|
|
| TBB6001 | Veri Madenciliği | 2+2+0 | AKTS:7.5 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Doktora | | Yazılım Şekli | Zorunlu | | Bölümü | BİYOİSTATİSTİK ve TIP BİLİŞİMİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Grup çalışması | | Dersin Süresi | 14 hafta - haftada 2 saat teorik ve 2 saat uygulama | | Öğretim Üyesi | -- | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu ders, veri madenciliği metotlarını öğreterek sağlık alanının herhagi bir probleminde çözüm alternatifleri üretebilecek, veri tabanlarını veri ambarına dönüştürerek bilgi keşfini kolyalaştıracak akademik alt yapı oluşturmak amacındadır. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Veri madenciliğine bir proses olarak yaklaşabilecek. | | | | ÖK - 2 : | WEKA, Clementine by SPSS, Statistika gibi veri madenciliğin yazılım araçlarını kullanımında ustalaşır. | | | | ÖK - 3 : | BIRCH kümeleme, Kohonen kümeleme, sınıflandırma ve regression ağaçları, the C4.5 algoritması, lojistik, lojistik Regression, k-means neighbor, çoklu regresyon ve yapay sinir ağları gibi algoritmaları anlar ve tahmin, sınıflandırma gibi problemlere uygulayabilir. | | | | ÖK - 4 : | Metin madenciliği, genetik data ve diğer tür verilere ilişkin veri madenciliği tekniklerini anlar ve uygular. | | | | ÖK - 5 : | Veri madenciliği tekniklerini anlar ve özellikler sağlık verilerinde kullanılabilir. | | | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Birincil ve ikincil veri kaynaklarını kullanarak veri gösterimi ve veri analizi ilkeleri, veri madenciliği, veri ambaraları, bilgi yönetimi ilkeleri
Veri, bilgi, bilgi birikimi, yazılım, donanım, bilgisayar, ağlar, bilgi sistemleri, bilgi sistemleri yönetimi gibi temel bilişim terminolojisi
Veri madenciliği teknikleri(Birliktelik Kuralları, Sınıflama, Kimeleme, Karar Ağaçları, ve diğer makine öğrenme modelleri)
Sağlıkta veri madenciliği uygulamaları
Veri madenciliği yazılım araçları (SPSS, Statistika, Oracle vb.)
Ödev proje ve öğrenci sunumları. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Sınıflama ve Tahmine Giriş | | | Hafta 2 | Karar Ağaçları ile Sınıflama | | | Hafta 3 | Bayesian Sınıflaması | | | Hafta 4 | Kural Tabanlı Sınıflama | | | Hafta 5 | Destek Vektör Makineleri | | | Hafta 6 | İlişkisel Sınıflama ve Tembel Öğrenme Metodları | | | Hafta 7 | Ara Sınav | | | Hafta 8 | Kümeleme Analizi | | | Hafta 9 | Akış, Zaman Serileri, Sırsal data analizleri | | | Hafta 10 | Grap, Sosyal Ağlar ve çok ilişkili Veri Madenciliği | | | Hafta 11 | Nesne, Uzamsal, Multimedya Text ve Web Madenciliği | | | Hafta 12 | Sağlık Verileri Üzerinde Veri Madenciliği Gelişmeleri | | | Hafta 13 | Proje Sunumları | | | Hafta 14 | Dönem Sonu Sınavı | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 7 | | 2 | 50 | | Dönem sonu sınavı | 14 | | 2 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 11 | 33 | | Arasınav | 2 | 1 | 2 | | Ödev | 2 | 3 | 6 | | Proje | 10 | 14 | 140 | | Dönem sonu sınavı için hazırlık | 5 | 1 | 5 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 188 |
|