Ana içeriğe atla

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ-Güz Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Erman GEDİKLİ
Dersi VerenlerDr.Öğr.Üye. İlker KÖSE
Dersin YardımcılarıArş.Gör.Yaşar Gökalp
Dersin AmacıDerste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak.
Dersin İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri madenciliği ile ilgili temel kavram ve süreçleri açıklar16, 18, 9A
Veri madenciliğini ve görevlerini tanımlar16, 9A
Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar.16, 9A
Veri madenciliği sürecini ifade eder.16, 9A
Yaygın veri madenciliği yöntemlerini açıklar.13, 14, 16, 18, 6, 8, 9A
Sınıflama ve Kümeleme yöntemini açıklar.16, 9A
Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder10, 13, 16, 4, 6, 9A
Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder.16, 6, 9A
Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder. 16, 6, 9A, G
Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar16, 6, 9A
Klinik ve yönetim karar destek sistemlerini ve türlerini açıklar14, 18, 4, 5, 6, 9A
Bilgi tabanlı KDS’leri açıklar16, 9A
Öğrenmeli (supervised) KD’leri açıklar16, 9A
Veri madenciliği kavramını ve süreçlerini açıklar. 16, 9A
Bir veri madenciliği aracını (KNIME) kullanır.14, 16, 2, 4, 5, 6, 8, 9E, F
KNIME ile veri hazırlama süreçlerini uygular12, 16, 18, 8, 9E, F
KNIME ile kümeleme yöntemlerini kullanır16, 4, 8, 9A, E, F
KNIME ile sınıflama yöntemlerini kullanır16, 8, 9A, E
KNIME ile elde edilen grafikleri yorumlar16, 6, 9A
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

SıraKonularÖn Hazırlık
1Veri Madenciliğine Giriş ve Temel Kavramlar Temel veri tabanı kavramları
2Veri Madenciliği SüreciSQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veri dönüştürme yaparız, vb
3Verinin keşfi ve görselleştirmeVeri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.)
4Nitelik seçimi ve veri dönüştürmeVeri türleri, veri genelleştirme ve özelleştirme
5Kümeleme YöntemleriKümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme
6Uygulama: KümelemeKNIME kullanımı ile ilgili pratikler
7Sınıflama Yöntemleri-Karar Ağaçları Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.)
8Uygulama: SınıflamaKNIME kullanımı ile ilgili pratikler
9Uygulama: Sınıflama KNIME kullanımı ile ilgili pratikler
10Birliktelik Kuralı AnaliziMarket sepeti analizi
11Uygulama: Birliktelik kuralı analiziKNIME kullanımı ile ilgili pratikler
12Uygulama: Problem odaklı veri madenciliğiKümeleme, karar ağacı, birliktelik kuralı analizi
13Dönem sonu proje sunumlarıNitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu
14Dönem sonu proje sunumlarıNitelik 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Saati14342
Rehberli Problem Çözme000
Problem Çözümü / Ödev / Proje / Rapor Tanzimi21020
Okul Dışı Diğer Faaliyetler14342
Proje Sunumu / Seminer12020
Kısa Sınav (QUİZ) ve Hazırlığı000
Ara Sınav ve Hazırlığı15050
Genel Sınav ve Hazırlığı16060
Performans Görevi, Bakım Planı000
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

DersKoduYarıyılT+U SaatKrediAKTS
SAĞLIK SİSTEMLERİNDE VERİ MADENCİLİĞİ-Güz Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Erman GEDİKLİ
Dersi VerenlerDr.Öğr.Üye. İlker KÖSE
Dersin YardımcılarıArş.Gör.Yaşar Gökalp
Dersin AmacıDerste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak.
Dersin İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri madenciliği ile ilgili temel kavram ve süreçleri açıklar16, 18, 9A
Veri madenciliğini ve görevlerini tanımlar16, 9A
Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar.16, 9A
Veri madenciliği sürecini ifade eder.16, 9A
Yaygın veri madenciliği yöntemlerini açıklar.13, 14, 16, 18, 6, 8, 9A
Sınıflama ve Kümeleme yöntemini açıklar.16, 9A
Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder10, 13, 16, 4, 6, 9A
Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder.16, 6, 9A
Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder. 16, 6, 9A, G
Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar16, 6, 9A
Klinik ve yönetim karar destek sistemlerini ve türlerini açıklar14, 18, 4, 5, 6, 9A
Bilgi tabanlı KDS’leri açıklar16, 9A
Öğrenmeli (supervised) KD’leri açıklar16, 9A
Veri madenciliği kavramını ve süreçlerini açıklar. 16, 9A
Bir veri madenciliği aracını (KNIME) kullanır.14, 16, 2, 4, 5, 6, 8, 9E, F
KNIME ile veri hazırlama süreçlerini uygular12, 16, 18, 8, 9E, F
KNIME ile kümeleme yöntemlerini kullanır16, 4, 8, 9A, E, F
KNIME ile sınıflama yöntemlerini kullanır16, 8, 9A, E
KNIME ile elde edilen grafikleri yorumlar16, 6, 9A
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

SıraKonularÖn Hazırlık
1Veri Madenciliğine Giriş ve Temel Kavramlar Temel veri tabanı kavramları
2Veri Madenciliği SüreciSQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veri dönüştürme yaparız, vb
3Verinin keşfi ve görselleştirmeVeri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.)
4Nitelik seçimi ve veri dönüştürmeVeri türleri, veri genelleştirme ve özelleştirme
5Kümeleme YöntemleriKümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme
6Uygulama: KümelemeKNIME kullanımı ile ilgili pratikler
7Sınıflama Yöntemleri-Karar Ağaçları Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.)
8Uygulama: SınıflamaKNIME kullanımı ile ilgili pratikler
9Uygulama: Sınıflama KNIME kullanımı ile ilgili pratikler
10Birliktelik Kuralı AnaliziMarket sepeti analizi
11Uygulama: Birliktelik kuralı analiziKNIME kullanımı ile ilgili pratikler
12Uygulama: Problem odaklı veri madenciliğiKümeleme, karar ağacı, birliktelik kuralı analizi
13Dönem sonu proje sunumlarıNitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu
14Dönem sonu proje sunumlarıNitelik 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Ekleme Tarihi: 31/01/2023 - 13:42Son Güncelleme Tarihi: 31/01/2023 - 13:45