Ders Detayı
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ | - | 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 | Dr.Öğr.Üye. Erman GEDİKLİ |
Dersi Verenler | Dr.Öğr.Üye. İlker KÖSE |
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 | Sağlık ekonomisi alanında teorik bilgileri kullanabilir. | X | |||||
2 | Sağlık ekonomisi alanındaki uygulamaya yönelik çalışmaları analiz eder ve yorumlar. | X | |||||
3 | Sağlık ekonomisi alanında karşılaşılan sorunlar karşısında hem mikro hem de makro anlamda politika önerebilir. | X | |||||
4 | Sağlık ekonomisi teorileriyle ilgili gerekli matematiksel ve istatistiki yöntemleri kullanabilir. | X | |||||
5 | Ekonomik analiz yapmaya yardımcı olan en az bir bilgisayar programını (SPSS, Eviews, STATA, R ve MATLAB) kullanabilir. | X | |||||
6 | Uygulamada karşılaşılan mevcut ve olası sorunları çözmek için yönetim kültürüne sahip olur. | X | |||||
7 | Gerek bireysel gerekse takım bazlı nitelikli proje geliştirebilir. | X | |||||
8 | Yaşam boyu öğrenmenin gerekliliğine dair farkındalığı gelişir, alanıyla ilgili gelişmeleri takip edebilir ve karşılaştığı fikirleri eleştirebilir. | X | |||||
9 | 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. | X | |||||
10 | En az bir yabancı dili ve güncel teknolojileri etkin bir şekilde kullanma yoluyla görüşlerini iletebilir. | X | |||||
11 | Mesleki bilgileri, etik değerler ve sosyal haklar ışığında değerlendirebilir. | X | |||||
12 | Sağlık ekonomisi alanına dair elde ettiği uzmanlıkla, alana katkı sağlayıcı yaklaşımlar ortaya koyabilir. | 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 | - | 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 | Dr.Öğr.Üye. Erman GEDİKLİ |
Dersi Verenler | Dr.Öğr.Üye. İlker KÖSE |
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 | Sağlık ekonomisi alanında teorik bilgileri kullanabilir. | X | |||||
2 | Sağlık ekonomisi alanındaki uygulamaya yönelik çalışmaları analiz eder ve yorumlar. | X | |||||
3 | Sağlık ekonomisi alanında karşılaşılan sorunlar karşısında hem mikro hem de makro anlamda politika önerebilir. | X | |||||
4 | Sağlık ekonomisi teorileriyle ilgili gerekli matematiksel ve istatistiki yöntemleri kullanabilir. | X | |||||
5 | Ekonomik analiz yapmaya yardımcı olan en az bir bilgisayar programını (SPSS, Eviews, STATA, R ve MATLAB) kullanabilir. | X | |||||
6 | Uygulamada karşılaşılan mevcut ve olası sorunları çözmek için yönetim kültürüne sahip olur. | X | |||||
7 | Gerek bireysel gerekse takım bazlı nitelikli proje geliştirebilir. | X | |||||
8 | Yaşam boyu öğrenmenin gerekliliğine dair farkındalığı gelişir, alanıyla ilgili gelişmeleri takip edebilir ve karşılaştığı fikirleri eleştirebilir. | X | |||||
9 | 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. | X | |||||
10 | En az bir yabancı dili ve güncel teknolojileri etkin bir şekilde kullanma yoluyla görüşlerini iletebilir. | X | |||||
11 | Mesleki bilgileri, etik değerler ve sosyal haklar ışığında değerlendirebilir. | X | |||||
12 | Sağlık ekonomisi alanına dair elde ettiği uzmanlıkla, alana katkı sağlayıcı yaklaşımlar ortaya koyabilir. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |