GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| EEMDR622 | YAPAY ZEKÂ İLE MEDİKAL TEŞHİS | Seçmeli Ders Grubu | 1 | 2 | 5,00 |
Dersin Seviyesi
Doktora
Dersin Sunulduğu Dil
Dersin Amacı
Tıbbi problemlere makine öğrenmesi tekniklerini uygulama konusunda pratik deneyim kazandırmak.
Dersi Veren Öğretim Görevlisi/Görevlileri
Öğrenme Çıktıları
| 1 | Yapay zekâ tekniklerinin teorik ve pratik olarak nasıl çalıştığını kavrar. |
| 2 | Medikal problemlerin çözümü için yapay zekâ tekniklerini önerir. |
| 3 | Farklı yapay zekâ tekniklerini medikal problemler üzerine uygulayabilir. |
| 4 | Uygulanan yöntemlerin performans analizleri ile başarı ölçümünü yapabilir. |
| 5 | Karşılaşılan problemleri farklı problem tiplerine dönüştürebilir. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
Yapay zekâ tıp pratiğini dönüştürürken, doktorların hastaları daha doğru teşhis etmesine, hastaların gelecekteki sağlık durumu hakkında tahminlerde bulunmasına ve daha iyi tedaviler önermesine yardımcı oluyor. Bu ders modern tıptaki somut problemlere son teknoloji makine öğrenimi tekniklerini uygulama konusunda pratik deneyim kazandırmak amacındadır. Ders içerisinde akciğer ve beyin bozuklukları gibi hastalıkların teşhisini yapmak için evrişimli sinir ağı ile görüntü sınıflandırma ve segmentasyon modelleri oluşturulacaktır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Bilgisayar görünün tıbbi teşhise uygulamaları | ||
| 2 | Tıbbi teşhis için model tasarımı ve eğitimi | ||
| 3 | Sınıf dengesizliği ve küçük eğitim setlerini ele alma | ||
| 4 | Modelinizin performansının kontrolü | ||
| 5 | Programlama: Göğüs Röntgenlerinde çok sınıflı hastalık sınıflandırması uygulaması | ||
| 6 | Değerlendirme metrikleri | ||
| 7 | Değerlendirme metriklerini etkileyen faktörler | ||
| 8 | Güven aralıklarını yorumlama | ||
| 9 | Programlama: Değerlendirme metrikleri | ||
| 10 | MRI verilerini inceleme | ||
| 11 | Görüntü segmentasyonu | ||
| 12 | Görüntü segmentasyonu | ||
| 13 | Programlama: 3D Görüntü Segmentasyonu | ||
| 14 | Programlama: 3D Görüntü Segmentasyonu |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. Machine Learning Yearning, Andrew Ng. 2. CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.stanford.edu/. 3. https://www.coursera.org/learn/ai-for-medical-diagnosis. Online Course 4. AI and Machine Learning for Coders. Laurence Moroney.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Quiz | 1 | 40 |
| Ev Ödevi | 2 | 60 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Rapor Hazırlama | 1 | 10 | 10 |
| Rapor Sunma | 1 | 1 | 1 |
| Bireysel Çalışma | 14 | 1 | 14 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 10 | 10 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 10 | 10 |
| Ev Ödevi | 2 | 15 | 30 |
| 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 | |
| ÖÇ 1 | 4 | 4 | 3 | 3 | ||||||
| ÖÇ 2 | 4 | 4 | 3 | 3 | 3 | |||||
| ÖÇ 3 | 3 | 4 | 3 | 3 | 3 | |||||
| ÖÇ 4 | 4 | 4 | 3 | 3 | 3 | |||||
| ÖÇ 5 | 4 | 4 | 3 | 3 | 3 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek