Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ | - | Güz Dönemi | 3+0 | 3 | 8 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üye. Erman GEDİKLİ |
| Dersi Verenler | Dr.Öğr.Üye. İlker KÖSE |
| Dersin Yardımcıları | Arş.Gör.Yaşar Gökalp |
| Dersin Amacı | Derste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak. |
| Dersin İçeriği | Bu ders; Veri Madenciliğine Giriş ve Temel Kavramlar ,Veri Madenciliği Süreci,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları ,Uygulama: Sınıflama,Uygulama: Sınıflama ,Birliktelik Kuralı Analizi,Uygulama: Birliktelik kuralı analizi,Uygulama: Problem odaklı veri madenciliği,Dönem sonu proje sunumları,Dönem sonu proje sunumları; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri madenciliği ile ilgili temel kavram ve süreçleri açıklar | 16, 18, 9 | A |
| Veri madenciliğini ve görevlerini tanımlar | 16, 9 | A |
| Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar. | 16, 9 | A |
| Veri madenciliği sürecini ifade eder. | 16, 9 | A |
| Yaygın veri madenciliği yöntemlerini açıklar. | 13, 14, 16, 18, 6, 8, 9 | A |
| Sınıflama ve Kümeleme yöntemini açıklar. | 16, 9 | A |
| Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder | 10, 13, 16, 4, 6, 9 | A |
| Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | 16, 6, 9 | A |
| Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder. | 16, 6, 9 | A, G |
| Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | 16, 6, 9 | A |
| Klinik ve yönetim karar destek sistemlerini ve türlerini açıklar | 14, 18, 4, 5, 6, 9 | A |
| Bilgi tabanlı KDS’leri açıklar | 16, 9 | A |
| Öğrenmeli (supervised) KD’leri açıklar | 16, 9 | A |
| Veri madenciliği kavramını ve süreçlerini açıklar. | 16, 9 | A |
| Bir veri madenciliği aracını (KNIME) kullanır. | 14, 16, 2, 4, 5, 6, 8, 9 | E, F |
| KNIME ile veri hazırlama süreçlerini uygular | 12, 16, 18, 8, 9 | E, F |
| KNIME ile kümeleme yöntemlerini kullanır | 16, 4, 8, 9 | A, E, F |
| KNIME ile sınıflama yöntemlerini kullanır | 16, 8, 9 | A, E |
| KNIME ile elde edilen grafikleri yorumlar | 16, 6, 9 | A |
| Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 2: Proje Temelli Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 5: İşbirlikli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi, G: Kısa Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri Madenciliğine Giriş ve Temel Kavramlar | Temel veri tabanı kavramları |
| 2 | Veri Madenciliği Süreci | SQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veri dönüştürme yaparız, vb |
| 3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
| 4 | Nitelik seçimi ve veri dönüştürme | Veri türleri, veri genelleştirme ve özelleştirme |
| 5 | Kümeleme Yöntemleri | Kümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme |
| 6 | Uygulama: Kümeleme | KNIME kullanımı ile ilgili pratikler |
| 7 | Sınıflama Yöntemleri-Karar Ağaçları | Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.) |
| 8 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
| 9 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
| 10 | Birliktelik Kuralı Analizi | Market sepeti analizi |
| 11 | Uygulama: Birliktelik kuralı analizi | KNIME kullanımı ile ilgili pratikler |
| 12 | Uygulama: Problem odaklı veri madenciliği | Kümeleme, karar ağacı, birliktelik kuralı analizi |
| 13 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
| 14 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
| Kaynak |
| Ders sunum notları ve lab dosyaları (düzenli olarak ders sayfasında paylaşılacaktır) - Veri Madenciliği Teori Uygulama ve Felsefesi, Dr. İlker KÖSE (2015) - Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan SİLAHTAROĞLU - Veri Madenciliği Yöntemleri, Dr. Yalçın ÖZKAN - Han Jiawei and Kamber Micheline (2006), Data Mining: Concepts and Techniques, Morgan Kaufmann Publisher San Francisco - Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005) |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular. | X | |||||
| 2 | Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir ve mühendisliğin ilişki kurduğu disiplinler arası etkileşimi kavrayabilir. | X | |||||
| 3 | Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları yorumlar, yeni ve özgün fikirler geliştirerek çözümler. | X | |||||
| 4 | Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir. | X | |||||
| 5 | Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir. | X | |||||
| 6 | Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır. | X | |||||
| 7 | Mesleğinin yeni ve gelişmekte olan uygulamalarının farkındadır; gerektiğinde bunları inceler ve öğrenir. | X | |||||
| 8 | Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü B2 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır. | ||||||
| 9 | Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler. | X | |||||
| 10 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Ders Saati | 14 | 3 | 42 | |||
| Rehberli Problem Çözme | 0 | 0 | 0 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 2 | 10 | 20 | |||
| Okul Dışı Diğer Faaliyetler | 14 | 3 | 42 | |||
| Proje Sunumu / Seminer | 1 | 20 | 20 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
