Dersin amacı

Biyomedikal verilerin (klinik, sinyal, görüntü, omik ve elektronik sağlık kaydı verileri) analizinde kullanılan makine öğrenmesi ve derin öğrenme yöntemlerini teoriden uygulamaya öğretmek; bu yöntemleri tıp ve mühendislik problemlerine uyarlamayı, model başarımını klinik açıdan anlamlı metriklerle değerlendirmeyi ve özellikle açıklanabilir yapay zeka (XAI) yaklaşımlarıyla model kararlarını yorumlanabilir, güvenilir ve etik biçimde sunmayı kavratmak.

Kimler için?

Bu ders, Yazılım ve Bilişim Araştırma Enstitüsü lisansüstü programlarında mühendislik ya da sağlık bilimleri kökenli öğrenciler için tasarlanmıştır. Temel Python bilgisi ve lisans düzeyinde doğrusal cebir–olasılık hatırası yeterlidir; makine öğrenmesi geçmişi beklenmez, ders yöntemleri sıfırdan ama lisansüstü tempoda kurar.

Teoriden uygulamaya, uygulamadan açıklamaya

Her yöntem üç adımda ele alınır: teori (yöntemin varsayımları ve matematiği), uygulama (gerçek ya da açık bir biyomedikal veri setinde Python ile kurulum) ve açıklama (modelin kararını klinik açıdan yorumlanabilir kılma). Böylece ders sonunda yalnızca "model çalıştı" değil, "model neden ve ne kadar güvenilir çalıştı" sorusuna yanıt verebilirsiniz.

• Veri türü odaklı: Klinik tablo, sinyal, görüntü, omik ve EHR verisi için ayrı ayrı ön işleme ve model seçimi.
• Klinik metrik odaklı: ROC-AUC, duyarlılık/özgüllük, kalibrasyon ve dış doğrulama her modelin zorunlu parçası.
• XAI odaklı: Permütasyon önemi, PDP/ICE, SHAP, LIME, Grad-CAM ve karşıt-olgusal açıklamalar için üç haftalık modül.

Ders kazanımları

Dersi başarıyla tamamlayan öğrenci:

1. Biyomedikal veri türlerini ve bu verilere özgü ön işleme, değerlendirme ve etik konularını kavrar. DK1 H1H2H3
2. Klasik makine öğrenmesi yöntemlerini biyomedikal sınıflandırma/kümeleme problemlerine uygular ve klinik açıdan anlamlı metriklerle değerlendirir. DK2 H4H5H6
3. Derin öğrenme yöntemlerini (YSA, CNN, RNN/Transformer) tıbbi sinyal, görüntü ve zaman serisi verilerine uygular. DK3 H7H9H10H11
4. Python ve güncel kütüphanelerle biyomedikal veri analizi ve model geliştirme becerisi kazanır. DK4 H2H3H4H5H9H10
5. Açıklanabilir yapay zeka (XAI) yöntemleriyle model kararlarını yorumlar; modellerin güvenilirliğini ve yanlılığını değerlendirir. DK5 H12H13H14

İşleniş ve yöntem

Ders yüz yüze yöntemlerle haftada 3 saat, Çarşamba günleri 13.15 – 16.00 arasında yapılır. Dersler Seminer Salonu'nda yapılır.

• Yüz yüze ders (haftada 3 saat)
• Uygulamalı kod örnekleri (Python, scikit-learn, PyTorch)
• Vaka çalışmaları: tıp ve mühendislik problemleri
• Ön okuma ve haftalık uygulama takibi

Uygulamalar Python, scikit-learn ve PyTorch ile yürütülür. Google Colab ücretsiz GPU sağladığı için kurulum gerekmez; kendi bilgisayarında çalışmak isteyenler için yerel ortam rehberi hazırlanmıştır.

Ders materyali

• Deep Learning — Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press, 2016. Çevrimiçi. Tam metin çevrimiçi ve ücretsiz. Derin öğrenme modülünün (9–11. hafta) ana kaynağı.
• Interpretable Machine Learning — Christoph Molnar, Çevrimiçi (açık erişim), 2022. Çevrimiçi. XAI modülünün (12–14. hafta) ana kaynağı; ücretsiz.
• Machine Learning Methods in Biomedical Field — Ed. (çeşitli yazarlar), Springer Nature, 2024. Biyomedikal uygulama vakaları için başvuru kaynağı.
• scikit-learn ve PyTorch resmî dokümantasyonları — scikit-learn ve PyTorch geliştirici ekipleri, Çevrimiçi, 2026. Çevrimiçi. Uygulamaların teknik referansı; paylaşılacak ders notlarıyla birlikte kullanılır.

Tam liste ve açık veri kaynakları için Kaynaklar sayfasına bakın.

Ölçme ve değerlendirme

6 AKTS ≈ 180 saatlik toplam öğrenci iş yükü: 42 saat ders, kalan süre ön okuma, uygulama ve sınav hazırlığı.

Öğrenci sorumluluğu

Öğrenciler derslere düzenli katılmak, işlenen konulara ilişkin ön okuma ve uygulamaları takip etmek ve dönem içi/dönem sonu sınavlarına hazırlanmakla yükümlüdür.

Ders künyesi

Ders kodu

SVY 5430

Birim

Fırat Üniversitesi Yazılım ve Bilişim Araştırma Enstitüsü

Düzey

Lisansüstü

Statü

Zorunlu

Sınıf

1

Dönem

2026–2027 Güz

Öğretim dili

Türkçe

Kredi (T-U-L-K)

3-0-0-3

AKTS

6

Ders günü ve saati

Çarşamba 13.15 – 16.00

İşleniş

Yüz yüze, haftada 3 saat

Yer (YY / UE)

Seminer Salonu / -

Ön koşul

Yok

Ders sorumlusu

Doç. Dr. Ferhat Uçar
fucar@firat.edu.tr · 0424 607 42 41
Öğrenci görüşme saati: Randevu ile

Ders akışına geç →