• Temel bilgiler
• Öğrenme çıktıları
• İçerik
• Değerlendirme
• İş yükü

Öğrenme çıktıları

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

1. Biyolojik verilerin türüne ve yapısına göre doğru veri madenciliği analizi metodunu kullanabilme

   Program Çıktılarına Katkıları

   1. Biyomühendislik uygulamalarına temel oluşturan biyolojik, kimyasal, fiziksel ve matematiksel prensip ve olguların öğrenilmesi
   2. Matematiksel analiz ve modelleme metodlarını biyomühendislik tasarım ve üretim süreçlerine uygulayabilme yetisi
   3. Hızla değişen teknolojik çevreye adapte olabilmek için bilgi ve yetilerini sürekli geliştirmek

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Seminer/sunum
2. Biolojik verilerin modellenmesine kullanılan makine öğrenmesi yöntemlerini kullanabilme

   Program Çıktılarına Katkıları

   1. Biyomühendislik uygulamalarına temel oluşturan biyolojik, kimyasal, fiziksel ve matematiksel prensip ve olguların öğrenilmesi
   2. Matematiksel analiz ve modelleme metodlarını biyomühendislik tasarım ve üretim süreçlerine uygulayabilme yetisi
   3. Hızla değişen teknolojik çevreye adapte olabilmek için bilgi ve yetilerini sürekli geliştirmek

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Seminer/sunum
3. Biolojik verilerin modellenmesine kullanılan derin öğrenme yöntemlerini kullanabilme

   Program Çıktılarına Katkıları

   1. Biyomühendislik uygulamalarına temel oluşturan biyolojik, kimyasal, fiziksel ve matematiksel prensip ve olguların öğrenilmesi
   2. Matematiksel analiz ve modelleme metodlarını biyomühendislik tasarım ve üretim süreçlerine uygulayabilme yetisi

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Seminer/sunum

İçerik
1. hafta:	Biyolojik veri türleri: Omik veriler
2. hafta:	Biyolojik veri türleri: Klinik veriler
3. hafta:	Denetimsiz Sınıflandırma Yöntemleri
4. hafta:	Denetimli Sınıflandırma Yöntemleri
5. hafta:	Denetimsiz Kümeleme Yöntemleri
6. hafta:	Denetimli Kümeleme Yöntemleri
7. hafta:	Birliktelik kuralları algoritmaları
8. hafta:	Anormallik tespiti Arasınavı
9. hafta:	Metin madenciliği
10. hafta:	Klinik verilerde veri madenciliği
11. hafta:	Zamana bağlı verilerin madenciliği
12. hafta:	Biyolojik verilerde makina öğrenmesi teknikleri
13. hafta:	Biyolojik verilerde derin öğrenme teknikleri
14. hafta:	Veri madenciliğinin ticari kullanım alanları Öğrenci sunumları
15. hafta*:	-
16. hafta*:	Final Sınavı
Ders kitapları ve materyaller:	Data Mining: Concepts and Techniques, By Han, Jiawei, Kamber, Micheline, Morgan Kaufmann, 3rd ed., 2016.
Önerilen kaynaklar:	Principles of Data Mining (Adaptive Computation and Machine Learning) by David J. Hand , Heikki Mannila , Padhraic Smyth, 2001. Data Mining: Practical Machine Learning Tools and Techniques, Second Edition (Morgan Kaufmann Series in Data Management Systems) by Ian H. Witten, Eibe Frank, 2016 Data Mining Solutions Methods and Tools for Solving Real World Problems, Christopher Westphal, Teresa Blaxton, Wiley, 1998 Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan Silahtaroğlu, Birinci Baskı, Papatya Yayınları, 2018
	* 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.

Değerlendirme
Değerlendirme tipi	Hafta numarası	Ağırlık (%)
Ara sınavlar (Vizeler):	8	30
Dönem içi diğer çalışmalar:	14	30
Proje:		0
Ödev:		0
Kısa sınav (Quiz):		0
Final sınavı:	16	40
	Toplam ağırlık:	(%)

İş yükü
Etkinlik	Süre (Haftalık saat)	Toplam hafta sayısı	Dönem boyu toplam iş yükü
Dersler (Yüz yüze öğretme):	3	14
Ders dışı bireysel çalışma:	3	14
Uygulama, Rehberli problem çözme:	0	0
Ödev:	0	0
Dönem projesi:	1	14
Dönem projesi sunumu:	1	1
Kısa sınav (Quiz):	0	0
Ara sınav için bireysel çalışma:	3	3
Ara sınav (Vize):	2	1
Final sınavı için bireysel çalışma:	3	3
Final sınavı:	2	1
		Toplam işyükü:
		Toplam AKTS kredisi:	*
	* AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)