GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| SBS211 | Büyük Veri ve Sağlık Analitiği Temelleri | DERS | 2 | 3 | 7.00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
TÜRKÇE
Dersin Amacı
Bu dersin amacı, öğrencilerin sağlık sektöründe üretilen büyük ölçekli verilerin (Büyük Veri) yapısını, kaynaklarını, işlenme yöntemlerini ve analitik yaklaşımlarını kavramalarını sağlamaktır. Öğrenciler; veri analitiğinin türlerini, veri madenciliği ve makine öğrenmesi tekniklerini, görselleştirme yöntemlerini ve sağlık analitiğinin karar destek süreçlerindeki rolünü öğrenerek, veriye dayalı çözüm geliştirme becerisi kazanacaklardır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Öğretim Görevlisi İbrahim Halil Özdemir
Öğrenme Çıktıları
| 1 | Büyük Veri kavramını tanımlar ve sağlık hizmetlerindeki önemini açıklar. |
| 2 | Veri analitiğinin temel türlerini (tanımlayıcı, tanısal, öngörücü, kuralcı) ve kullanım alanlarını ayırt eder. |
| 3 | Sağlık verisi kaynaklarını (EHR, giyilebilir cihaz verileri, genomik veriler vb.) ve özelliklerini açıklar. |
| 4 | Temel veri ön işleme adımlarını uygular (veri temizleme, dönüştürme, entegrasyon). |
| 5 | Veri madenciliği ve makine öğrenmesinin sağlık alanındaki rolünü tartışır. |
| 6 | Veri görselleştirme tekniklerini kullanarak analitik sonuçları yorumlar. |
| 7 | Sağlık analitiğinde etik, mahremiyet ve veri güvenliği ilkelerini uygular. |
Öğretim Sistemi
BİRİNCİ ÖĞRETİM
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Bu ders, sağlıkta büyük verinin tanımı, veri kaynakları (EHR, giyilebilir cihazlar, genomik veriler vb.) ve veri ekosistemini ele alır. Öğrenciler, veri analitiğinin türlerini (tanımlayıcı, tanısal, öngörücü, kuralcı), veri ön işleme tekniklerini (temizleme, dönüştürme, entegrasyon) ve veri madenciliği yöntemlerini öğrenir. Makine öğrenmesi ve sağlık analitiği uygulamaları vaka örnekleriyle işlenir. Ayrıca veri görselleştirme teknikleriyle sonuçların yorumlanması, etik, mahremiyet ve güvenlik boyutları üzerinde durulur.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Büyük Veriye Giriş | Büyük Veriye Giriş | |
| 2 | Sağlıkta Büyük Veri Ekosistemi | Sağlıkta Büyük Veri Ekosistemi | |
| 3 | Veri Analitiği Türleri | Veri Analitiği Türleri | |
| 4 | Veri Analitiği Süreci | Veri Analitiği Süreci | |
| 5 | Veri Ön İşleme ve Hazırlama | Veri Ön İşleme ve Hazırlama | |
| 6 | Tanımlayıcı Analitik ve Veri Görselleştirme | Tanımlayıcı Analitik ve Veri Görselleştirme | |
| 7 | Veri Madenciliğine Giriş | Veri Madenciliğine Giriş | |
| 8 | Ara Sınav | Ara Sınav | |
| 9 | Öngörücü Analitik I | Öngörücü Analitik I | |
| 10 | Öngörücü Analitik II | Öngörücü Analitik II | |
| 11 | Sağlık Analitiği Uygulamaları I | Sağlık Analitiği Uygulamaları I | |
| 12 | Sağlık Analitiği Uygulamaları II | Sağlık Analitiği Uygulamaları II | |
| 13 | Analitik Araçlara Genel Bakış | Analitik Araçlara Genel Bakış | |
| 14 | Sağlık Analitiğinde Etik ve Gizlilik | Sağlık Analitiğinde Etik ve Gizlilik | |
| 15 | Vaka Çalışması ve Genel Tekrar | Vaka Çalışması ve Genel Tekrar | |
| 16 | Final Sınavı | Final Sınavı |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1- Sagiroglu, S., & Sinanc, D. (2013, May). Big data: A review. In 2013 international conference on collaboration technologies and systems (CTS) (pp. 42-47). IEEE. 2- Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt. 3- Warren, J., & Marz, N. (2015). Big Data: Principles and best practices of scalable realtime data systems. Simon and Schuster.
Planlanan Öğrenme Aktiviteleri ve Metodları
Derste kullanılacak başlıca öğrenme ve öğretme yöntem/teknikleri: 1. Problem çözme yöntemi, 2. Tartışma yöntemi, 3. Proje tabanlı öğrenme, 4. Örnek olay yöntemi, 5. İşbirlikli öğrenme Ders, teorik anlatımların yanı sıra sağlık verisi üzerinde uygulamalı veri analizi çalışmaları içerir. Öğrenciler, büyük veri kaynaklarından elde edilen veri setleriyle ödev ve projeler yaparak analitik süreçleri deneyimler. Grup çalışmaları ve vaka analizleri, sağlık analitiğinde veriye dayalı karar verme becerilerini geliştirir.
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 70 |
| Ev Ödevi | 1 | 30 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 80 |
| Proje Sunma | 1 | 20 |
| 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) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 2 | 28 |
| Uygulama/Pratik | 14 | 2 | 28 |
| Proje Hazırlama | 2 | 15 | 30 |
| Bireysel Çalışma | 4 | 5 | 20 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 20 | 20 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 30 | 30 |
| Ev Ödevi | 1 | 20 | 20 |
| Toplam İş Yükü (saat) | 180 | ||
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 | PÇ 17 | PÇ 18 | |
| ÖÇ 1 | 5 | 3 | 5 | 4 | 5 | 5 | 5 | 4 | 1 | 1 | 1 | 1 | 5 | 2 | 4 | 4 | 4 | 4 |
| ÖÇ 2 | 3 | 3 | 5 | 4 | 5 | 5 | 5 | 3 | 1 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| ÖÇ 3 | 3 | 3 | 4 | 4 | 4 | 5 | 5 | 4 | 1 | 3 | 4 | 1 | 1 | 1 | 4 | 4 | 4 | 4 |
| ÖÇ 4 | 2 | 3 | 4 | 3 | 4 | 5 | 5 | 3 | 1 | 3 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| ÖÇ 5 | 3 | 3 | 3 | 4 | 4 | 5 | 5 | 3 | 1 | 3 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| ÖÇ 6 | 4 | 5 | 5 | 5 | 5 | 5 | 5 | 3 | 1 | 4 | 2 | 1 | 1 | 3 | 1 | 1 | 2 | 3 |
| ÖÇ 7 | 3 | 3 | 4 | 5 | 4 | 3 | 3 | 3 | 1 | 3 | 2 | 1 | 1 | 1 | 4 | 4 | 4 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek