Birçok sektörde bilişim teknolojilerinde yaşanan olumlu gelişmelere paralel olarak dijital ortamda oluşan ve depolanan veri miktarı her geçen gün artmaktadır. Bu durum, oluşan verilerin analiz edilerek veri içerisindeki saklı bilginin ortaya çıkarılması ve değere dönüştürülmesi gereksinimini beraberinde getirmiştir. Tüm bu gelişmeler neticesinde, büyük veri yığınları içerisindeki saklı bilgi ve örüntülerin keşfedilmesi olarak adlandırılan veri madenciliği süreci önemini ve kullanım alanlarını her geçen gün artırmaktadır. Bu tez çalışmasında, tıp fakültesi kurul sınavları sonucu oluşan veri kümeleri üzerinde veri madenciliği sınıflandırma yöntemleri uygulanarak, veri kümesi içinde yer alan saklı bilgi ve örüntülere ulaşılması hedeflenmiştir. Süreç sonucunda elde edilen saklı bilgi ve örüntülerden, eğitim öğretim süreçlerinin planlanması ve karar süreçlerinde faydalanılarak, eğitim süreçlerinin kalite ve verimliliğine olumlu yönde katkılar sağlaması amaçlanmıştır. Çalışma kapsamında; Karar Ağaçları, Yapay Sinir Ağları, Rastgele Orman, Naive Bayes ve K-En Yakın komşuluk veri madenciliği yöntemleri kullanılmış ve başarı oranları karşılaştırılmıştır. Tıp fakültesi kurul sınavları sonucu oluşan veri kümeleri üzerinde veri madenciliği sınıflandırma yöntemleri uygulanarak, öğrencilerin akademik başarı durumlarının erken dönemlerde tahmin edilebileceği bir model geliştirilmiştir.
In parallel with the positive developments in information technologies, the amount of data generated and stored in digital media in many sectors is increasing every day. This situation has brought the necessity of analyzing the data, revealing the hidden information in the data and transforming it into value. As a result of these developments, the importance and usage areas of the data mining process, which is defined as the discovery of hidden information and patterns in large data stacks, are increasing day by day. In this thesis, it was aimed to reveal hidden information and patterns by applying data mining classification methods on the data sets formed as a result of the medical faculty board exams. It is aimed to improve the quality and efficiency by making use of these hidden information and patterns in the planning of educational processes and decision-making processes. Within the scope of the study, Decision Trees, Artificial Neural Networks, Random Forest, Naive Bayes and K-Nearest neighborhood data mining methods were used and their success rates were compared. By applying data mining classification methods on the data sets formed as a result of the medical faculty board exams, a model has been developed in which the academic success of the students can be predicted in the early stages.