| Ara Sınav ve Hazırlığı | 1 | 50 | 50 | |||
| Genel Sınav ve Hazırlığı | 1 | 60 | 60 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Toplam İş Yükü (Saat) | 234 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(234/30) | 8 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ | - | Güz Dönemi | 3+0 | 3 | 8 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üye. Erman GEDİKLİ |
| Dersi Verenler | Dr.Öğr.Üye. İlker KÖSE |
| Dersin Yardımcıları | Arş.Gör.Yaşar Gökalp |
| Dersin Amacı | Derste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak. |
| Dersin İçeriği | Bu ders; Veri Madenciliğine Giriş ve Temel Kavramlar ,Veri Madenciliği Süreci,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları ,Uygulama: Sınıflama,Uygulama: Sınıflama ,Birliktelik Kuralı Analizi,Uygulama: Birliktelik kuralı analizi,Uygulama: Problem odaklı veri madenciliği,Dönem sonu proje sunumları,Dönem sonu proje sunumları; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri madenciliği ile ilgili temel kavram ve süreçleri açıklar | 16, 18, 9 | A |
| Veri madenciliğini ve görevlerini tanımlar | 16, 9 | A |
| Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar. | 16, 9 | A |
| Veri madenciliği sürecini ifade eder. | 16, 9 | A |
| Yaygın veri madenciliği yöntemlerini açıklar. | 13, 14, 16, 18, 6, 8, 9 | A |
| Sınıflama ve Kümeleme yöntemini açıklar. | 16, 9 | A |
| Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder | 10, 13, 16, 4, 6, 9 | A |
| Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | 16, 6, 9 | A |
| Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder. | 16, 6, 9 | A, G |
| Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | 16, 6, 9 | A |
| Klinik ve yönetim karar destek sistemlerini ve türlerini açıklar | 14, 18, 4, 5, 6, 9 | A |
| Bilgi tabanlı KDS’leri açıklar | 16, 9 | A |
| Öğrenmeli (supervised) KD’leri açıklar | 16, 9 | A |
| Veri madenciliği kavramını ve süreçlerini açıklar. | 16, 9 | A |
| Bir veri madenciliği aracını (KNIME) kullanır. | 14, 16, 2, 4, 5, 6, 8, 9 | E, F |
| KNIME ile veri hazırlama süreçlerini uygular | 12, 16, 18, 8, 9 | E, F |
| KNIME ile kümeleme yöntemlerini kullanır | 16, 4, 8, 9 | A, E, F |
| KNIME ile sınıflama yöntemlerini kullanır | 16, 8, 9 | A, E |
| KNIME ile elde edilen grafikleri yorumlar | 16, 6, 9 | A |
| Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 2: Proje Temelli Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 5: İşbirlikli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi, G: Kısa Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri Madenciliğine Giriş ve Temel Kavramlar | Temel veri tabanı kavramları |
| 2 | Veri Madenciliği Süreci | SQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veri dönüştürme yaparız, vb |
| 3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
| 4 | Nitelik seçimi ve veri dönüştürme | Veri türleri, veri genelleştirme ve özelleştirme |
| 5 | Kümeleme Yöntemleri | Kümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme |
| 6 | Uygulama: Kümeleme | KNIME kullanımı ile ilgili pratikler |
| 7 | Sınıflama Yöntemleri-Karar Ağaçları | Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.) |
| 8 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
| 9 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
| 10 | Birliktelik Kuralı Analizi | Market sepeti analizi |
| 11 | Uygulama: Birliktelik kuralı analizi | KNIME kullanımı ile ilgili pratikler |
| 12 | Uygulama: Problem odaklı veri madenciliği | Kümeleme, karar ağacı, birliktelik kuralı analizi |
| 13 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
| 14 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
| Kaynak |
| Ders sunum notları ve lab dosyaları (düzenli olarak ders sayfasında paylaşılacaktır) - Veri Madenciliği Teori Uygulama ve Felsefesi, Dr. İlker KÖSE (2015) - Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan SİLAHTAROĞLU - Veri Madenciliği Yöntemleri, Dr. Yalçın ÖZKAN - Han Jiawei and Kamber Micheline (2006), Data Mining: Concepts and Techniques, Morgan Kaufmann Publisher San Francisco - Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005) |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular. | X | |||||
| 2 | Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir ve mühendisliğin ilişki kurduğu disiplinler arası etkileşimi kavrayabilir. | X | |||||
| 3 | Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları yorumlar, yeni ve özgün fikirler geliştirerek çözümler. | X | |||||
| 4 | Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir. | X | |||||
| 5 | Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir. | X | |||||
| 6 | Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır. | X | |||||
| 7 | Mesleğinin yeni ve gelişmekte olan uygulamalarının farkındadır; gerektiğinde bunları inceler ve öğrenir. | X | |||||
| 8 | Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü B2 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır. | ||||||
| 9 | Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler. | X | |||||
| 10 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |