ÖĞRENME YÖNETİM SİSTEMLERİ

Büyük verinin dört temel özelliği vardır: Hacim (volume), hız (velocity), doğruluk (veracity), çeşitlilik (variety).

Küresel internet trafiğinin 2018 yılında saniyede 50.000 GB olması büyük verinin temel özelliklerinden biri olan hız ile ilişkilidir.

Büyük veri tabanlarından, farklı analiz yöntemleriyle gizli desenlerin ortaya çıkarılması süreci veri madenciliğidir.

Campbell ve Oblinger (2007) akademik analitikleri beş aşamada işleyen bir yapı olarak tanımlamışlardır. Bu aşamalar yakalama (capture), raporlama (report), tahmin (predict), eylem (act) ve iyileştirme (refine) olarak sıralanabilir.

İstatistik, yapay zekâ ve makine öğrenmesi veri madenciliğinde kullanılan temel alanlardır. Veri madenciliği bilginin işlendiği hemen hemen bütün iş kollarında (ör. iletişim, eğitim, bankacılık, sigortacılık, üretim) kullanılmaktadır.

İstatistik, yapay zekâ ve makine öğrenmesi veri madenciliğinde kullanılan temel alanlardır. Veri madenciliği bilginin işlendiği hemen hemen bütün iş kollarında (ör. iletişim, eğitim, bankacılık, sigortacılık, üretim) kullanılmaktadır.

Öğrenme analitiklerinin dört uygulama seviyesinden bahsederek başlayabiliriz. Bu seviyeler betimsel (descriptive) analitik, tanılayıcı (diagnostik) analitik, öngörücü (predictive) analitik ve yönerge (prescriptive) analitiği olarak sıralanabilir. Betimsel analitikten yönerge analitiğine gidildikçe üretilen değer arttığı gibi zorluk seviyesi de artmaktadır.

Öğrenme analitiklerinin kullanım amaçlarını biraz daha detaylı bir şekilde açıklamaya, öğrenme analitiklerinin dört uygulama seviyesinden bahsederek başla- yabiliriz. Bu seviyeler betimsel (descriptive) analitik, tanılayıcı (diagnostik) analitik, öngörücü (predictive) analitik ve yönerge (prescriptive) analitiği olarak sıralanabilir. Betimsel analitikten yönerge analitiğine gidildikçe üretilen değer arttığı gibi zorluk seviyesi de artmaktadır.

Öğrenenlerin kendi öğrenme süreçleri için, kendi ihtiyaçlarına uygun şekilde geliştir-dikleri kişisel öğrenme ortamlarını dağıtık öğrenme ortamları olarak adlandırabiliriz.

Öğrenme analitiklerinin öğrencilerin arasında rekabeti arttırması gibi bir işlevi yoktur. Eğitim ortamlarında öğrenciler rekabet yerine işbirliğine teşvik edilmelidir.

Büyük veri (Big Data), ortaya çıkan bu verinin üretilmesindeki büyük hızı, üretilen verinin inanılmaz boyutlarını ve yapısını anlatmak için kullanılan bir kavramdır.Büyük verinin bazı anahtar özellikleri vardır. Bunlar hacim (volume), hız (velocity), doğruluk (veracity), çeşitlilik (variety) olarak sıralanabilir.

Bulmacadaki noktaları veri olarak düşündüğümüzde, noktaları kullanarak gizli deseni ortaya çıkarma sürecini veri madenciliği -bazen veri tabanlarından bilgi keşfi olarak da adlandırılabilir- olarak tanımlayabiliriz. Daha net bir ifadeyle; ‘büyük veri tabanlarından, farklı analiz yöntemleriyle gizli desenlerin ortaya çıkarılması süreci veri madenciliğidir’ diyebiliriz. Veri madenciliğinin temelinde istatistik, yapay zekâ ve makine öğrenmesi bulunur. Veri madenciliği iletişim, eğitim, bankacılık, sigortacılık, üretim gibi farklı alanlarda kullanılmaktadır. Veri madenciliğinin eğitimde kullanılması eğitimde veri madenciliği (educational data mining) olarak adlandırılır.

Öğrenme analitikleri ile yakın bir diğer kavram akademik analitiklerdir. Akademik analitik, öğretim kurumlarının kurumsal performanslarının artırılması ya da kurumsal politikalarının oluşturulmasına yardımcı olmak amacıyla kullanılabilir. Campbell ve Oblinger (2007) akademik analitikleri beş aşamada işleyen bir yapı olarak tanımlamışlardır. Bu aşamalar yakalama (capture), raporlama (report), tahmin (predict), eylem (act) ve iyileştirme (refine) olarak sıralanabilir.

Betimsel analitiği pazar alışverişini bitirip eve döndükten sonra cebimizde ne kadar kaldığına baktığımız, aldığımız meyve sebzenin kalitesini bir de evde tarttığımız aşama olarak düşünebiliriz. Yani, “ne oldu” sorusunun cevabını aradığımız aşama betimsel analitik aşamasıdır. Artık pazarda hangi ürün için ne kadar harcadığımızı, hangi pazarcının sattığı ürünlerin kaliteli olduğunu biliyoruz. Bazı aldıklarımızı beğenir, bazılarını beğenmeyiz. Beğenmediklerimizi not alarak sonraki alışverişimizi ona göre düzenleyebiliriz. Eğer bir de elde ettiğimiz verileri bir hesap tablosu programına aktarıyor ve grafiklerle destekliyorsak kendimize bir panel (dashboard) oluşturmuşuz demektir.

Öğrenme analitikleri açısından bakıldığında betimsel analitiği, öğrenme yönetim sisteminde öğrencilerin neler yaptıkları, sistemin nasıl işlediği gibi, neler olup bittiğini özetleyen analitik türü olarak düşünebiliriz. Öğrencilerin soruların ne kadarını cevapladıkları ne kadar öğrenme yönetim sisteminde kaldıkları, hangi saat aralıklarında sisteme eriştikleri gibi genel olarak “ne oldu?” sorusunu ortalama, yüzde gibi basit istatistik teknikleri ile analiz ettiğimiz yaklaşım betimsel analitik olarak adlandırılabilir. Betimsel analitikler genellikle öğrencilerin ya da öğreticilerin bu bilgilere erişmek için kullandıkları paneller aracılığıyla sunulur.

Ne? Öğrenme analitiklerinde çok farklı biçimlerde çok büyük miktarda verinin kullanıldığından bahsetmiştik. Öğrenme analitikleri için öğrenenlere ait veriler çok farklı kaynaklardan toplanabilir. Öğrenen verisi tek bir merkezde toplanıyorsa merkezileştirilmiş öğretim sistemleri, eğer öğrenen verileri farklı kaynaklardan toplanıyorsa dağıtık öğrenme ortamları olarak adlandırabiliriz. Öğrenenlerin kendi öğrenme süreçleri için, kendi ihtiyaçlarına uygun şekilde geliştirdikleri kişisel öğrenme ortamlarını dağıtık öğrenme ortamları olarak adlandırabiliriz.

NLTK (Natural Language Toolkit): Büyük verinin çok çeşitli olduğundan ve farklı analizlerin yapılabildiğinden bahsetmiştik. Yukarıda bahsettiğimiz RapidMiner ve R ile de metin analizleri yapılabilmesine karşın dil işleme için kullanılan en kuvvetli araçlardan biri NLTK’dır. NLTK veri madenciliği, makine öğrenmesi, veri temizleme, duygu analizi ve dil işleme araçlarına sahiptir. NLTK, Python programlama dili ile yazılmıştır. Bu sayede üzerine yeni uygulamalar üretilebilmektedir. NLTK http://www.nltk.org/install.html adresinde yer alan yönergeler kullanılarak kurulabilir.

Bir değişkeni boy, ağırlık, hız gibi iki değer arasını kuramsal olarak sonsuz parçaya ayırabiliyorsak ve bunu sürekli yapabiliyorsak nicel (sayısal); cinsiyet, medeni durum ya da tuttuğu takım gibi biri ya da diğeri diye ayırıyorsak süreksiz (kategorik) değişken olarak adlandırabiliriz. Eğer sayısal değişkeni oluşturan bileşenlerini sayarak ölçüyorsak yani tam sayı olmak zorundaysa kesikli değişken olarak adlandırılır. Bir çiftlikteki koyun sayısını buna örnek verebiliriz. Bir çiftçinin 74,3 koyunum var dediğini büyük ihtimalle duymamışsınızdır. Eğer koyunlardan alınan sütün litresinden bahsediyorsa sürekli değişken adı verilir çünkü 1 litre süt olabileceği gibi, 1,3 litre süt de olabilir.

Kümeleme analizinde amaç verideki benzer noktaları bir araya getirerek kümeler oluşturmaktır. Bir kümenin elemanı kendi kümesinde yer alan elemanlara diğer kümelerdekilerden daha çok benzer. Kümeleme genellikle veriyi oluşturan kategoriler bilinmediğinde kullanılan bir analiz yöntemidir. Farklı boyutlarda kümeler oluşturulabilir. Örneğin, fakülte bazında, öğrenci bazında ya da öğrenciye ait öğrenme etkinlikleri bazında kümeleme analizleri yapılabilir. Yani kümeleme analizini, veride saklı bulunan doğal grupları bulmak için yapılan analiz olarak tanımlayabiliriz. Kümeleme için kullanılan algoritmalara K-Ortalama ve hiyerarşik yığın kümelemesi örnek verilebilir.

Regresyonda sürekli bir değişkene ilişkin bir öngörüye ulaşılmaya çalışılır. Bağımlı değişken sürekli ise eğitim veri madenciliğinde genellikle doğrusal regresyondan faydalanılır. 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. Regresyon türlerine metin ve hareket/aktarım (transactional) verisinin analiz edilebildiği çoklu regresyon (multiple regression) ya da metin ve yapılandırılmış ya da yapılandırılmamış verinin kullanılabildiği Destek Vektör Makineleri (Support Vector Machines) örnek verilebilir.

Kümeleme analizinde verimizde
hangi grupların var olduğunu bilmiyorduk. Bilgisayardan kümeleri ortaya çıkarmasını istedik. Yani analiz sonrasında öğrencilerimizin hangi
gruplarda olduğunu görmüş olduk.
Sınıflama analizinde ise öğrencilerimizin dâhil oldukları sınıfları önceden biliyoruz. Örneğin risk altındaki öğrenciler ve risk altında olmayan
öğrenciler olmak üzere iki grubumuz
var ve yeni gelen öğrencinin hangi grupta olduğunu öngörmek istiyoruz. Sınıflama analizini kullanarak risk altında olan, başarısız olma olasılığı bulunan öğrencimizi önceden fark edip yardımcı olabiliriz. Sınıflama analizi öğrenme ortamları dışında banka müşterilerinin riskli olup olmadıklarının belirlenmesi, bir ürünün satın alınıp alınmayacağının ya da kişinin bir hastalığa yakalanıp yakalanmayacağının öngörülmesi için kullanılabilir. Sınıflamada kullanılan algoritmalara sinir ağları, karar ağaçları, K-En yakın komşu ve Bayes Ağları örnek verilebilir.