Eğitim Programı
TÜBİTAK 2237-A PROGRAMI
SAAT/GÜN |
1. GÜN - 14.09.2026 |
08:45 - 12:30 |
DERS ADI: Sağlıkta Yapay Zekaya Giriş |
DERS VERECEK ÖĞRETİM ÜYESİ: Öğr. Gör. Şafak YASUN |
|
DERS KONUSU: 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 giriş. Sağlık bilişimi bağlamında yapay zekânın kullanım alanları (veri analizi, görüntü işleme, karar destek sistemleri) |
|
|
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 hazırlanma süreçleri. |
|
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. |
|
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: Dr. Öğr. Üyesi Sibel BİRTANE AKAR |
|
DERS KONUSU: Makine öğrenmesi yöntemlerinin sağlık verileri üzerindeki uygulamaları ve temel algoritmaların tanıtımı. |
|
DETAYLI DERS İÇERİĞİ: Makine öğrenmesinin temel ilkeleri, denetimli ve denetimsiz öğrenme yaklaşımları, model eğitimi ve değerlendirme mantığı ele alınacaktır. Regresyon, karar ağaçları, destek vektör makineleri (SVM) ve k-en yakın komşu (KNN) gibi temel algoritmaların çalışma prensipleri tartışılacaktır. Sağlık verileri üzerinde örnek uygulamalar gerçekleştirilecek; teorik dersin ardından 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 kavramı, yapay sinir ağlarının temel prensipleri ve sağlık alanındaki uygulamaları. |
|
DETAYLI DERS İÇERİĞİ: Yapay sinir ağlarının temel yapısı, ileri ve geri yayılım mekanizması, aktivasyon fonksiyonları, katman yapıları ve parametreler ele alınacaktır. Derin öğrenme ile makine öğrenmesi arasındaki farklar açıklanacak; sağlık verilerinde derin öğrenmenin kullanım alanları (medikal görüntü analizi, hastalık tahmini, klinik karar destek sistemleri) örneklerle tartışılacaktır. Teorik dersin ardından 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, derin öğrenme tabanlı sınıflandırma yöntemleri ve transfer learning yaklaşımları. |
|
DETAYLI DERS İÇERİĞİ: Medikal görüntü türleri (MR, BT, röntgen, ultrason vb.), görüntü verisinin yapısı ve ön işleme adımları ele alınacaktır. Evrişimli Sinir Ağları (Convolutional Neural Networks – CNN) ile görüntü sınıflandırma mantığı ve modeller açıklanacak, transfer learning yaklaşımları tanıtılacaktır. U-Net gibi ileri seviye modeller ile segmentasyon süreçleri ele alınacaktır. X-ray görüntülerinde anomali tespiti gibi örnek modeller üzerinden uygulamalar gerçekleştirilecektir. Teorik dersin ardından Kaggle platformu üzerinden uygulama yapılacaktır. |
|
|
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 ve derin öğrenme modellerinde performans ölçütleri, optimizasyon teknikleri ve sonuçların klinik yorumlanması. |
|
DETAYLI DERS İÇERİĞİ: Bu derste makine öğrenmesi ve derin öğrenme modellerinde performans değerlendirme metrikleri (doğruluk, hata matrisi, ROC eğrisi, AUC, duyarlılık, özgüllük ve F1 skoru) ele alınacaktır. Modelin aşırı öğrenme (overfitting) ve yetersiz öğrenme (underfitting) durumları analiz edilecektir. Hiperparametre ayarlama yöntemleri (grid search, random search) ile model performansının optimize edilmesi sağlanacak, sonuçların görselleştirilmesi ve sağlık verileri bağlamında klinik açıdan yorumlanması tartışılacaktır. Teorik dersin ardından Kaggle platformu üzerinden uygulama yapılacaktır. |
|
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 kararlara, hekim-sistem etkileşimine ve etik değerlere etkisi. |
|
DETAYLI DERS İÇERİĞİ: Bu derste yapay zekânın tıp alanındaki kullanım alanları (tanı destek sistemleri, medikal görüntü analizi, hastalık öngörüsü, kişiselleştirilmiş tedavi planlaması) ele alınacaktır. Hekim bakış açısından yapay zekâ uygulamalarının avantajları, sınırlılıkları ve etik sınırları tartışılacaktır. Klinik karar süreçlerinde yapay zekâ modellerinin güvenilirliği, hekim-sistem etkileşimi ve veri gizliliği konuları değerlendirilecektir. |
|
|
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 |
|