Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ | 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 | Öğr.Gör.Dr. İlker KÖSE |
| Dersi Verenler | Öğr.Gör.Dr. İlker KÖSE |
| 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,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 İçeriği | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Veri madenciliği ile ilgili temel kavram ve süreçleri açıklayabilecektir | 1, 11, 2 | A |
| 1.1. Veri madenciliğini ve görevlerini tanımlar | ||
| 1.2. Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar | ||
| 1.3. Veri madenciliği sürecini ifade eder | ||
| 2. Yaygın veri madenciliği yöntemlerini açıklayabilecektir. | 1, 11, 12, 14, 2, 4, 6 | A |
| 2.1. Kümeleme yöntemini açıklar | ||
| 2.2. Sınıflama yöntemlerini açıklar | ||
| 3. Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt edebilecektir. | 1, 12, 18, 2, 3, 4 | 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. | 1, 11, 14, 18, 4, 8 | A |
| 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 | 1, 14, 16, 18, 2, 4, 6, 8 | C, D |
| 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: | 1: Anlatım, 11: Seminer, 12: Örnek Olay, 14: Bireysel Çalışma, 16: Proje Temelli Öğrenme, 18: Vaka Çalışması, 2: Soru - Cevap, 3: Tartışma, 4: Alıştırma ve Uygulama, 6: Gösterip Yapma, 8: Grup Çalışması |
| Ölçme Yöntemleri: | A: Yazılı sınav, C: Ödev, D: Proje / Tasarım |
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 | |||
| 0 | 1. Sağlık yönetimi lisans programında edindiği bilgilerini uzmanlık düzeyinde geliştirir ve derinleştirir. | X | |||||
| 0 | 2. Sağlık yönetimi ile ilişkili olan disiplinlerle etkileşimi kavrar ve açıklar. | X | |||||
| 0 | 3. Sağlık yönetiminde edindiği kuramsal ve uygulamalı bilgileri kullanma ve çalışanlara aktarma becerisine sahiptir. | X | |||||
| 0 | 4. Sağlık yönetimine ilişkin bilgileri ilişkili olduğu diğer disiplinlerde oluşturulmuş bilgilerle birleştirerek olayları analiz eder, yorumlar ve değerlendirir. | X | |||||
| 0 | 5. Sağlık yönetimi ile ilgili sorun alanlarını bilimsel araştırma yöntemlerini kullanarak analiz eder ve çözüm önerileri geliştirir. | X | |||||
| 0 | 6. Gerektiği zaman bir çalışmayı tek başına yürütür ve bununla ilgili kararları alır. | X | |||||
| 0 | 7. Çalıştığı kurumun stratejik planlamasında yer alan misyon, vizyon, amaç ve hedeflerini belirlemede yer alır. | X | |||||
| 0 | 8. Sağlık yönetimi alanında öngörülmeyen karmaşık durumlarda, yeni stratejik çözümler üretir. | X | |||||
| 0 | 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 | |||||
| 0 | 10. Sağlık yönetimi ile ilgili güncel gelişmeleri ve kendi düşünce ve önerilerini çalıştığı kurumun iç ve dış paydaşlarıyla yazılı veya sözlü olarak paylaşır. | X | |||||
| 0 | 11. Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyinde kullanarak yazılı ve sözlü olarak iletişim kurar. | X | |||||
| 0 | 12. Çalışmaları ile ilgili analiz yapabilecek düzeyde bilgisayar yazılımını bilir, sağlık bilişimi ve iletişim teknolojilerini ileri düzeyde kullanır. | X | |||||
| 0 | 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 | |||||
| 0 | 14. Ulusal sağlık politikalarını oluşturma çalışmaları yanında uluslararası sağlık politikaları çalışmalarına da katkıda bulunur. | X | |||||
| 0 | 15. Sağlık yönetimi ile ilgili verilerin toplanması, yorumlanması, duyurulması aşamalarında toplumsal, bilimsel ve etik değerleri gözeterek bu değerleri öğretir ve denetler. | X | |||||
| 0 | 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 | |