Koneoppimisen hyödyntäminen opintojaksojen suorittamisen ennustamisessa

Abstract

Tiedon määrä sekä laskentateho on kasvanut viime vuosina. Samaan aikaan pilvipalveluiden hyödyntäminen tiedon varastoinnissa ja prosessoinnissa on yleistynyt. Kehitys on osaltaan edesauttanut tekoälyn ja varsinkin sen alalajin koneoppimisen soveltamista erilaisten historiatietoon perustuvien ratkaisujen yleistymisessä. Koneoppivia algoritmeja hyödyntämällä datasta voidaan löytää säännönmukaisuuksia ja riippuvaisuuksia, joiden avulla on mahdollista luoda ennusteita.

Tämä opinnäytetyö toteutettiin suomalaiselle korkeakoululle. Korkeakoulun toiveena oli koneoppimisen hyödyntämismahdollisuuksien tutkiminen henkilökohtaisiin opintosuunnitelmiin valittujen ajoitettujen opintojen suorittamisten ennustamisessa. Opinnäytetyön ohessa konkreettisena kehittämistyönä toteutettiin koneoppimiseen perustuva ennustemalli. Ennusteen tarkoituksena on tukea opetukseen ja sen järjestämiseen liittyviä sidosryhmiä suunnittelemaan toimintaansa tehokkaammin. Samalla tutkittiin mahdollisuutta toteuttaa koneoppiminen ja siihen liittyvät prosessit Azure-pilviympäristössä sekä luoda sovellus ennusteen seuraamiseen.

Tutkimustyö toteutettiin konstruktiivisella menetelmällä, jossa tarkoituksena on löytää ratkaisu käytännön ongelmaan. Tutkimuksen tuloksia voidaan käyttää arvioitaessa koneoppimisen hyötyjä päätöksenteon tukena toiminnan suunnittelussa. Tämän lisäksi tuloksissa esitellään toimintatapa koneoppivan sovelluksen toteuttamiseen Microsoft Azure -pilviympäristöä ja Power BI -palvelua hyödyntäen.

The aim of this thesis is to explore the potential of machine learning in enhancing the institutional resource planning process at a higher education institution. The focus is on using machine learning algorithms to produce predictions based on students' personal study plans. The data collected from the study plans will be used to train the machine learning models and to make predictions about the completion of courses.

The Azure cloud platform was chosen as the platform for technical development work related to machine learning in order to take advantage of its scalability and capabilities. The results of this thesis will provide insights into the potential of machine learning in the field of higher education institution resource planning and offer understanding for implementing machine learning in this context.

Overall, this thesis will contribute to the understanding of how machine learning can be utilized in the higher education institutions. The results of this study will provide valuable information for other universities and organizations who are looking to incorporate machine learning into their operations and processes.