Eğitim Programı
TÜBİTAK 2237-A PROGRAMI
SAAT/GÜN |
1. GÜN – 14/09/2026 |
08:45 - 12:30 |
DERS ADI: Yapay Zekaya Giriş |
DERS VERECEK ÖĞRETİM ÜYESİ: Öğr. Gör. Şafak YASUN |
|
DERS KONUSU: Yapay zekaya giriş: Temel kavramlar, tarihsel gelişim, makine öğrenmesi ve derin öğrenme yaklaşımları, sağlık alanındaki uygulama örnekleri. |
|
DETAYLI DERS İÇERİĞİ: Yapay zekânın temel ilkeleri, kavramsal çerçevesi ve tarihsel gelişim süreci. Makine öğrenmesi ve derin öğrenme algoritmalarının genel mantığı ile denetimli ve denetimsiz öğrenme yöntemlerine |
|
|
ÖĞLE YEMEĞİ |
13:30 - 17.15 |
DERS ADI: Sağlık Verileri ve Veri Ön İşleme Teknikleri |
DERS VERECEK ÖĞRETİM ÜYESİ: Öğr. Gör. Ferdi GÜLER |
|
DERS KONUSU: Sağlık verilerinin yapısı, kalitesi ve yapay zekâ uygulamaları için veri ön işleme yöntemleri. |
|
DETAYLI DERS İÇERİĞİ: Sağlık verilerinin türleri (elektronik sağlık kayıtları, laboratuvar verileri, medikal görüntüler vb.), veri toplama yöntemleri ve veri kalitesinin önemi. Veri temizleme, normalizasyon, eksik veri yönetimi, gürültü azaltma ve etiketleme süreçleri. Yapay zekâ modelleri için uygun veri setlerinin hazırlanması. Teorik ders sonrası Kaggle platformu üzerinden uygulama yapılacaktır. Ayrıca analizler için Python programlama dili kurulumu ve kullanımı. |
|
Toplam Ders Sayısı = 8 |
|
SAAT/GÜN |
2. GÜN – 15/09/2026 |
08:45 - 12:30 |
DERS ADI: Sağlıkta Makine Öğrenmesi Uygulamaları |
DERS VERECEK ÖĞRETİM ÜYESİ: Doç. Dr. Abdullah GOV |
|
DERS KONUSU: Sağlık alanında makine öğrenmesi algoritmalarının temelleri ve uygulamaları. |
|
DETAYLI DERS İÇERİĞİ: Makine öğrenmesinin temel ilkeleri, denetimli ve denetimsiz öğrenme yaklaşımları, model eğitimi ve değerlendirme mantığı. Regresyon, karar ağaçları, destek vektör makineleri (SVM) ve k-en yakın komşu (KNN) gibi temel algoritmaların çalışma prensipleri. Sağlık verileri üzerinde örnek uygulamalar. Teorik ders sonrası Kaggle platformu üzerinden uygulama yapılacaktır. |
|
|
ÖĞLE YEMEĞİ |
13:30 - 17:15 |
DERS ADI: Derin Öğrenmeye Giriş ve Sinir Ağları |
DERS VERECEK ÖĞRETİM ÜYESİ: Tuncer SİVRİ |
|
DERS KONUSU: Derin öğrenme ve yapay sinir ağlarının sağlık verileri üzerindeki temelleri ve uygulamaları. |
|
DETAYLI DERS İÇERİĞİ: Yapay sinir ağlarının temel yapısı, ileri ve geri yayılım mekanizması, aktivasyon fonksiyonları, katman yapıları ve parametreler. Derin öğrenme ile makine öğrenmesi arasındaki farklar. Sağlık verilerinde derin öğrenmenin kullanım alanları: medikal görüntü analizi, hastalık tahmini, klinik karar destek sistemleri. Teorik ders sonrası Kaggle platformu üzerinden uygulama yapılacaktır. |
|
Toplam Ders Sayısı = 8 |
|
SAAT/GÜN |
3. GÜN – 16/09/2026 |
08:45 - 12:30 |
DERS ADI: Medikal Görüntü İşleme ve Sınıflandırma Uygulamaları |
DERS VERECEK ÖĞRETİM ÜYESİ: Ahmet KARAGÖZ |
|
DERS KONUSU: Medikal görüntülerin işlenmesi ve derin öğrenme tabanlı sınıflandırma yöntemleri. |
|
DETAYLI DERS İÇERİĞİ: Medikal görüntü türleri (MR, BT, röntgen, ultrason vb.), görüntü verisinin yapısı ve ön işleme adımları. Evrişimli Sinir Ağları (Convolutional Neural Networks – CNN) ile görüntü sınıflandırma mantığı. Transfer learning yaklaşımları ve örnek model uygulaması (örneğin X-ray görüntülerinde anomali tespiti). |
|
|
ÖĞLE YEMEĞİ |
13:30 - 17:15 |
DERS ADI: Model Performans Değerlendirme, Hiperparametre Optimizasyonu ve Sonuçların Yorumlanması |
DERS VERECEK ÖĞRETİM ÜYESİ: Dr. Öğr. Üyesi Sefa ARAS |
|
DERS KONUSU: Makine öğrenmesi modellerinde performans değerlendirme ve optimizasyon yöntemleri. |
|
DETAYLI DERS İÇERİĞİ: Makine öğrenmesi ve derin öğrenme modellerinde performans ölçütleri: doğruluk (accuracy), hata matrisi (confusion matrix), ROC eğrisi, AUC, duyarlılık (sensitivity), özgüllük (specificity) ve F1 skoru. Modelin aşırı öğrenme (overfitting) ve yetersiz öğrenme (underfitting) durumlarının analizi. Hiperparametre ayarlama (grid search, random search) teknikleri ile model performansının optimize edilmesi. Sonuçların görselleştirilmesi ve sağlık verileri bağlamında model çıktılarının klinik yorumlanması. |
|
Toplam Ders Sayısı = 8 |
|
SAAT/GÜN |
4. GÜN 17/09/2026 |
08:45 - 12:30 |
DERS ADI: Yapay Zekâ ve Tıp Arasındaki İlişki – Klinik Perspektif |
DERS VERECEK ÖĞRETİM ÜYESİ: Umut AĞYÜZ |
|
DERS KONUSU: Yapay zekâ uygulamalarının klinik karar süreçlerindeki rolü ve tıbbi etkileri. |
|
DETAYLI DERS İÇERİĞİ: Yapay zekânın tıp alanındaki kullanım alanları: tanı destek sistemleri, medikal görüntü analizi, hastalık öngörüsü, kişiselleştirilmiş tedavi planlaması. Hekim bakış açısından yapay zekâ uygulamalarının avantajları, sınırlılıkları ve etik sınırları. Klinik karar süreçlerinde yapay zeka modellerinin güvenilirliği, hekim-sistem etkileşimi ve veri gizliliği konularının değerlendirilmesi. |
|
|
ÖĞLE YEMEĞİ |
13:30 - 17:15 |
DERS ADI: Uygulamalı Proje Çalışması |
DERS VERECEK ÖĞRETİM ÜYESİ: Doç. Dr. Pınar KARADAYI ATAŞ |
|
DERS KONUSU: Sağlık verileri üzerinde uçtan uca yapay zekâ projesi geliştirme ve uygulama. |
|
DETAYLI DERS İÇERİĞİ: Katılımcıların eğitim boyunca öğrendikleri kavram ve teknikleri bütünleştirerek küçük bir proje geliştirmeleri. Sağlık verisi üzerinde model kurma, eğitim, değerlendirme ve sonuç raporu hazırlama süreçlerinin uygulanması. Model performans ölçümlerinin yapılması (accuracy, precision, recall, F1 skoru, ROC-AUC) ve sonuçların görselleştirilmesi. Proje çıktılarının grup sunumlarıyla paylaşılması ve eğitici geri bildirimi. |
|
Toplam Ders Sayısı = 8 |
|