Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIKTA VERİ MADENCİLİĞİ | - | Bahar Dönemi | 2+0 | 2 | 6 |
| 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. Pakize YİĞİT |
| Dersi Verenler | Dr.Öğr.Üye. Pakize YİĞİT |
| Dersin Yardımcıları | |
| 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,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri ,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları,Uygulama: Sınıflama ,Uygulama: Sınıflama ,10.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 |
| .2. Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar | ||
| 1. Veri madenciliği ile ilgili temel kavram ve süreçleri açıklayabilecektir | 16, 18, 9 | A |
| 1.1. Veri madenciliğini ve görevlerini tanımlar | ||
| 1.3. Veri madenciliği sürecini ifade eder | ||
| 2. Yaygın veri madenciliği yöntemlerini açıklayabilecektir. | 13, 14, 16, 18, 6, 8, 9 | A |
| 2.1. Kümeleme yöntemini açıklar | ||
| 2.2. Sınıflama yöntemlerini açıklar | ||
| 3. Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt edebilecektir. | 10, 13, 14, 16, 4, 6, 9 | A |
| 3.1. Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | ||
| 3.2. Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder | ||
| 3.3. Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | ||
| 4. Klinik ve yönetim karar destek sistemlerini ve türlerini açıklayabilecektir. | 14, 16, 18, 2, 4, 5, 6, 8, 9 | E |
| 4.1. Bilgi tabanlı KDS’leri açıklar | ||
| 4.2. Öğrenmeli (supervised) KD’leri açıklar | ||
| 4.3. Veri madenciliği kavramını ve süreçlerini açıklar | ||
| 5. Bir veri madenciliği aracını (KNIME) kullanabilecektir | ||
| 5.1. KNIME ile veri hazırlama süreçlerini uygular | ||
| 5.2. KNIME ile kümeleme yöntemlerini kullanır | ||
| 5.3. KNIME ile sınıflama yöntemlerini kullanır | ||
| 5.4. KNIME ile elde edilen grafikleri yorumlar |
| Öğretim Yöntemleri: | 10: Tartışma 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 |
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 veridönüştürme yaparız, vb |
| 3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, 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 | 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 | |||
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 | 0 | 0 | 0 | |||
| Rehberli Problem Çözme | 0 | 0 | 0 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 0 | 0 | 0 | |||
| Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
| Proje Sunumu / Seminer | 0 | 0 | 0 | |||
| 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) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIKTA VERİ MADENCİLİĞİ | - | Bahar Dönemi | 2+0 | 2 | 6 |
| 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. Pakize YİĞİT |
| Dersi Verenler | Dr.Öğr.Üye. Pakize YİĞİT |
| Dersin Yardımcıları | |
| 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,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri ,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları,Uygulama: Sınıflama ,Uygulama: Sınıflama ,10.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 |
| .2. Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar | ||
| 1. Veri madenciliği ile ilgili temel kavram ve süreçleri açıklayabilecektir | 16, 18, 9 | A |
| 1.1. Veri madenciliğini ve görevlerini tanımlar | ||
| 1.3. Veri madenciliği sürecini ifade eder | ||
| 2. Yaygın veri madenciliği yöntemlerini açıklayabilecektir. | 13, 14, 16, 18, 6, 8, 9 | A |
| 2.1. Kümeleme yöntemini açıklar | ||
| 2.2. Sınıflama yöntemlerini açıklar | ||
| 3. Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt edebilecektir. | 10, 13, 14, 16, 4, 6, 9 | A |
| 3.1. Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | ||
| 3.2. Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder | ||
| 3.3. Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | ||
| 4. Klinik ve yönetim karar destek sistemlerini ve türlerini açıklayabilecektir. | 14, 16, 18, 2, 4, 5, 6, 8, 9 | E |
| 4.1. Bilgi tabanlı KDS’leri açıklar | ||
| 4.2. Öğrenmeli (supervised) KD’leri açıklar | ||
| 4.3. Veri madenciliği kavramını ve süreçlerini açıklar | ||
| 5. Bir veri madenciliği aracını (KNIME) kullanabilecektir | ||
| 5.1. KNIME ile veri hazırlama süreçlerini uygular | ||
| 5.2. KNIME ile kümeleme yöntemlerini kullanır | ||
| 5.3. KNIME ile sınıflama yöntemlerini kullanır | ||
| 5.4. KNIME ile elde edilen grafikleri yorumlar |
| Öğretim Yöntemleri: | 10: Tartışma 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 |
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 veridönüştürme yaparız, vb |
| 3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, 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 | 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 | |||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |