VERİ MADENCİLİĞİ TEKNİKLERİ İLE ÖĞRENCİ SEGMENTASYONU

Gülay EKREN

Ankara, 2012 1

SİNOP ÜNİVERSİTESİNDE BİR UYGULAMA

Sunum İçeriği

• Giriş• Neden İhtiyaç Hissettim?• Öğrenci Segmentasyonu• Veri Madenciliği

– Veri Madenciliği Yöntemi– Veri Madenciliği Modelleri– Kullanılan Uygulama Aracı– Kullanılan Veri Madenciliği Tekniği

• Bulgular• Değerlendirme• Öneriler• Sonuç

2

Giriş

Proje kapsamında model olarak alınan Sinop Üniversitesine bağlı akademik birimlere, 2010–2011 yılı içinde kayıt yaptıran öğrencilerin kayıt bilgileri kullanılarak bir veri madenciliği uygulaması gerçekleştirilmiştir.

3

Giriş

Bu proje ile üniversitelerin veritabanlarındaki öğrenci verilerinden anlamlı ve yararlı bilgiler elde etmek ve bu bilgiler ışığında üniversite yönetimlerinin planlama faaliyetlerine destek olmak amaçlanmıştır.

4

Neden İhtiyaç Hissettim?

- Öğrencilerin üniversitede eğitim gördükleri süreyi en verimli şekilde kullanabilmeleri için neler yapılabilir?

- Üniversite yönetimlerine düşen görevler nelerdir?- Bunun için hangi verileri kullanabilirim? - Bu veriler zaman aşımına uğramadan nasıl

değerlendirilebilir?- Öğrenci İşleri veritabanındaki veriler, hem

üniversite yönetiminin hem de öğrencilerin yararına kullanılabilir mi?

5

Öğrenci Segmentasyonu

Proje bir segmentasyon çalışmasıdır.

Segmentasyon, hedef kitleyi benzer özellikler taşıyan homojen gruplara bölmek ve bu grupları detaylı olarak tanımlamak amacıyla yapılır.

Bu projedeki hedef kitle üniversite öğrencileridir.

6

Öğrenci Segmentasyonu

Segmentasyon çalışmalarından şu sonuçlar çıkarılabilir:

- Üniversite öğrencilerinin demografik, sosyo-psikolojik vs. özelliklerinin detaylı incelenmesi ile onlara etkili ve doğru ulaşılabilir.

- Üniversite öğrencileri kümelere ayrılarak kaç farklı grup öğrencinin olduğu görülebilir.

7

Öğrenci Segmentasyonu

- Hangi gruba nasıl yaklaşılması gerektiği, hangi bölümdeki/programdaki öğrencilere nasıl hitap edilmesi gerektiği belirlenebilir.

- Her grubun ihtiyaçlarının farklılaşan noktaları belirlenerek, stratejiler ve uygulama faaliyetleri bu grubun ihtiyacına göre planlanabilir.

8

Veri Madenciliği

Veritabanları içinde öngörülemeyen ya da bakarak anlaşılamayan bilgilere veri desenleri denir.

Veritabanlarındaki desenleri keşfetme süreci veri madenciliği olarak tanımlanır.

9

Veri Madenciliği Yöntemi

Projede veri madenciliği yöntemi olarak CRISP-DM (CRoss-Industry Standard Process for Data Mining) yöntemi kullanılmıştır.

CRISP-DM veri madenciliği yöntemi, dört seviyeden oluşan hiyerarşik bir süreç modelidir.

10

Veri Madenciliği Yöntemi

• İlk önce veri madenciliği süreci için belirli aşamalar, daha sonra bu aşamalar için tüm sürece ve uygulamalarına yetecek birkaç genel görev ve bu görevlerin özel durumlar karşısında nasıl gerçekleşeceği tanımlanır.

11

Süreç Örnekleri

Özel Görevler

Genel Görevler

Aşamalar

Şekil 1. CRISP-DM Yöntemi, (Chapman ve ark, 2000)’den uyarlanmıştır.

Veri Madenciliği Modelleri

Veri madenciliği uygulamalarında kullanılan teknikler ikiye ayrılır:

– Tahmin Edici Modeller:

• Sonuçları bilinen verilerden yola çıkarak bir model geliştirilir, bu modelin oluşturduğu sonuçları bilinmeyen veri kümeleri üzerinden tahminlerde bulunulur.

• Sınıflandırma ve regresyon

12

Veri Madenciliği Modelleri

– Tanımlayıcı Modeller:

• Eldeki verilerden modeller yardımıyla öngörülemeyen sonuçlar çıkarılır.

• Kümeleme, Birliktelik Kuralları ve Ardışık Zamanlı Örüntü Modelleri

Bu projede benzer verilerin gruplanması/kümelenmesi yoluyla öğrenci segmentasyonu yapılması amaçlandığı için tanımlayıcı bir model olan kümeleme modeli kullanılmıştır.

13

Kullanılan Uygulama Aracı

Açık Kaynak kodlu, ücretsiz veri madenciliği uygulama araçları:

– Rapidminer (Yale)

– WEKA

– R

– KNIME

Bu projede veri madenciliği uygulama aracı olarak WEKA tercih edilmiştir.

14

Kullanılan Veri Madenciliği Tekniği

Kümeleme modelinde diğer veri modellerinde olduğu gibi farklı algoritmalar kullanılarak anlamlı sonuçlara ulaşılmaktadır.

WEKA ortamında bütün kümeleme algoritmaları eldeki veri setine uygulanmış ve daha anlamlı sonuçlar üreten k-meansalgoritmasının kullanılmasına karar verilmiştir.

15

Veri Seti

• Sinop Üniversitesi Öğrenci İşleri veritabanından alınan 2010–2011 akademik yılına ait toplam 3819 öğrenci kaydından oluşmaktadır.

16

Uygulama Aşamaları

17

WEKA Uygulama Çıktısı Örneği

18Şekil 3. Kümeleme analizi sonuçları ( 10 Küme)

Çıktıların Yorumlanması (Örnek)

K2

Marmara Bölgesindeki genel liselerden, 201–250 arası puan alarak gelen erkek öğrenciler Muhasebe ve Vergi Uygulamaları programını tercih etmiştir. Bu küme veri setinin %15’lik kısmını oluşturmaktadır.

19

Bulgu-1Küme Geldiği Bölge Okul türü Puanı Geldiği Program Cinsiyeti Kaçlık Küme-

Yüzdelik dilimi

K0 Karadeniz Bölgesi Meslek Lisesi 0 Bilgisayar Programcılığı Erkek 10’luk küme- %14

K1 Karadeniz Bölgesi Meslek Lisesi 0 Bilgisayar Programcılığı Kız 10’luk küme- %7

K8 Karadeniz Bölgesi Meslek Lisesi 0 Makine Erkek 10’luk küme- %11

K0 Karadeniz Bölgesi Meslek Lisesi 0 Harita ve Kadastro Erkek 5’lik küme- %30

K2 Marmara Bölgesi Genel Lise201–

250

Muhasebe ve Vergi

UygulamalarıErkek 10’luk küme- %15

20

Tablo 1.

Değerlendirme-1

Karadeniz Bölgesinde, Sinop Üniversitesindeki Meslek Yüksekokullarına sınavsız geçiş hakkını kullanarak gelen meslek lisesi mezunu öğrenciler en çok “Bilgisayar Programcılığı”, “Makine” ve “Harita ve Kadastro” programlarını tercih etmiştir.

21

Öneri-1

• SÜ Yönetimi, Karadeniz Bölgesindeki meslek liselerinden sınavsız geçiş sistemi ile gelen öğrencilerin tercih etme oranının fazla olduğu Meslek Yüksekokullarındaki “Bilgisayar Programcılığı”, “Makine” ve “Harita ve Kadastro” programlarının kontenjanları arttırılmalıdır.

22

Bulgu-2Küme Geldiği Bölge Geldiği okul türü Geldiği Bölüm Kaçlık Küme- Yüzdelik

dilimi

K7

Karadeniz Bölgesi Anadolu Lisesi/YDA

Su Ürünleri

Mühendisliği

10’luk küme- %3

K9Karadeniz Bölgesi Anadolu Lisesi/YDA

Sınıf Öğretmenliği 10’luk küme- %7

K4

Akdeniz Bölgesi Anadolu Lisesi/YDA

Sınıf Öğretmenliği 10’luk küme- %6

K4

İç Anadolu Bölgesi Anadolu Lisesi/YDA

Sınıf Öğretmenliği 5’luk küme- %14

23

Tablo 2.

Değerlendirme-2

• Sinop Üniversitesine Anadolu Lisesi ve yabancı dil ağırlıklı liselerden gelen öğrencilerin yoğunlukta olduğu bölümler: Su Ürünleri Mühendisliği ve Sınıf Öğretmenliği’dir.

• Üniversiteye bağlı enstitülerde Su Ürünleri Mühendisliği mezunlarına yönelik yüksek lisans ve doktora programları vardır ancak “Sınıf Öğretmenliği” mezunlarına yönelik yüksek lisans veya doktora programı yoktur.

24

Öneri-2

• Üniversite, Anadolu Lisesi ve yabancı dil ağırlıklı liselerden gelerek lisans tamamlayan öğrencilerini kaybetmemek için Sınıf Öğretmenliği veya Eğitim Bilimleri alanında yüksek lisans ve doktora programları açmalıdır.

25

Bulgu-3Bölge Tercih Edilen Bölüm/Program

Karadeniz Bölgesi Bilgisayar Programcılığı, Harita ve Kadastro, Makine, Su Ürünleri Mühendisliği, Sınıf Öğretmenliği,

Matematik

Marmara Bölgesi Muhasebe ve Vergi Uygulamaları, Matematik, İstatistik, Sosyal Bilgiler Öğretmenliği

İç Anadolu Bölgesi Sosyal Bilgiler Öğretmenliği, Sınıf Öğretmenliği, Su Ürünleri Mühendisliği

Akdeniz Bölgesi Sınıf Öğretmenliği

26

Tablo 3.

Öneri-3

• Avrupa Birliğine uyum süreci kapsamında yürütülen bir çalışma olan ve üniversiteler arası öğrenci ve öğretim elemanı değişim programını yürüten Üniversite Rektörlüklerine bağlı Farabi Kurum Koordinatörlükleri, yurtiçindeki üniversitelerle ikili anlaşmalar yaparak öğrenci ve öğretim elemanı değişimi gerçekleştirmektedir.

27

Öneri-3

• Bu değişim programına başvuran öğrencilerin daha çok geldikleri liselerin bulunduğu bölgedeki veya ailelerine yakın üniversitelere gitmek isteyecekleri düşünülerek o bölgelerdeki üniversitelerle ikili anlaşmalar, o bölgelerdeki liselerden gelen öğrencilerin yoğunlukta bulunduğu program ve bölümlere bakılarak (bakınız Tablo 3.) tekrar gözden geçirilmelidir.

28

Sonuç

• Bu çalışmada, öğrenci verileri üzerinde yapılan literatürdeki diğer veri madenciliği uygulamalarından farklı olarak üniversitelerde öğrenim gören öğrenciler anlamlı gruplara ayrılarak üniversite yönetimlerinin bu grupların yapısına uygun stratejiler geliştirmesi ve planlamalar yapması amaçlanmıştır.

29

Sonuç

• Bu araştırma 2010–2011 akademik yılında Sinop Üniversitesine kayıt yaptıran ve kayıt yenileyen öğrencilerle sınırlıdır ancak bu ve buna benzer uygulamalar üniversite yönetimleri tarafından sistematik ve periyodik olarak tekrarlanarak elde edilen deneyimler projelere ve kararlara yansıtılabilir.

30

Sonuç

• Bu uygulamalar her akademik yılın başında geliştirilip, birkaç yıl sonra uygulamalara bir bütün olarak bakılırsa daha anlamlı sonuçlar elde edilecektir.

31

Kaynaklar

Akgöbek Ö. Ve Kaya S., Veri Madenciliği Teknikleri ile Veri Kümelerinden Bilgi Keşfi: Medical Veri Madenciliği Uygulaması, e-Journal of New World Sciences Academy, Volume: 6, Number: 1, 2011

Akpınar, H. Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği, İstanbul Üniv. İşletme Fakültesi Dergisi, C:29 S: 1 Nisan 2000

Anand Kumar N. V. ve Uma G. V., “Improving Academic Performance of Students by Applying Data Mining Technique,” European Journal of Scientific Research, vol. 34, no:4, ss.526-534, 2009.

Ayesha, S., Mustafa, T., Sattar, A. R. ve Khan, M. I. (2010), “Data Mining Model for Higher Education System”, European Journal of ScientificResearch, Vol. 43, No. 1, ss. 24.

Aydın S., Veri Madenciliği ve Anadolu Üniversitesi Uzaktan Eğitim Sisteminde Bir Uygulama, Anadolu Üniversitesi Sosyal Bilimler Enstitüsü, Doktora Tezi, 2007

Barker K., Trafalis T., ve Rhoads T.R. Learning from student data. In Proceedings of the 2004 IEEE Systems and Information Engineering DesignSymposium, ss 79–86, 2004.

Carbureanu, M., The Efficiency Level Analysis fort he Wastewater Mechanical Treatment Process Using Data Mining and Fuzzy Logic, Vol. LXI, No. 2, ss. 59-66 2009

Chapman P, Clinton J, Kerber R, Khabaza T, Reinartz T, Shearer C, Wirth R. CRISP-DM 1.0, Step-by-step Data Mining Guide, 2000.Cios, K.J., Pedrycz, W., Swiniarski, R.W., Kurgan, L.A., Data Mining A Knowledge Discovery Approach, XV, s. 606, 2007

Çakmak, Z., Uzgören N., Keçek G. Kümeleme Analizi Teknikleri İle İllerin Kültürel Yapılarına Göre Sınıflandırılması Ve Değişimlerinin İncelenmesi, http://sbe.dpu.edu.tr/12/15-36.pdf

Dener, M., Dörterler, M., Orman, A., "Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama", Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı Bildirileri, 2009

Dunham, Margaret H. Data Mining Introductory and Advanced Topics. New Jersey: Pearson Education, Inc., 2003.

İnternet: http://maya.cs.depaul.edu/classes/ect584/WEKA/k-means.html Ziyaret Tarihi: 13.12.201132

Kaynaklar

Hamalainen W., Descriptive and Predictive Modelling Techniques for Educational Technology, Department of Computer Science, University of Joensuu, Licentiate thesis, 2006

Erdogan S.Z., Timor M.. “A data mining application in a student database”. Journal of aeronautics and space technologies ,Volume 2 No 2, 2005.

Fayyad, U.M., Piatetsky-Shapiro, G., and Smyth, P. From Data Mining To Knowledge Discovery.AI magazine, American Association for ArtificialIntelligence., 1996.

İnternet: Mesleki ve Teknik Ortaöğretim Kurumlarından Meslek Yüksekokullarına Sınavsız Geçiş Bilgi Kılavuzu http://www.osym.gov.tr/dosya/1-28963/h/sinavsiz.pdf 30.12.2011

İnternet: http://www.osym.gov.tr/belge/1-12076/2010-osys-yerlestirme-yuksekogretim-programlari-ve-kont-.html Ziyaret Tarihi: 30.12.2011

Kifaya S.Q., Amman J.,Mining student evaluation using associative classification and clustering. Communications of the IBIMA vol. 11.,2009

Kim K., Customer Need Type Classification Model Using Data Mining Techniques for Recommender Systems, World Academy of Science, Engineering and Technology 80, 2011

Kudyaba S. ve Hoptroff R., Data Mining and Business Inteligence, USA: Idea Group, s.8., 2001

33

Kaynaklar

Mahajan S. ve Vij S. K., Modelling and Prediction of Rainfall Data Using Data Mining, International Journal of Engineering Science and Technology (IJEST), Vol. 3, No. 7, 2011

Myller N., Suhonen J., ve Sutinen E.. Using data mining for improving web-based course design. In Proceedings of theInternational Conference on Computers in Education (ICCE 2002), pages 959–963. IEEE, 2002.

Romero C., Ventura S., P. De Bra, ve C. De Castro. Discovering prediction rules in AHA! courses. In Proceedings of the 9th International Conference on User Modeling, volume 2702, pages 25–34, 2003.

Salazar-Afanador A., Gosalbez-Castillo J., Bosch-Roig I., Miralles-Ricos R., and Vergara-Dominguez L. A case study of knowledge discovery on academic achievement, student desertion and student retention. In Proceedings of the2nd International Conference on Information Technology: Research and Education

(ITRE 2004), pages 150–154. IEEE, 2004.

Two Crows Corporation, “Introduction of Data Mining and Knowledge Discovery 3nd ed.”, ISBN: 1-892095-02-5, USA, s. 6, 2005

WITTEN, I. H. ve FRANK, E., Data Mining: Practical Machine Learning Tools and Techniques, 2nd Edition, San Francisco, Morgan Kaufmann Series, 2005.

Zhong N., Zhou L., Methodologies for Knowledge Discovery and Data Mining, Third Pacific-Asia Conference, PAKDD '99, Beijing, China, April 26-28, 1999

İnternet: Segmentasyon ve Profil Çalışmaları http://www.betaarastirma.com/documents/segmentasyon_ve_profil_c7alfdfemalarfd.html Ziyaret Tarihi: 21.05.2012

34

Teşekkür

• Sinop Üniversitesi Öğrenci İşleri Şube Müdürü Ahmet CİVAN’a

• Gazi Üniversitesi Öğretim Üyesi Prof. Dr. Cevriye GENCER’e

• Danışmanım Doç. Dr. Serçin KARATAŞ’a

35