\u015fan bir oylama havuzu kullan\u0131r. \u00d6nde gelen iki teknik, birka\u00e7 veri modelinin veri k\u00fcmesinin rastgele alt \u00f6rneklerinden olu\u015fturuldu\u011fu \u00f6ny\u00fckleme toplamas\u0131<\/span>13<\/sup><\/a><\/span> ve art arda ilerleyen modellerin \u00f6nceki modellerin yanl\u0131\u015f s\u0131n\u0131fland\u0131rmalar\u0131n\u0131 hesaba katacak \u015fekilde tasarland\u0131\u011f\u013114<\/sup><\/a> y\u00fckseltmedir.<\/p>\n<\/li>\n<\/ol>\n

    Bu y\u00f6ntemlerin \u00e7o\u011fu ve bunlar\u0131n temelindeki yaz\u0131l\u0131m uygulamalar\u0131, algoritman\u0131n veri k\u00fcmesinin beklentilerine ba\u011fl\u0131 olarak \u00e7al\u0131\u015fma \u015feklini de\u011fi\u015ftiren ayarlanabilir parametrelere sahiptir. \u00d6rne\u011fin, karar a\u011fa\u00e7lar\u0131 olu\u015ftururken, bir ara\u015ft\u0131rmac\u0131 bir miktar genellenebilirlik d\u00fczeyi sa\u011flamak i\u00e7in kullan\u0131lan minimum yaprak b\u00fcy\u00fckl\u00fc\u011f\u00fcn\u00fc veya maksimum a\u011fa\u00e7 parametresi derinli\u011fini belirleyebilir.<\/p>\n

    Kestirimci modelleme i\u00e7in \u00e7ok say\u0131da yaz\u0131l\u0131m paketi bulunmaktad\u0131r ve do\u011fru paketi se\u00e7mek ara\u015ft\u0131rmac\u0131n\u0131n deneyimine, istenen s\u0131n\u0131fland\u0131rma veya regresyon yakla\u015f\u0131m\u0131na ve gereken veri ve veri temizlemesi miktar\u0131na ba\u011fl\u0131d\u0131r. Bu platformlara ili\u015fkin kapsaml\u0131 bir tart\u0131\u015fma bu b\u00f6l\u00fcm\u00fcn kapsam\u0131 d\u0131\u015f\u0131nda ise de serbest\u00e7e kullan\u0131labilir ve a\u00e7\u0131k kaynak paket olan Weka (Hall vd., 2009) daha \u00f6nce bahsedilen bir dizi modelleme y\u00f6ntemlerinin uygulamalar\u0131n\u0131 sa\u011flar, programlama bilgisi kullan\u0131m\u0131 gerektirmez ve (Witten ve Frank ve Hall, 2011) ders kitab\u0131 (Witten, 2016) \u00fccretsiz \u00e7evrimi\u00e7i ders serisi de d\u00e2hil olmak \u00fczere e\u011fitim materyalleri de bulunmaktad\u0131r.<\/p>\n

    Belirli bir yaz\u0131l\u0131m paketinde yer alan tekniklerin kapsama geni\u015fli\u011fi, ara\u015ft\u0131rmac\u0131lar\u0131n (e\u011fitsel veri bilimcileri de d\u00e2hil olmak \u00fczere) bir dizi farkl\u0131 y\u00f6ntem i\u00e7in s\u0131n\u0131fland\u0131rma do\u011fruluk tablolar\u0131 yay\u0131nlamalar\u0131n\u0131 ola\u011fan hale getirmi\u015fse de yazarlar buna kar\u015f\u0131 uyar\u0131da bulunur. Belirli bir teknik umut vaat ediyorsa, s\u0131n\u0131fland\u0131r\u0131c\u0131lar\u0131n temel varsay\u0131mlar\u0131na (\u00f6r. eksik veri veya veri k\u00fcmesi dengesizli\u011fi ile ilgili olarak), s\u0131n\u0131flay\u0131c\u0131 gruplar\u0131n\u0131 inceleyerek veya kullan\u0131lan belirli y\u00f6ntemlerin parametrelerini ayarlayarak daha iyi zaman harcan\u0131r. Ara\u015ft\u0131rma faaliyetinin amac\u0131, iki istatistiki modelleme yakla\u015f\u0131m\u0131n\u0131 \u00f6zel olarak kar\u015f\u0131la\u015ft\u0131rmaktan ibaret de\u011filse, e\u011fitsel veri bilimcileri bulgular\u0131n\u0131 yeni veya mevcut teorik yap\u0131lara ba\u011flama ile ilgili daha iyi durumda olurlar ve bu da belirli bir olgunun anla\u015f\u0131lmas\u0131nda derinle\u015fmeye yol a\u00e7ar. Verileri ve analiz betiklerini a\u00e7\u0131k bilimsel veri olarak payla\u015fmak, k\u00fc\u00e7\u00fck teknik yinelemeler i\u00e7in (\u00e7o\u011funlukla) bir yay\u0131n\u0131 ilgisiz keskinlik ve hassasiyet de\u011ferleri tablolar\u0131yla doldurmaktan daha iyi bir f\u0131rsat sunar.<\/p>\n\n

    Bir Modeli De\u011ferlendirme<\/h3>\n

    Kestirimci modelin niteli\u011fini de\u011ferlendirmek i\u00e7in bilinen etiketlere sahip bir test veri k\u00fcmesi gereklidir. Model taraf\u0131ndan test setinde15<\/sup><\/a> yap\u0131lan tahminler, modeli de\u011ferlendirmek amac\u0131yla test setinin bilinen ger\u00e7ek etiketleriyle kar\u015f\u0131la\u015ft\u0131r\u0131labilir. Bilinen ger\u00e7ek etiketlerin ve \u00f6ng\u00f6r\u00fclen etiketlerin benzerli\u011fini kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in \u00e7ok \u00e7e\u015fitli \u00f6nlemler mevcuttur. Baz\u0131 \u00f6rnekler, kestirim do\u011frulu\u011funu (do\u011fru \u015fekilde s\u0131n\u0131fland\u0131r\u0131lm\u0131\u015f test \u00f6rneklerinin ham k\u0131sm\u0131), kesinli\u011fi ve hassasiyeti i\u00e7erir.<\/p>\n

    \u00c7o\u011funlukla, kestirimci bir modelleme sorununa yakla\u015f\u0131rken, bina i\u00e7in yaln\u0131zca bir adet \u00e7ok ama\u00e7l\u0131 veri k\u00fcmesi kullan\u0131labilir. Bu ayn\u0131 veri k\u00fcmesini, model niteli\u011fini de\u011ferlendirmek i\u00e7in bir test seti olarak tekrar kullanmak cazip gelse de bu veri k\u00fcmesinde kestirimci modelin performans\u0131, yeni bir veri k\u00fcmesinde (modele g\u00f6re a\u015f\u0131r\u0131 uygunluk olarak g\u00f6r\u00fcl\u00fcyor) g\u00f6r\u00fclenden \u00f6nemli \u00f6l\u00e7\u00fcde daha fazla olacakt\u0131r. Bunun yerine, veri k\u00fcmesinin bir k\u0131sm\u0131n\u0131 \u201ctutmak\u201d16<\/sup><\/a> ve onu model kalitesini de\u011ferlendirmek i\u00e7in yaln\u0131zca bir test k\u00fcmesi olarak kullanmak yayg\u0131n bir uygulamad\u0131r.<\/p>\n

    En basit yakla\u015f\u0131m verinin yar\u0131s\u0131n\u0131 kald\u0131rmak ve test i\u00e7in ay\u0131rmakt\u0131r. Bununla birlikte, bu yakla\u015f\u0131m\u0131n iki sak\u0131ncas\u0131 vard\u0131r. \u0130lk olarak, kestirimci model test i\u00e7in verilerin yar\u0131s\u0131n\u0131 ay\u0131rmakla, model uydurma i\u00e7in verilerin yar\u0131s\u0131n\u0131 yaln\u0131zca kullanabilecektir. Genel olarak, model do\u011frulu\u011fu kullan\u0131labilir veri miktar\u0131 artt\u0131k\u00e7a artar. Bu nedenle, mevcut verilerin yaln\u0131zca yar\u0131s\u0131n\u0131 kullanarak deneme e\u011fitimi yapmak, t\u00fcm veriler kullan\u0131lm\u0131\u015f olsa verece\u011fi performanstan daha d\u00fc\u015f\u00fck performansa sahip kestirimci modellere neden olabilir. \u0130kincisi, model niteli\u011fi de\u011ferlendirmemiz, yaln\u0131zca mevcut verilerin yar\u0131s\u0131 i\u00e7in yap\u0131lan tahminlere dayanacakt\u0131r. Genel olarak, test setindeki \u00f6rneklerin say\u0131s\u0131n\u0131n artt\u0131r\u0131lmas\u0131 sonu\u00e7lar\u0131n g\u00fcvenilirli\u011fini artt\u0131r\u0131r. Verileri sadece e\u011fitim ve test k\u0131s\u0131mlar\u0131na b\u00f6lmek yerine, veri k\u00fcmesinin rastgele olarak b\u00f6l\u00fcmlerine b\u00f6l\u00fcnd\u00fc\u011f\u00fc bir k-katlamal\u0131 \u00e7apraz do\u011frulama i\u015flemi kullanmak yayg\u0131nd\u0131r; b\u00f6l\u00fcmlerden biri hari\u00e7 t\u00fcm model e\u011fitimleri ve tek ayr\u0131 dilimdeki ayr\u0131 testler ile k ayr\u0131k kestirimci modeller olu\u015fturulur. Test sonu\u00e7lar\u0131 daha sonra t\u00fcm k test b\u00f6l\u00fcmlerinden toplan\u0131r ve bir model niteli\u011fi de\u011ferlendirmesi yap\u0131labilir. K-katlamal\u0131 \u00e7apraz do\u011frulaman\u0131n \u00f6nemli faydalar\u0131, her mevcut veri noktas\u0131n\u0131n test setinin bir par\u00e7as\u0131 olarak kullan\u0131labilmesi, tek bir veri noktas\u0131n\u0131n ayn\u0131 s\u0131n\u0131fland\u0131r\u0131c\u0131n\u0131n hem e\u011fitim setinde hem de test setinde ayn\u0131 anda kullan\u0131lmad\u0131\u011f\u0131 ve kullan\u0131lan e\u011fitim setleri neredeyse t\u00fcm veriler kadar b\u00fcy\u00fck olmas\u0131d\u0131r.<\/p>\n

    Kestirimci modellemeyi uygulamaya koyarken g\u00f6z \u00f6n\u00fcnde bulundurulmas\u0131 gereken \u00f6nemli bir husus, modeli e\u011fitmek i\u00e7in kullan\u0131lan veriler ile kestirimler yap\u0131lmas\u0131 gerekti\u011finde mevcut olan veriler aras\u0131ndaki benzerliktir. Genellikle e\u011fitim alan\u0131nda kestirimci modeller, bir veya daha fazla zaman diliminden (\u00f6r. bir d\u00f6nem veya t\u00fcm y\u0131l) elde edilen veriler kullan\u0131larak olu\u015fturulur ve ard\u0131ndan bir sonraki zaman dilimindeki \u00f6\u011frenci verilerine uygulan\u0131r. Tahmini modeli olu\u015fturmak i\u00e7in kullan\u0131lan \u00f6zellikler, \u00f6\u011frencilerin bireysel \u00f6dev notlar\u0131 gibi fakt\u00f6rleri i\u00e7eriyorsa, modelin do\u011frulu\u011fu \u00f6devlerin bir y\u0131ldan di\u011ferine ne kadar benzer oldu\u011funa ba\u011fl\u0131 olacakt\u0131r. Model performans\u0131n\u0131n do\u011fru bir de\u011ferlendirmesini elde etmek i\u00e7in modeli yerinde kullan\u0131laca\u011f\u0131 \u015fekilde de\u011ferlendirmek \u00f6nemlidir. Bir y\u0131ldaki verileri kullanarak kestirimci modeli olu\u015fturun ve ard\u0131ndan bir y\u0131l\u0131n verilerini e\u011fitim ve test k\u00fcmelerine b\u00f6lmek yerine, izleyen y\u0131ldaki verilerden olu\u015fan bir test seti olu\u015fturun.<\/p>\n\n

    UYGULAMADA KEST\u0130R\u0130MC\u0130 ANAL\u0130T\u0130K<\/h3>\n

    Kestirimci analitik, \u00f6\u011fretme ve \u00f6\u011frenme alan\u0131nda, akademik programlarda risk alt\u0131ndaki \u00f6\u011frencileri tan\u0131mlamay\u0131 ama\u00e7layan \u00f6nemli bir \u00e7al\u0131\u015fma birimini de i\u00e7eren bir\u00e7ok ama\u00e7 i\u00e7in kullan\u0131l\u0131r. \u00d6rne\u011fin, Aguiar vd. (2015), \u00f6\u011frencilerin ortaokuldan zaman\u0131nda mezun olup olmayacaklar\u0131n\u0131 belirlemek i\u00e7in kestirimci modellerin kullan\u0131m\u0131n\u0131 tan\u0131mlamakta, \u00f6\u011frencilerin ilkokuldan ortaokula ge\u00e7erken kestirimlerin do\u011frulu\u011funun nas\u0131l de\u011fi\u015fti\u011fini g\u00f6stermektedir. \u00d6ng\u00f6r\u00fclen sonu\u00e7lar olduk\u00e7a de\u011fi\u015fkendir ve bir \u00f6\u011frenci veya ba\u015far\u0131 azmi i\u00e7in de\u011fer bi\u00e7meye y\u00f6nelik belirli bir notu veya not da\u011f\u0131l\u0131m\u0131 i\u00e7erebilir (Brooks vd., 2015). Baker, Gowda ve Corbett (2011), \u00f6\u011frencinin ak\u0131ll\u0131 \u00f6\u011fretici sistemle olan \u00f6nceki etkile\u015fimlerine dayanarak bi\u00e7imlendirici bir ba\u015far\u0131y\u0131 \u00f6ng\u00f6ren bir y\u00f6ntemi a\u00e7\u0131klar. Kitlesel a\u00e7\u0131k \u00e7evrimi\u00e7i dersler (KA\u00c7D'ler) gibi d\u00fc\u015f\u00fck riskli ve yar\u0131 resm\u00ee ortamlarda, \u00f6\u011frenenin ders ortas\u0131nda \u00f6\u011frenme etkinli\u011finden ayr\u0131lma olas\u0131l\u0131\u011f\u0131 da yo\u011fun olarak \u00e7al\u0131\u015f\u0131lm\u0131\u015f bir ba\u015fka sonu\u00e7tur. (Xing, Chen, Stein ve Marcinkowski, 2016; Taylor, Veeramachaneni ve O'Reilly, 2014).<\/p>\n

    Performans \u00f6l\u00e7\u00fctlerinin \u00f6tesinde, kestirimci modeller \u00f6\u011frenme ve \u00f6\u011fretmede, sorular\u0131 \u00f6\u011frenme olmadan do\u011fru bir \u015fekilde cevaplamak i\u00e7in \u201csistemle oyun oynamak\u201d gibi g\u00f6rev d\u0131\u015f\u0131 davran\u0131\u015flarla u\u011fra\u015fan \u00f6\u011frenenleri (Xing ve Goggins, 2015; Baker, 2007) tespit etmede kullan\u0131lm\u0131\u015ft\u0131r. (Baker, Corbett, Koedinger ve Wagner, 2004). Duyu\u015fsal ve duygusal durumlar gibi psikolojik yap\u0131lar da metinsel s\u00f6ylem veya y\u00fcz \u00f6zellikleri gibi bir\u00e7ok temel veri \u00f6zellikleri kullanarak kestirimci bir \u015fekilde modellenmi\u015ftir (D'Mello, Craig, Witherspoon, McDaniel ve Graesser, 2007; Wang, Heffernan ve Heffernan, 2015). Kestirmci modellemenin \u00f6zellikle E\u011fitsel Veri Madencili\u011finde kullan\u0131ld\u0131\u011f\u0131 y\u00f6ntemlerden baz\u0131lar\u0131na daha fazla \u00f6rnek, Koedinger, D'Mello, McLaughlin, Pardos ve Rose'da (2015) bulunabilir.<\/p>\nZORLUKLAR VE FIRSATLAR\n

    Kestirimci modelleme i\u00e7in bilgi i\u015flemsel ve istatistiksel y\u00f6ntemler olgunla\u015fm\u0131\u015ft\u0131r ve son on y\u0131lda e\u011fitim ara\u015ft\u0131rmac\u0131lar\u0131n\u0131n \u00f6\u011fretme ve \u00f6\u011frenme verilerine kestirimci modelleme uygulamalar\u0131 i\u00e7in bir dizi sa\u011flam ara\u00e7 sunulmu\u015ftur. Yine de tahmine dayal\u0131 modelleri olu\u015ftururken, onaylarken ve uygularken \u00f6\u011frenme analiti\u011fi toplulu\u011fu bir tak\u0131m zorluklar ve f\u0131rsatlarla kar\u015f\u0131 kar\u015f\u0131yad\u0131r. Kestirimci modelleme tekniklerinin sa\u011flayabilece\u011fi etkiyi art\u0131rmak i\u00e7in yat\u0131r\u0131m yap\u0131labilece\u011fini d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fcz \u00fc\u00e7 alanda \u015funlar olabilir:<\/p>\n\n

      \n \t
    1. \n

      Bilgisayar d\u0131\u015f\u0131 bilim insanlar\u0131n\u0131 kestirimci modelleme faaliyetlerinde desteklemek<\/i><\/span>. \u00d6\u011frenme analiti\u011fi alan\u0131 olduk\u00e7a disiplinler aras\u0131d\u0131r ve e\u011fitsel ara\u015ft\u0131rmac\u0131lar, psikometri uzmanlar\u0131, bili\u015fsel ve sosyal psikologlar ve politika uzmanlar\u0131 a\u00e7\u0131klay\u0131c\u0131 modellemede sa\u011flam bir altyap\u0131ya sahip olma e\u011filimindedirler. Kestirimci modelleme tekniklerinin uygulanmas\u0131nda destek sa\u011flanmas\u0131, kullan\u0131c\u0131 dostu ara\u00e7lar\u0131n inovasyonu veya kestirimci modelleme konusunda e\u011fitim kaynaklar\u0131n\u0131n geli\u015ftirilmesi, bu teknikleri kullanan e\u011fitim ara\u015ft\u0131rmac\u0131lar\u0131 grubunu daha da \u00e7e\u015fitlendirebilir.<\/p>\n<\/li>\n \t

    2. \n

      Topluluk \u00f6nc\u00fcl\u00fc\u011f\u00fcnde e\u011fitsel veri bilimi meydan okuma giri\u015fimlerini yaratmak<\/i><\/span>. Ara\u015ft\u0131rmac\u0131lar\u0131n ayn\u0131 genel \u00e7al\u0131\u015fma temas\u0131n\u0131 ele almalar\u0131 ancak biraz farkl\u0131 veri k\u00fcmeleri, uygulamalar ve sonu\u00e7lar kullanmalar\u0131 ve bu nedenle, kar\u015f\u0131la\u015ft\u0131rmas\u0131 zor sonu\u00e7lar\u0131 elde etmeleri nadir de\u011fildir. Bu durum \u00e7ok say\u0131da farkl\u0131 yazar\u0131n (\u00f6r. Brooks vd., 2015; Xing vd., 2016; Taylor vd., 2014; Whitehill, Williams, Lopez, Coleman ve Reich, 2015) kat\u0131ld\u0131\u011f\u0131 hepsinin farkl\u0131 veri k\u00fcmeleri, sonu\u00e7 de\u011fi\u015fkenleri ve yakla\u015f\u0131mlarla \u00e7al\u0131\u015ft\u0131\u011f\u0131 kitlesel a\u00e7\u0131k \u00e7evrimi\u00e7i dersleri yar\u0131da b\u0131rakma ile ilgili yak\u0131n zamanl\u0131 bir kestirimci modelleme ara\u015ft\u0131rmas\u0131nda \u00f6rneklenmi\u015ftir.<\/p>\n<\/li>\n<\/ol>\n

      Tekniklerin etkinli\u011fini ve mevcut sorunlara modelleme y\u00f6ntemlerinin uygunlu\u011funu kar\u015f\u0131la\u015ft\u0131rmak amac\u0131yla ortak ve net bir sonu\u00e7 k\u00fcmesine, a\u00e7\u0131k verilere ve payla\u015f\u0131lan uygulamalara do\u011fru ilerlemek topluluk i\u00e7in faydal\u0131 olabilir. Bu yakla\u015f\u0131m, benzer ara\u015ft\u0131rma alanlar\u0131nda ve daha geni\u015f veri bilimi toplulu\u011funda de\u011ferlidir ve e\u011fitsel veri bilimi zorluklar\u0131n\u0131n, kestirimci modelleme bilgisinin, e\u011fitsel ara\u015ft\u0131rma toplulu\u011funa yay\u0131lmas\u0131na yard\u0131mc\u0131 olabilece\u011fine ve ayn\u0131 zamanda \u00f6zellikle \u00f6zellik m\u00fchendisli\u011fine ili\u015fkin yeni disiplinler aras\u0131 y\u00f6ntemlerin geli\u015ftirilmesi i\u00e7in bir f\u0131rsat sundu\u011funa inan\u0131yoruz.<\/p>\n\n

        \n \t
      1. \n

        \u0130kinci dereceden kestirim modellemesi ile ilgilenmek<\/i><\/span>. \u00d6\u011frenme analiti\u011fi ba\u011flam\u0131nda, ikinci dereceden kestirimci modelleri, modelin kendisinde etki ve m\u00fcdahaleye ili\u015fkin tarihsel bilgiyi i\u00e7eren modeller olarak tan\u0131mlar\u0131z. Dolay\u0131s\u0131yla (\u00f6r.) okuldan at\u0131lma ile ilgili i\u00e7erikle \u00f6\u011frenci etkile\u015fimlerini kullanan kestirimsel model bir birinci dereceden kestirimci modelleme \u00f6rne\u011fi iken, bir m\u00fcdahalenin etkisiyle ilgili ge\u00e7mi\u015f verileri de i\u00e7eren bir model (bir e-posta istemi veya d\u00fcrtmek) ikinci dereceden bir \u00f6ng\u00f6r\u00fc modeli olarak kabul edilir. M\u00fcdahale etkilili\u011finin modellenmesine do\u011fru ilerlemek, \u00e7oklu m\u00fcdahaleler mevcut oldu\u011funda ve ki\u015fiselle\u015ftirilmi\u015f \u00f6\u011frenme yollar\u0131 istendi\u011finde \u00f6nemlidir.<\/p>\n<\/li>\n<\/ol>\n

        \u00d6\u011frenme analiti\u011fi ve e\u011fitsel veri madencili\u011fi topluluklar\u0131n\u0131n \u00e7ok disiplinli do\u011fas\u0131na ra\u011fmen, bu alanda \u00e7al\u0131\u015fan farkl\u0131 ara\u015ft\u0131rmac\u0131lar aras\u0131nda k\u00f6pr\u00fc kurmaya y\u00f6nelik bir anlay\u0131\u015fa halen ihtiya\u00e7 duyulmaktad\u0131r. \u00d6\u011frenme analiti\u011fi konferanslar\u0131nda \u00f6\u011frenme konusundaki bir ilgin\u00e7 tematik gizli etki, e\u011fitim ara\u015ft\u0131rmalar\u0131n\u0131n itici g\u00fc\u00e7leri olarak teori ve verilerin rollerinin (bazen hararetli \u015fekilde) tart\u0131\u015f\u0131lmas\u0131d\u0131r. E\u011fitim ara\u015ft\u0131rmalar\u0131nda \u201cteorinin sonu\u201d (Anderson, 2008) noktas\u0131na ula\u015ft\u0131k m\u0131? Pek olas\u0131 de\u011fil, fakat bu soru \u00f6\u011fretme ve \u00f6\u011frenmenin kestirimci modelleme alt alan\u0131 i\u00e7inde en belirgin olan\u0131d\u0131r: baz\u0131 ara\u015ft\u0131rmac\u0131lar i\u00e7in ama\u00e7 bili\u015f ve \u00f6\u011frenme s\u00fcre\u00e7lerini anlamak iken, di\u011ferleri gelecekteki olaylar\u0131 ve ba\u015far\u0131y\u0131 m\u00fcmk\u00fcn oldu\u011funca do\u011fru tahmin etmekle ilgilenmektedir. Giderek bir ki\u015fi i\u00e7in (genellikle kara kutular) daha karma\u015f\u0131k ve anla\u015f\u0131lmaz hale gelmekte olan kestirimci modeller ile a\u00e7\u0131klay\u0131c\u0131 ve tahmine dayal\u0131 modelleme teknikleri aras\u0131ndaki y\u00f6ntemsel se\u00e7imleri daha iyi y\u00f6nlendirmek i\u00e7in alandaki ara\u015ft\u0131rma g\u00fcndemlerinin hedeflerini daha a\u00e7\u0131k bir \u015fekilde tart\u0131\u015fmaya ba\u015flamak \u00f6nemlidir.<\/p>\n\n

