GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 9101025782023 | Biyolojide Makine Öğrenmesi ve Uygulamaları | Seçmeli Ders Grubu | 1 | 2 | 8,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Temel bilimlerde makine öğrenmesi (matematiksel ve istatistiksel işlemler) ile verilerden sonuç çıkarmak için, geliştirilen modellere göre sınıflandırma yapılması ve bu modellere dayalı olarak gelecekteki sonuçlar için tahminlerin yapılması amaçlanmaktadır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Prof.Dr. Savaş İZZETOĞLU Doç.Dr. İbrahim ŞENTÜRK
Öğrenme Çıktıları
| 1 | Bilimsel veri üzerinde düşünme, karar verme ve doğru model kurabilme. |
| 2 | Hem teorik (Matematiksel taban) hem de pratik (Python kodlama) temel yapay zeka çalışmalarını birlikte yürütebilme. |
| 3 | Makine Öğrenmesi modelleriyle gen sekansı verilerini kullanarak 3 boyutlu genom organizasyonu gibi çalışmaları gerçekleştirebilme; farklı organizmalar ve farklı dokular arasındaki diferansiyel gen ifadelerini saptayabilme. |
| 4 | Protein-protein/ligand etkilişimlerini, protein 3 boyutlu yapılarını, protein fonksiyonlarını makine öğrenmesi modelleriyle tahmin edebilme. |
| 5 | Histopatoloji ve radyografi verileri üzerinde görüntü işleme yapılarak tahminsel modeller geliştirebilme. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
1- Yapay Zeka Nedir? 2-Makine Öğrenmesi Temel Kavramları (Bilimsel Veri Nedir?, Makine öğrenmesi ve türleri nelerdir?) 3-Makine Öğrenmesinin Aşamaları - I (Veri Eldesi, Veri İşleme) 4-Makine Öğrenmesinin Aşamaları - II (Model Oluşturma) 5- Makine Öğrenmesinin Aşamaları - III (Model Değerlendirme) 6-Veri Bilimi ve Python - I (Neden Python?, Python Kütüphaneleri) 7- Veri Bilimi ve Python - II (Arayüzler ve Anaconda) 8- Ara sınav 9- Denetimli Öğrenme (Regresyon, Sınıflandırma) 10- Denetimsiz Öğrenme (Kümeleme, Boyut indirgeme) 11- Makine Öğrenmesinde Kullanılan Algoritmalar - I (Karar ağacı, Destek Vektör Makineleri, Naive Bayes, Yapay Sinir Ağları, Doğrusal Regresyon) 12- Makine Öğrenmesinde Kullanılan Algoritmalar - II (K-NN, Lojik Regresyon, NLP, K-Means, SMO, Genetik Algoritma) 13- Sağlıkta ve Biyolojide Makine Öğrenmesi 14- Derin Öğrenmeye Giriş 15- Biyolojik Verilerle Görüntü İşleme 16- Final
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Uygulama | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|---|
| 1 | Yapay Zeka Nedir? | |||
| 2 | Makine Öğrenmesi Temel Kavramları (Bilimsel Veri Nedir?, Makine öğrenmesi ve türleri nelerdir?) | |||
| 3 | Makine Öğrenmesinin Aşamaları -I (Veri Eldesi, Veri İşleme) | |||
| 4 | Makine Öğrenmesinin Aşamaları -II (Model Oluşturma) | |||
| 5 | Makine Öğrenmesinin Aşamaları -III (Model Değerlendirme) | |||
| 6 | Veri Bilimi ve Python - I (Neden Python, Python Kütüphaneleri) | |||
| 7 | Veri Bilimi ve Python - II (Arayüzler ve Anaconda) | |||
| 8 | Ara Sınav | |||
| 9 | Denetimli Öğrenme (Regresyon, Sınıflandırma) | |||
| 10 | Denetimsiz Öğrenme (Kümeleme, Boyut indirgeme) | |||
| 11 | Makine Öğrenmesinde Kullanılan Algoritmalar – I (Karar ağacı, Destek Vektör Makineleri, Naive Bayes, Yapay Sinir Ağları, Doğrusal Regresyon) | |||
| 12 | Makine Öğrenmesinde Kullanılan Algoritmalar – II (K-NN, Lojik Regresyon, NLP, K-Means, SMO, Genetik Algoritma) | |||
| 13 | Sağlıkta ve Biyolojide Makine Öğrenmesi | |||
| 14 | Derin Öğrenmeye Giriş | |||
| 15 | Biyolojik Verilerle Görüntü İşleme | |||
| 16 | Final |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
- Machine learning for integrating data in biology and medicine: Principles, practice, and opportunities. Zitnik M., Nguyen F., Wang B., Leskovec J., Goldenberg A., Hoffman M.M. (2019) Information Fusion, 50 , pp. 71-91. - Greener, J.G., Kandathil, S.M., Moffat, L. et al. A guide to machine learning for biologists. Nat Rev Mol Cell Biol 23, 40–55 (2022). - Python ile Makine Öğrenmesi, Sorhun E. 1. Baskı 2021, Abaküs yayınevi, 438 sayfa.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
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 | 14 | 3 | 42 |
| Rapor Sunma | 14 | 3 | 42 |
| Proje Hazırlama | 14 | 3 | 42 |
| Proje Sunma | 14 | 3 | 42 |
| Bireysel Çalışma | 7 | 2 | 14 |
| Okuma | 14 | 1 | 14 |
| Toplam İş Yükü (saat) | 242 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | |
| ÖÇ 1 | 5 | 5 | 5 | 5 | 5 | 4 | 5 |
| ÖÇ 2 | 5 | 4 | 4 | ||||
| ÖÇ 3 | 5 | 5 | 4 | ||||
| ÖÇ 4 | 5 | 5 | 4 | 5 | |||
| ÖÇ 5 | 5 | 4 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek