BTK Datathon 2026 — Kariyer Başarı Skoru Tahmini

Bu, Google ve Türkiye Girişimcilik Vakfı iş birliğiyle BTK Akademi tarafından düzenlenen Datathon 2026 yarışması için geliştirdiğim projedir. Amaç, öğrencilerin akademik, teknik, proje, portfolyo, mülakat ve sosyal profil verilerinden yola çıkarak sürekli bir career_success_score (0-100) değerini tahmin etmekti - Ortalama Kare Hata (MSE) ile değerlendirildi, düşük skor daha iyi. Tek seferde büyük bir model kurmak yerine aşamalı ilerledim: her biri öncekinin üzerine tek bir fikir ekleyen altı versiyon, her biri Kaggle''a gönderilerek gerçek etkisi ölçüldü. Public MSE, bu altı iterasyon boyunca 99.09''dan (baseline XGBoost) 88.94''e (final model) düzenli şekilde düştü. Veri seti; sayısal özellikler (beceri skorları), kategorik özellikler (bölüm, hedef rol, üniversite seviyesi) ve doğal dil tabanlı bir alanı - mentor tarafından yazılmış kısa bir Türkçe geri bildirim metni - bir araya getiriyordu, bu da sadece tablo modellemesi değil gerçek bir NLP çalışması gerektiriyordu. Kullanılan başlıca teknikler: alana özgü mantığa dayalı akıllı eksik değer doldurma (kör medyan doldurma yerine), feature engineering (ağırlıklı beceri ortalamaları, etkileşim özellikleri, log dönüşümleri), mentor geri bildirimi üzerinde üç katmanlı bir NLP stratejisi (sentiment kelime sayımı, sentiment oranı, TF-IDF) - hedefle 0.40 korelasyona ulaştı -, Optuna ile ayarlanmış XGBoost + LightGBM + CatBoost''un Ridge regresyon ile stacking''i, ve son versiyondaki iki iyileştirme: kategorik özellikler için out-of-fold target encoding, ve hedef değişkendeki tavan etkisi (773 öğrenci tam 100 almış) için yumuşak harmanlama düzeltmesi. Final model, 167 türetilmiş özellik üzerinde kurulu bir stacking ensemble, Kaggle''da 88.94 public / 89.88 private MSE''ye ulaşıyor - baseline''a göre 10.15 puanlık bir iyileştirme.