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.

• Problem çerçeveleme
• İş akışı (pipeline)
• Etik & regülasyon

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.

• MCAR/MAR/MNAR
• İmputasyon
• StandardScaler
• SMOTE / ağırlıklandırma

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.

• EDA
• Öznitelik türetme
• PCA
• UMAP

Klasik Makine Öğrenmesi I: Denetimli Öğrenme ve Klinik Metrikler

İlk modelimizi kuruyoruz ve asıl soruyu soruyoruz: bu model iyi mi? Duyarlılık ve özgüllük, eşik seçimi, ROC ve PR eğrileri, kalibrasyon ve karar eğrisi; hepsi klinik örneklerle.

• Lojistik regresyon
• k-NN
• ROC / PR eğrisi
• Kalibrasyon

Klasik Makine Öğrenmesi II: Topluluk Yöntemleri, SVM ve Öznitelik Önemi

Daha güçlü modellere geçiyoruz: Random Forest, XGBoost ve SVM. Hepsini geçen haftanın dört sorusuyla sınıyor, sonra "model neye bakıyor?" diye sorup üç farklı cevabın neden farklı olduğunu görüyoruz.

• Karar ağacı
• Random Forest
• XGBoost
• SVM (RBF)

Denetimsiz Öğrenme: Hasta Alt-Tiplendirme, Kümeleme ve Anomali Tespiti

k-means, hiyerarşik ve GMM kümeleme; küme sayısı seçimi ve kararlılık; hasta alt-tiplerinin klinik doğrulanması; Isolation Forest ve otokodlayıcı ile anomali.

• k-means
• Hiyerarşik kümeleme
• GMM
• Konsensüs kümeleme

Biyomedikal Sinyal ve Zaman Serisi Analizi: EEG, EKG, EMG

Örnekleme ve Nyquist, sayısal filtreler, artefakt giderme, zaman/frekans/doğrusal-olmayan öznitelikler, STFT ve dalgacık dönüşümü, kayıt-bazlı doğrulama.

• Butterworth / notch filtre
• FFT & Welch PSD
• STFT
• Dalgacık dönüşümü

Ara Sınav

1–7. haftaların içeriğini kapsayan yüz yüze ara sınav; dönem notunun %50'si.

Derin Öğrenmeye Giriş: Yapay Sinir Ağları, Geri Yayılım ve Eğitim Pratiği

Perceptron'dan çok katmanlı ağa, aktivasyon ve kayıp fonksiyonları, geri yayılım ve otomatik türev, optimizasyon, düzenlileştirme ve PyTorch ile eğitim döngüsü.

• MLP
• Geri yayılım
• SGD / Adam
• Dropout & BatchNorm

Evrişimli Sinir Ağları ve Tıbbi Görüntü Analizi

Evrişim, havuzlama ve alıcı alan; klasik mimariler (ResNet); transfer öğrenme ve ince ayar; U-Net ile segmentasyon; Dice/IoU; tıbbi görüntüye özgü tuzaklar.

• CNN
• ResNet transfer öğrenme
• U-Net
• Dice / IoU

Dizisel Modeller: RNN/LSTM, Transformer ve Klinik Metin Analizi

Tekrarlayan ağlar ve LSTM, dikkat mekanizması ve Transformer, ham sinyal ve düzensiz EHR zaman serileri, klinik metin için BERT-tabanlı modeller ve de-identifikasyon.

• LSTM / GRU
• 1D-CNN
• Transformer / dikkat
• BERT ince ayarı

Açıklanabilir Yapay Zeka I: Yorumlanabilirlik, İçsel Modeller ve Post-hoc Yöntemler

Yorumlanabilirlik–açıklanabilirlik ayrımı ve taksonomi; içsel yorumlanabilir modeller (GAM, EBM, kural listeleri); permütasyon önemi, kısmi bağımlılık ve ICE eğrileri; açıklamaların değerlendirilmesi.

• İçsel yorumlanabilir modeller (GAM/EBM)
• Permütasyon önemi
• PDP
• ICE

Açıklanabilir Yapay Zeka II: SHAP, LIME, Grad-CAM, Karşıt-Olgusal Açıklamalar ve Adalet

Shapley değerlerinin oyun kuramsal temeli ve SHAP (Tree/Deep/Kernel), LIME'ın yerel vekil yaklaşımı, Grad-CAM ile görsel açıklama, karşıt-olgusal açıklamalar, açıklama tuzakları ve algoritmik adalet ölçütleri.

• SHAP (Tree/Deep/Kernel)
• LIME
• Grad-CAM / IG
• Karşıt-olgusal açıklama

Güvenilir ve Klinik Uygulamaya Hazır Yapay Zeka

İç–dış–zamansal doğrulama hiyerarşisi, dağıtım kayması türleri ve izleme, model kartları ve TRIPOD+AI raporlaması, MLOps yaşam döngüsü, federe öğrenme ve diferansiyel mahremiyet, regülasyon ve dönem değerlendirmesi.

• Dış / zamansal doğrulama
• Kayma tespiti (PSI, KS)
• Model kartı
• Federe öğrenme (FedAvg)