Tez No	İndirme	Tez Künye	Durumu
748637		Bütünleme sınavına girecek öğrenci sayılarının aşırı öğrenme makinesi tabanlı yaklaşımlar ile tahmin edilmesi / Prediction of the number of students who will take the make-up exam by extreme learning machine-based approaches Yazar:EYÜP SIRAMKAYA Danışman: PROF. DR. MUSTAFA SERVET KIRAN Yer Bilgisi: Konya Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Aşırı öğrenme makineleri = Extreme learning machines ; Bütünleme sistemleri = Completion systems ; Tahminleme = Forecasting ; Öğrenci sayısı = Student numbers	Onaylandı Doktora Türkçe 2022 66 s.
Bütünleme sınavları genel sınavlar neticesinde başarısız olan öğrencilerin girebileceği bir ek genel sınavdır ve ülkemizde bu sınavlar farklı üniversitelerce uygulanmaktadır. Bütünleme sınavlarında elde edilen puan genel sınav puanı olarak değerlendirilmekte olup öğrencinin dersi başarıp başaramadığının değerlendirilmesi amacıyla genel sınavlardan sonra yapılmaktadır. Derslerden elde edilen notlara veya ağırlıklı not ortalamalarına bağlı olarak bir öğrenci, dersin bütünlemesine kalmasına rağmen bütünleme sınavına girmeyebilmektedir. Sınava girmeyecek öğrencilerin önceden belirlenmediği durumlarda bütünlemeye kalan tüm öğrencilerin sınava gireceği varsayımıyla sınav çizelgesi oluşturulmakta ve soru kâğıtları çoğaltılmaktadır. Bunun neticesinde ise hem emek israfı (gözetmenlerin sınavlara gönderilmesi) hem de kâğıt ve toner gibi kırtasiye malzemelerinin verimsiz kullanılması ortaya çıkmaktadır. Bu israfları önlemek amacıyla bu tez çalışmasında her bir öğrenciye ait kişisel olmayan veriler Konya Teknik Üniversitesi Etik Kurulu'ndan alınan bir izinle toplanmış ve sınava girilmesine etki eden özellikler (mesafe, cinsiyet, genel ağırlıklı not ortalaması, dönem not ortalaması, dersin ara sınav notu, genel sınav notu vb.) çıkarılmıştır. Bunun sonucunda farklı derslere ait veriler kullanılarak veri setleri oluşturulmuş ve deneysel çalışmalarda kullanılmıştır. Bu veri kümelerindeki her bir kaydın bütünleme sınavına girip girmeyeceği sınıflandırma problemi olarak ele alınmış ve aşırı öğrenme makinesi tabanlı yaklaşımlar uygulanmıştır. Deneysel çalışmalarda ilk olarak problemin literatüre tanıtılması amacıyla temel aşırı öğrenme makinesi uygulaması yapılmıştır. Elde edilen sonuçlar sürü zekâsı algoritmaları ve hatanın geri yayılım algoritması ile eğitilmiş yapay sinir ağlarının eğitim ve test doğruluklarının karşılaştırması da bu çalışmada sunulmuştur. Elde edilen sonuçlar hatanın geri yayılım algoritması ile eğitimin yüksek başarı göstermesine karşın test başarısın da hem sürü zekâsı algoritmalarının hem de önerilen yaklaşımın daha iyi olduğunu göstermiştir. Daha sonraki deneysel çalışmalar ise yapay arı kolonisi ile optimize edilmiş aşırı öğrenme makinesinin bu veri setleri üzerindeki performans araştırmasını içermektedir. Bu çalışmada birden fazla aşırı öğrenme makinesinin gizli katman nöron sayısı ve kullanılan aktivasyon fonksiyonlarının belirlenmesi amacıyla yapay arı kolonisi algoritması önerilmektedir. Önerilen yaklaşımlar ve elde edilen sonuçlar genel olarak değerlendirildiğinde bütünlemeye girecek öğrenci sayısının belirlenmesi israfın önlenmesinde etkilidir ve bu sınıflandırma problemi için yapay sinir ağı tabanlı yaklaşımlar kabul edilebilir performans sunmaktadır.
Make-up exams are an additional general exam that students who fail as a result of the general exams take, and these exams are performed by different universities in our country. The score obtained in the make-up exams is evaluated as the general exam score and is made after the general exams in order to evaluate whether the student has succeeded in the course. Depending on the grades obtained from the courses or the weighted grade averages, a student may not take the make-up exam. In cases where the students who will not take the exam are not determined in advance, an exam schedule is created, and question papers are issued with the assumption that all students who fail the make-up exam will take the make-up exam. As a result of this, both the waste of labor (sending the examiners to the exams) and the inefficient use of stationery materials such as paper and toner occur. In order to avoid these wastes, in this thesis study, non-personal data (distance, gender, general weighted grade point average, semester grade point average, midterm exam grade of the course, general exam grade etc.) belonging to each student were collected with a permission from the Konya Technical University Ethics Committee and the features that affect taking the exam were extracted. As a result, data sets were created using data from different courses and used in experimental studies. Whether or not each record in these datasets will take the make-up test has been considered as a classification problem and extreme learning machine-based approaches have been applied. In the experimental studies, firstly, basic extreme learning machine application was made in order to introduce the problem to the literature. The results obtained are also presented in this study, comparing the training and test accuracies of artificial neural networks trained with swarm intelligence algorithms and back propagation algorithm. The results showed that although the training set with the back propagation algorithm showed high success, both the swarm intelligence algorithms and the proposed approach were better in test sets. An experimental study includes the performance research of the hyper learning machine optimized with artificial bee colony on these datasets. In this experimental study, it is aimed to determine the number of hidden layer neurons and the activation functions used in more than one extreme learning machine, and the artificial bee colony algorithm is recommended to handle this process. When the proposed approaches and the results obtained are evaluated in general, determining the number of students to be integrated is effective in preventing waste and artificial neural network-based approaches offer acceptable performance for this classification problem.