        KAYNAK\u00c7A<\/h2>\nAguiar, E., Lakkaraju, H., Bhanpuri, N., Miller, D., Yuhas, B., & Addison, K. L. (2015). Who, when, and why: A machine learning approach to prioritizing students at risk of not graduating high school on time. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i><\/span>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 93\u2013102). New York: ACM. <\/span>\n\nAlhadad, S., Arnold, K., Baron, J., Bayer, I., Brooks, C., Little, R. R., Rocchio, R. A., Shehata, S., & Whitmer, J. (2015, October 7). The predictive learning analytics revolution: Leveraging learning data for student success. Technical report, EDUCAUSE Center for Analysis and Research. <\/span>\n\nAnderson, C. (2008, June 23). The end of theory: The data deluge makes the scientific method obsolete. Wired. https:\/\/www.wired.com\/2008\/06\/pb-theory\/ <\/span>\n\nBaker. R. S. J. d. (2007). Modeling and understanding students\u2019 on-task behaviour in intelligent tutoring systems. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems <\/i><\/span>(CHI\u201907), 28 April\u20133 May 2007, San Jose, CA (pp. 1059\u20131068). New York: ACM. <\/span>\n\nBaker, R. S. J. d., Corbett, A. T., Koedinger, K. R., & Wagner, A. Z. (2004). On-task behaviour in the cognitive tutor classroom: When students game the system. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems <\/i><\/span>(CHI\u201904), 24\u201329 April 2004, Vienna, Austria (pp. 383\u2013390). New York: ACM. <\/span>\n\nBaker, R. S. J. d., Gowda, S. M., & Corbett, A. T. (2011). Towards predicting future transfer of learning. Proceedings of the 15th International Conference on Artificial Intelligence in Education <\/i><\/span>(AIED\u201911), 28 June\u20132 July 2011, Auckland, New Zealand (pp. 23\u201330). Lecture Notes in Computer Science. Springer Berlin Heidelberg. <\/span>\n\nBarber, R., & Sharkey, M. (2012). Course correction: Using analytics to predict course success. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge <\/i><\/span>(LAK\u201912), 29 April\u20132 May 2012, Vancouver, BC, Canada (pp. 259\u2013262). New York: ACM. doi:10.1145\/2330601.2330664 <\/span>\n\nBrooks, C., Thompson, C., & Teasley, S. (2015). A time series interaction analysis method for building predictive models of learners using log data. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i><\/span>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 126\u2013135). New York: ACM. <\/span>\n\nChawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16<\/i><\/span>, 321\u2013357. <\/span>\n\nD\u2019Mello, S. K., Craig, S. D., Witherspoon, A., McDaniel, B., & Graesser, A. (2007). Automatic detection of learner\u2019s affect from conversational cues. User Modeling and User-Adapted Interaction, 18<\/i><\/span>(1\u20132), 45\u201380. <\/span>\n\nDuckworth, A. L., Peterson, C., Matthews, M. D., & Kelly, D. R. (2007). Grit: Perseverance and passion for long-term goals. Journal of Personality and Social Psychology, 92<\/i><\/span>(6), 1087\u20131101. <\/span>\n\nHall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The Weka data mining software: An update. SIGKDD Explorations Newsletter, 11<\/i><\/span>(1), 10\u201318. doi:10.1145\/1656274.1656278. <\/span>\n\nKoedinger, K. R., D\u2019Mello, S., McLaughlin, E. A., Pardos, Z. A., & Ros\u00e9, C. P. (2015). Data mining and education. Wiley Interdisciplinary Reviews: Cognitive Science, 6<\/i><\/span>(4), 333\u2013353.<\/span>\n\nLonn, S., & Teasley, S.D. (2014). Student explorer: A tool for supporting academic advising at scale. Proceed-ings of the 1st ACM Conference on Learning @ Scale (L@S 2014)<\/i>, 4\u20135 March 2014, Atlanta, Georgia, USA (pp. 175\u2013176). New York: ACM. doi:10.1145\/2556325.2567867<\/span>\n\nShmueli, G. (2010). To explain or to predict? Statistical Science, 25<\/i>(3), 289\u2013310. doi:10.1214\/10-STS330 <\/span>\n\nStripling, J., Mangan, K., DeSantis, N., Fernandes, R., Brown, S., Kolowich, S., McGuire, P., & Hendershott, A. (2016, March 2). Uproar at Mount St. Mary\u2019s. The Chronicle of Higher Education. http:\/\/chronicle.com\/ specialreport\/Uproar-at-Mount-St-Marys\/30. <\/span>\n\nTaylor, C., Veeramachaneni, K., & O\u2019Reilly, U.-M. (2014, August 14). Likely to stop? Predicting stopout in massive open online courses. http:\/\/dai.lids.mit.edu\/pdf\/1408.3382v1.pdf <\/span>\n\nWang, Y., Heffernan, N. T., & Heffernan, C. (2015). Towards better affect detectors: Effect of missing skills, class features and common wrong answers. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 31\u201335). New York: ACM. <\/span>\n\nWhitehill, J., Williams, J. J., Lopez, G., Coleman, C. A., & Reich, J. (2015). Beyond prediction: First steps toward automatic intervention in MOOC student stopout. In O. C. Santos et al. (Eds.), Proceedings of the 8th International Conference on Educational Data Mining <\/i>(EDM2015), 26\u201329 June 2015, Madrid, Spain (pp. XXX\u2013 XXX). International Educational Data Mining Society. http:\/\/www.educationaldatamining.org\/EDM2015\/ y\u00fcklenenler \/ evraklar \/ paper_112.pdf <\/span>\n\nWitten, I. H. (2016). Weka courses. The University of Waikato. https:\/\/weka.waikato.ac.nz\/explorer <\/span>\n\nWitten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: Practical machine learning tools and techniques<\/i>, 3rd ed. San Francisco, CA: Morgan Kaufmann Publishers. <\/span>\n\nXing, W., Chen, X., Stein, J., & Marcinkowski, M. (2016). Temporal predication of dropouts in MOOCs: Reaching the low-hanging fruit through stacking generalization. Computers in Human Behavior, 58<\/i>, 119\u2013129. <\/span>\n\nXing, W., & Goggins, S. (2015). Learning analytics in outer space: A hidden naive Bayes model for automatic students\u2019 on-task behaviour detection. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 176\u2013183). New York: ACM.<\/span>\n\n
        \n\n
        \n\n1<\/a> http:\/\/www.d2l.com\/<\/span>\n\n<\/div>\n
        \n\n2<\/a> http:\/\/www.starfishsolutions.com\/<\/span>\n\n<\/div>\n
        \n\n3<\/a> http:\/\/www.ellucian.com\/<\/span><\/span>\n\n<\/div>\n
        \n\n4<\/a> http:\/\/www.blackboard.com\/<\/span>\n\n<\/div>\n
        \n\n5<\/a> http:\/\/bluecanarydata.com<\/span>\n\n<\/div>\n
        \n\n6<\/a> http:\/\/www.civitaslearning.com\/<\/span>\n\n<\/div>\n
        \n\n7<\/a> Shmueli (2010), a\u00e7\u0131klay\u0131c\u0131 modellemeye benzer olan ancak nedensellik iddialar\u0131n\u0131n bulunmad\u0131\u011f\u0131 \u00fc\u00e7\u00fcnc\u00fc bir modelleme bi\u00e7iminden, tan\u0131mlay\u0131c\u0131 modellemeden s\u00f6z etmektedir. Y\u00fcksek\u00f6\u011frenim literat\u00fcr\u00fcnde, nedensellik s\u0131kl\u0131kla ima edilir ve tan\u0131mlay\u0131c\u0131 analizlerin \u00e7o\u011funlu\u011funun karar vermeyi etkilemek i\u00e7in nedensel kan\u0131t olarak kullan\u0131lmas\u0131 ama\u00e7lanm\u0131\u015ft\u0131r.<\/span>\n\n<\/div>\n
        \n\n8<\/a> orj. overfitting<\/span>\n\n<\/div>\n
        \n\n9<\/a> orj. k\u2013fold cross validation<\/span>\n\n<\/div>\n
        \n\n10<\/a> orj. training set<\/span>\n\n<\/div>\n
        \n\n11<\/a> \u00c7evirenin notu: noisy data. Veri giri\u015fi veya veri toplanmas\u0131 esnas\u0131nda olu\u015fan sistem d\u0131\u015f\u0131 hatalara g\u00fcr\u00fclt\u00fcl\u00fc veri denir. G\u00fcr\u00fclt\u00fcl\u00fc veri de\u011fi\u015fken varyans veya rassak hata olarak da adland\u0131r\u0131labilir.<\/span>\n\n<\/div>\n
        \n\n12<\/a> Yazarlar, sentetik az\u0131nl\u0131k \u00f6rnekleme tekni\u011fini uygulamada belirli veri s\u0131n\u0131flar\u0131n\u0131 g\u00fc\u00e7lendirmek i\u00e7in \u00f6rnekleme tekniklerini kullan\u0131rken \u00f6z niteliklerin ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131n\u0131 \u00fcstlenmenin tehlikesine d\u00fc\u015fen bir analizin anekdotunu payla\u015fmaktad\u0131rlar (Chawla, Bowyer, Hall, &Kegelmeyer, 2002). Bu durumda, \u015fehir ve eyalet ile ilgili verilerin eksik olmas\u0131, co\u011frafi olarak imk\u00e2ns\u0131z kombinasyonlar\u0131 i\u00e7eren, niteliklerin etkinli\u011fini azaltan ve modelin do\u011frulu\u011funu d\u00fc\u015f\u00fcren bir veri k\u00fcmesiyle sonu\u00e7lanm\u0131\u015ft\u0131r.<\/span>\n\n<\/div>\n
        \n\n13<\/a> orj. bootstrap aggregating<\/span>\n\n<\/div>\n
        \n\n14<\/a> orj. boosting<\/span>\n\n<\/div>\n
        \n\n15<\/a> orj. test set<\/span>\n\n<\/div>\n
        \n\n16<\/a> orj. hold out<\/span>\n\n<\/div>\n","rendered":"

        <\/a> Christopher Brooks1<\/sup>, Craig Thompson2<\/sup><\/span><\/span><\/p>\n

        1<\/sup>\u0130leti\u015fim Okulu, Michigan \u00dcniversitesi, ABD<\/span><\/span><\/p>\n

        2<\/sup>Saskatchewan \u00dcniversitesi, Bilgisayar Bilimi B\u00f6l\u00fcm\u00fc, Kanada<\/span><\/span><\/p>\n

        DOI: 10.18608\/hla17.005<\/span><\/span><\/p>\n

        \u00d6Z<\/h2>\n

        Bu makale, \u00f6\u011fretme ve \u00f6\u011frenmede kestirimci modelleme kullanman\u0131n s\u00fcreci, uygulamas\u0131 ve zorluklar\u0131 ele almaktad\u0131r. Kestirimci modelleme hem e\u011fitsel veri madencili\u011fi (EVM) hem de \u00f6\u011frenme analiti\u011fi (\u00d6A) alan\u0131nda \u00f6\u011frenci ba\u015far\u0131s\u0131n\u0131 tahmin etmeye odaklanm\u0131\u015f ara\u015ft\u0131rmac\u0131lar\u0131n temel bir uygulamas\u0131 haline gelmi\u015ftir. Bu b\u00f6l\u00fcmde, kestirimci modelleme kullan\u0131l\u0131rken dikkat edilecek hususlara genel bir bak\u0131\u015f ile birlikte bir e\u011fitsel veri bilimcisinin s\u00fcrece d\u00e2hil olurken g\u00f6z \u00f6n\u00fcnde bulundurmas\u0131 gereken ad\u0131mlar ve alandaki en pop\u00fcler tekniklere k\u0131sa bir genel bak\u0131\u015f sunulmaktad\u0131r.<\/span><\/p>\n

        Anahtar Kelimeler<\/span>: Kestirimci modelleme, makine \u00f6\u011frenmesi, e\u011fitsel veri madencili\u011fi (EVM), \u00f6zellik se\u00e7imi, model de\u011ferlendirme<\/span><\/p>\n

        Kestirimci analitik, gelecekteki belirsiz olaylar hakk\u0131nda \u00e7\u0131kar\u0131mlarda bulunmak i\u00e7in kullan\u0131lan bir teknikler grubudur. E\u011fitim alan\u0131nda, ki\u015fi \u00f6\u011frenme (\u00f6rne\u011fin, \u00f6\u011frencinin akademik ba\u015far\u0131s\u0131 veya beceri kazanmas\u0131), \u00f6\u011fretme (\u00f6rne\u011fin, belirli bir \u00f6\u011fretim tarz\u0131n\u0131n veya belirli bir \u00f6\u011fretenin bir birey \u00fczerindeki etkisini) veya y\u00f6neticiler i\u00e7in de\u011ferli olan di\u011fer vekil \u00f6l\u00e7\u00fc birimlerini \u00f6l\u00e7mekle (\u00f6rne\u011fin, okulda tutma veya ders kayd\u0131 tahminleri) ilgilenebilir. E\u011fitimde kestirimci analitik, sa\u011flam bir ara\u015ft\u0131rma alan\u0131d\u0131r ve baz\u0131 ticari \u00fcr\u00fcnler art\u0131k \u00f6\u011frenme i\u00e7eri\u011fi y\u00f6netim sistemlerinde (\u00f6r. D2L1<\/sup><\/a>, Starfish Retention2<\/sup><\/a> Solutions, Ellucian3<\/sup><\/a> ve Blackboard4<\/sup><\/a>) tahmine dayal\u0131 analitik i\u00e7ermektedir. Ayr\u0131ca, uzman \u015firketler (\u00f6r. Blue Canary5<\/sup><\/a> Civitas Learning6<\/sup><\/a>) \u015fimdi y\u00fcksek\u00f6\u011frenim i\u00e7in kestirime dayal\u0131 analitik dan\u0131\u015fmanl\u0131\u011f\u0131 ve \u00fcr\u00fcnleri sunmaktad\u0131r.<\/p>\n

        Bu b\u00f6l\u00fcmde, bu tekniklerin \u00f6zellikle \u00f6\u011fretme ve \u00f6\u011frenmede nas\u0131l uyguland\u0131\u011f\u0131na de\u011finerek, kestirimci modellemeye ili\u015fkin terimleri ve i\u015f ak\u0131\u015f\u0131n\u0131 tan\u0131t\u0131yoruz. Alan yaz\u0131n\u0131n tam bir incelemesi bu b\u00f6l\u00fcm\u00fcn kapsam\u0131 d\u0131\u015f\u0131nda kalsa da okuyuculara uygulamal\u0131 e\u011fitsel kestirimci modellemeye dair daha fazla \u00f6rnek i\u00e7in \u00d6\u011frenme Analitikleri ve Ara\u015ft\u0131rmalar\u0131 Derne\u011fi (SoLAR) ve Uluslararas\u0131 E\u011fitsel Veri Madencili\u011fi Derne\u011fi (IEDMS) ile ilgili konferans bildirileri ve dergilerini dikkate almalar\u0131n\u0131 tavsiye ediyoruz.<\/p>\n

        \u00d6ncelikle, kestirimci modellemeyi a\u00e7\u0131klay\u0131c\u0131 modellemeden ay\u0131rmak \u00f6nemlidir7<\/sup><\/a>. A\u00e7\u0131klay\u0131c\u0131 modellemede ama\u00e7, verilen bir sonu\u00e7 i\u00e7in bir a\u00e7\u0131klama sa\u011flamak amac\u0131yla mevcut t\u00fcm kan\u0131tlar\u0131 kullanmakt\u0131r. \u00d6rne\u011fin, bir \u00f6\u011frenen pop\u00fclasyonun ya\u015f, cinsiyet ve sosyoekonomik durumuna ait g\u00f6zlemler, bunlar\u0131n belirli bir \u00f6\u011frencinin ba\u015far\u0131 sonucuna nas\u0131l katk\u0131da bulunduklar\u0131n\u0131 a\u00e7\u0131klamak i\u00e7in bir regresyon modelinde kullan\u0131labilir. Bu a\u00e7\u0131klamalar\u0131n amac\u0131 genellikle nedensel (yaln\u0131zca ba\u011f\u0131nt\u0131l\u0131 olman\u0131n d\u0131\u015f\u0131nda) olmakla birlikte bu yakla\u015f\u0131mlar\u0131 kullanarak sunulan bulgular genellikle deneysel \u00e7al\u0131\u015fmalardan ka\u00e7\u0131n\u0131r ve nedenselli\u011fi g\u00f6stermek i\u00e7in teorik yorumlamaya dayan\u0131r (Shmueli, 2010 taraf\u0131ndan da a\u00e7\u0131kland\u0131\u011f\u0131 gibi).<\/p>\n

        Kestirimci modellemede ama\u00e7, g\u00f6zlemlere dayanarak yeni verilerin de\u011ferlerini (veya kestirimin say\u0131sal veriyle ilgilenmedi\u011fi durumlarda ise s\u0131n\u0131fland\u0131r\u0131lmas\u0131n\u0131) tahmin edecek bir model olu\u015fturmakt\u0131r. A\u00e7\u0131klay\u0131c\u0131 modellemeden farkl\u0131 olarak, kestirimci modelleme bir dizi bilinen veri (veri madencili\u011finde ara\u015ft\u0131rma durumlar\u0131 olarak adland\u0131r\u0131l\u0131r) g\u00f6zlenen de\u011fi\u015fkenlere dayanan yeni verilerin de\u011ferini veya s\u0131n\u0131f\u0131n\u0131 tahmin etmek i\u00e7in kullan\u0131labilecek oldu\u011fu varsay\u0131m\u0131na dayan\u0131r (kestirimci modelleme literat\u00fcr\u00fcndeki \u00f6zellikler olarak adland\u0131r\u0131l\u0131r). Bu nedenle, a\u00e7\u0131klay\u0131c\u0131 modelleme ile kestirimci modelleme aras\u0131ndaki temel fark, a\u00e7\u0131klay\u0131c\u0131 modellemenin gelece\u011fe ili\u015fkin herhangi bir iddiada bulunmay\u0131 ama\u00e7lamad\u0131\u011f\u0131 ancak kestirimci modellemenin ama\u00e7lad\u0131\u011f\u0131d\u0131r.<\/p>\n

        Daha a\u00e7\u0131k bir \u015fekilde, a\u00e7\u0131klay\u0131c\u0131 modelleme ve kestirimci modelleme, e\u011fitsel verilere uyguland\u0131\u011f\u0131nda \u00e7o\u011fu zaman uygulamada baz\u0131 farkl\u0131l\u0131klara sahiptir. A\u00e7\u0131klay\u0131c\u0131 modelleme, bir olguya dair anlay\u0131\u015f geli\u015ftirmeyi ama\u00e7layan post-hoc ve yans\u0131t\u0131c\u0131 bir etkinliktir. Kestirimci modelleme, sistemleri altta yatan verilerdeki de\u011fi\u015fikliklere duyarl\u0131 hale getirmeyi ama\u00e7layan ait oldu\u011fu yerde yap\u0131lan bir etkinliktir. Her iki modelleme bi\u00e7imini de y\u00fcksek\u00f6\u011frenimde kullan\u0131lan teknolojiye uygulamak m\u00fcmk\u00fcnd\u00fcr. \u00d6rne\u011fin, Lonn ve Teasley (2014), a\u00e7\u0131klay\u0131c\u0131 modellere dayanan bir \u00f6\u011frenci ba\u015far\u0131 sistemini tan\u0131mlarken, Brooks, Thompson ve Teasley (2015), kestirimci modellemeye dayanan bir yakla\u015f\u0131m\u0131 tan\u0131mlamaktad\u0131r. Her iki y\u00f6ntem de m\u00fcdahale sistemlerinin tasar\u0131m\u0131na bilgi sunmay\u0131 ama\u00e7lasa da birincisi, uzmanlar taraf\u0131ndan a\u00e7\u0131klay\u0131c\u0131 modellerin g\u00f6zden ge\u00e7irilmesi s\u0131ras\u0131nda geli\u015ftirilen teoriye dayanan bir yaz\u0131l\u0131m geli\u015ftirerek, ikincisi bunu ge\u00e7mi\u015f kay\u0131t dosyalar\u0131ndan toplanan verileri kullanarak yapar (bu durumda, t\u0131klama verisi).<\/p>\n

        \u0130ki modelleme yakla\u015f\u0131m\u0131 aras\u0131ndaki en b\u00fcy\u00fck metodolojik fark, genelle\u015ftirilebilirlik sorununa nas\u0131l hitap ettikleridir. A\u00e7\u0131klay\u0131c\u0131 modellemede, bir \u00f6rneklemeden toplanan verilerin t\u00fcm\u00fc (\u00f6r. belirli bir kursa kay\u0131tl\u0131 \u00f6\u011frenciler) daha genel olarak bir pop\u00fclasyon tan\u0131mlamak i\u00e7in kullan\u0131l\u0131r (\u00f6r. belirli bir kursa kay\u0131t olabilecek t\u00fcm \u00f6\u011frenciler). Genellenebilirlik ile ilgili konular b\u00fcy\u00fck \u00f6l\u00e7\u00fcde \u00f6rnekleme tekniklerine dayanmaktad\u0131r. Genellikle rastgele veya katmanl\u0131 \u00f6rnekleme yoluyla ve ara\u015ft\u0131rmac\u0131n\u0131n kabul etmek istedi\u011fi pop\u00fclasyon b\u00fcy\u00fckl\u00fc\u011f\u00fc ve hata seviyelerinin bir analizi yap\u0131larak uygun bir \u00f6rneklem temin etmek i\u00e7in gereken g\u00fc\u00e7 miktar\u0131n\u0131 belirleyerek se\u00e7im yanl\u0131l\u0131\u011f\u0131n\u0131 azaltmak \u00f6rneklemin pop\u00fclasyonu temsil etmesini sa\u011flar. Bir kestirim modelinde, bir modelin tahmin i\u00e7in uygunlu\u011funu de\u011ferlendirmek ve modellerin e\u011fitim i\u00e7in kullan\u0131lan verilere a\u015f\u0131r\u0131 y\u00fcklenmesine8<\/sup><\/a> kar\u015f\u0131 korumak i\u00e7in bir holdout veri k\u00fcmesi kullan\u0131l\u0131r. Hold out veri k\u00fcmelerini \u00fcretmek i\u00e7in, k-katlamal\u0131 \u00e7apraz do\u011frulama9<\/sup><\/a>, tek \u00e7\u0131k\u0131\u015fl\u0131 \u00e7apraz do\u011frulama, rastlant\u0131sal alt \u00f6rnekleme ve uygulamaya \u00f6zel stratejiler gibi birka\u00e7 farkl\u0131 strateji vard\u0131r.<\/p>\n

        Yap\u0131lan bu kar\u015f\u0131la\u015ft\u0131rmalarla, bu b\u00f6l\u00fcm\u00fcn geri kalan\u0131, \u00f6\u011frenme ve \u00f6\u011fretme alan\u0131nda kestirimci modellemenin nas\u0131l kullan\u0131ld\u0131\u011f\u0131na odaklanacak ve ara\u015ft\u0131rmac\u0131lar\u0131n kestirimci modelleme s\u00fcrecinde nas\u0131l yer ald\u0131\u011f\u0131na dair genel bir bak\u0131\u015f sunacakt\u0131r.<\/p>\n

        KEST\u0130R\u0130MC\u0130 MODELLEME \u0130\u015e AKI\u015eI<\/h2>\n

        Problem Te\u015fhisi<\/h3>\n

        \u00d6\u011fretme ve \u00f6\u011frenme alan\u0131nda, kestirimci modelleme, daha b\u00fcy\u00fck eylem odakl\u0131 bir e\u011fitim politikas\u0131 ve teknoloji ba\u011flam\u0131nda konumlanma e\u011filimindedir ve kurumlar bu modelleri \u00f6\u011frencilerin ihtiya\u00e7lar\u0131na ger\u00e7ek zamanl\u0131 olarak cevap vermek i\u00e7in kullan\u0131rlar. Kestirimci modelleme etkinli\u011finin amac\u0131, yeni bir m\u00fcdahalenin olmad\u0131\u011f\u0131 varsay\u0131larak belirli bir \u00f6\u011frencinin \u00e7\u0131kt\u0131lar\u0131n\u0131 do\u011fru \u015fekilde a\u00e7\u0131klayacak bir senaryo olu\u015fturmakt\u0131r. \u00d6rne\u011fin, belirli bir bireyin akademik \u00f6\u011frenimini ne zaman tamamlamas\u0131 gerekti\u011fine karar vermek i\u00e7in \u00f6ng\u00f6r\u00fcc\u00fc bir model kullan\u0131labilir. Bu modeli her bir \u00f6\u011frenciye uygulamak, hi\u00e7bir m\u00fcdahale stratejisinin kullan\u0131lmad\u0131\u011f\u0131 varsay\u0131ld\u0131\u011f\u0131nda \u00f6\u011frenimlerini ne zaman tamamlayabilecekleri konusunda fikir verecektir. Bu nedenle, kestirimci bir modelin do\u011fru senaryolar \u00fcretmesi \u00f6nemli olsa da bu modeller genellikle bir m\u00fcdahale veya iyile\u015ftirme stratejisi g\u00f6z \u00f6n\u00fcnde bulundurulmadan kullan\u0131lmaz.<\/p>\n

        Ba\u015far\u0131l\u0131 bir kestirimci modelleme yakla\u015f\u0131m\u0131 i\u00e7in g\u00fc\u00e7l\u00fc problem adaylar\u0131, modellenmekte olan konunun \u00f6l\u00e7\u00fclebilir \u00f6zelliklerinin oldu\u011fu, ilgilenilen konunun net bir sonucunun, yerinde m\u00fcdahale etme kabiliyetinin ve b\u00fcy\u00fck bir veri k\u00fcmesinin oldu\u011fu problemlerdir. En \u00f6nemlisi, \u00f6\u011frenenlerle ilgili ge\u00e7mi\u015f verilerin (e\u011fitim seti10<\/sup><\/a>) gelecekteki \u00f6\u011frenenlerin (test seti) g\u00f6stergesi oldu\u011fu, y\u0131ldan y\u0131la s\u0131ralanan bir s\u0131n\u0131f gibi s\u00fcrekli bir ihtiya\u00e7 olu\u015fmas\u0131 gerekir.<\/p>\n

        Di\u011fer taraftan, bir\u00e7ok fakt\u00f6r kestirimci modellemeyi daha az uygun hale getirir veya zorla\u015ft\u0131r\u0131r. \u00d6rne\u011fin hem seyrek hem de g\u00fcr\u00fclt\u00fcl\u00fc veriler11<\/sup><\/a>, do\u011fru tahmin modelleri olu\u015fturmaya \u00e7al\u0131\u015f\u0131rken zorluklar ortaya \u00e7\u0131kar\u0131r. Veri da\u011f\u0131l\u0131m\u0131 veya eksik veriler, iste\u011fe ba\u011fl\u0131 bilgi vermemeyi se\u00e7en \u00f6\u011frenciler gibi \u00e7e\u015fitli nedenlerle ortaya \u00e7\u0131kabilir. Baz\u0131 \u00f6\u011frenciler sanal \u00f6zel a\u011flar kullan\u0131rken (b\u00f6lge k\u0131s\u0131tlamalar\u0131n\u0131 a\u015fmak i\u00e7in kullan\u0131lan vekil sunucular, \u00c7in gibi \u00fclkelerde al\u0131\u015f\u0131lmad\u0131k bir uygulama olan vekil sunucular), bir \u00f6\u011frencinin IP adresinden konumunu belirleme gibi bir \u00f6l\u00e7\u00fcm ama\u00e7lanan verileri do\u011fru \u015fekilde yakalayamad\u0131\u011f\u0131nda g\u00fcr\u00fclt\u00fcl\u00fc veriler ortaya \u00e7\u0131kar. Son olarak, baz\u0131 alanlarda, kestirimci modellerin \u00fcretti\u011fi \u00e7\u0131kar\u0131mlar, risk alt\u0131ndaki \u00f6\u011frenci tahmini modelleri kullan\u0131ld\u0131\u011f\u0131nda s\u00f6z konusu \u00f6\u011frencilerin kabul almalar\u0131n\u0131 zorla\u015ft\u0131rmak gibi etik veya adil uygulamalar ile ters d\u00fc\u015febilir (Stripling vd., 2016’da \u00f6rneklenmi\u015ftir).<\/p>\n

        Veri Koleksiyonu<\/h3>\n

        Kestirimci modellemede, ge\u00e7mi\u015f veriler, \u00f6zellikler aras\u0131ndaki ili\u015fki modelleri \u00fcretmek i\u00e7in kullan\u0131l\u0131r. Ara\u015ft\u0131rmac\u0131 i\u00e7in ilk faaliyetlerden biri, \u00e7\u0131kt\u0131 de\u011fi\u015fkeninin (\u00f6r. s\u0131n\u0131f veya ba\u015far\u0131 d\u00fczeyi) yan\u0131 s\u0131ra bu de\u011fi\u015fkene dair ku\u015fkulan\u0131lan korelasyonlar\u0131 (\u00f6r. cinsiyet, etnik yap\u0131, verilen kaynaklara eri\u015fim) tan\u0131mlamakt\u0131r. Modelleme etkinli\u011finin durumsal niteli\u011fi g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, yaln\u0131zca m\u00fcdahalenin yap\u0131labilece\u011fi zamanda veya \u00f6ncesinde mevcut olan korelasyonlar\u0131 se\u00e7mek \u00f6nemlidir. \u00d6rne\u011fin, bir ara s\u0131nav notu, dersin bir final notu i\u00e7in \u00f6ng\u00f6r\u00fcc\u00fc olabilir ancak e\u011fer ara s\u0131navdan \u00f6nce m\u00fcdahale etmek isteniyorsa, bu veri de\u011feri modelleme etkinli\u011finin d\u0131\u015f\u0131nda b\u0131rak\u0131lmal\u0131d\u0131r.<\/p>\n

        \u00d6\u011frencinin final notunun tahmini gibi zamana dayal\u0131 modelleme faaliyetlerinde, her biri farkl\u0131 bir zaman dilimine ve g\u00f6zlenen de\u011fi\u015fkenlere kar\u015f\u0131l\u0131k gelen birden fazla modelin olu\u015fturulmas\u0131 yayg\u0131nd\u0131r (\u00f6r. Barber ve Sharkey, 2012). \u00d6rne\u011fin, bir dersin her haftas\u0131 i\u00e7in kestirimci modeller olu\u015fturabilir, her modele haftal\u0131k s\u0131navlar\u0131n sonu\u00e7lar\u0131, \u00f6\u011frenci demografisi ve \u00f6\u011frencinin derse bug\u00fcne kadarki dijital kaynaklar ile ilgili sahip olduklar\u0131 kat\u0131l\u0131m miktar\u0131 d\u00e2hil edilebilir.<\/p>\n

        N\u00fcfus (\u00f6r. cinsiyet, etnik k\u00f6ken), ili\u015fkiler (\u00f6r. ders kay\u0131tlar\u0131), psikolojik \u00f6l\u00e7\u00fcmler (\u00f6r. sab\u0131r, Duckworth, Peterson, Matthews ve Kelly, 2007 ve yetenek testleri) ve performans (\u00f6r. standart test puanlar\u0131, not ortalamalar\u0131) verileri gibi resmi veriler e\u011fitsel kestirimci modeller i\u00e7in \u00f6nemli olmakla birlikte, olay odakl\u0131 b\u00fcy\u00fck veri derlemlerinin son zamanlardaki y\u00fckseli\u015fi kestirimci modellerin etkin olmas\u0131nda \u00f6zellikle g\u00fc\u00e7l\u00fc bir etken olmu\u015ftur (Daha detayl\u0131 bir tart\u0131\u015fma i\u00e7in bk. Alhadad vd., 2015). Olay odakl\u0131 veri b\u00fcy\u00fck \u00f6l\u00e7\u00fcde \u00f6\u011frenci etkinli\u011fi temellidir ve \u00f6\u011frencilerin \u00f6\u011frenme i\u00e7erik y\u00f6netim sistemleri, tart\u0131\u015fma forumlar\u0131, aktif \u00f6\u011frenme teknolojileri ve video tabanl\u0131 \u00f6\u011fretim ara\u00e7lar\u0131 gibi etkile\u015fime giren \u00f6\u011frenme teknolojilerinden elde edilir. Bu veriler b\u00fcy\u00fck ve karma\u015f\u0131kt\u0131r (genellikle tek bir ders i\u00e7in milyonlarca veritaban\u0131 sat\u0131r\u0131 s\u0131ras\u0131na g\u00f6re) ve makine \u00f6\u011frenmesi i\u00e7in anlaml\u0131 \u00f6zelliklere d\u00f6n\u00fc\u015ft\u00fcrmek b\u00fcy\u00fck \u00e7aba gerektirir.<\/p>\n

        E\u011fitsel ara\u015ft\u0131rmac\u0131n\u0131n pragmatik olarak d\u00fc\u015f\u00fcnmesi gereken \u015fey olay verisine eri\u015fimin sa\u011flanmas\u0131 ve kestirimci modelleme s\u00fcreci i\u00e7in gerekli \u00f6zelliklerin olu\u015fturulmas\u0131d\u0131r. Eri\u015fim konusu olduk\u00e7a i\u00e7eri\u011fe \u00f6zg\u00fcd\u00fcr ve kurumsal politikalara ve s\u00fcre\u00e7lerin yan\u0131 s\u0131ra devlet k\u0131s\u0131tlamalar\u0131na (ABD’deki FERPA gibi) tabidir. Karma\u015f\u0131k verilerin (olaya dayal\u0131 verilerde oldu\u011fu gibi) kestirimci modellemeye uygun \u00f6zelliklere d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi konusu \u00f6zellik m\u00fchendisli\u011fi olarak adland\u0131r\u0131l\u0131r ve geni\u015f bir ara\u015ft\u0131rma alan\u0131d\u0131r.<\/p>\n

        S\u0131n\u0131fland\u0131rma ve Regresyon<\/h3>\n

        \u0130statistiksel modellemede, genel olarak d\u00f6rt t\u00fcr veri g\u00f6z \u00f6n\u00fcnde bulundurulur: kategorik, s\u0131ra, aral\u0131k ve oran. Her veri t\u00fcr\u00fc, ili\u015fki t\u00fcrlerine ve dolay\u0131s\u0131yla bireysel \u00f6gelerden t\u00fcretilebilecek matematiksel i\u015flemlere g\u00f6re farkl\u0131l\u0131k g\u00f6sterir. Uygulamada, s\u0131ral\u0131 de\u011fi\u015fkenler genellikle kategoriye g\u00f6re de\u011ferlendirilir ve aral\u0131kl\u0131 ve oranl\u0131 veriler say\u0131sal olarak kabul edilir. Kategorik de\u011ferler ikili (\u00f6r. bir \u00f6\u011frencinin bir dersi ge\u00e7ip ge\u00e7meyece\u011fini tahmin etmek gibi) veya \u00e7ok de\u011ferli (\u00f6r. muhtemel uygulama sorular\u0131 grubundan hangisinin bir \u00f6\u011frenci i\u00e7in en uygun olaca\u011f\u0131n\u0131 tahmin etmek gibi) olabilir. Bu uygulamalar i\u00e7in iki farkl\u0131 algoritma s\u0131n\u0131f\u0131 vard\u0131r; kategorik de\u011ferleri tahmin etmek i\u00e7in s\u0131n\u0131fland\u0131rma algoritmalar\u0131 kullan\u0131l\u0131rken say\u0131sal de\u011ferleri tahmin etmek i\u00e7in regresyon algoritmalar\u0131 kullan\u0131l\u0131r.<\/p>\n

        \u00d6zellik Se\u00e7imi<\/h3>\n

        Kestirime dayal\u0131 bir model olu\u015fturmak ve uygulamak i\u00e7in tahmin edilecek de\u011ferle ili\u015fkilendirilen \u00f6zelliklerin olu\u015fturulmas\u0131 gerekir. Uygulay\u0131c\u0131 hangi verilerin toplanaca\u011f\u0131na karar verirken sonradan bilgiyi \u00e7\u0131karman\u0131n nispeten kolay ancak bilgi eklemenin zor hatta imkans\u0131z olaca\u011f\u0131n\u0131 g\u00f6z \u00f6n\u00fcnde bulundurarak daha fazla bilgi toplama e\u011filiminde olmal\u0131d\u0131r. \u0130deal olarak, se\u00e7ilen \u00e7\u0131kt\u0131 \u00f6ng\u00fcr\u00fcs\u00fc ile m\u00fckemmel bir \u015fekilde ili\u015fkili olan tek bir \u00f6zellik olacakt\u0131r. Ancak bu pratikte nadiren ger\u00e7ekle\u015fir. Baz\u0131 \u00f6\u011frenme algoritmalar\u0131 \u00e7ok bilgilendirici olup olmad\u0131klar\u0131na bak\u0131lmaks\u0131z\u0131n, kestirimde bulunmak i\u00e7in mevcut t\u00fcm nitelikleri kullan\u0131rken, di\u011ferleri ise modelden bilgilendirici olmayan \u00f6znitelikleri elemek i\u00e7in bir \u00e7e\u015fit de\u011fi\u015fken se\u00e7imi uygulamaktad\u0131r.<\/p>\n

        Kestirimci bir model olu\u015fturmak i\u00e7in kullan\u0131lan algoritmaya ba\u011fl\u0131 olarak, \u00f6zellikler aras\u0131ndaki korelasyonu incelemek ve y\u00fcksek derecede ili\u015fkili nitelikleri kald\u0131rmak (regresyon analizlerinde \u00e7oklu do\u011frusall\u0131k problemi) veya ba\u011f\u0131nt\u0131y\u0131 ortadan kald\u0131rmak i\u00e7in \u00f6zelliklere bir d\u00f6n\u00fc\u015f\u00fcm uygulamak yararl\u0131 olabilir. \u00d6z niteliklerin ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131n\u0131 naif bir \u015fekilde varsayan bir \u00f6\u011frenme algoritmas\u0131 uygulamak, tekrarlanan veya ili\u015fkilendirilen \u00f6zellikleri a\u015f\u0131r\u0131 vurgulayan tahminlerle sonu\u00e7lanabilir. \u00d6rne\u011fin, bir ki\u015fi bir s\u0131n\u0131ftaki \u00f6\u011frencinin notunu tahmin etmeye \u00e7al\u0131\u015f\u0131yorsa ve bir \u00f6\u011frencinin belirli bir g\u00fcnde bir soru sorup sormamas\u0131n\u0131n yan\u0131 s\u0131ra devams\u0131zl\u0131k niteli\u011fini de kullan\u0131yorsa, ara\u015ft\u0131rmac\u0131n\u0131n iki \u00f6zelli\u011fin birbirinden ba\u011f\u0131ms\u0131z olmad\u0131\u011f\u0131n\u0131 kabul etmesi \u00f6nemlidir (\u00f6r. \u00f6\u011frenci devams\u0131zl\u0131k yapm\u0131\u015fsa soru soramaz). Uygulamada, \u00f6zellikler aras\u0131ndaki ba\u011f\u0131ml\u0131l\u0131klar genellikle g\u00f6z ard\u0131 edilir ancak verileri temizlemek ve i\u015flemek i\u00e7in kullan\u0131lan baz\u0131 tekniklerin ba\u011f\u0131ms\u0131zl\u0131k12<\/sup><\/a> varsay\u0131m\u0131na dayanabilece\u011fini belirtmek \u00f6nemlidir. \u00d6zelliklerin bilgilendirici bir alt k\u00fcmesini belirlemek, tahmine dayal\u0131 modelin bilgi i\u015flemsel karma\u015f\u0131kl\u0131\u011f\u0131, veri depolama ve toplama gereksinimleri azalt\u0131labilir ve a\u00e7\u0131klama i\u00e7in tahmine dayal\u0131 modellerin basitle\u015ftirilmesine yard\u0131mc\u0131 olabilir.<\/p>\n

        Bir veri setindeki eksik de\u011ferler birka\u00e7 \u015fekilde ele al\u0131nabilir ve kullan\u0131lan yakla\u015f\u0131m verilerin bilinmemesi veya uygulanamamas\u0131 nedeniyle eksik olmas\u0131na ba\u011fl\u0131d\u0131r. En basit yakla\u015f\u0131m eksik de\u011ferleri olan \u00f6znitelikleri (s\u00fctunlar) ya da \u00f6rnekleri (sat\u0131rlar\u0131) kald\u0131rmakt\u0131r. Bu tekniklerin her ikisinin de sak\u0131ncalar\u0131 vard\u0131r. \u00d6rne\u011fin, toplam veri miktar\u0131n\u0131n olduk\u00e7a k\u00fc\u00e7\u00fck oldu\u011fu alanlarda, veri k\u00fcmesinin k\u00fc\u00e7\u00fck bir k\u0131sm\u0131n\u0131n bile kald\u0131r\u0131lmas\u0131n\u0131n etkisi, \u00f6zellikle de baz\u0131 verilerin \u00e7\u0131kar\u0131lmas\u0131 mevcut bir s\u0131n\u0131flama dengesizli\u011fi art\u0131r\u0131yorsa \u00f6nemli olabilir. Ayn\u0131 \u015fekilde, t\u00fcm niteliklerin \u00e7ok az eksik de\u011fere sahipken, kald\u0131r\u0131lmas\u0131 t\u00fcm verileri kald\u0131racak ve bu da kullan\u0131\u015fl\u0131 olmayacakt\u0131r. Eksik veri i\u00e7eren sat\u0131rlar\u0131 veya s\u00fctunlar\u0131 silmek yerine bilinen di\u011fer verilerden eksik de\u011ferleri de \u00e7\u0131kart\u0131labilir. Bir yakla\u015f\u0131m da eksik de\u011ferlerin bilinen de\u011ferlerin ortalamas\u0131 gibi \u201cnormal\u201d bir de\u011ferle de\u011fi\u015ftirilmesidir. Di\u011fer bir yakla\u015f\u0131m da veri k\u00fcmesindeki di\u011fer benzer kay\u0131tlar\u0131 bularak ve eksik de\u011ferleri kay\u0131tlardan kopyalayarak kay\u0131tlardaki eksik de\u011ferleri doldurmakt\u0131r.<\/p>\n

        Eksik verilerin etkisi b\u00fcy\u00fck \u00f6l\u00e7\u00fcde, \u00f6\u011frenme algoritmas\u0131 (y\u00f6ntem mant\u0131\u011f\u0131) se\u00e7imine ba\u011fl\u0131d\u0131r. Naif Bayes s\u0131n\u0131fland\u0131r\u0131c\u0131 gibi baz\u0131 algoritmalar, baz\u0131 \u00f6zellikler bilinmedi\u011finde bile tahminler yapabilir; sadece eksik nitelikler bir tahmin yapmak i\u00e7in kullan\u0131lmaz. En yak\u0131n kom\u015fu s\u0131n\u0131fland\u0131r\u0131c\u0131, iki veri noktas\u0131 aras\u0131ndaki mesafeyi hesaplamaya dayal\u0131d\u0131r ve baz\u0131 uygulamalarda, bilinen bir de\u011fer ile eksik bir de\u011fer aras\u0131ndaki mesafenin, bu \u00f6zellik i\u00e7in m\u00fcmk\u00fcn olan en b\u00fcy\u00fck mesafe oldu\u011fu varsay\u0131m\u0131 yap\u0131l\u0131r. Son olarak, C4.5 karar a\u011fac\u0131 algoritmas\u0131, eksik bir de\u011fere sahip bir \u00f6rnek \u00fczerinde bir testle kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda, \u00f6rne\u011fin a\u011fa\u00e7ta yay\u0131lan ve a\u011f\u0131rl\u0131kl\u0131 oylama i\u00e7in kullan\u0131lan k\u0131smi b\u00f6l\u00fcmlere ayr\u0131l\u0131r. K\u0131sacas\u0131, eksik veriler hem d\u00fczenli olarak meydana gelen hem de kullan\u0131lan makine \u00f6\u011frenme y\u00f6ntemine ve kullan\u0131lan ara\u00e7 setine ba\u011fl\u0131 olarak farkl\u0131 \u015fekilde ele al\u0131nan \u00f6nemli bir husustur.<\/p>\n

        Kestirimci Model Olu\u015fturma Y\u00f6ntemleri<\/h3>\n

        Bir veri k\u00fcmesi toplad\u0131ktan ve \u00f6zellik se\u00e7imi yapt\u0131ktan sonra, ge\u00e7mi\u015f verilerden kestirimci bir model olu\u015fturulabilir. En genel anlam, kestirimci bir modelin amac\u0131, bilinen bilgiler g\u00f6z \u00f6n\u00fcne al\u0131narak, baz\u0131 bilinmeyen miktar veya niteliklerin bir tahminini yapmakt\u0131r. Bu b\u00f6l\u00fcmde k\u0131saca, kestirimci modeller olu\u015fturmak i\u00e7in bunun gibi birka\u00e7 y\u00f6ntem tan\u0131t\u0131lacakt\u0131r. Kestirimci modellemenin temel varsay\u0131m\u0131, ge\u00e7mi\u015fte toplanan verilerde var olan ili\u015fkilerin gelecekte de devam edece\u011fidir. Bununla birlikte, pratikte bu varsay\u0131m ge\u00e7erli olmayabilir. \u00d6rne\u011fin (toplanan ge\u00e7mi\u015f verilere g\u00f6re) bir \u00f6\u011frencinin Hesaplamaya Giri\u015f dersindeki notunun 4 y\u0131l i\u00e7inde bir kadame tamamlama olas\u0131l\u0131\u011f\u0131 ile y\u00fcksek kademe ile ili\u015fkili olmas\u0131 durumu s\u00f6z konusu olabilir. Ancak dersi veren \u00f6\u011fretende, kullan\u0131lan pedagojik teknikte veya dersin \u00f6n ko\u015ful oldu\u011fu lisans programlar\u0131nda bir de\u011fi\u015fiklik varsa, bu ders de\u011fi\u015fiklik \u00f6ncesindeki lisans program\u0131 i\u00e7in \u00f6nko\u015ful olma \u00f6zelli\u011fini art\u0131k yitirebilir. Uygulay\u0131c\u0131 her zaman ge\u00e7mi\u015f verilerde ke\u015ffedilen \u00f6r\u00fcnt\u00fclerin gelecekteki verilerde beklenip beklenmeyece\u011fini d\u00fc\u015f\u00fcnmelidir.<\/p>\n

        Kestirimci modeller olu\u015fturmak i\u00e7in \u00e7e\u015fitli algoritmalar vard\u0131r. E\u011fitsel verilerinde, a\u015fa\u011f\u0131daki gibi y\u00f6ntemler kullan\u0131larak olu\u015fturulmu\u015f modelleri g\u00f6rmek yayg\u0131nd\u0131r:<\/p>\n

          \n
        1. \n

          Do\u011frusal Regresyon<\/span> niteliklerin do\u011frusal bir birle\u015fimi s\u00fcrekli bir say\u0131sal \u00e7\u0131kt\u0131 \u00f6ng\u00f6r\u00fcr.<\/p>\n<\/li>\n

        2. \n

          Lojistik <\/span>Regresyon<\/b> kategorik tahminlere imk\u00e2n tan\u0131yan iki veya daha fazla sonucun olas\u0131l\u0131\u011f\u0131n\u0131 tahmin eder.<\/p>\n<\/li>\n

        3. \n

          En Yak\u0131n Kom\u015fu S\u0131n\u0131fland\u0131r\u0131c\u0131lar<\/span> yeni veriler i\u00e7in uygun \u00f6ng\u00f6r\u00fclen etiketleri belirlemek i\u00e7in sadece e\u011fitim veri k\u00fcmesindeki en yak\u0131n etiketli veri noktalar\u0131n\u0131 kullan\u0131r.<\/p>\n<\/li>\n

        4. \n

          Karar A\u011fa\u00e7lar\u0131<\/span> (\u00f6r. C4.5 algoritmas\u0131), bir dizi \u201c\u00f6znitelik\u201d \u00f6zelli\u011fine dayanan verilerin tekrarlanan b\u00f6l\u00fcmleridir.<\/p>\n<\/li>\n

        5. \n

          Naif Bayes S\u0131n\u0131fland\u0131r\u0131c\u0131lar<\/span>s\u0131n\u0131fland\u0131rmada verilen her bir \u00f6zelli\u011fin istatistiksel ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131n\u0131 kabul eder ve s\u0131n\u0131fland\u0131rmalar\u0131n olas\u0131 yorumlar\u0131n\u0131 sa\u011flar.<\/p>\n<\/li>\n

        6. \n

          Bayezyan A\u011flar<\/span> manuel olarak olu\u015fturulmu\u015f \u00e7izgesel modellere sahiptir ve s\u0131n\u0131fland\u0131rmalar\u0131n olas\u0131 yorumlar\u0131n\u0131 sa\u011flar.<\/p>\n<\/li>\n

        7. \n

          Destek Vekt\u00f6r Makinalar\u0131<\/span> \u00e7e\u015fitli s\u0131n\u0131flar aras\u0131nda en b\u00fcy\u00fck ayr\u0131m hiper d\u00fczlemini bulmak i\u00e7in y\u00fcksek boyutlu bir veri projeksiyonu kullan\u0131r.<\/p>\n<\/li>\n

        8. \n

          Yapay Sinir A\u011flar\u0131<\/span> veriyi bir \u00e7\u0131kt\u0131 \u00fcretmek i\u00e7in seyrek olarak birbirine ba\u011fl\u0131 hesaplama d\u00fc\u011f\u00fcmleri (n\u00f6ronlar) katmanlar\u0131ndan ge\u00e7iren biyolojik olarak ilham veren algoritmalard\u0131r. Derin \u00f6\u011frenme<\/i><\/span> ba\u015fl\u0131\u011f\u0131 alt\u0131ndaki sinir a\u011f\u0131 yakla\u015f\u0131mlar\u0131na g\u00f6sterilen ilgi artm\u0131\u015ft\u0131r.<\/p>\n<\/li>\n

        9. \n

          Topluluk<\/span> Y\u00f6ntemleri, homojen veya heterojen s\u0131n\u0131fland\u0131r\u0131c\u0131lardan olu\u015fan bir oylama havuzu kullan\u0131r. \u00d6nde gelen iki teknik, birka\u00e7 veri modelinin veri k\u00fcmesinin rastgele alt \u00f6rneklerinden olu\u015fturuldu\u011fu \u00f6ny\u00fckleme toplamas\u0131<\/span>13<\/sup><\/a><\/span> ve art arda ilerleyen modellerin \u00f6nceki modellerin yanl\u0131\u015f s\u0131n\u0131fland\u0131rmalar\u0131n\u0131 hesaba katacak \u015fekilde tasarland\u0131\u011f\u013114<\/sup><\/a> y\u00fckseltmedir.<\/p>\n<\/li>\n<\/ol>\n

          Bu y\u00f6ntemlerin \u00e7o\u011fu ve bunlar\u0131n temelindeki yaz\u0131l\u0131m uygulamalar\u0131, algoritman\u0131n veri k\u00fcmesinin beklentilerine ba\u011fl\u0131 olarak \u00e7al\u0131\u015fma \u015feklini de\u011fi\u015ftiren ayarlanabilir parametrelere sahiptir. \u00d6rne\u011fin, karar a\u011fa\u00e7lar\u0131 olu\u015ftururken, bir ara\u015ft\u0131rmac\u0131 bir miktar genellenebilirlik d\u00fczeyi sa\u011flamak i\u00e7in kullan\u0131lan minimum yaprak b\u00fcy\u00fckl\u00fc\u011f\u00fcn\u00fc veya maksimum a\u011fa\u00e7 parametresi derinli\u011fini belirleyebilir.<\/p>\n

          Kestirimci modelleme i\u00e7in \u00e7ok say\u0131da yaz\u0131l\u0131m paketi bulunmaktad\u0131r ve do\u011fru paketi se\u00e7mek ara\u015ft\u0131rmac\u0131n\u0131n deneyimine, istenen s\u0131n\u0131fland\u0131rma veya regresyon yakla\u015f\u0131m\u0131na ve gereken veri ve veri temizlemesi miktar\u0131na ba\u011fl\u0131d\u0131r. Bu platformlara ili\u015fkin kapsaml\u0131 bir tart\u0131\u015fma bu b\u00f6l\u00fcm\u00fcn kapsam\u0131 d\u0131\u015f\u0131nda ise de serbest\u00e7e kullan\u0131labilir ve a\u00e7\u0131k kaynak paket olan Weka (Hall vd., 2009) daha \u00f6nce bahsedilen bir dizi modelleme y\u00f6ntemlerinin uygulamalar\u0131n\u0131 sa\u011flar, programlama bilgisi kullan\u0131m\u0131 gerektirmez ve (Witten ve Frank ve Hall, 2011) ders kitab\u0131 (Witten, 2016) \u00fccretsiz \u00e7evrimi\u00e7i ders serisi de d\u00e2hil olmak \u00fczere e\u011fitim materyalleri de bulunmaktad\u0131r.<\/p>\n

          Belirli bir yaz\u0131l\u0131m paketinde yer alan tekniklerin kapsama geni\u015fli\u011fi, ara\u015ft\u0131rmac\u0131lar\u0131n (e\u011fitsel veri bilimcileri de d\u00e2hil olmak \u00fczere) bir dizi farkl\u0131 y\u00f6ntem i\u00e7in s\u0131n\u0131fland\u0131rma do\u011fruluk tablolar\u0131 yay\u0131nlamalar\u0131n\u0131 ola\u011fan hale getirmi\u015fse de yazarlar buna kar\u015f\u0131 uyar\u0131da bulunur. Belirli bir teknik umut vaat ediyorsa, s\u0131n\u0131fland\u0131r\u0131c\u0131lar\u0131n temel varsay\u0131mlar\u0131na (\u00f6r. eksik veri veya veri k\u00fcmesi dengesizli\u011fi ile ilgili olarak), s\u0131n\u0131flay\u0131c\u0131 gruplar\u0131n\u0131 inceleyerek veya kullan\u0131lan belirli y\u00f6ntemlerin parametrelerini ayarlayarak daha iyi zaman harcan\u0131r. Ara\u015ft\u0131rma faaliyetinin amac\u0131, iki istatistiki modelleme yakla\u015f\u0131m\u0131n\u0131 \u00f6zel olarak kar\u015f\u0131la\u015ft\u0131rmaktan ibaret de\u011filse, e\u011fitsel veri bilimcileri bulgular\u0131n\u0131 yeni veya mevcut teorik yap\u0131lara ba\u011flama ile ilgili daha iyi durumda olurlar ve bu da belirli bir olgunun anla\u015f\u0131lmas\u0131nda derinle\u015fmeye yol a\u00e7ar. Verileri ve analiz betiklerini a\u00e7\u0131k bilimsel veri olarak payla\u015fmak, k\u00fc\u00e7\u00fck teknik yinelemeler i\u00e7in (\u00e7o\u011funlukla) bir yay\u0131n\u0131 ilgisiz keskinlik ve hassasiyet de\u011ferleri tablolar\u0131yla doldurmaktan daha iyi bir f\u0131rsat sunar.<\/p>\n

          Bir Modeli De\u011ferlendirme<\/h3>\n

          Kestirimci modelin niteli\u011fini de\u011ferlendirmek i\u00e7in bilinen etiketlere sahip bir test veri k\u00fcmesi gereklidir. Model taraf\u0131ndan test setinde15<\/sup><\/a> yap\u0131lan tahminler, modeli de\u011ferlendirmek amac\u0131yla test setinin bilinen ger\u00e7ek etiketleriyle kar\u015f\u0131la\u015ft\u0131r\u0131labilir. Bilinen ger\u00e7ek etiketlerin ve \u00f6ng\u00f6r\u00fclen etiketlerin benzerli\u011fini kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in \u00e7ok \u00e7e\u015fitli \u00f6nlemler mevcuttur. Baz\u0131 \u00f6rnekler, kestirim do\u011frulu\u011funu (do\u011fru \u015fekilde s\u0131n\u0131fland\u0131r\u0131lm\u0131\u015f test \u00f6rneklerinin ham k\u0131sm\u0131), kesinli\u011fi ve hassasiyeti i\u00e7erir.<\/p>\n

          \u00c7o\u011funlukla, kestirimci bir modelleme sorununa yakla\u015f\u0131rken, bina i\u00e7in yaln\u0131zca bir adet \u00e7ok ama\u00e7l\u0131 veri k\u00fcmesi kullan\u0131labilir. Bu ayn\u0131 veri k\u00fcmesini, model niteli\u011fini de\u011ferlendirmek i\u00e7in bir test seti olarak tekrar kullanmak cazip gelse de bu veri k\u00fcmesinde kestirimci modelin performans\u0131, yeni bir veri k\u00fcmesinde (modele g\u00f6re a\u015f\u0131r\u0131 uygunluk olarak g\u00f6r\u00fcl\u00fcyor) g\u00f6r\u00fclenden \u00f6nemli \u00f6l\u00e7\u00fcde daha fazla olacakt\u0131r. Bunun yerine, veri k\u00fcmesinin bir k\u0131sm\u0131n\u0131 \u201ctutmak\u201d16<\/sup><\/a> ve onu model kalitesini de\u011ferlendirmek i\u00e7in yaln\u0131zca bir test k\u00fcmesi olarak kullanmak yayg\u0131n bir uygulamad\u0131r.<\/p>\n

          En basit yakla\u015f\u0131m verinin yar\u0131s\u0131n\u0131 kald\u0131rmak ve test i\u00e7in ay\u0131rmakt\u0131r. Bununla birlikte, bu yakla\u015f\u0131m\u0131n iki sak\u0131ncas\u0131 vard\u0131r. \u0130lk olarak, kestirimci model test i\u00e7in verilerin yar\u0131s\u0131n\u0131 ay\u0131rmakla, model uydurma i\u00e7in verilerin yar\u0131s\u0131n\u0131 yaln\u0131zca kullanabilecektir. Genel olarak, model do\u011frulu\u011fu kullan\u0131labilir veri miktar\u0131 artt\u0131k\u00e7a artar. Bu nedenle, mevcut verilerin yaln\u0131zca yar\u0131s\u0131n\u0131 kullanarak deneme e\u011fitimi yapmak, t\u00fcm veriler kullan\u0131lm\u0131\u015f olsa verece\u011fi performanstan daha d\u00fc\u015f\u00fck performansa sahip kestirimci modellere neden olabilir. \u0130kincisi, model niteli\u011fi de\u011ferlendirmemiz, yaln\u0131zca mevcut verilerin yar\u0131s\u0131 i\u00e7in yap\u0131lan tahminlere dayanacakt\u0131r. Genel olarak, test setindeki \u00f6rneklerin say\u0131s\u0131n\u0131n artt\u0131r\u0131lmas\u0131 sonu\u00e7lar\u0131n g\u00fcvenilirli\u011fini artt\u0131r\u0131r. Verileri sadece e\u011fitim ve test k\u0131s\u0131mlar\u0131na b\u00f6lmek yerine, veri k\u00fcmesinin rastgele olarak b\u00f6l\u00fcmlerine b\u00f6l\u00fcnd\u00fc\u011f\u00fc bir k-katlamal\u0131 \u00e7apraz do\u011frulama i\u015flemi kullanmak yayg\u0131nd\u0131r; b\u00f6l\u00fcmlerden biri hari\u00e7 t\u00fcm model e\u011fitimleri ve tek ayr\u0131 dilimdeki ayr\u0131 testler ile k ayr\u0131k kestirimci modeller olu\u015fturulur. Test sonu\u00e7lar\u0131 daha sonra t\u00fcm k test b\u00f6l\u00fcmlerinden toplan\u0131r ve bir model niteli\u011fi de\u011ferlendirmesi yap\u0131labilir. K-katlamal\u0131 \u00e7apraz do\u011frulaman\u0131n \u00f6nemli faydalar\u0131, her mevcut veri noktas\u0131n\u0131n test setinin bir par\u00e7as\u0131 olarak kullan\u0131labilmesi, tek bir veri noktas\u0131n\u0131n ayn\u0131 s\u0131n\u0131fland\u0131r\u0131c\u0131n\u0131n hem e\u011fitim setinde hem de test setinde ayn\u0131 anda kullan\u0131lmad\u0131\u011f\u0131 ve kullan\u0131lan e\u011fitim setleri neredeyse t\u00fcm veriler kadar b\u00fcy\u00fck olmas\u0131d\u0131r.<\/p>\n

          Kestirimci modellemeyi uygulamaya koyarken g\u00f6z \u00f6n\u00fcnde bulundurulmas\u0131 gereken \u00f6nemli bir husus, modeli e\u011fitmek i\u00e7in kullan\u0131lan veriler ile kestirimler yap\u0131lmas\u0131 gerekti\u011finde mevcut olan veriler aras\u0131ndaki benzerliktir. Genellikle e\u011fitim alan\u0131nda kestirimci modeller, bir veya daha fazla zaman diliminden (\u00f6r. bir d\u00f6nem veya t\u00fcm y\u0131l) elde edilen veriler kullan\u0131larak olu\u015fturulur ve ard\u0131ndan bir sonraki zaman dilimindeki \u00f6\u011frenci verilerine uygulan\u0131r. Tahmini modeli olu\u015fturmak i\u00e7in kullan\u0131lan \u00f6zellikler, \u00f6\u011frencilerin bireysel \u00f6dev notlar\u0131 gibi fakt\u00f6rleri i\u00e7eriyorsa, modelin do\u011frulu\u011fu \u00f6devlerin bir y\u0131ldan di\u011ferine ne kadar benzer oldu\u011funa ba\u011fl\u0131 olacakt\u0131r. Model performans\u0131n\u0131n do\u011fru bir de\u011ferlendirmesini elde etmek i\u00e7in modeli yerinde kullan\u0131laca\u011f\u0131 \u015fekilde de\u011ferlendirmek \u00f6nemlidir. Bir y\u0131ldaki verileri kullanarak kestirimci modeli olu\u015fturun ve ard\u0131ndan bir y\u0131l\u0131n verilerini e\u011fitim ve test k\u00fcmelerine b\u00f6lmek yerine, izleyen y\u0131ldaki verilerden olu\u015fan bir test seti olu\u015fturun.<\/p>\n

          UYGULAMADA KEST\u0130R\u0130MC\u0130 ANAL\u0130T\u0130K<\/h3>\n

          Kestirimci analitik, \u00f6\u011fretme ve \u00f6\u011frenme alan\u0131nda, akademik programlarda risk alt\u0131ndaki \u00f6\u011frencileri tan\u0131mlamay\u0131 ama\u00e7layan \u00f6nemli bir \u00e7al\u0131\u015fma birimini de i\u00e7eren bir\u00e7ok ama\u00e7 i\u00e7in kullan\u0131l\u0131r. \u00d6rne\u011fin, Aguiar vd. (2015), \u00f6\u011frencilerin ortaokuldan zaman\u0131nda mezun olup olmayacaklar\u0131n\u0131 belirlemek i\u00e7in kestirimci modellerin kullan\u0131m\u0131n\u0131 tan\u0131mlamakta, \u00f6\u011frencilerin ilkokuldan ortaokula ge\u00e7erken kestirimlerin do\u011frulu\u011funun nas\u0131l de\u011fi\u015fti\u011fini g\u00f6stermektedir. \u00d6ng\u00f6r\u00fclen sonu\u00e7lar olduk\u00e7a de\u011fi\u015fkendir ve bir \u00f6\u011frenci veya ba\u015far\u0131 azmi i\u00e7in de\u011fer bi\u00e7meye y\u00f6nelik belirli bir notu veya not da\u011f\u0131l\u0131m\u0131 i\u00e7erebilir (Brooks vd., 2015). Baker, Gowda ve Corbett (2011), \u00f6\u011frencinin ak\u0131ll\u0131 \u00f6\u011fretici sistemle olan \u00f6nceki etkile\u015fimlerine dayanarak bi\u00e7imlendirici bir ba\u015far\u0131y\u0131 \u00f6ng\u00f6ren bir y\u00f6ntemi a\u00e7\u0131klar. Kitlesel a\u00e7\u0131k \u00e7evrimi\u00e7i dersler (KA\u00c7D’ler) gibi d\u00fc\u015f\u00fck riskli ve yar\u0131 resm\u00ee ortamlarda, \u00f6\u011frenenin ders ortas\u0131nda \u00f6\u011frenme etkinli\u011finden ayr\u0131lma olas\u0131l\u0131\u011f\u0131 da yo\u011fun olarak \u00e7al\u0131\u015f\u0131lm\u0131\u015f bir ba\u015fka sonu\u00e7tur. (Xing, Chen, Stein ve Marcinkowski, 2016; Taylor, Veeramachaneni ve O’Reilly, 2014).<\/p>\n

          Performans \u00f6l\u00e7\u00fctlerinin \u00f6tesinde, kestirimci modeller \u00f6\u011frenme ve \u00f6\u011fretmede, sorular\u0131 \u00f6\u011frenme olmadan do\u011fru bir \u015fekilde cevaplamak i\u00e7in \u201csistemle oyun oynamak\u201d gibi g\u00f6rev d\u0131\u015f\u0131 davran\u0131\u015flarla u\u011fra\u015fan \u00f6\u011frenenleri (Xing ve Goggins, 2015; Baker, 2007) tespit etmede kullan\u0131lm\u0131\u015ft\u0131r. (Baker, Corbett, Koedinger ve Wagner, 2004). Duyu\u015fsal ve duygusal durumlar gibi psikolojik yap\u0131lar da metinsel s\u00f6ylem veya y\u00fcz \u00f6zellikleri gibi bir\u00e7ok temel veri \u00f6zellikleri kullanarak kestirimci bir \u015fekilde modellenmi\u015ftir (D’Mello, Craig, Witherspoon, McDaniel ve Graesser, 2007; Wang, Heffernan ve Heffernan, 2015). Kestirmci modellemenin \u00f6zellikle E\u011fitsel Veri Madencili\u011finde kullan\u0131ld\u0131\u011f\u0131 y\u00f6ntemlerden baz\u0131lar\u0131na daha fazla \u00f6rnek, Koedinger, D’Mello, McLaughlin, Pardos ve Rose’da (2015) bulunabilir.<\/p>\n

          ZORLUKLAR VE FIRSATLAR<\/p>\n

          Kestirimci modelleme i\u00e7in bilgi i\u015flemsel ve istatistiksel y\u00f6ntemler olgunla\u015fm\u0131\u015ft\u0131r ve son on y\u0131lda e\u011fitim ara\u015ft\u0131rmac\u0131lar\u0131n\u0131n \u00f6\u011fretme ve \u00f6\u011frenme verilerine kestirimci modelleme uygulamalar\u0131 i\u00e7in bir dizi sa\u011flam ara\u00e7 sunulmu\u015ftur. Yine de tahmine dayal\u0131 modelleri olu\u015ftururken, onaylarken ve uygularken \u00f6\u011frenme analiti\u011fi toplulu\u011fu bir tak\u0131m zorluklar ve f\u0131rsatlarla kar\u015f\u0131 kar\u015f\u0131yad\u0131r. Kestirimci modelleme tekniklerinin sa\u011flayabilece\u011fi etkiyi art\u0131rmak i\u00e7in yat\u0131r\u0131m yap\u0131labilece\u011fini d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fcz \u00fc\u00e7 alanda \u015funlar olabilir:<\/p>\n

            \n
          1. \n

            Bilgisayar d\u0131\u015f\u0131 bilim insanlar\u0131n\u0131 kestirimci modelleme faaliyetlerinde desteklemek<\/i><\/span>. \u00d6\u011frenme analiti\u011fi alan\u0131 olduk\u00e7a disiplinler aras\u0131d\u0131r ve e\u011fitsel ara\u015ft\u0131rmac\u0131lar, psikometri uzmanlar\u0131, bili\u015fsel ve sosyal psikologlar ve politika uzmanlar\u0131 a\u00e7\u0131klay\u0131c\u0131 modellemede sa\u011flam bir altyap\u0131ya sahip olma e\u011filimindedirler. Kestirimci modelleme tekniklerinin uygulanmas\u0131nda destek sa\u011flanmas\u0131, kullan\u0131c\u0131 dostu ara\u00e7lar\u0131n inovasyonu veya kestirimci modelleme konusunda e\u011fitim kaynaklar\u0131n\u0131n geli\u015ftirilmesi, bu teknikleri kullanan e\u011fitim ara\u015ft\u0131rmac\u0131lar\u0131 grubunu daha da \u00e7e\u015fitlendirebilir.<\/p>\n<\/li>\n

          2. \n

            Topluluk \u00f6nc\u00fcl\u00fc\u011f\u00fcnde e\u011fitsel veri bilimi meydan okuma giri\u015fimlerini yaratmak<\/i><\/span>. Ara\u015ft\u0131rmac\u0131lar\u0131n ayn\u0131 genel \u00e7al\u0131\u015fma temas\u0131n\u0131 ele almalar\u0131 ancak biraz farkl\u0131 veri k\u00fcmeleri, uygulamalar ve sonu\u00e7lar kullanmalar\u0131 ve bu nedenle, kar\u015f\u0131la\u015ft\u0131rmas\u0131 zor sonu\u00e7lar\u0131 elde etmeleri nadir de\u011fildir. Bu durum \u00e7ok say\u0131da farkl\u0131 yazar\u0131n (\u00f6r. Brooks vd., 2015; Xing vd., 2016; Taylor vd., 2014; Whitehill, Williams, Lopez, Coleman ve Reich, 2015) kat\u0131ld\u0131\u011f\u0131 hepsinin farkl\u0131 veri k\u00fcmeleri, sonu\u00e7 de\u011fi\u015fkenleri ve yakla\u015f\u0131mlarla \u00e7al\u0131\u015ft\u0131\u011f\u0131 kitlesel a\u00e7\u0131k \u00e7evrimi\u00e7i dersleri yar\u0131da b\u0131rakma ile ilgili yak\u0131n zamanl\u0131 bir kestirimci modelleme ara\u015ft\u0131rmas\u0131nda \u00f6rneklenmi\u015ftir.<\/p>\n<\/li>\n<\/ol>\n

            Tekniklerin etkinli\u011fini ve mevcut sorunlara modelleme y\u00f6ntemlerinin uygunlu\u011funu kar\u015f\u0131la\u015ft\u0131rmak amac\u0131yla ortak ve net bir sonu\u00e7 k\u00fcmesine, a\u00e7\u0131k verilere ve payla\u015f\u0131lan uygulamalara do\u011fru ilerlemek topluluk i\u00e7in faydal\u0131 olabilir. Bu yakla\u015f\u0131m, benzer ara\u015ft\u0131rma alanlar\u0131nda ve daha geni\u015f veri bilimi toplulu\u011funda de\u011ferlidir ve e\u011fitsel veri bilimi zorluklar\u0131n\u0131n, kestirimci modelleme bilgisinin, e\u011fitsel ara\u015ft\u0131rma toplulu\u011funa yay\u0131lmas\u0131na yard\u0131mc\u0131 olabilece\u011fine ve ayn\u0131 zamanda \u00f6zellikle \u00f6zellik m\u00fchendisli\u011fine ili\u015fkin yeni disiplinler aras\u0131 y\u00f6ntemlerin geli\u015ftirilmesi i\u00e7in bir f\u0131rsat sundu\u011funa inan\u0131yoruz.<\/p>\n

              \n
            1. \n

              \u0130kinci dereceden kestirim modellemesi ile ilgilenmek<\/i><\/span>. \u00d6\u011frenme analiti\u011fi ba\u011flam\u0131nda, ikinci dereceden kestirimci modelleri, modelin kendisinde etki ve m\u00fcdahaleye ili\u015fkin tarihsel bilgiyi i\u00e7eren modeller olarak tan\u0131mlar\u0131z. Dolay\u0131s\u0131yla (\u00f6r.) okuldan at\u0131lma ile ilgili i\u00e7erikle \u00f6\u011frenci etkile\u015fimlerini kullanan kestirimsel model bir birinci dereceden kestirimci modelleme \u00f6rne\u011fi iken, bir m\u00fcdahalenin etkisiyle ilgili ge\u00e7mi\u015f verileri de i\u00e7eren bir model (bir e-posta istemi veya d\u00fcrtmek) ikinci dereceden bir \u00f6ng\u00f6r\u00fc modeli olarak kabul edilir. M\u00fcdahale etkilili\u011finin modellenmesine do\u011fru ilerlemek, \u00e7oklu m\u00fcdahaleler mevcut oldu\u011funda ve ki\u015fiselle\u015ftirilmi\u015f \u00f6\u011frenme yollar\u0131 istendi\u011finde \u00f6nemlidir.<\/p>\n<\/li>\n<\/ol>\n

              \u00d6\u011frenme analiti\u011fi ve e\u011fitsel veri madencili\u011fi topluluklar\u0131n\u0131n \u00e7ok disiplinli do\u011fas\u0131na ra\u011fmen, bu alanda \u00e7al\u0131\u015fan farkl\u0131 ara\u015ft\u0131rmac\u0131lar aras\u0131nda k\u00f6pr\u00fc kurmaya y\u00f6nelik bir anlay\u0131\u015fa halen ihtiya\u00e7 duyulmaktad\u0131r. \u00d6\u011frenme analiti\u011fi konferanslar\u0131nda \u00f6\u011frenme konusundaki bir ilgin\u00e7 tematik gizli etki, e\u011fitim ara\u015ft\u0131rmalar\u0131n\u0131n itici g\u00fc\u00e7leri olarak teori ve verilerin rollerinin (bazen hararetli \u015fekilde) tart\u0131\u015f\u0131lmas\u0131d\u0131r. E\u011fitim ara\u015ft\u0131rmalar\u0131nda \u201cteorinin sonu\u201d (Anderson, 2008) noktas\u0131na ula\u015ft\u0131k m\u0131? Pek olas\u0131 de\u011fil, fakat bu soru \u00f6\u011fretme ve \u00f6\u011frenmenin kestirimci modelleme alt alan\u0131 i\u00e7inde en belirgin olan\u0131d\u0131r: baz\u0131 ara\u015ft\u0131rmac\u0131lar i\u00e7in ama\u00e7 bili\u015f ve \u00f6\u011frenme s\u00fcre\u00e7lerini anlamak iken, di\u011ferleri gelecekteki olaylar\u0131 ve ba\u015far\u0131y\u0131 m\u00fcmk\u00fcn oldu\u011funca do\u011fru tahmin etmekle ilgilenmektedir. Giderek bir ki\u015fi i\u00e7in (genellikle kara kutular) daha karma\u015f\u0131k ve anla\u015f\u0131lmaz hale gelmekte olan kestirimci modeller ile a\u00e7\u0131klay\u0131c\u0131 ve tahmine dayal\u0131 modelleme teknikleri aras\u0131ndaki y\u00f6ntemsel se\u00e7imleri daha iyi y\u00f6nlendirmek i\u00e7in alandaki ara\u015ft\u0131rma g\u00fcndemlerinin hedeflerini daha a\u00e7\u0131k bir \u015fekilde tart\u0131\u015fmaya ba\u015flamak \u00f6nemlidir.<\/p>\n

              KAYNAK\u00c7A<\/h2>\n

              Aguiar, E., Lakkaraju, H., Bhanpuri, N., Miller, D., Yuhas, B., & Addison, K. L. (2015). Who, when, and why: A machine learning approach to prioritizing students at risk of not graduating high school on time. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i><\/span>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 93\u2013102). New York: ACM. <\/span><\/p>\n

              Alhadad, S., Arnold, K., Baron, J., Bayer, I., Brooks, C., Little, R. R., Rocchio, R. A., Shehata, S., & Whitmer, J. (2015, October 7). The predictive learning analytics revolution: Leveraging learning data for student success. Technical report, EDUCAUSE Center for Analysis and Research. <\/span><\/p>\n

              Anderson, C. (2008, June 23). The end of theory: The data deluge makes the scientific method obsolete. Wired. https:\/\/www.wired.com\/2008\/06\/pb-theory\/ <\/span><\/p>\n

              Baker. R. S. J. d. (2007). Modeling and understanding students\u2019 on-task behaviour in intelligent tutoring systems. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems <\/i><\/span>(CHI\u201907), 28 April\u20133 May 2007, San Jose, CA (pp. 1059\u20131068). New York: ACM. <\/span><\/p>\n

              Baker, R. S. J. d., Corbett, A. T., Koedinger, K. R., & Wagner, A. Z. (2004). On-task behaviour in the cognitive tutor classroom: When students game the system. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems <\/i><\/span>(CHI\u201904), 24\u201329 April 2004, Vienna, Austria (pp. 383\u2013390). New York: ACM. <\/span><\/p>\n

              Baker, R. S. J. d., Gowda, S. M., & Corbett, A. T. (2011). Towards predicting future transfer of learning. Proceedings of the 15th International Conference on Artificial Intelligence in Education <\/i><\/span>(AIED\u201911), 28 June\u20132 July 2011, Auckland, New Zealand (pp. 23\u201330). Lecture Notes in Computer Science. Springer Berlin Heidelberg. <\/span><\/p>\n

              Barber, R., & Sharkey, M. (2012). Course correction: Using analytics to predict course success. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge <\/i><\/span>(LAK\u201912), 29 April\u20132 May 2012, Vancouver, BC, Canada (pp. 259\u2013262). New York: ACM. doi:10.1145\/2330601.2330664 <\/span><\/p>\n

              Brooks, C., Thompson, C., & Teasley, S. (2015). A time series interaction analysis method for building predictive models of learners using log data. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i><\/span>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 126\u2013135). New York: ACM. <\/span><\/p>\n

              Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16<\/i><\/span>, 321\u2013357. <\/span><\/p>\n

              D\u2019Mello, S. K., Craig, S. D., Witherspoon, A., McDaniel, B., & Graesser, A. (2007). Automatic detection of learner\u2019s affect from conversational cues. User Modeling and User-Adapted Interaction, 18<\/i><\/span>(1\u20132), 45\u201380. <\/span><\/p>\n

              Duckworth, A. L., Peterson, C., Matthews, M. D., & Kelly, D. R. (2007). Grit: Perseverance and passion for long-term goals. Journal of Personality and Social Psychology, 92<\/i><\/span>(6), 1087\u20131101. <\/span><\/p>\n

              Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The Weka data mining software: An update. SIGKDD Explorations Newsletter, 11<\/i><\/span>(1), 10\u201318. doi:10.1145\/1656274.1656278. <\/span><\/p>\n

              Koedinger, K. R., D\u2019Mello, S., McLaughlin, E. A., Pardos, Z. A., & Ros\u00e9, C. P. (2015). Data mining and education. Wiley Interdisciplinary Reviews: Cognitive Science, 6<\/i><\/span>(4), 333\u2013353.<\/span><\/p>\n

              Lonn, S., & Teasley, S.D. (2014). Student explorer: A tool for supporting academic advising at scale. Proceed-ings of the 1st ACM Conference on Learning @ Scale (L@S 2014)<\/i>, 4\u20135 March 2014, Atlanta, Georgia, USA (pp. 175\u2013176). New York: ACM. doi:10.1145\/2556325.2567867<\/span><\/p>\n

              Shmueli, G. (2010). To explain or to predict? Statistical Science, 25<\/i>(3), 289\u2013310. doi:10.1214\/10-STS330 <\/span><\/p>\n

              Stripling, J., Mangan, K., DeSantis, N., Fernandes, R., Brown, S., Kolowich, S., McGuire, P., & Hendershott, A. (2016, March 2). Uproar at Mount St. Mary\u2019s. The Chronicle of Higher Education. http:\/\/chronicle.com\/ specialreport\/Uproar-at-Mount-St-Marys\/30. <\/span><\/p>\n

              Taylor, C., Veeramachaneni, K., & O\u2019Reilly, U.-M. (2014, August 14). Likely to stop? Predicting stopout in massive open online courses. http:\/\/dai.lids.mit.edu\/pdf\/1408.3382v1.pdf <\/span><\/p>\n

              Wang, Y., Heffernan, N. T., & Heffernan, C. (2015). Towards better affect detectors: Effect of missing skills, class features and common wrong answers. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 31\u201335). New York: ACM. <\/span><\/p>\n

              Whitehill, J., Williams, J. J., Lopez, G., Coleman, C. A., & Reich, J. (2015). Beyond prediction: First steps toward automatic intervention in MOOC student stopout. In O. C. Santos et al. (Eds.), Proceedings of the 8th International Conference on Educational Data Mining <\/i>(EDM2015), 26\u201329 June 2015, Madrid, Spain (pp. XXX\u2013 XXX). International Educational Data Mining Society. http:\/\/www.educationaldatamining.org\/EDM2015\/ y\u00fcklenenler \/ evraklar \/ paper_112.pdf <\/span><\/p>\n

              Witten, I. H. (2016). Weka courses. The University of Waikato. https:\/\/weka.waikato.ac.nz\/explorer <\/span><\/p>\n

              Witten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: Practical machine learning tools and techniques<\/i>, 3rd ed. San Francisco, CA: Morgan Kaufmann Publishers. <\/span><\/p>\n

              Xing, W., Chen, X., Stein, J., & Marcinkowski, M. (2016). Temporal predication of dropouts in MOOCs: Reaching the low-hanging fruit through stacking generalization. Computers in Human Behavior, 58<\/i>, 119\u2013129. <\/span><\/p>\n

              Xing, W., & Goggins, S. (2015). Learning analytics in outer space: A hidden naive Bayes model for automatic students\u2019 on-task behaviour detection. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i>(LAK\u201915), 16\u201320 March 2015, Poughkeepsie, NY, USA (pp. 176\u2013183). New York: ACM.<\/span><\/p>\n

              \n
              \n

              1<\/a> http:\/\/www.d2l.com\/<\/span><\/p>\n<\/div>\n

              \n

              2<\/a> http:\/\/www.starfishsolutions.com\/<\/span><\/p>\n<\/div>\n

              \n

              3<\/a> http:\/\/www.ellucian.com\/<\/span><\/span><\/p>\n<\/div>\n

              \n

              4<\/a> http:\/\/www.blackboard.com\/<\/span><\/p>\n<\/div>\n

              \n

              5<\/a> http:\/\/bluecanarydata.com<\/span><\/p>\n<\/div>\n

              \n

              6<\/a> http:\/\/www.civitaslearning.com\/<\/span><\/p>\n<\/div>\n

              \n

              7<\/a> Shmueli (2010), a\u00e7\u0131klay\u0131c\u0131 modellemeye benzer olan ancak nedensellik iddialar\u0131n\u0131n bulunmad\u0131\u011f\u0131 \u00fc\u00e7\u00fcnc\u00fc bir modelleme bi\u00e7iminden, tan\u0131mlay\u0131c\u0131 modellemeden s\u00f6z etmektedir. Y\u00fcksek\u00f6\u011frenim literat\u00fcr\u00fcnde, nedensellik s\u0131kl\u0131kla ima edilir ve tan\u0131mlay\u0131c\u0131 analizlerin \u00e7o\u011funlu\u011funun karar vermeyi etkilemek i\u00e7in nedensel kan\u0131t olarak kullan\u0131lmas\u0131 ama\u00e7lanm\u0131\u015ft\u0131r.<\/span><\/p>\n<\/div>\n

              \n

              8<\/a> orj. overfitting<\/span><\/p>\n<\/div>\n

              \n

              9<\/a> orj. k\u2013fold cross validation<\/span><\/p>\n<\/div>\n

              \n

              10<\/a> orj. training set<\/span><\/p>\n<\/div>\n

              \n

              11<\/a> \u00c7evirenin notu: noisy data. Veri giri\u015fi veya veri toplanmas\u0131 esnas\u0131nda olu\u015fan sistem d\u0131\u015f\u0131 hatalara g\u00fcr\u00fclt\u00fcl\u00fc veri denir. G\u00fcr\u00fclt\u00fcl\u00fc veri de\u011fi\u015fken varyans veya rassak hata olarak da adland\u0131r\u0131labilir.<\/span><\/p>\n<\/div>\n

              \n

              12<\/a> Yazarlar, sentetik az\u0131nl\u0131k \u00f6rnekleme tekni\u011fini uygulamada belirli veri s\u0131n\u0131flar\u0131n\u0131 g\u00fc\u00e7lendirmek i\u00e7in \u00f6rnekleme tekniklerini kullan\u0131rken \u00f6z niteliklerin ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131n\u0131 \u00fcstlenmenin tehlikesine d\u00fc\u015fen bir analizin anekdotunu payla\u015fmaktad\u0131rlar (Chawla, Bowyer, Hall, &Kegelmeyer, 2002). Bu durumda, \u015fehir ve eyalet ile ilgili verilerin eksik olmas\u0131, co\u011frafi olarak imk\u00e2ns\u0131z kombinasyonlar\u0131 i\u00e7eren, niteliklerin etkinli\u011fini azaltan ve modelin do\u011frulu\u011funu d\u00fc\u015f\u00fcren bir veri k\u00fcmesiyle sonu\u00e7lanm\u0131\u015ft\u0131r.<\/span><\/p>\n<\/div>\n

              \n

              13<\/a> orj. bootstrap aggregating<\/span><\/p>\n<\/div>\n

              \n

              14<\/a> orj. boosting<\/span><\/p>\n<\/div>\n

              \n

              15<\/a> orj. test set<\/span><\/p>\n<\/div>\n

              \n

              16<\/a> orj. hold out<\/span><\/p>\n<\/div>\n","protected":false},"author":1,"menu_order":1,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[48],"contributor":[],"license":[],"class_list":["post-47","chapter","type-chapter","status-publish","hentry","chapter-type-numberless"],"part":46,"_links":{"self":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/47","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/47\/revisions"}],"part":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/parts\/46"}],"metadata":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/47\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/media?parent=47"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapter-type?post=47"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/contributor?post=47"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/license?post=47"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}