Ders Detayı
Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ | SAYY1169710 | 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 | Doç.Dr. Erman GEDİKLİ |
| Dersi Verenler | Doç.Dr. Erman GEDİKLİ |
| 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 | 1. Sağlık yönetimi lisans programında edindiği bilgilerini uzmanlık düzeyinde geliştirir ve derinleştirir. | X | |||||
| 2 | 2. Sağlık yönetimi ile ilişkili olan disiplinlerle etkileşimi kavrar ve açıklar. | X | |||||
| 3 | 3. Sağlık yönetiminde edindiği kuramsal ve uygulamalı bilgileri kullanma ve çalışanlara aktarma becerisine sahiptir. | X | |||||
| 4 | 4. Sağlık yönetimine ilişkin bilgileri ilişkili olduğu diğer disiplinlerde oluşturulmuş bilgilerle birleştirerek olayları analiz eder, yorumlar ve değerlendirir. | X | |||||
| 5 | 5. Sağlık yönetimi ile ilgili sorun alanlarını bilimsel araştırma yöntemlerini kullanarak analiz eder ve çözüm önerileri geliştirir. | X | |||||
| 6 | 6. Gerektiği zaman bir çalışmayı tek başına yürütür ve bununla ilgili kararları alır. | X | |||||
| 7 | 7. Çalıştığı kurumun stratejik planlamasında yer alan misyon, vizyon, amaç ve hedeflerini belirlemede yer alır. | X | |||||
| 8 | 8. Sağlık yönetimi alanında öngörülmeyen karmaşık durumlarda, yeni stratejik çözümler üretir. | X | |||||
| 9 | 9. Yaşam boyu öğrenme ilkesini benimsediği için sağlık yönetimi alanında edindiği bilgilerin güncel olup olmadığını eleştirel olarak değerlendirir, öğrenmesini yönlendirir ve ileri düzey çalışmaları bağımsız olarak yürütür. | X | |||||
| 10 | 10. Sağlık yönetimi ile ilgili güncel gelişmeleri ve kendi düşünce ve önerilerini çalıştığı kurumun iç ve dış paydaşlarıyla yazılı veya sözlü olarak paylaşır. | X | |||||
| 11 | 11. Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyinde kullanarak yazılı ve sözlü olarak iletişim kurar. | X | |||||
| 12 | 12. Çalışmaları ile ilgili analiz yapabilecek düzeyde bilgisayar yazılımını bilir, sağlık bilişimi ve iletişim teknolojilerini ileri düzeyde kullanır. | X | |||||
| 13 | 13. Sağlık yönetimi ile ilgili stratejiler geliştirir, bu stratejilerin uygulanabilmesi için politikalar ve eylem planları yapar ve stratejik yönetim süreci çerçevesinde periyodik izlemeler ve düzeltmelerde bulunur. | X | |||||
| 14 | 14. Ulusal sağlık politikalarını oluşturma çalışmaları yanında uluslararası sağlık politikaları çalışmalarına da katkıda bulunur. | X | |||||
| 15 | 15. Sağlık yönetimi ile ilgili verilerin toplanması, yorumlanması, duyurulması aşamalarında toplumsal, bilimsel ve etik değerleri gözeterek bu değerleri öğretir ve denetler. | X | |||||
| 16 | 16. Sağlık yönetimi alanında edindiği bilgiyi ve beceriyi alanla ilişkili disiplinlerarası çalışmalarda uygular. | 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 | SAYY1169710 | 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 | Doç.Dr. Erman GEDİKLİ |
| Dersi Verenler | Doç.Dr. Erman GEDİKLİ |
| 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 | 1. Sağlık yönetimi lisans programında edindiği bilgilerini uzmanlık düzeyinde geliştirir ve derinleştirir. | X | |||||
| 2 | 2. Sağlık yönetimi ile ilişkili olan disiplinlerle etkileşimi kavrar ve açıklar. | X | |||||
| 3 | 3. Sağlık yönetiminde edindiği kuramsal ve uygulamalı bilgileri kullanma ve çalışanlara aktarma becerisine sahiptir. | X | |||||
| 4 | 4. Sağlık yönetimine ilişkin bilgileri ilişkili olduğu diğer disiplinlerde oluşturulmuş bilgilerle birleştirerek olayları analiz eder, yorumlar ve değerlendirir. | X | |||||
| 5 | 5. Sağlık yönetimi ile ilgili sorun alanlarını bilimsel araştırma yöntemlerini kullanarak analiz eder ve çözüm önerileri geliştirir. | X | |||||
| 6 | 6. Gerektiği zaman bir çalışmayı tek başına yürütür ve bununla ilgili kararları alır. | X | |||||
| 7 | 7. Çalıştığı kurumun stratejik planlamasında yer alan misyon, vizyon, amaç ve hedeflerini belirlemede yer alır. | X | |||||
| 8 | 8. Sağlık yönetimi alanında öngörülmeyen karmaşık durumlarda, yeni stratejik çözümler üretir. | X | |||||
| 9 | 9. Yaşam boyu öğrenme ilkesini benimsediği için sağlık yönetimi alanında edindiği bilgilerin güncel olup olmadığını eleştirel olarak değerlendirir, öğrenmesini yönlendirir ve ileri düzey çalışmaları bağımsız olarak yürütür. | X | |||||
| 10 | 10. Sağlık yönetimi ile ilgili güncel gelişmeleri ve kendi düşünce ve önerilerini çalıştığı kurumun iç ve dış paydaşlarıyla yazılı veya sözlü olarak paylaşır. | X | |||||
| 11 | 11. Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyinde kullanarak yazılı ve sözlü olarak iletişim kurar. | X | |||||
| 12 | 12. Çalışmaları ile ilgili analiz yapabilecek düzeyde bilgisayar yazılımını bilir, sağlık bilişimi ve iletişim teknolojilerini ileri düzeyde kullanır. | X | |||||
| 13 | 13. Sağlık yönetimi ile ilgili stratejiler geliştirir, bu stratejilerin uygulanabilmesi için politikalar ve eylem planları yapar ve stratejik yönetim süreci çerçevesinde periyodik izlemeler ve düzeltmelerde bulunur. | X | |||||
| 14 | 14. Ulusal sağlık politikalarını oluşturma çalışmaları yanında uluslararası sağlık politikaları çalışmalarına da katkıda bulunur. | X | |||||
| 15 | 15. Sağlık yönetimi ile ilgili verilerin toplanması, yorumlanması, duyurulması aşamalarında toplumsal, bilimsel ve etik değerleri gözeterek bu değerleri öğretir ve denetler. | X | |||||
| 16 | 16. Sağlık yönetimi alanında edindiği bilgiyi ve beceriyi alanla ilişkili disiplinlerarası çalışmalarda uygular. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |