Bu dersin amacı; öğrencilere makine öğrenmesinin temel kavramlarını, uygulama adımlarını ve farklı öğrenme türlerini öğretmek; regresyon ve sınıflandırma algoritmaları ile derin öğrenme yaklaşımlarını teorik ve uygulamalı olarak tanıtmak; sağlık sektöründe makine öğrenmesi yöntemlerinin nasıl kullanılacağını kavratmaktır. Ders kapsamında öğrencilerin, veri temelli problem çözme becerileri geliştirmeleri, uygun algoritma seçimi yapabilmeleri ve makine öğrenmesi modellerinin performansını değerlendirebilmeleri hedeflenmektedir.
Dersin İçeriği
Bu ders; Makine Öğrenmesine Giriş ,Makine Öğrenmesi Uygulama Adımları-I,Makine Öğrenmesi Uygulama Adımları-II,Makine Öğrenmesi Türleri,Makine Öğrenmesinde Performans Parametreleri,Derin Öğrenme-I,Derin Öğrenme-II,Regresyon Algoritmaları-I,Regresyon Algoritmaları-II,Sınıflandırma,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-I,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-II,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-III,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-IV; konularını içermektedir.
Dersin Öğrenme Kazanımları
Öğretim Yöntemleri
Ölçme Yöntemleri
Temel bir makine öğrenimi algoritması uygulama becerisi kazanır.
14, 9
F, H
Farklı sinir ağı yapılarını tanıyabilme becerisi kazanır.
14, 9
F, H
Belirli uygulamalar icin hangi tür Makine ögrenmesinin uygun olduğuna karar verme becerisini kazanır.
14, 9
F, H
Sağlık hizmetinin farklı alanlarındaki makine öğrenimi uygulamalarındaki son gelişmelere aşinalık kazanır.
14, 9
F, H
Öğretim Yöntemleri:
14: Bireysel Çalışma Yöntemi, 9: Anlatım Yöntemi
Ölçme Yöntemleri:
F: Proje Görevi, H: Performans Görevi
Ders Akışı
Sıra
Konular
Ön Hazırlık
1
Makine Öğrenmesine Giriş
Birinci hafta sunum notları.
2
Makine Öğrenmesi Uygulama Adımları-I
İkinci hafta sunum notları.
3
Makine Öğrenmesi Uygulama Adımları-II
Üçüncü hafta sunum notları.
4
Makine Öğrenmesi Türleri
Dördüncü hafta sunum notları.
5
Makine Öğrenmesinde Performans Parametreleri
Beşinci hafta sunum notları.
6
Derin Öğrenme-I
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
7
Derin Öğrenme-II
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
8
Regresyon Algoritmaları-I
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
9
Regresyon Algoritmaları-II
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
10
Sınıflandırma
Sunum notları: Spesifik Hastalık Uygulamaları
11
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-I
Sunum notları: Spesifik Hastalık Uygulamaları
12
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-II
Sunum notları: Spesifik Hastalık Uygulamaları
13
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-III
Sunum notları: Spesifik Hastalık Uygulamaları
14
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-IV
Sunum notları: Spesifik Hastalık Uygulamaları
Kaynak
S. N. Mohanty, G. Nalinipiriya, Machine Learning for Healthcare Applications, Birinci Baskı, 13 Nisan 2021, Wiley-Scrivener Yayınevi, ISBN: 978-1119791812
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.
6
Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır.
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.
X
9
Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler.
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
3
1
3
Rehberli Problem Çözme
0
0
0
Problem Çözümü / Ödev / Proje / Rapor Tanzimi
137
1
137
Okul Dışı Diğer Faaliyetler
0
0
0
Proje Sunumu / Seminer
100
1
100
Kısa Sınav (QUİZ) ve Hazırlığı
0
0
0
Ara Sınav ve Hazırlığı
0
0
0
Genel Sınav ve Hazırlığı
0
0
0
Performans Görevi, Bakım Planı
0
0
0
Toplam İş Yükü (Saat)
240
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(240/30)
8
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.
Dersin Detaylı Bilgileri
Ders Tanımı
Ders
Kodu
Yarıyıl
T+U Saat
Kredi
AKTS
SAĞLIKTA MAKİNE ÖĞRENMESİ UYGULAMALARI
SSMY1212823
Bahar 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
Doç.Dr. Yasin GÖÇGÜN
Dersi Verenler
Doç.Dr. Yasin GÖÇGÜN
Dersin Yardımcıları
Dersin Amacı
Bu dersin amacı; öğrencilere makine öğrenmesinin temel kavramlarını, uygulama adımlarını ve farklı öğrenme türlerini öğretmek; regresyon ve sınıflandırma algoritmaları ile derin öğrenme yaklaşımlarını teorik ve uygulamalı olarak tanıtmak; sağlık sektöründe makine öğrenmesi yöntemlerinin nasıl kullanılacağını kavratmaktır. Ders kapsamında öğrencilerin, veri temelli problem çözme becerileri geliştirmeleri, uygun algoritma seçimi yapabilmeleri ve makine öğrenmesi modellerinin performansını değerlendirebilmeleri hedeflenmektedir.
Dersin İçeriği
Bu ders; Makine Öğrenmesine Giriş ,Makine Öğrenmesi Uygulama Adımları-I,Makine Öğrenmesi Uygulama Adımları-II,Makine Öğrenmesi Türleri,Makine Öğrenmesinde Performans Parametreleri,Derin Öğrenme-I,Derin Öğrenme-II,Regresyon Algoritmaları-I,Regresyon Algoritmaları-II,Sınıflandırma,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-I,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-II,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-III,Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-IV; konularını içermektedir.
Dersin Öğrenme Kazanımları
Öğretim Yöntemleri
Ölçme Yöntemleri
Temel bir makine öğrenimi algoritması uygulama becerisi kazanır.
14, 9
F, H
Farklı sinir ağı yapılarını tanıyabilme becerisi kazanır.
14, 9
F, H
Belirli uygulamalar icin hangi tür Makine ögrenmesinin uygun olduğuna karar verme becerisini kazanır.
14, 9
F, H
Sağlık hizmetinin farklı alanlarındaki makine öğrenimi uygulamalarındaki son gelişmelere aşinalık kazanır.
14, 9
F, H
Öğretim Yöntemleri:
14: Bireysel Çalışma Yöntemi, 9: Anlatım Yöntemi
Ölçme Yöntemleri:
F: Proje Görevi, H: Performans Görevi
Ders Akışı
Sıra
Konular
Ön Hazırlık
1
Makine Öğrenmesine Giriş
Birinci hafta sunum notları.
2
Makine Öğrenmesi Uygulama Adımları-I
İkinci hafta sunum notları.
3
Makine Öğrenmesi Uygulama Adımları-II
Üçüncü hafta sunum notları.
4
Makine Öğrenmesi Türleri
Dördüncü hafta sunum notları.
5
Makine Öğrenmesinde Performans Parametreleri
Beşinci hafta sunum notları.
6
Derin Öğrenme-I
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
7
Derin Öğrenme-II
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
8
Regresyon Algoritmaları-I
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
9
Regresyon Algoritmaları-II
Sunum notları: Kişiselleştirilmiş Tıp Uygulamaları
10
Sınıflandırma
Sunum notları: Spesifik Hastalık Uygulamaları
11
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-I
Sunum notları: Spesifik Hastalık Uygulamaları
12
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-II
Sunum notları: Spesifik Hastalık Uygulamaları
13
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-III
Sunum notları: Spesifik Hastalık Uygulamaları
14
Sağlık Sektöründe Makine Öğrenmesi Uygulamaları-IV
Sunum notları: Spesifik Hastalık Uygulamaları
Kaynak
S. N. Mohanty, G. Nalinipiriya, Machine Learning for Healthcare Applications, Birinci Baskı, 13 Nisan 2021, Wiley-Scrivener Yayınevi, ISBN: 978-1119791812
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.
6
Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır.
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.
X
9
Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler.
10
Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
