ÖĞRENME YÖNETİM SİSTEMLERİ

Büyük verinin dört temel özelliği vardır. Bunlar, hacim, hız, doğruluk ve çeşitliliktir. Esneklik büyük verinin özelliklerinden biri değildir.

Veri madenciliğinin temelinde istatistik, yapay zeka ve makine öğrenmesi yatar

Campbell ve Oblinger tarafından tanımlanan akademik analitiklerinin ilk aşaması yakalamadır. Ardından sırası ile raporlama, tahmin, eylem ve iyileştirme gelir.

Öğrenme analitikleri zorluk seviyesine göre şu şekilde sıralanmaktadır: betimsel analitik, tanılayıcı analitik, öngörücü analitik ve yönerge analitiği.

Öğrenme analitikleri açısından bakıldığında, öğrenme yönetim sisteminde öğrencilerin neler yaptıkları, sistemin nasıl işlediği gibi, neler olup bittiğini özetleyen analitik türü betimsel analitiktir

Öngörücü analitik, “ne olacak/ne olur?” sorusunu cevaplamada yardımcıdır.

“Öğrenenlerin başarı puanlarını beş puan nasıl artırabiliriz” sorusuna yanıt aranmasında yardımcı olabilecek öğrenme analitiği yönerge analitiğidir

Bir durumun nedenlerini bulmak için eldeki bütün verilerin kullanılması olarak ifade edilebilen analitik türü açıklayıcı analitiktir.

Hangi olay ya da olaylar birlikteliğinin öğrenenlerin başarılı olmasını sağladığı ya da başarısızlıklarına neden olduğunu anlamamıza yardımcı olabilecek analitik türü tanılayıcı analitiktir.

Öğrenenlerin kendi öğrenme süreçleri için, kendi ihtiyaçlarına uygun şekilde geliştirdikleri kişisel öğrenme ortamlarına dağıtık öğrenme ortamları adı verilir.

Büyük verinin dört temel özelliği vardır. Bunlar; Hacim (volume), hız (velocity), doğruluk (veracity), çeşitlilik (variety)’tir.

Eğitimde veri madenciliğinin temellerini atan çalışma, Corbett ve Anderson’un 1995 yılında yayınladıkları Baves Bilgi Takibi ile ilgili makaleleridir.

Akademik analitik toplanan verinin, öğretim kurumlarında pazarlama ve yönetim amaçları doğrultusunda kullanılmasıdır.

Betimsel Analitik, öğrenme yönetim sisteminde öğrencilerin neler yaptıkları, sistemin nasıl işlediği gibi, neler olup bittiğini özetleyen analitik türüdür.

Öğrenme analitiklerinde göz önünde bulundurulması gereken etik konular şunlardır: 1. Verinin konumu ve yorumlanması,
2. Bilgilendirilmiş onay formu, verinin gizliliği ve anonimleştirilmesi,
3. Verinin yönetilmesi, sınıflandırılması ve depolanmasıdır.

NLTK veri madenciliği, makine öğrenmesi, veri temizleme, duygu analizi ve dil işleme araçlarına sahiptir.

Regresyon; bir gözlemin, ortalamaya ya da veri setindeki bütün noktaların ortasından geçtiği düşünülen hayali bir çizgiye (bağlanım çizgisi) ne kadar yakın olduğunu tahmin etmek olarak tanımlanabilir.

Purdue Üniversitesi’nin Signal uygulaması, sistem öngörülerini, öğrenenin performansını (derste kazandığı puanlar), çabasını (öğrenme ortamında gerçekleştirdiği etkileşim), akademik geçmişini (sınav puanları) ve kişisel özelliklerini (yaş, aldığı ders sayısı vb.) kullanarak üretmektedir.

Öğrenenlerin kendi öğrenme süreçleri için, kendi ihtiyaçlarına uygun şekilde geliştirdikleri kişisel öğrenme ortamlarını dağıtık öğrenme ortamları denir.

RapidMiner, kullanıcıların kod yazmasına gerek kalmadan, şablonları kullanarak analiz süreçleri üretebilmesini sağlayan bir arayüze sahiptir. Yazılımda veri düzenleme ve analizi amacıyla kullanılabilecek 1500’den fazla operatör bulunmaktadır. Farklı türlerdeki veri kaynaklarından farklı türlerdeki veri çekilebilmektedir. Yapılandırılmış ve yapılandırılmamış verileri de birleştirebilir. Ancak istatistiksel hesaplamalar için geliştirilmiş programlama dili ve yazılım ortamı R’dir.