Biyomedikal Veri ve YZ

SVY 5430 · Yazılım ve Bilişim Araştırma Enstitüsü · 2026–2027 Güz

Biyomedikal Verilerin Analizi ve Yapay Zeka

Klinik kayıttan EEG sinyaline, tıbbi görüntüden omik veriye: makine öğrenmesi ve derin öğrenmeyi teoriden uygulamaya öğrenin; modeli klinik metriklerle değerlendirin ve kararlarını açıklanabilir kılın.

1. Haftadan başla Ders akışını gör

14

hafta

5

modül

3

kredi

6

AKTS

Biyomedikal sinyalden model kararına, oradan öznitelik katkılarının açıklanmasına uzanan ders yolculuğunun şeması

Beş veri türü, tek çerçeve

  • 01

    Klinik / tablo verisi

    Laboratuvar sonuçları, vital bulgular, demografi; sınıflandırma ve risk tahmini problemlerinin çoğu burada başlar.

  • 02

    Biyomedikal sinyaller

    EEG, EKG, EMG gibi zaman serileri; filtreleme, öznitelik çıkarımı ve zaman–frekans analizi gerektirir.

  • 03

    Tıbbi görüntüler

    Radyoloji, patoloji, dermatoloji görüntüleri; evrişimli ağlarla sınıflandırma ve segmentasyon.

  • 04

    Omik veriler

    Genomik, transkriptomik, proteomik; az örnek–çok öznitelik rejimi ve boyut indirgeme.

  • 05

    Elektronik sağlık kaydı (EHR)

    Zamanla değişen, eksik ve heterojen kayıtlar; klinik metin ve dizisel modeller.

Dersin yaklaşımı

Yüksek doğruluk yetmez; açıklanabilir ve güvenilir olmalı.

Biyomedikal veri hacmi ve çeşitliliği hızla artıyor: elektronik sağlık kayıtları, EEG/EKG sinyalleri, tıbbi görüntüler ve omik veriler aynı hastanın farklı yüzleri. Bu veriden klinik değer üretmek, yalnızca yüksek doğruluklu model kurmayı değil; modelin neden o kararı verdiğini açıklayabilmeyi, dış veride doğrulamayı ve etik sınırlar içinde kullanmayı gerektirir. Bu ders o bütünü hedefler.

Dönem boyunca

Beş modül, on dört hafta

Veri temelleriyle başlar, klasik makine öğrenmesi ve sinyal analiziyle sürer; derin öğrenmeden sonra açıklanabilir ve güvenilir yapay zeka ile tamamlanır.

Tam ders akışı
  1. 01 H1–3

    Biyomedikal Veri Temelleri

    Beş biyomedikal veri türünü, problem tiplerini ve etik çerçeveyi tanır; eksik veri, gürültü, dengesiz sınıf ve veri sızıntısı gibi tuzakları hasta-bazlı bölme ile aşar; keşifçi analiz, öznitelik mühendisliği ve PCA/UMAP ile veriyi görünür kılarsınız.
  2. 02 H4–6

    Klasik Makine Öğrenmesi

    Denetimli öğrenmeyi klinik metriklerle (ROC-AUC, duyarlılık/özgüllük, kalibrasyon) değerlendirir; Random Forest, XGBoost ve SVM ile öznitelik önemini yorumlar; kümeleme ve anomali tespitiyle hasta alt-tiplerini keşfedersiniz.
  3. 03 H7–8

    Biyomedikal Sinyaller ve Ara Sınav

    EEG/EKG/EMG sinyallerinde filtreleme, öznitelik çıkarımı ve zaman–frekans yöntemlerini uygular; 8. haftada ilk yedi haftanın ara sınavı yapılır.
  4. 04 H9–11

    Derin Öğrenme

    Yapay sinir ağlarını geri yayılım ve eğitim pratiğiyle kurar; U-Net ve transfer öğrenme ile tıbbi görüntü sınıflandırma/segmentasyon yapar; RNN/LSTM ve Transformer'ları biyomedikal dizilere ve klinik metne uygularsınız.
  5. 05 H12–14

    Açıklanabilir ve Güvenilir Yapay Zeka

    Permütasyon önemi, PDP/ICE, SHAP, LIME, Grad-CAM ve karşıt-olgusal açıklamalarla model kararlarını yorumlar; yanlılık ve adaleti ölçer; dış doğrulama, dağıtım kayması, model kartları ve federe öğrenme ile klinik uygulamaya hazır sistemler tasarlarsınız.

Ders akışı

Haftadan haftaya yol haritası

Her hafta üç saatlik tek bir derse karşılık gelir. Tarihler akademik takvime göre güncellenir; ara sınav haftası ve olası ertelemeler haftanın yanında belirtilir.

  1. Modül 1 Hafta 1–3

    Biyomedikal Veri Temelleri

    Beş biyomedikal veri türünü, problem tiplerini ve etik çerçeveyi tanır; eksik veri, gürültü, dengesiz sınıf ve veri sızıntısı gibi tuzakları hasta-bazlı bölme ile aşar; keşifçi analiz, öznitelik mühendisliği ve PCA/UMAP ile veriyi görünür kılarsınız.

  2. Modül 2 Hafta 4–6

    Klasik Makine Öğrenmesi

    Denetimli öğrenmeyi klinik metriklerle (ROC-AUC, duyarlılık/özgüllük, kalibrasyon) değerlendirir; Random Forest, XGBoost ve SVM ile öznitelik önemini yorumlar; kümeleme ve anomali tespitiyle hasta alt-tiplerini keşfedersiniz.

  3. Modül 3 Hafta 7–8

    Biyomedikal Sinyaller ve Ara Sınav

    EEG/EKG/EMG sinyallerinde filtreleme, öznitelik çıkarımı ve zaman–frekans yöntemlerini uygular; 8. haftada ilk yedi haftanın ara sınavı yapılır.

  4. Modül 4 Hafta 9–11

    Derin Öğrenme

    Yapay sinir ağlarını geri yayılım ve eğitim pratiğiyle kurar; U-Net ve transfer öğrenme ile tıbbi görüntü sınıflandırma/segmentasyon yapar; RNN/LSTM ve Transformer'ları biyomedikal dizilere ve klinik metne uygularsınız.

  5. Modül 5 Hafta 12–14

    Açıklanabilir ve Güvenilir Yapay Zeka

    Permütasyon önemi, PDP/ICE, SHAP, LIME, Grad-CAM ve karşıt-olgusal açıklamalarla model kararlarını yorumlar; yanlılık ve adaleti ölçer; dış doğrulama, dağıtım kayması, model kartları ve federe öğrenme ile klinik uygulamaya hazır sistemler tasarlarsınız.

Nereden başlamalıyım?

Ortamı kurun, ilk veri setini yükleyin.

Ders Python, scikit-learn ve PyTorch üzerinde yürür. Google Colab ile kurulum gerekmez; yerel ortam isteyenler için adım adım rehber hazır. İlk haftaya gelmeden 1. haftanın "Ön Okuma" bölümüne göz atmanız yeterli.

  1. 01 Biyomedikal Veri Bilimi ve Yapay Zekaya Giriş Beş biyomedikal veri türü, denetimli/denetimsiz problem tipleri, dersin uçtan uca iş akışı ve etik–regülasyon çerçevesi; ilk uygulama defteriyle tüm akışın küçük ölçekli turu.
  2. 02 Biyomedikal Verinin Doğası ve Ön İşleme Eksik veri mekanizmaları ve imputasyon, gürültü ve aykırı değer, ölçekleme, dengesiz sınıf stratejileri, veri sızıntısı ve GroupKFold ile hasta-bazlı bölme.
  3. 03 Keşifçi Veri Analizi, Öznitelik Mühendisliği ve Boyut İndirgeme Veriye bakmayı, ondan yeni sütunlar türetmeyi, hangi sütunların kalacağına karar vermeyi ve çok sütunlu veriyi PCA ve UMAP ile iki boyutta görmeyi öğreniyoruz.

Duyurular

Tümü

  • 25 Ekim 2026

    28 Ekim'de ders yok: Cumhuriyet Bayramı

  • 20 Ekim 2026

    5. hafta notları ve defteri yayında (sonunda küçük bir sürpriz var)

Değerlendirme

Ara sınav %50 Genel sınav %50

Her iki sınav yüz yüze yapılır. Ara sınav 8. haftada.