Sinir Ağlarını Kullanma – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri
Sinir Ağlarını Kullanan Üniversite Birinci Sınıf Öğrencilerinin Kalıcılığını Tahmin Etme
Daha önce de belirtildiği gibi, kolej ve üniversite birinci sınıf öğrencilerinin önemli bir yüzdesi, yaklaşık %40’ı yüksek öğrenimlerinin ikinci yılında kalmamaktadır.
Bu, önümüzdeki on yılda “lise mezunlarının [beklenen] üretiminin orta derecede yavaşlayacağı” bir zamanda geliyor. Kolejler ve üniversiteler, kendi okullarına daha uygun olma olasılığı daha yüksek olan öğrencilere yönelik hedefli pazarlama sağlayabilirlerse, düşük elde tutma oranlarının yarattığı sorunun çoğu hafifletilebilir.
Okulla uyumu iyi olan öğrencilerin ilk yarıyıldan sonra da devam etme olasılıkları daha yüksektir ve bu nedenle ilk yıldan sonra da devam etme olasılıkları daha yüksektir. Bu araştırma, bireysel öğrencileri/başvuranları kalıcılık olasılıklarına göre puanlayan nöral hesaplamaya dayalı bir karar destek sistemi için bir çerçeve sunmaktadır.
İlgili Araştırma
Birinci dönem kalıcılığı için tahmine dayalı bir model oluşturma hedefiyle etkili bir yaklaşım seçilmesi gerekiyordu. Tahmine dayalı modelleme yapmak için birçok yaklaşım mevcuttur (örneğin, regresyon, karar ağaçları, küme analizi, Bayes ağları ve sinir ağları). Yazar bir sinir ağı kurmayı seçti.
Sinirsel hesaplama, gelecekteki davranışı tahmin etmek için geleneksel olmayan bir sayısal araç sunar. Sinir ağlarının, tahmin amacıyla karmaşık, doğrusal olmayan ve gürültülü verileri kullanma yeteneğine sahip olduğu gösterilmiştir. Aslında, sinir ağlarının uygulamalarının aşağıdakiler gibi pek çok farklı alanda kullanıldığı bulunmuştur:
• Kredi başvuru analizi
• Dolandırıcılık tespiti
• Stok tavsiyesi
• Yönlendirme
• Tahvil derecesi
Ayrıca, en az bir gizli katmana sahip sinir ağları evrensel yaklaşımcılardır. Evrensel bir tahmin edici, eğer böyle bir eşleme varsa, girdiler ve çıktılar arasında işlevsel bir eşleme bulabilir. Son yirmi yılda yapılan araştırmalar ve sinirsel hesaplamanın kanıtlanmış faydası göz önüne alındığında, yazar, birinci sınıf kalıcılığının tahmini için sinir ağlarını keşfetmeyi seçti.
Kalıcılık ve eğitim sonuçlarıyla ilgili olarak, sinir ağı mühendisleri, sinir ağlarının öğrenci başarısını tahmin etme yeteneğine sahip olduğunu göstermiştir. İlk dönem kalıcılığını tahmin etmek için çok katmanlı bir sinir ağının benzer şekilde kullanılabileceğine inanmak için sebepler var.
Yapay sinir Ağları Yöntemi
Yapay sinir Ağları uygulama örnekleri
Yapay sinir ağları örnek sorular
Yapay sinir ağları kodlama
Yapay sinir Ağları Uygulamaları
Yapay sinir ağları makine öğrenmesi
yapay sinir ağları ders notları
Yapay sinir ağları algoritmaları
Veri Toplama
Bu araştırma için site, Fort Lewis College, Güneybatı Colorado’da bir kamu liberal sanatlar kolejidir. Fort Lewis College, Durango, Colorado’nun 150 mil yarıçapındaki tek dört yıllık kolejdir. Diğer yüksek öğretim kurumlarına benzer şekilde, Fort Lewis Koleji’nin önemli bir kısmı, yani %42.1’lik bir kısmı, ikinci öğrenim yıllarına kadar devam etmeyen, giren öğrenci kitlesinin %42.1’ine sahiptir. Bu oran daha önce bahsedilen ulusal normlarla uyumludur ve bu nedenle bu okulda görülen bu araştırmadan elde edilen sonuçların diğer yükseköğretim kurumlarına genellenmesi olasıdır.
Daha önce bahsedildiği gibi, öğrenci kalıcılığını tahmin etmek için veri madenciliği yöntemi olarak bir sinir ağının kullanılması seçilmiştir. Spesifik olarak, geliştirme platformu olarak NeuroSolutions kullanılarak çok katmanlı bir geri yayılım sinir ağı geliştirildi. Çok katmanlı algılayıcı olarak da bilinen çok katmanlı geri yayılımlı bir sinir ağı, en yaygın kullanılan sinir ağı paradigmasıdır.
NeuroSolutions, sinir ağı mühendislerine sinir ağlarının inşasında ve eğitiminde (hem denetimli hem de denetimsiz) geniş ve kapsamlı seçenekler sunar. Bu durumda, arşivlenmiş öğrenci verileri, denetimli eğitim için bilinen kalıcılık sonuçlarıyla elde edilebilir. Bu nedenle, bir sinir ağı mühendisi büyük olasılıkla geçmiş öğrenci verileriyle eğitilmiş bir sinir ağı oluşturmayı tercih edecektir.
Fort Lewis College’daki Kurumsal Araştırma, bilinen birinci dönem kalıcılığı olan önceki iki birinci sınıf kohortundan oluşan bir veri tabanı oluşturmak amacıyla, okulun öğrenci bilgi veri tabanından ilgili girdi değişkenlerini sorguladı. Güz 2005 ve Güz 2006 birinci sınıf öğrencileri (n=1768), o zamanlar bilinen ilk dönem kalıcılığına sahip en güncel gruplardı.
Yazar, kabul personeli, genel eğitim fakültesi, danışmanlar, Genel Eğitim ve Keşif Araştırmaları Dekanı ve Kurumsal Araştırma ile görüşmeler yoluyla sorgudaki ilgili değişkenleri seçmiştir. Ortaya çıkan ilk olası öngörücüler kümesi, aşağıdakileri içeren ancak bunlarla sınırlı olmayan 58 değişkene sahipti:
• Lise bilgileri (örneğin, genel not ortalaması, sıralama, sınıf mevcudu)
• Standartlaştırılmış test puanları
• Coğrafi konum
• Etnik köken
• Mali Yardım bilgileri
• Cinsiyet
• Kabul sırasında temel beceriler gereksinimi
• İkamet
• Öğrenim ücreti indirimleri
Bu veriler, çok katmanlı geri yayılım sinir ağının denetimli eğitimi için temel eğitim verileri haline geldi. Kurumsal Araştırma, bu veri setini eğitim için eksiksiz hale getirmek için bu verileri her öğrencinin ilk dönem kalıcılığı için tek bir sütunla birleştirdi.
Giriş Budama
Veri toplama aşamasının sonunda, yazarın 58 farklı değişkende 1768 öğrenci bilgisi satırı içeren bir veritabanı vardı. Bir üretim ortamında kalıcılığı tahmin etmek için en genelleştirilebilir karar destek çözümünü bulmak için, bu değişkenler dizisinin en temel ve anlamlı değişkenlere indirgenmesi gerekiyordu.
Bu nedenle, yazar NeuroSolutions kullanarak bir sinir ağını tasarlamadan ve eğitmeden önce, basit bir korelasyon analizi yapıldı. Spearman’ın Rho korelasyon katsayısı, 58 potansiyel tahmin edicinin her biri ile ikili kalıcılık çıktı değişkeni arasında hesaplandı.
İstatistiksel olarak, Spearman’s Rho, bazı değişkenler için sıralı ölçüm düzeyi göz önüne alındığında en uygun doğrusal ilişkilendirme (pozitif veya negatif) ölçüsüdür. 0,05 (2-kuyruklu)* alfa düzeyi kullanıldığında, 58 olası tahmin ediciden 18’i istatistiksel olarak anlamlıydı. Yazar, girdi alanını endüstri başına 20 girdiye ve yazılımın tavsiye ettiği “temel kurala” budadı.
Modelin işe alım amaçları için kullanılabilmesi için tüm bu girdilerin kabul sırasında bilinmesi gerekiyordu. Karşılık gelen Spearman’s rank korelasyon katsayısına sahip 20 girdi/değişkeni detaylandırılmıştır.
Yapay sinir ağları algoritmaları yapay sinir ağları ders notları Yapay sinir ağları kodlama Yapay sinir ağları makine öğrenmesi Yapay sinir ağları örnek sorular Yapay sinir Ağları uygulama örnekleri Yapay sinir Ağları Uygulamaları Yapay sinir Ağları Yöntemi