TATEC

ODTÜ Bilgisayar MühendisliğiTechnical Elective seçim algoritması

Örnek başlangıç dağılımı

Farklı ihtiyaçlar örneği

Her öğrenci 100 token ile başlar. İki yöntem de aşağıdaki başlangıç dağılımını kullanır. Ders ihtiyacı, pozitif başlangıç teklifi sayısı − 1 olarak hesaplanır; ders alma sınırı değildir.

Kontenjan: OOP 2 · AI 1 · ML 1 · NLP 1

Kurallar ve özel durumlar

Eşitlikte Türkçe alfabetik sıra kullanılır. Pozitif token başvurudur; kontenjandan az başvuruda eşik 0 olur. Bir öğrenci birden fazla ders alabilir.

Önerilen sistemde sadece açık ve başlangıç teklifi pozitif olan dersler aktarım alır. Uygun hedef yoksa token kullanılmayan bakiyeye geçer. İlk teklifler sabit ağırlıklardır; aktarımlar ağırlıkları değiştirmez. Hesaplamada tam kesirler korunur.

Mevcut sistem, tarif edilen tek tur modeliyle gösterilir; eşitlik kuralları karşılaştırma için ortaktır.

Bu örneğin sonucu

Öğrencinin aldığı derslere başlangıçta verdiği token’ların toplamı, 100 üzerinden tercih skorudur. Aktarılan token’lar skora eklenmez.

Metriklerin tanımı ve örnek

İhtiyacı karşılanan: aldığı ders sayısı ihtiyacına eşit veya fazla olan öğrenci. Eksik ders = max(0, ihtiyaç − alınan ders); toplam eksik ders toplam ihtiyaca bölünür. Fazladan dersler başka öğrencilerin eksiklerini kapatmaz. İlk tercih başarısı: en yüksek başlangıç teklifini verdiği derslerden en az birini almasıdır; eşit teklifler birlikte değerlendirilir.

Skor = 100 × (alınan derslerin ilk token toplamı / başlangıç token toplamı)

Başlangıç toplamı 100 olduğundan, alınan derslerin ilk token’larını toplamak yeterlidir. OOP 80, AI 15, ML 5 dağılımında yalnızca ML almak 5, yalnızca OOP almak 80, OOP ve AI almak 95 puandır. Hiç ders alınamazsa skor 0 olur.

Alınamayan derslerin token’ları skora dahil edilmez; ayrıca ceza uygulanmaz. Bu ölçü ilk tekliflerin tercihleri yansıttığını varsayar; gerçek mutluluğu doğrudan ölçmez.

Sonuç nasıl oluştu?

Adım adım incele

Farklı örneklerde karşılaştırma