Bu çalışmada, öğrencilerin akademik performanslarını etkileyen bireysel ve çevresel faktörler kullanılarak makine öğrenmesi tabanlı bir not tahmin modeli geliştirilmiştir. Çalışmada ders çalışma süresi, derslere devam oranı, uyku süresi, önceki akademik başarı, akran etkisi ve öğrenme güçlüğü gibi değişkenleri içeren 6607 örnekten oluşan bir veri seti kullanılmıştır. Doğrusal Regresyon, Karar Ağacı, K-En Yakın Komşu, Destek Vektör Makineleri, Rastgele Orman ve Gradient Boosting algoritmaları uygulamalı olarak karşılaştırılmıştır. Uygulanan modellerin hiperparametreleri GridSearch ve Optuna kullanılarak optimize edilmiştir. Uygulanan algoritmaların performansları MSE, RMSE, MAE, MAPE ve R² metrikleri ile değerlendirilmiştir. Deneysel sonuçlar, Doğrusal Regresyon ve SVM'in 0.99 R² ile en yüksek tahmin doğruluğuna sahip olduğunu göstermiştir. Elde edilen bulgular, makine öğrenmesi modellerinin öğrencilerin akademik performanslarının öngörülmesinde etkili olduğunu ve bireyselleştirilmiş eğitim stratejilerinin geliştirilmesine katkı sağlayabileceğini göstermektedir.