Health AI
Öğrenci Alışkanlıkları ve Akademik Başarı Analizi
1.000 öğrencinin günlük alışkanlıklarını (çalışma, uyku, sosyal medya, Netflix) analiz ederek akademik başarıyı tahminleyen uçtan uca ML pipeline'ı. Feature Engineering, K-Means kümeleme, DBSCAN anomali tespiti ve SVM/Random Forest sınıflandırma.
Problem
Neyi çözmeye çalıştı?
Öğrenci başarısı sadece çalışma saatiyle açıklanmıyor. Uyku, ekran süresi, derse katılım ve alışkanlıkların akademik başarıyla ilişkisini ölçülebilir hale getirmek gerekiyordu.
Yaklaşım
Veriden çıktıya giden yol
Veri temizliği sonrası alışkanlık değişkenleri ölçeklendi, öğrenci profilleri K-Means ile kümelendi ve DBSCAN ile uç davranışlar incelendi. SVM ve Random Forest modelleriyle başarı tahmini yapıldı; feature importance çıktısı ile hangi alışkanlıkların daha belirleyici olduğu yorumlandı.
Öne Çıkanlar
Teknoloji Stack'i
Çıktılar
- Model metrikleri ve analiz çıktıları
- Görselleştirme / rapor akışı
- GitHub deposu / teknik dokümantasyon
- README ve proje anlatımı
- LinkedIn proje paylaşımı
Öğrendiklerim
- Davranış değişkenleri başarı tahmininde tek başına nottan daha açıklayıcı olabilir.
- Kümeleme, sınıflandırmadan önce veri hikayesini anlamayı kolaylaştırıyor.
- Feature importance sonuçları proje anlatımını güçlendiriyor.
Sonraki İyileştirme
- Daha büyük öğrenci veri setiyle tekrar denemek
- Model açıklanabilirliği için SHAP eklemek
- Mini dashboard ile sonuçları interaktif yapmak
Sonraki Proje
Asteroid Risk Analysis
API Data Product