Kurulum rehberleri

Google Colab için kurulum gerekmez. Kendi bilgisayarında PyTorch ve SHAP ile çalışmak isteyenler için adım adım rehberler.

• Yerel Python Ortamı: conda, PyTorch ve SHAP

  Windows ve macOS için Miniconda kurulumu, ders ortamının (scikit-learn, PyTorch, SHAP, MNE) oluşturulması, JupyterLab ve GPU kontrolü.

  Rehberi aç →

Ders materyali

• D

  Deep Learning

  Ian Goodfellow, Yoshua Bengio, Aaron Courville · MIT Press, 2016

  Tam metin çevrimiçi ve ücretsiz. Derin öğrenme modülünün (9–11. hafta) ana kaynağı.

  Çevrimiçi aç →
• I

  Interpretable Machine Learning

  Christoph Molnar · Çevrimiçi (açık erişim), 2022

  XAI modülünün (12–14. hafta) ana kaynağı; ücretsiz.

  Çevrimiçi aç →
• M

  Machine Learning Methods in Biomedical Field

  Ed. (çeşitli yazarlar) · Springer Nature, 2024

  Biyomedikal uygulama vakaları için başvuru kaynağı.

• s

  scikit-learn ve PyTorch resmî dokümantasyonları

  scikit-learn ve PyTorch geliştirici ekipleri · Çevrimiçi, 2026

  Uygulamaların teknik referansı; paylaşılacak ders notlarıyla birlikte kullanılır.

  Çevrimiçi aç →

Yazılım ve kütüphaneler

Hepsi açık kaynak; Colab'de ya da yerel conda ortamında çalışır.

• Python 3.12

  Dersin programlama dili.

• NumPy / pandas

  Sayısal hesaplama ve tablo verisi.

• scikit-learn

  Klasik makine öğrenmesi, metrikler, boyut indirgeme.

• PyTorch

  Derin öğrenme: YSA, CNN, RNN/Transformer.

• XGBoost

  Gradyan artırma topluluk yöntemi.

• SHAP

  Shapley temelli model açıklama.

• LIME

  Yerel, model-bağımsız açıklamalar.

• Captum

  PyTorch modelleri için atıf yöntemleri (Grad-CAM, IG).

• MNE-Python

  EEG/MEG sinyal işleme.

• WFDB / NeuroKit2

  EKG ve fizyolojik sinyal analizi.

• umap-learn

  Doğrusal olmayan boyut indirgeme (UMAP).

• Jupyter / Google Colab

  Not defteri ortamı; Colab ücretsiz GPU sağlar.

Açık biyomedikal veri kaynakları

• PhysioNet

  EKG, EEG, yoğun bakım (MIMIC) gibi fizyolojik sinyal ve klinik veri setleri.

  physionet.org
• MIMIC-IV

  Yoğun bakım elektronik sağlık kaydı; erişim için eğitim ve veri kullanım anlaşması gerekir.

  physionet.org
• MedMNIST

  Hafif, standartlaştırılmış tıbbi görüntü sınıflandırma veri setleri; CNN uygulamaları için idealdir.

  medmnist.com
• UCI Machine Learning Repository

  Klasik tablo veri setleri (meme kanseri, kalp hastalığı, diyabet).

  archive.ics.uci.edu
• Kaggle – sağlık veri setleri

  Geniş açık veri koleksiyonu; lisans koşullarına dikkat edin.

  www.kaggle.com
• NCBI GEO

  Gen ifadesi (omik) veri setleri.

  www.ncbi.nlm.nih.gov
• ISIC Archive

  Dermatoskopik görüntü arşivi (melanom sınıflandırma).

  www.isic-archive.com

Raporlama, güvenilirlik ve regülasyon

• TRIPOD+AI

  Yapay zeka tabanlı tahmin modelleri için raporlama kılavuzu (2024).

  www.tripod-statement.org
• Model Cards (Mitchell ve ark., 2019)

  Model kartı şablonu ve gerekçesi.

  arxiv.org
• WHO – Ethics and governance of AI for health

  Sağlıkta yapay zeka etik ve yönetişim rehberi.

  www.who.int
• AB Yapay Zeka Yasası (EU AI Act)

  Tıbbi cihaz niteliğindeki yapay zeka sistemleri için yüksek risk sınıfı yükümlülükleri.

  artificialintelligenceact.eu
• FDA – AI/ML-enabled medical devices

  Onaylı yapay zeka tabanlı tıbbi cihaz listesi ve düzenleyici çerçeve.

  www.fda.gov
• KVKK

  Türkiye'de kişisel sağlık verisi mevzuatı.

  www.kvkk.gov.tr

Açıklanabilir yapay zeka

• SHAP dokümantasyonu

  Shapley değerleri, TreeExplainer, DeepExplainer ve görselleştirmeler.

  shap.readthedocs.io
• Lundberg & Lee (2017) – A Unified Approach to Interpreting Model Predictions

  SHAP'ın temel makalesi.

  arxiv.org
• Ribeiro ve ark. (2016) – LIME

  "Why Should I Trust You?" makalesi.

  arxiv.org
• Selvaraju ve ark. (2017) – Grad-CAM

  Evrişimli ağlar için görsel açıklama.

  arxiv.org
• Rudin (2019) – Stop explaining black box models

  Yüksek riskli kararlarda içsel yorumlanabilir modeller savunusu; XAI tartışmasının karşı kutbu.

  www.nature.com