Geri
AKADEMİK
Geri Dön

Ders Tanımı

Ders Kodu Yarıyıl T+U Saat Kredi AKTS
SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ 3+0 3 8,0
Ders Programi Henüz Hazırlanmamıştır.
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili Türkçe
Dersin Seviyesi Yüksek Lisans
Dersin Türü Programa Bağlı Seçmeli
Dersin Koordinatörü Dr.Öğr.Üye. İlker KÖSE
Dersi Verenler Dr.Öğr.Üye. 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 Öğrenme Kazanımları 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
Haftalık ders konuları ve öğrenim hedefleri için tıklayınız.

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
Kaynaklar
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
Sağlık ekonomisi alanında teorik bilgileri kullanabilir.
0
Sağlık ekonomisi alanındaki uygulamaya yönelik çalışmaları analiz eder ve yorumlar.
0
Sağlık ekonomisi alanında karşılaşılan sorunlar karşısında hem mikro hem de makro anlamda politika önerebilir.
0
Sağlık ekonomisi teorileriyle ilgili gerekli matematiksel ve istatistiki yöntemleri kullanabilir.
0
Ekonomik analiz yapmaya yardımcı olan en az bir bilgisayar programını (SPSS, Eviews, STATA, R ve MATLAB) kullanabilir.
0
Uygulamada karşılaşılan mevcut ve olası sorunları çözmek için yönetim kültürüne sahip olur.
0
Gerek bireysel gerekse takım bazlı nitelikli proje geliştirebilir.
0
Yaşam boyu öğrenmenin gerekliliğine dair farkındalığı gelişir, alanıyla ilgili gelişmeleri takip edebilir ve karşılaştığı fikirleri eleştirebilir.
0
Fikirlerini ve önerilerini nicel ve nitel verilere dayanarak ilgili kişiler (bürokrat, uzman, iş adamı, yönetici vb.) ile toplumsal sorumluluk bilinci içinde paylaşma yeteneğine sahip olur.
0
En az bir yabancı dili ve güncel teknolojileri etkin bir şekilde kullanma yoluyla görüşlerini iletebilir.
0
Mesleki bilgileri, etik değerler ve sosyal haklar ışığında değerlendirebilir.
0
Sağlık ekonomisi alanına dair elde ettiği uzmanlıkla, alana katkı sağlayıcı yaklaşımlar ortaya koyabilir.

Değerlendirme Sistemi

Değerlendirme Sistemi Mutlak Değerlendirme
Ara Sınavın Başarıya Oranı   50
Genel Sınavın Başarıya Oranı   50
Toplam   100

AKTS - işyükü

AKTS / İşyükü Tablosu
Etkinlik Sayı Süresi
(Saat)
Toplam
İş Yükü
(Saat)
Ders Saati 16 3 48
Rehberli Problem Çözme 0 0 0
Problem Çözümü / Ödev / Proje / Rapor Tanzimi 30 1 30
Oku Dışı Diğer Faaliyetler 16 2 32
Proje Sunumu / Seminer 0 0 0
Kısa Sınav (QUİZ) ve Hazırlığı 0 0 0
Ara Sınav ve Hazırlığı 1 30 30
Genel Sınav ve Hazırlığı 1 40 40
Performans Görevi, Bakım Planı 0 0 0
Toplam İş Yükü (Saat) 180
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(48/30) 6,0
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Sayısal Veriler

Öğrenci Başarı Durumu