Flag Counter
AKILLI SİSTEMLER VE UYGULAMALARI DERGİSİ
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J. Intell. Syst. Appl.
E-ISSN: 2667-6893
Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.

Data Mining Applications in Education

Eğitimde Veri Madenciliği Uygulamaları

How to cite: Skender F. Data mining applications in education. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2019; 2(2): 131-135. DOI: 10.54856/jiswa.201912082

Full Text: PDF, in Turkish.

Total number of downloads: 511

Title: Data Mining Applications in Education

Abstract: We are witnessing the changes in Education by time. Databases on technology developments and especially storage systems grow, Databases need more memory. The discovery of correlations and relationships within the rapidly increasing size of existing data and the finding of valid predictions based on them have become an important concept in the computer age we are in. In many countries' education system has used electronic logging software. WEB software has provided a great contribution especially in the processing of training data, in the determination of training management strategies, self assessment and in the development plans. Although in some countries university department preferences are free, a good orientation is always needed. While the university department or profession is preferred, it is a good choice to process the data in the electronic daily with data mining techniques. In our research we have used the data mining prediction tree, the WEKA open-code software and the Apriori algorithm. It is a fact that data mining methods give very effective results in determining the factors that affect the educational success of the students.

Keywords: Data mining techniques; decision tree; WEKA; data storage clouds; database analysis; Apriori algorithm


Başlık: Eğitimde Veri Madenciliği Uygulamaları

Özet: Zamana göre eğitimin değişmesine de şahidiz. Teknoloji gelişmelerine ilişkin veri tabanları ve özellikle depolama sistemleri büyümekteler, veritabanları daha fazla hafızaya ihtiyaç duymaktalar. Büyüklüğü hızla artan mevcut verilerin işlenerek içerisindeki bağıntı ve ilişkilerin keşfedilmesi, onlara dayalı geçerli tahminlerinde bulunması, içinde bulunduğumuz bilgisayar çağında önemli bir kavram durumuna gelmiştir. Birçok ülkedeki eğitim sistemine elektronik günlüğü yazılımı kullanıma girmiştir. WEB yazılımı, özellikle eğitim verilerin işlenmesi, eğitim yönetim stratejilerinin belirlenmesi, özdeğerlendirilmesi ve gelişme planlarının yapılmasında büyük bir katkıda bulunmaktadır. Bazı ülkelerinde üniversite bölüm tercihleri serbest olsa da iyi bir yönlendirmeye daima ihtiyaç duyulmaktadır. Üniversite bölümü veya meslek tercihi yapılırken elektronik günlükteki verilerin veri madencilik imkanları teknikleri ile işlenmesi iyi bir tercih etme zemini sayılabilir. Yapmış olduğumuz araştırmada veri madencilikte kullanılan Tahmin Ağacı, WEKA açık kodlu yazılımı bir de Apriori algoritmasının kullanılmasını uygun olarak görülmüştür. Öğrencilerin eğitim başarılarına etki eden faktörlerin belirlenmesinde, veri madenciliği yöntemleri oldukça etkili sonuçlar verdiği bir gerçektir.

Anahtar kelimeler: Veri madenciliği yöntemleri; tahmin ağacı; WEKA; veri depolama bulutları; veritabanı analizi; Apriori algoritması


Bibliography:
  • Kleissner C. Data mining for enterprise. In Proceedings of the Thirty-First Hawaii International Conference on System Sciences, 1998, 30: 295–304.
  • Simoudis E. Reality check for data mining. IEEE Expert Intellegent Systems and Their Applications 1996; 11(5): 26-33.
  • Larose DT. Discovering Knowledge in Data: An Introduction to Data Mining. John and Wiley Sons Incorporated, USA, 2005.
  • Mannila H, Toivonen H, Verkamo AI. Discovering frequent episodes in sequences. In Proceedings of the International Conference on Knowledge Discovery in Databases and Data Mining (KDD-95), August 1995, Montreal, Canada.
  • Srikant R, Agrawal R. Mining generalized association rules. In Proceedings of the 21st International Conference on Very Large Databases, September 1995, Zurich, Switzerland.
  • Srikant R, Agrawal R. Mining sequential patterns: Generalizations and performance improvements. In International Conference on Extending Database Technology, 1996. Lecture Notes in Computer Science 1996; 1057.
  • Wang JTL, Chirn GW, Marr TG, Shapiro B, Shasha D, Zhang K. Combinatorial pattern discovery for scientific data: Some preliminary results. ACM SIGMOD Record 1994; 23(2): 115-125.
  • Kudyba S. Managing Data Mining: Advise from Experts. CyberTech Publishing, 2004.
  • Han J, Kamber M. Data Mining Concepts and Techniques. Morgan Kaufmann Publishers, 2001.
  • Dener M, Dorterler M, Orman A. Acik kaynak kodlu veri madenciligi programlari Wekada ornek uygulama. In Akademik Bilisim’09 - XI. Akademik Bilişim Konferansı Bildirileri, 2009, Sanliurfa, Turkey, pp. 787-796.
  • Hayashi S, Asakura T, Zhang S. Study of machine fault diagnosis system using neural networks. In Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN'02 (Cat. No.02CH37290), May 12-17, 2002, Honolulu, HI, USA, pp. 956-961.
  • Karasar N. Bilimsel Arastirma Yontemi. 11th edition, Nobel Yayincilik, Ankara, Turkey, 2002.
  • Weka 3: Machine Learning Software in Java. Retrieved from http://www.cs.waikato.ac.nz/ml/weka
  • Advancing Education. Retrieved from http://www.acm.org/education
  • http://www.ieee.org/publications_standards