GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| DST211B.5 | Yapay Zeka ve Sağlık Uygulamaları | Seçmeli Ders Grubu | 2 | 3 | 4,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
[DersinAmaci]
Bu dersin amacı, yapay zekâ teknolojilerinin sağlık sektöründeki uygulamalarını tanıtmak ve öğrencilerin yapay zekânın sağlık hizmetlerine etkilerini değerlendirme becerilerini geliştirmektir.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğr. Gör Ahmet DEVELİ
Öğrenme Çıktıları
| 1 | Yapay zekâ kavramını ve temel ilkelerini açıklar. |
| 2 | Yapay zekâ uygulama alanlarını sağlık bağlamında tanımlar |
| 3 | Sağlık verilerinin analizi ve yorumlanmasında yapay zekânın rolünü değerlendirir |
| 4 | Yapay zekâ destekli sistemlerin avantaj ve sınırlılıklarını tartışır |
| 5 | Yapay zekâ uygulamalarının etik ve hukuki yönlerini analiz eder |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Sağlık alanında güncel yapay zeka uygulamalarının takibi.
Dersin İçeriği
Yapay zekâya giriş, sağlık alanında yapay zekânın tarihsel gelişimi, temel kavramlar, makine öğrenimi, veri madenciliği, sağlık verilerinin analizi, görüntü işleme, klinik karar destek sistemleri, doğal dil işleme, robotik cerrahi, etik ve mahremiyet sorunları, yapay zekânın geleceği ve örnek uygulamalar
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Yapay zekâya giriş ve temel kavramlar | Yapay Zeka ile ilgili okuma çalışması yapılması | Yok |
| 2 | Sağlıkta Veri Ekosistemi ve İşleme Süreçleri | Sağlıkta Veri Ekosistemi ve İşleme Süreçleri | |
| 3 | Makine Öğrenmesi Temelleri | Makine Öğrenmesi Temelleri | |
| 4 | Makine Öğrenmesi Temelleri- KNN Algoritması | KNN Algoritması | |
| 5 | Makine Öğrenmesi Temelleri - PCA Algoritması | PCA Algoritması | |
| 6 | Makine Öğrenmesi Temelleri - SVM Algoritması | SVM Algoritması | |
| 7 | Makine Öğrenmesi Temelleri- Rastgele Orman Algoritması | Rastgele Orman Algoritması | |
| 8 | Ara Sınav | ||
| 9 | Derin Öğrenme Algoritmaları ile Sağlık Verisi Analizi- MLP | MLP | |
| 10 | Derin Öğrenme Algoritmaları- CNN | Convolutional Neural Networks (CNNs) | |
| 11 | Derin Öğrenme Algoritmaları ile Sağlık Verisi Analizi-RNN-LSTM | RNN- LSTM | |
| 12 | Derin Öğrenme Algoritmaları ile Sağlık Verisi Analizi-Autoencoder | Autoencoder | |
| 13 | Derin Öğrenme Algoritmaları ile Sağlık Verisi Analizi-GAN | GAN | |
| 14 | Doğal Dil İşleme ve Sağlık Belgelerinin Analizi-Transformer | Transformer | |
| 15 | Yapay Zekanın Geleceği ve Yeni Teknolojiler |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Ders Notları, Python Kütüphaneleri el kitapları
Planlanan Öğrenme Aktiviteleri ve Metodları
Laboratuvarda uygulamalı olarak sağlık verilerinin yapay zeka ile analizi
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Uygulama/Pratik | 1 | 20 |
| Proje Hazırlama | 1 | 80 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Proje Hazırlama | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Derse Katılım | 14 | 3 | 42 |
| Uygulama/Pratik | 8 | 1 | 8 |
| Takım/Grup Çalışması | 1 | 10 | 10 |
| Beyin Fırtınası | 8 | 1 | 8 |
| Proje Hazırlama | 2 | 20 | 40 |
| Proje Sunma | 2 | 1 | 2 |
| Bireysel Çalışma | 10 | 1 | 10 |
| Ödev Problemleri için Bireysel Çalışma | 1 | 1 | 1 |
| Toplam İş Yükü (saat) | 121 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | |
| ÖÇ 1 | 2 | 3 | 3 | 5 | 2 | 5 | ||||||||||
| ÖÇ 2 | 5 | 5 | 5 | 3 | 5 | 5 | ||||||||||
| ÖÇ 3 | 3 | 5 | 5 | 5 | 5 | 3 | 5 | 3 | 5 | |||||||
| ÖÇ 4 | 5 | 5 | 5 | 5 | 5 | 3 | 5 | |||||||||
| ÖÇ 5 | 5 | 5 | 5 | 3 | 3 | 5 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek