SÖZLÜ BİLDİRİ TÜRKİYE DEKİ HASTANELERİN VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK GRUPLANDIRILMASI
|
|
- Gülbahar Gulden
- 6 yıl önce
- İzleme sayısı:
Transkript
1 SÖZLÜ BİLDİRİ TÜRKİYE DEKİ HASTANELERİN VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK GRUPLANDIRILMASI CLASSIFICATION OF TURKISH HOSPITALS BY USING DATA MINING TECHNIQUE Mehmet UĞURLU 1, M.Özgür DOLGUN 2, S.Yavuz SANİSOĞLU 3, Tülin GÜZEL ÖZDEMİR 4, R.Murat AYDIN 5, Selim DELİLOĞLU 2, Mesut AKYOL 6 1 :Aile Hekimliği Uzmanı, T.C. Sağlık Bakanlığı 2 :Uzm., SPSS Türkiye 3 :Doç.Dr.,TC Sağlık Bakanlığı 4 : Dr., SPSS Türkiye 5 :T.C. Sağlık Bakanlığı 6 :GATA Biyoistatistik BD Adres : Çankaya Mah. Mahmut Yesari Sok. No:8/5 Çankaya-ANKARA Tel :(312) , o_dolgun@yahoo.com ÖZET Veri madenciliği büyük veri yığınlarında gizli olan örüntüleri ve ilişkileri ortaya çıkarmak için istatistik ve yapay zeka kökenli çok sayıda ileri veri çözümleme yönteminin tercihen görsel bir programlama ara yüzü üzerinden kullanıldığı bir süreçtir. Bu çalışma ile T.C. Sağlık Bakanlığı na bağlı hastanelerin performans değerlendirmesine esas olacak sınıflandırılması amaçlanmıştır. Bu veri madenciliği uygulaması sonucunda, tüm hastanelerin gruplanmış listesi görsel olarak incelendiğinde tecrübelerimizle çok büyük oranda örtüşen sonuçlar elde edilmiştir. Anahtar Kelimeler: Veri madenciliği, karar ağacı, kümeleme, T.C. Sağlık Bakanlığı ABSTRACT Data mining is a process in which multiple advanced data processing methods originating from statistics and artificial intelligence are used preferably through a visual programming interface to set out patterns and relations hidden in large data masses. By means of this study, classification of the MoH-affiliated hospitals which will serve as a basis for the performance evaluation is aimed. As a result of this data mining implementation, when the grouped list of the hospitals is reviewed visually, it has been seen that the results obtained overlap with our experiences to a large extent. 1
2 GİRİŞ 1. Veri Madenciliği Yapılan tahminlere göre, birkaç yıl içerisinde dünya üzerindeki tüm veritabanlarında tutulan veri, insanlık tarihi boyunca üretilen verilerden çok daha fazla olacaktır. Fiziksel olarak çok büyük kapasiteli veri ambarları ve veritabanlarının mevcut olması bu veri yığının içinden kullanışlı bilgiyi elde etmede çokda yeterli olmayacaktır. Saklı ve işlenmemiş bilgiye olan ihtiyaç Veritabanlarında Bilgi Keşfi (VTBK) ve Veri Madenciliği (VM) gibi yeni alanların ortaya çıkarılması sonucunda anlaşılabilir ve yorumlanabilir bir hale gelmiştir. Bilgisayar ve bu yeni alanların kullanımı ile madencilikte altın damarının bulunması gibi binlerce veri yıkıntısı arasından bilgi damarı otomatik olarak keşfedilmektedir. Veri madenciliği büyük veri yığınlarında gizli olan örüntüleri ve ilişkileri ortaya çıkarmak için istatistik ve yapay zeka kökenli çok sayıda ileri veri çözümleme yönteminin tercihen görsel bir programlama ara yüzü üzerinden kullanıldığı bir süreçtir. Veri madenciliği algoritmaları; istatistiksel algoritmalar, matematiksel algoritmalar ve yapay zeka algoritmalarını (sinir ağları, karar ağaçları, kohonen ağlar, birliktelik kuralları vb.) bir arada içerir [1,3,8] Veri Madenciliği Metodolojisi CRISP-DM (Cross Industry Standard Processing for Data Mining); SPSS Inc., OHRA, NCR, Daimler Chrysler ve Teradata firmaları tarafından geliştirilen açık bir veri madenciliği metodolojisidir. CRISP-DM metodolojisi, iki yüz veri madenciliği kuruluşu tarafından desteklenmektedir. Metodolojinin amacı; veri madenciliği projelerinin, kullanılan programdan bağımsız olarak belli bir metodu kullanmasıdır. CRISP-DM metodolojisine göre bir veri madenciliği projesi; 1. İş İhtiyaçlarının Anlaşılması, 2. Verinin Anlaşılması, 3. Verinin Hazırlanması, 4. Modelleme, 5. Modelin Değerlendirilmesi, 6. Modelin Uygulanması ve 7. Güncelleme adımlarından oluşmaktadır [2]. Literatürde ve uygulamalarda görülmektedir ki, 2. ve 3. aşama olan Verinin Anlaşılması ve Verinin Hazırlanması bir projenin zamansal olarak % 75 ile % 80 ini içermektedir. Bu da bize veriye erişimin ve verinin kalitesinin ne kadar önemli olduğunu göstermektedir [3]. 2
3 2. Veri Madenciliğinde Kullanılan Yöntemler Bu çalışmada kullanılan veri madenciliği yöntemleri şunlardır: 2.1. Karar Ağaçları Adından da anlaşılabileceği gibi sonuçların ağaç görünümünde sunulduğu belirli bir durumu kestirme amaçlı yöntemlerdir. Karar ağacı yöntemini kullanarak verinin sınıflanması iki basamaklı bir işlemdir. İlk basamak öğrenme basamağıdır. Öğrenme basamağında önceden bilinen bir eğitim verisi, model oluşturmak amacı ile sınıflama algoritması tarafından çözümlenir. Öğrenilen model, sınıflama kuralları veya karar ağacı olarak gösterilir. İkinci basamak ise sınıflama basamağıdır. Sınıflama basamağında test verisi, sınıflama kurallarının veya karar ağacının doğruluğunu belirlemek amacı ile kullanılır. Eğer doğruluk kabul edilebilir oranda ise, kurallar yeni verilerin sınıflanması amacı ile kullanılır. Karar ağaçları yöntemi bir danışmanlı öğrenme yöntemi olarak değerlendirilir. Bu yöntemde, bir grup girdi (bağımsız) değişkenleri ile çıktı (bağımlı) değişkenin/değişkenlerin kestirilmesi amaçlanır. Karar ağaçlarında en sık kullanılan algoritmalar; C5.0, C&R Tree (The Classification and Regression Tree), QUEST (Quick, Unbiased, Efficient Statistical Tree) ve CHAID (Chi-squared Automatic Interaction Detection) şeklinde sıralanmaktadır [1,3,8] Kümeleme Yöntemleri Nesnelerin (gözlemlerin) kendilerini ya da diğer nesnelerle (gözlemlerle) olan ilişkilerini kullanarak gruplara ayırma işlemine kümeleme denir. Kümelemede amaç; nesneleri (gözlemleri) kendi içinde homojen, kendi aralarında heterojen olacak şekilde gruplar oluşturmaktır. Kümeleme analizi benzer gruplar oluşturmak için kullanılmakla birlikte aykırı değerlerin tespiti için de kullanılmaktadır. Kümeleme yöntemlerinde grupları belirlemede hiyerarşik kümeleme ve hiyerarşik olmayan kümeleme yaklaşımları kullanılır. Bu çalışmada kullanılan yöntem, bir hiyerarşik olmayan kümeleme yöntemi olan K-Means tir. Bu yöntemde ilk olarak çözümleyicinin iş bilgisine ve tecrübesine dayanılarak karar verilen küme sayısı belirlenir. Daha sonra her kümenin tipik bir gözlemi seçilir. Benzer gözlemler, tipik gözlemin etrafında birer birer kümelendirilir. Küme içi varyansın minimum ve kümeler arası varyansın maksimum olduğu gruplara ulaşılıncaya kadar işlemler devam eder [1,5]. Bu çalışma ile T.C. Sağlık Bakanlığı na bağlı hastanelerin performans değerlendirmesine esas olacak sınıflandırılması amaçlanmıştır. 3
4 GEREÇ ve YÖNTEM Çalışmada T.C. Sağlık Bakanlığı na bağlı 863 hastanenin Temmuz 2007 ye ait toplam 193 değişken kullanılarak; Acil servisler açısından, Çocuk hastalıkları klinik servisleri açısından, Dahili hastalıklar klinik servisleri açısından (iç hastalıkları, göğüs hastalıkları, kardiyoloji, enfeksiyon ve onkoloji), Cerrahi genel hastalıkları klinik servisleri açısından (genel cerrahi, beyin cerrahisi, kalp damar, plastik cerrahi, ortopedi ve kbb), Kadın hastalıkları klinik servisleri açısından, hastanelerin gruplanması ve bunların karşılaştırılması amaçlanmış ve bunun için veri madenciliğine karar verilmiştir. Veri madenciliği programı olarak SPSS Clementine 11.1 (SPSS Inc., Chicago, USA) paket programı kullanılmıştır. Analiz edilecek veriler farklı veri kaynaklarında yer aldıklarından bu kaynaklar merge işlemcisi ile birleştirilerek tek bir veri kaynağı haline getirilmiştir (Şekil 1). Analize başlamadan önce Data Audit ile verinin genel yapısı incelenmiş; min, max, ortalama ve geçerli kayıt sayıları tespit edilmiştir. Sınıflama için yukarıdaki beş ana başlık tespit edilmiştir. Genel bir sınıflama yapabilmek için her bir kliniğe ilişkin branşı ilgilendiren birimlerden birim skorları, birim skorlarından genel skorlar elde edilmiş ve bu genel skorlar da kümeleme analizinde kullanılmıştır. Örnek olarak; cerrahi genel hastalıklar kliniği birim skoru için ameliyathane, diğer tıbbi cihaz, görüntüleme cihaz ve hizmetleri, hizmet durumu ve personel bilgileri ile ilişkili değişkenler kullanılmıştır (Şekil 2). 4
5 Şekil 1. Verilerin Hazırlanması çalışmaları şeması Şekil 2. Klinik Skorları İçin Uygulanan Süreç Modelleme için yukarıda anlatılan yöntemler kullanılmıştır. Bunlar; skorları ve genel skorları elde edebilmek için karar ağaçları (C&RT), bu genel skorlardan grupları elde edebilmek için ise kümeleme yöntemidir (K-Means). 5
6 Beş ana başlık altında bulunan bölümler için karar ağacı ve kümele analizi sonuçları Şekil 3. Şekil 11. de verilmiştir. Şekil 2. de de ifade edildiği gibi klinik skorlarını elde etmek için uygulanan süreç Şekil 3. de yer alan karar ağacı gibi tek bir yapı değildir. Her bir bölüm için karar ağacı sonuçlarının bir kısmı bu bildiride verilmiştir. Acil Servisler İçin Karar Ağacı Şekil 3. de de görüldüğü gibi acil servislerde muayene sayısını etkileyen en önemli değişken (görüntüleme cihazları açısından) faal olarak kullanılan tomografi cihazı olarak belirlenmiştir. Faal tomografi cihazı olmayan hastanelerde en önemli değişken faal seyyar röntgen iken, faal tomografi cihazı bulunan hastanelerde en önemli değişken faal röntgen cihazıdır. İşaretli işlemcinin (ağaç şeklinde sağ alt köşede) yorumu şu şekildedir; faal tomografi cihazı bulunan ve beşin üzerinde faal röntgen cihazı bulunan hastanelerde acil muayene sayısı 19764,816 dır. Şekil 3. Görüntüleme Cihazı Değişkenine Göre Karar Ağacı Sonucu (Acil Servis) 6
7 Çocuk Hastalıkları Klinik İçin Karar Ağacı Şekil 4. Görüntüleme Cihazı Değişkenine Göre Karar Ağacı Sonucu (Çocuk Hastalıkları) Çocuk hastalıkları kliniklerinde muayene sayısını etkileyen en önemli değişken (görüntüleme cihazları açısından) faal olarak kullanılan usg cihazı olarak belirlenmiştir. Faal usg cihazı üçün üzerinde olduğu hastanelerde en önemli değişken faal çok kollu röntgen cihazıdır. İşaretli işlemcinin (ağaç şeklinde sağ alt köşede) yorumu şu şekildedir; faal usg cihazı üçün üzerinde olduğu ve faal çok kollu röntgenin olduğu hastanelerde çocuk hastalıkları kliniklerindeki muayene sayısı 130,688 dir (Şekil 4.). 7
8 Dahili Hastalıklar Klinik İçin Karar Ağaçları Şekil 5. Ameliyathane Değişkenine Göre Karar Ağacı Sonucu (Dahili Hastalıklar) Dahili hastalıkları kliniklerinde muayene sayısını etkileyen en önemli değişken (ameliyathane değişkeni açısından) anestezi cihazı olarak belirlenmiştir. Aneztezi cihazının yedinin altında veya üstünde olduğu hastanelerde en önemli değişken aktif salon sayısıdır. İşaretli işlemcinin (ağaç şeklinde sol alt köşede) yorumu şu şekildedir; anestezi cihazı yedinin altında olduğu ve aktif salon sayısının dördün altında olduğu hastanelerde dahili hastalıklar kliniklerindeki muayene sayısı 44,102 dir (Şekil 5.). 8
9 Cerrahi Genel Hastalıkları Klinik Servisleri İçin Karar Ağaçları Şekil 6. Ameliyathane Değişkenine Göre Karar Ağacı Sonucu (Cerrahi Genel Hastalıklar) Cerrahi genel hastalıkları kliniklerinde muayene sayısını etkileyen en önemli değişken (ameliyathane değişkeni açısından) aktif salon olarak belirlenmiştir. Aktif salon sayısının altının altında veya üstünde olduğu hastanelerde en önemli değişken ameliyat masası sayısıdır. İşaretli işlemcinin (ağaç şeklinde sol alt köşede) yorumu şu şekildedir; aktif salon sayısının altının altında olduğu ve amaliyat masası sayısının dördün altında olduğu hastanelerde cerrahi genel hastalıkları kliniklerindeki muayene sayısı 40,592 dir (Şekil 6.). 9
10 Kadın Hastalıkları Klinik Servisleri İçin Karar Ağaçları Kadın hastalıkları kliniklerinde muayene sayısını etkileyen en önemli değişken (ameliyathane değişkeni açısından) anestezi cihazı olarak belirlenmiştir. Aneztezi cihazının ikinin altında olduğu hastanelerde en önemli değişken aktif salon sayısıdır. İşaretli işlemcinin (ağaç şeklinde sol alt köşede) yorumu şu şekildedir; anestezi cihazının ikinin altında olduğu ve aktif salon sayısının birin altında olduğu hastanelerde kadın hastalıklar kliniklerindeki muayene sayısı 13,376 dır (Şekil 7.). Şekil 7. Ameliyathane Değişkenine Göre Karar Ağacı Sonucu (Kadın Hastalıkları) 10
11 Kümeleme Analizi Şekil 8. Kümeleme Analizinde İzlenen Süreç Daha önceki bölümlerde de anlatıldığı gibi, kümeleme analizinden önce klinikler için skorlar elde edilmiş ve daha sonra bu skorlar kullanılarak kümeleme analizi yapılmıştır. Kümeleme analizinin detaylarına girilmediği bu çalışmada elde edilen kümelerden bazıları ve kümelerde bulunan hastaneler aşağıdaki tablolarda örnek olarak sunulmuştur. Şekil 9. Birinci Kümede Yer Alan Hastaneler 11
12 Şekil 10. Beşinci Kümede Yer Alan Hastanelerin Bazıları Şekil 11. Kümelerde Bulunan Hastane Sayıları 12
13 SONUÇ ve TARTIŞMA Bu veri madenciliği uygulaması sonucunda, tüm hastanelerin gruplanmış listesi görsel olarak incelendiğinde tecrübelerimizle çok büyük oranda örtüşen sonuçlar elde edilmiştir. Şöyle ki; en yüksek kapasiteye sahip hastaneler grubunda Şekil 9. da da görülen Eğitim ve Araştırma Hastaneleri ile Antalya ve Denizli Devlet Hastaneleri gibi büyük hastaneler yer almaktadır. Buna karşılık Şekil 10. da verilen hastanelerin ise genelde daha düşük kapasiteyle çalışan hastaneler olduğu saptanmıştır. Bulgularda Kadın Hastalıkları Kliniği incelemesinde Iğdır Kadın Doğum ve Çocuk Hastanesi Kliniklerinin ilk kümesinde yer alması iş bilgisi ile çelişki oluşturmaktaydı. Bu durum Data Audit çalışmasının önemini vurgulamakla beraber yapılan incelemelerde ismi geçen hastanenin kayıtlarında hata olduğu tespit edilmiş ve doğru veriler elde edildikten sonra tüm analizler tekrarlanmıştır. KAYNAKLAR [1] Adriaans, P., Zantinge, D., Data Mining, Harlow: Addison Wesley Longman Limited, 159p; [2] CRISP-DM, [3] Dolgun, M.Ö., Zor, İ., Bir Alışveriş Merkezinden Yapılan Satışlar İçin Sepet Analizi, Bilişim [4] Dolgun, M.Ö., Büyük Alışveriş Merkezleri İçin Veri Madenciliği Uygulamaları (Yüksek Lisans Tezi). Ankara: Hacettepe Üniversitesi Fen Bilimleri Enstitüsü; [5] Han, J., Kamber, M., Data Mining: Concepts and Techniques, San Francisco: Morgan Kaufmann Publishers; [6] Mackinnon, M.J., Glick, N., Data Mining and Knowledge Discovery in Databases-An Overview, Australian & New Zealand Journal of Statistics, 1999, 41, 3, [7] Shaw, M.J., Subramaniam, C., Tan, G.W., Welge, M.E., Knowledge management and data mining for marketing, Decision Support Systems, 2001, 31, [8] Güzel Özdemir, T., Dolgun, M.Ö., Şatır, U., Deliloğlu, S., Korkmaz, H.E., 2005 Yılı Öğrenci Seçme Sınavı (ÖSS) Verileri Kullanılarak Öğrenci Profilinin Belirlenmesi, 5. İstatistik Kongresi,
VERİ MADENCİLİĞİNE BAKIŞ
VERİ MADENCİLİĞİNE BAKIŞ İçerik Veri Madenciliği Neden Veri Madenciliği? Veri ve Veri Madenciliğinin Önemi Günümüzde Kullanılan Veri Madenciliğinin Çeşitli İsimleri Veri Madenciliği Nedir? Neden Veri Madenciliği?
DetaylıHAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ
HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ 04.03.2013 Ajanda 1.Hafta 1.1. Veri Madenciliği Nedir? 1.1.1. Temel Kavramlar 1.2. Veri Madenciliğine Giriş 1.2.1. Veri Madenciliğindeki Gelişim Süreci
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 5072
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Veri Madenciliği ve Bilgi Keşfi Dersin Orjinal Adı: Data Mining and Knowledge Discovery Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıApriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi
Apriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi Emre Güngör 1,2, Nesibe Yalçın 1,2, Nilüfer Yurtay 3 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 11210, Merkez, Bilecik
DetaylıAPRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ SELECTION BEHAVIOR ANALYSIS OF TECHNICAL ELECTIVE COURSES USING APRIORI ALGORITHM
APRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ Nesibe Yalçın 1 Emre Güngör 1 Nilüfer Yurtay ÖZET Bu çalışmada, Veri Madenciliği' nde Birliktelik Kuralı çıkarım algoritmalarından biri olan Apriori
Detaylı2012/2013 Yılı İstatistiki Verileri
T.C SAĞLIK BAKANLIĞI TÜRKİYE KAMU HASTANELERİ KURUMU Ankara 1.Bölge Kamu Hastaneleri Birliği Genel Sekreterliği Ankara Dışkapı Yıldırım Beyazıt Eğitim Araştırma Hastanesi / Yılı İstatistiki Verileri /
DetaylıPARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara
PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara Veri Madenciliğine Genel Bir Bakış Veri Madenciliğinin Görevleri Sınıflama Seri Sınıflama Algoritmaları Paralel Sınıflama
DetaylıVERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı
Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel
DetaylıT.C.DİCLE ÜNİVERSİTESİ HASTANELERİ 1 / 63 ACİL TIP ANABİLİM DALI BAŞKANLIĞI
EYLEMCAN TIRPANCI-SERFİRAZ ATABEY EYLEMCAN TIRPANCI-SERFİRAZ ATABEY BİRİM ACİL TIP ANABİLİM DALI TETKİK EDİLECEK KRİTER/DOKÜMAN Acil Tıp AD Başkanlığı İş Akış Acil Servis Süreci Radyoloji Süreci Beslenme
DetaylıVERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ
VERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ N. Duru -1, M. Canbay -1 Posta Adresi: 1- Kocaeli Üniversitesi Müh.Fak. Bilgisayar Mühendisliği 2- Kocaeli Üniversitesi Müh.Fak. Jeofizik Mühendisliği E-posta:
DetaylıVeri Ambarları ve Veri Madenciliği (ISE 350) Ders Detayları
Veri Ambarları ve Veri Madenciliği (ISE 350) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Saati Saati Laboratuar Saati Kredi AKTS Veri Ambarları ve Veri Madenciliği ISE 350 Bahar 3 0 0 3 6 Ön
DetaylıTıbbi Sarf Malzemelerin Sınıflandırılması Medikal Depo Sınıflandırma Çalışmaları Diş Hekimi Suna OK Danışman
Tıbbi Sarf Malzemelerin Sınıflandırılması Medikal Depo Sınıflandırma Çalışmaları Diş Hekimi Suna OK Danışman Tıbbi Sarf Malzemeler Tıbbi Sarf Malzemeler Sağlık Bakanlığı onaylı ürün sayısı 2.474.651(optik
DetaylıVERI TABANLARıNDA BILGI KEŞFI
1 VERİ MADENCİLİĞİ VERI TABANLARıNDA BILGI KEŞFI Veri Tabanlarında Bilgi Keşfi, veriden faydalı bilginin keşfedilmesi sürecinin tamamına atıfta bulunmakta ve veri madenciliği bu sürecin bir adımına karşılık
DetaylıHAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ
HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ Cenk BALKAN Kavramlar HAM VERİ İngilizcesi raw data olan, düzenlenmemiş veri olarak ifade edilebilir. VERİ Satır ve kolonlar bazında ifade edilmiş, bir
DetaylıÜniversite Öğrencilerinin Đnterneti Eğitimsel Amaçlar Đçin Kullanmalarını
Üniversite Öğrencilerinin Đnterneti Eğitimsel Amaçlar Đçin Kullanmalarını Etkileyen Faktörlerin Veri Madenciliği Yöntemleriyle Tespiti Ahmet Selman BOZKIR 1, Bilge GÖK 2 ve Ebru SEZER 3 1 Hacettepe Üniversitesi
DetaylıVeri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.
Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi
DetaylıÖğrencilerin Staj Verileri Üzerine Uygulanan Apriori Algoritması ile Birliktelik Kurallarının Çıkarılması ve Staj Eğiliminin Belirlenmesi
1086 Öğrencilerin Staj Verileri Üzerine Uygulanan Apriori Algoritması ile Birliktelik Kurallarının Çıkarılması ve Staj Eğiliminin Belirlenmesi *1 Mehmet Taş, 2 M. Fatih Adak, 2 Nilüfer Yurtay *1 Endüstri
DetaylıT.C. Muhsin Özgür DOLGUN. Biyoistatistik Programı DOKTORA TEZİ
T.C HACETTEPE ÜNİVERSİTESİ SAĞLIK BİLİMLERİ ENSTİTÜSÜ VERİ MADENCİLİĞİ SINIFLAMA YÖNTEMLERİNİN BAŞARILARININ; BAĞIMLI DEĞİŞKEN PREVELANSI, ÖRNEKLEM BÜYÜKLÜĞÜ VE BAĞIMSIZ DEĞİŞKENLER ARASI İLİŞKİ YAPISINA
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıT. C. SAĞLIK BAKANLIĞI KEÇİÖREN EĞİTİM ve ARAŞTIRMA HASTANESİ TELEFON REHBERİ
T. C. SAĞLIK BAKANLIĞI KEÇİÖREN EĞİTİM ve ARAŞTIRMA HASTANESİ TELEFON REHBERİ İDARİ BİRİMLER KALİTE YÖNETİM BİRİMİ Kalite Direktörü 2103 Kalite Yönetim Birimi 1387 Kalite Sekreteri 1382 PERSONEL (ÖZLÜK)
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
DetaylıVERİ MADENCİLİĞİNDE KARAR AĞACI ALGORİTMALARI İLE BİLGİSAYAR VE İNTERNET GÜVENLİĞİ ÜZERİNE BİR UYGULAMA
Endüstri Mühendisliði Dergisi Cilt: 5 Sayý: 3-4 Sayfa: (-19) Makale VERİ MADENCİLİĞİNDE KARAR AĞACI ALGORİTMALARI İLE BİLGİSAYAR VE İNTERNET GÜVENLİĞİ ÜZERİNE BİR UYGULAMA Aslı ÇALIŞ, Sema KAYAPINAR*,
Detaylı2012-TUS İLKBAHAR DÖNEMİ GENEL YERLEŞTİRME SONUÇLARINA GÖRE EN KÜÇÜK VE EN BÜYÜK PUANLAR (YABANCI UYRUKLU)
VE LAR ( ) 101111031 ANKARA ÜNİVERSİTESİ TIP FAKÜLTESİ AİLE HEKİMLİĞİ K 1 0 1 --- --- 101111058 ANKARA ÜNİVERSİTESİ TIP FAKÜLTESİ ANESTEZİYOLOJİ VE REANİMASYON K 1 1 0 49,89946 49,89946 101111094 ANKARA
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
DetaylıT.C. İstanbul Üniversitesi Cerrahpaşa Tıp Fakültesi Türkçe ve İngilizce Tıp Programları
T.C. İstanbul Üniversitesi Cerrahpaşa Tıp Fakültesi Türkçe ve İngilizce Tıp Programları 4. ve 5. Sınıf Stajları Öğrenci Değerlendirme Anket Analizi 2012-2013 Bahar Yarıyılı Anket Analizi 2012-2013 Bahar
DetaylıMesleki Terminoloji II Veri Madenciliği
Mesleki Terminoloji II Veri Madenciliği Burak Düşün - 14011055 Akif Berkay Gürcan - 14011023 Veri Madenciliği Nedir? Veri madenciliği, büyük miktarda verinin anlamlı örüntüler bulmak amacıyla otomatik
DetaylıİÇİNDEKİLER Sayfa Atatürk ün Gençliğe Hitabesi... 1 Hekimlik Andı... 2 Önsöz... 3 Misyonumuz Vizyonumuz... 4 Bugüne Kadar Görev Alan Fakülte
İÇİNDEKİLER Sayfa Atatürk ün Gençliğe Hitabesi... 1 Hekimlik Andı... 2 Önsöz... 3 Misyonumuz Vizyonumuz... 4 Bugüne Kadar Görev Alan Fakülte Dekanları... 5 İdari ve Akademik Kurullar... 5 Fakülte Kurulu...
DetaylıTABLO-24: TÜRKİYE'DEKİ HASTANELERDE GÖREVLİ UZMAN HEKİMLERİN YILLARA VE KURUMLARA GÖRE DAĞILIMI, 1995-2006
4 Sağlık İnsangücü TABLO24: TÜRKİYE'DEKİ HASTANELERDE GÖREVLİ UZMAN HEKİMLERİN YILLARA VE KURUMLARA GÖRE DAĞILIMI, 19952006 YILLAR SAĞLIK BAKANLIĞI SSK ÜNİVERSİTE DİĞER TOPLAM 1995 9.019 3.715 4.865 2.149
Detaylıİleri Veri Madenciliği (COMPE 506) Ders Detayları
İleri Veri Madenciliği (COMPE 506) Ders Detayları Ders Adı İleri Veri Madenciliği Ders Kodu COMPE 506 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin
DetaylıTanımı Amacı Özellikleri Kullanım Alanları Varsayımları Yöntemleri Uygulama aşamaları. Neleri göreceğiz?
KÜMELEME Tanımı Amacı Özellikleri Kullanım Alanları Varsayımları Yöntemleri Uygulama aşamaları Neleri göreceğiz? Tanımı Veriyi birbirlerine benzeyen elemanlardan oluşan kümelere ayırarak, heterojen bir
Detaylı127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ
127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıİZMİR DE YENİ DEVLET ÜNİVERSİTESİ
İZMİR DE YENİ DEVLET ÜNİVERSİTESİ TIP FAKÜLTESİ Kuruluş 14.07.2010 VİZYON Uluslararası ölçütlere uygun; Tıp eğitimi, Araştırma, Hizmet sunumu, Örnek bir Tıp Fakültesi; Yetiştirdiği hekimler Tıp bilimine
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıAMAÇ. Finansal Performans Ölçümü İĞİ RLENMESİ. Kamu Hastanelerinde Finansal Perspektif
HASTANELER İÇİN N VERİ MADENCİLİĞİ İĞİ ile FİNANSAL F ERKEN UYARI SİNYALLERİNİN N ve YOL HARİTALARININ BELİRLENMES RLENMESİ Dr. Ali Serhan KOYUNCUGİL Sermaye Piyasası Kurulu Araştırma Dairesi askoyuncugil@gmail.com
DetaylıBAŞAK ÇOBAN MERVE SARITAŞ AZİME AKÇAÖZ BÜŞRA AYDEMİR
VERİ MADENCİLİĞİ İSİMLER BAŞAK ÇOBAN MERVE SARITAŞ AZİME AKÇAÖZ BÜŞRA AYDEMİR MOLEKÜLER BİYOLOJİ ve GENETİK GEBZE TEKNİK ÜNİVERSİTESİ ARALIK 2015 İçindekiler ÖZET... iii 1.GİRİŞ... 1 1.1 Veri Ambarı, Veri
DetaylıYönetim Bilişim Sistemleri (Karma) - 1. yarıyıl. 380000000001101 Hukukun Temelleri Fundamentals of Law 2 0 0 2 2 5 TR
- - - - - Bölüm Seçin - - - - - Gönder Yönetim Bilişim Sistemleri (Karma) - 1. yarıyıl 141000000001101 Akademik ve Sosyal Oryantasyon Academic and Social Orientation 1 0 0 1 0 1 TR 380000000001101 Hukukun
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıCerrahpaşa Tıp Fakültesi nde Ders Programlarının Yeniden Yapılandırılması
Cerrahpaşa Tıp Fakültesi nde Ders Programlarının Yeniden Yapılandırılması Prof. Dr. Öner Süzer Cerrahpaşa Tıp Fakültesi İngilizce Program Yöneticisi osuzer@istanbul.edu.tr www.ctf.edu.tr/egitim_ogretim
DetaylıMÜFREDAT DERS LİSTESİ
MÜFREDAT DERS LİSTESİ MÜHENDİSLİK FAK. / BİLGİSAYAR MÜHENDİSL / 2010 BİLGİSAYAR MÜHENDİSLİĞİ Müfredatı 0504101 Matematik I Calculus I 1 GÜZ 4 5 Z 0504102 Genel Fizik I General Physics I 1 GÜZ 4 4 Z 0504103
DetaylıÖrnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.
Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıDENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS Veri Yapıları ve Algoritmalar BİM-221 2/II 2+0+2 3 3,5 Dersin Dili
DetaylıPERSONEL TEMİN PLANI
BÖLÜMLER Özellikler Mevcut Personel Sayısı Asgari Nöbet Tutan Personel Sayısı İç Kaynaklardan Transfer Dış Kaynaklardan İstem Beyin Cerrahi - KBB- Cildiye Kliniği Yatak sayısı: 40 Branş Sayısı: 3 1 Sorumlu
DetaylıKümeleme Algoritmaları. Tahir Emre KALAYCI
Tahir Emre KALAYCI 2010 Gündem En önemli gözetimsiz öğrenme (unsupervised learning) problemi olarak değerlendirilmektedir Bu türdeki diğer problemler gibi etiketsiz veri kolleksiyonları için bir yapı bulmakla
DetaylıASİSTAN SAYILARINDAKİ AZALMA VE FAKÜLTEMİZ ÜZERİNE ETKİLERİ
ASİSTAN SAYILARINDAKİ AZALMA VE FAKÜLTEMİZ ÜZERİNE ETKİLERİ Mart 2014, Kocaeli Bilindiği gibi tıp fakültelerinin en önemli fonksiyonlarından birisi öğrenci eğitiminin yanı sıra ana dal ve yan dal uzmanlık
DetaylıAPRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ
APRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ Murat KARABATAK 1, Melih Cevdet İNCE 2 1 Fırat Üniversitesi Teknik Eğitim Fakültesi Elektronik Bilgisayar Eğitimi Bölümü 2 Fırat Üniversitesi Mühendislik
DetaylıKARAR AĞAÇLARI SÜMEYYE ÖZKAN BAHAR BAKAR İZEL KOLCU
KARAR AĞAÇLARI SÜMEYYE ÖZKAN 21323994 BAHAR BAKAR 21323573 İZEL KOLCU 21323918 NEDİR? Karar ağaçları ve karar ağaç algoritmaları Karar ağaçları; sınıflandırma ve tahmin için sıkça kullanılan ağaç şekilli
DetaylıT.C. DÜZCE ÜNİVERSİTESİ TIP FAKÜLTESİ EĞİTİM ÖĞRETİM YILI AKADEMİK TAKVİMİ YATAY GEÇİŞ BAŞVURULARI TEMMUZ 2017
T.C. DÜZCE ÜNİVERSİTESİ TIP FAKÜLTESİ 2017 2018 EĞİTİM ÖĞRETİM YILI AKADEMİK TAKVİMİ YATAY GEÇİŞ BAŞVURULARI 24-28 TEMMUZ 2017 YENİ ÖĞRENCİ KAYITLARI ÖSYM tarafından İlan edilecektir DÖNEM I HÜCRE BİLİMLERİ
DetaylıÇok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir.
Veri Madenciliği Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir. istatistik + makine öğrenmesi + yapay zeka = veri madenciliği Veri madenciliği süreçleri CRISP-DM
DetaylıDENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS Yapay Zeka BİM-433 4/II 2+2+0 3 4,5 Dersin Dili Dersin Seviyesi
DetaylıANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI
Dersin ön koşulu var mı? ***** İntibak Dersi mi? **** TOPLAM SAAT ** AKTS Kredisi ** ANKARA ÜNİVERSİTESİ A PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE).SINIF /.YARIYIL* ANADAL EĞİTİM PROGRAMI ZORUNLU
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıVERİ MADENCİLİĞİ F A T M A İ L H A N
VERİ MADENCİLİĞİ F A T M A İ L H A N Veri Madenciliği Nedir? Veri madenciliği büyük miktarda veri içinden gelecekle ilgili tahmin yapmamızı sağlayacak bağıntı ve kuralların bilgisayar programı kullanılarak
DetaylıT.C. İSTANBUL ÜNİVERSİTESİ İstanbul Tıp Fakültesi Dekanlığı
Tarih ve Sayı: 13/12/2016-450323 T.C. İSTANBUL ÜNİVERSİTESİ İstanbul Tıp Fakültesi Dekanlığı *BE8V6D083* Sayı :46656802-010.04- Konu :Hata, Usulsüzlük ve Yolsuzlukların Bilidirilmesi Yönergesi Dağıtım
DetaylıMEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU
MEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU Dersin Adı-Kodu: BİS 601 Örnek Genişliği ve Güç Programın Adı: Biyoistatistik Dersin düzeyi Doktora Ders saatleri ve Teori Uyg. Lab. Proje/Alan Çalışması
DetaylıÇANKAYA BELEDİYESİNİN ÖZEL HASTANELERLE YAPMIŞ OLDUĞU PROTOKOLLERLE ALINAN İNDİRİM ORANLARI
ÇANKAYA BELEDİYESİNİN ÖZEL HASTANELERLE YAPMIŞ OLDUĞU PROTOKOLLERLE ALINAN İNDİRİM ORANLARI ÖZEL ÇANKAYA YAŞAM HASTANESİ Ayaktan Tedavi: %15 Yatarak Tedavi: %15 Diyet: %10 Lazer epilasyon: %10 Check-up:
DetaylıVeri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması
Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Nilay Kurşunoğlu, PwC Yönetim Danışmanlığı Biz Kimiz? Orhan Cem Sorumlu
DetaylıBirliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT
İş Zekası Çözümleri için i Çok Boyutlu Birliktelik Kuralları Analizi Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT İçerik 1 Veri Madenciliği 2 Birliktelik Kuralları Analizi 3 Uygulama 4 Algoritma 5 Sonuçlar
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
Detaylı2015-TUS SONBAHAR DÖNEMİ GENEL YERLEŞTİRME SONUÇLARINA GÖRE EN KÜÇÜK VE EN BÜYÜK PUANLAR (GENEL)
2015-TUS SONBAHAR DÖNEMİ YERLEŞTİRME SONUÇLARINA GÖRE EN KÜÇÜK VE EN BÜYÜK LAR () 100111016 Abant İzzet Baysal Üniversitesi Tıp Fakültesi / Acil Tıp K 1 1 0 55,82666 55,82666 100111043 Abant İzzet Baysal
Detaylı1. Sınıf Yıllık Ders Yükü Toplamı
1.SINIF Ders Kodu Dersin Adı Teorik Pratik AKTS Kredi TIP151 Ders Kurulu I TIP152 Ders Kurulu II TIP153 Ders Kurulu III TIP154 Ders Kurulu IV TIP191 Dönem l Notu 379 216 45 31 ATA360 Atatürk İlkeleri ve
DetaylıBLM 4811 MESLEKİ TERMİNOLOJİ II Salı , D-109 Dr. Göksel Biricik
BLM 4811 MESLEKİ TERMİNOLOJİ II 2017-1 Salı 13.00 14.50, D-109 Dr. Göksel Biricik goksel@ce.yildiz.edu.tr Ders Planı Hafta Tarih Konu 1 19.09 Tanışma, Ders Planı, Kriterler, Giriş 2 26.09 Bilgisayarın
DetaylıT.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ TIP FAKÜLTESİ EĞİTİM ÖĞRETİM YILI DERSLER VE KREDİLERİ
T.C. SÜLEYMAN DEMİREL ÜNİERSİTESİ TIP FAKÜLTESİ 2017 2018 EĞİTİM ÖĞRETİM YILI DERSLER E KREDİLERİ 1.SINIF in Adı Teorik Pratik AKTS Kredi TIP151 Kurulu I TIP152 Kurulu II TIP153 Kurulu III TIP154 Kurulu
DetaylıBİLGİ VE BELGE YÖNETİMİ BÖLÜMÜ LİSANS EĞİTİM BAHAR DÖNEMİ PROGRAMI
ANADAL EĞİTİM PROGRAMI ZORUNLU DERSLERİ SINIF / II.YARIYIL in önceki eğitim programında eşdeğer bir dersi var mı? 3 YDİ 0 YDF 0 YDA 0 Temel Yabancı Dil (İngilizce) Temel Yabancı Dil (Fransızca) Temel Yabancı
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR
Resim ÖZGEÇMİŞ 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Telefon : 386 280 45 50 Mail : kskula@ahievran.edu.tr
Detaylı2013-TUS İLKBAHAR DÖNEMİ GENEL YERLEŞTİRME SONUÇLARINA GÖRE EN KÜÇÜK VE EN BÜYÜK PUANLAR (GENEL)
VE LAR () TÜRÜ YERLEŞEN BOŞ 100111016 ABANT İZZET BAYSAL ÜNİVERSİTESİ TIP FAKÜLTESİ ACİL TIP K 3 3 0 47,79389 49,74187 100111043 ABANT İZZET BAYSAL ÜNİVERSİTESİ TIP FAKÜLTESİ ANESTEZİYOLOJİ VE REANİMASYON
DetaylıSağlık Bakanlığı Eğitim ve Araştırma Hastanelerine Alınacak Asistan Sayıları
Sağlık Bakanlığı Eğitim ve Araştırma Hastanelerine Alınacak Asistan Sayıları Adana Numune Eğitim ve Araştırma Hastanesi 700111064 Genel Cerrahi 5 K 1 - - 700111082 İç Hastalıkları 4 K 1 - - Ankara Dışkapı
DetaylıEndüstri Mühendisliği - 1. yarıyıl. Academic and Social Orientation. 441000000001101 Fizik I Physics I 3 0 1 4 4 6 TR
- - - - - Bölüm Seçin - - - - - Gönder Endüstri Mühendisliği - 1. yarıyıl 141000000001101 Akademik ve Sosyal Oryantasyon Academic and Social Orientation 1 0 0 1 0 1 TR 441000000001101 Fizik I Physics I
DetaylıT.C. BÜLENT ECEVİT ÜNİVERSİTESİ Sağlık Uygulama ve Araştırma Merkezi Hemşirelik Hizmetleri Müdürlüğü
HEMOVİJİLANS HEMŞİRELİĞİ 2016 YILI FAALİYET RAPORU 1. Merkezimizde Kan Bankası Ünitesi tarafından kliniklere kan ve kan bileşeni gönderilen hastaların günlük listeleri çıkartıldı ve klinikler için vizit
DetaylıT.C. ÇUKUROVA ÜNİVERSİTESİ Balcalı Hastanesi Başhekimliği PERSONEL İŞLERİ BİRİMİNE
Evrak Tarih ve Sayısı: 28/05/2015-19291 T.C. ÇUKUROVA ÜNİVERSİTESİ Balcalı Hastanesi Başhekimliği *BENNLYL5* Sayı : 18649120-900/ Konu : Doğum Yardımı PERSONEL İŞLERİ BİRİMİNE Aile ve Sosyal Politikalar
DetaylıProgram Kodu Eğitim Süresi Puan Türü (1) (2) (3) (4) (5) (6) (7)
Program Kodu Eğitim Süresi Puan Türü Genel Ek Kontenjan Yabancı Uyruklu Ek Kontenjanı 2015-TUS Ek Tercih Program Adı Özel Koşullar ve Açıklamalar* (1) (2) (3) (4) (5) (6) (7) Sağlık Bakanlığı Eğitim ve
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıBİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf / Y.Y. Ders Saati (T+U+L) Kredi AKTS YAPAY ZEKA BG-421 4/2 2+1+0 2+.5 4 Dersin Dili : TÜRKÇE Dersin Seviyesi : LİSANS
DetaylıVeri Madenciliği İle Lise Öğrenci Performanslarının Değerlendirilmesi. Assessment of High School Students Performance by Means of Data Mining
Veri Madenciliği İle Lise Öğrenci Performanslarının Değerlendirilmesi Semra Yurdakul1, Taner Topal2 1 Kırıkkale Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, Kırıkkale 2 Kırıkkale Üniversitesi,
DetaylıVERİ MADENCİLİĞİ MODELLERİ VE UYGULAMA ALANLARI
VERİ MADENCİLİĞİ MODELLERİ VE UYGULAMA ALANLARI *Öğr. Gör. Serhat ÖZEKES Abstract: The major reason that data mining became one of the hottest current technologies of the information age is the wide availability
DetaylıKALİTE YÖNETİM BİRİM ÇALIŞMA TALİMATI
Sayfa No 1 / 7 AMAÇ : SKS ve SAS çerçevesinde yürütülen çalışmaların koordinasyonu sağlamak. KAPSAM: Tüm Hastane KISALTMALAR: SKS: Sağlıkta Kalite Standartları SAS: Sağlıkta Akreditasyon Standartları DÖF:
DetaylıVeri Madenciliği. Veri Madenciliği ve Makina Öğrenmesi
1 Veri Madenciliği Dijital verinin toplanması ve saklanmasındaki gelişmeler, saklanan verilerin üstel bir şekilde büyümesine sebep olmuştur. Diğer yandan hayatın hızla elektronikleşiyor olması, internetin
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 1 ( yılı ve sonrasında birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 1 (2016-17 yılı ve sonrasında birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem
DetaylıS. Ü. TIP FAKÜLTESİ HASTANESİ EĞİTİM BİRİMİ
S. Ü. TIP FAKÜLTESİ HASTANESİ EĞİTİM BİRİMİ I. Eğitim Biriminin Kuruluşu, İşleyişi ve Faaliyetleri Eğitim Birimi hastanemizin kurulmasıyla beraber 2009 yılında faaliyetlerine başlamıştır. Başlangıçta çalışan
DetaylıVeri Madenciliği - Giriş. Erdem Alparslan
Veri Madenciliği - Giriş Erdem Alparslan Amaçlar İş zekasının önemli bir parçası olan veri madenciliğinin tanımı İş analizi ve veri madenciliğinin amaçlarının anlaşılması Veri madenciliğini kullanan çok
DetaylıVERİ MADENCİLİĞİ VE ANADOLU ÜNİVERSİTESİ AÇIKÖĞRETİM SİSTEMİNDE BİR UYGULAMA
VERİ MADENCİLİĞİ VE ANADOLU ÜNİVERSİTESİ AÇIKÖĞRETİM SİSTEMİNDE BİR UYGULAMA Yard. Doç. Dr. Sinan Aydın Anadolu Üniversitesi snaydin@anadolu.edu.tr Prof. Dr. Ali Ekrem Özkul Anadolu Üniversitesi aeozkul@anadolu.edu.tr
DetaylıKonferans. Panelist. Konferans. Konferans. Konferans. Panelist. Panelist. Konferans. Panelist. Panelist. Konferans. Panelist. Konferans.
ULUSAL KATILIMLI KONFERANS PANEL No Panel - 1 Yavuz, M. (2001) Organ Transplantasyonu ve Bağışı. E.Ü. Edebiyat Fakültesi 2 Yavuz, M. (2003). Günübirlik Cerrahide Hemşirelik Bakımı. VII. Ulusal Çocuk Cerrahisi
DetaylıVERİ MADENCİLİĞİ: KARAR AĞACI ALGORİTMALARI VE İMKB VERİLERİ ÜZERİNE BİR UYGULAMA *
Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi Y.2009, C.14, S.1 s.31 52. Suleyman Demirel University The Journal of Faculty of Economics and Administrative Sciences Y.2009,
DetaylıKOCAELİ ÜNİVERSİTESİ TIP FAKÜLTESİ DÖNEM Eğitim Öğretim Yılı Akademik Takvimi
KOCAELİ ÜNİVERSİTESİ TIP FAKÜLTESİ DÖNEM 1 Eğitim başlama tarihi 10 Eylül 2012 Eğitim bitiş tarihi 05 Temmuz 2013 Yarıyıl tatili 19 Ocak 2013-03 Şubat 2013 Mazeret Sınavları 05-07 Haziran 2013 Dönem Sonu
DetaylıUzman Doktorlar. Akay Hastanesi nin tıbbi kadrosu, alanında uzmanlaşmış, bilgili, deneyimli, yenilikleri takip eden doktorlardan oluşmaktadır.
/akayhastanesi /akayhastanesi Hizmetindeyiz Akay Hastanesi hedeflerinin doğrultusunda tıbbın bütün kliniklerinde hizmet vermeyi ve 450 yi aşan personeli ile standartlarını daha da ileriye taşımayı amaçlamaktadır.
DetaylıTÜRKİYE'DE YAYINLANAN DERGİLER
ABANT İZZET BAYSAL TIP FAKÜLTESİ 1 2005 1 ABANT İZZET BAYSAL ÜNİVERSİTESİ DÜZCE 4 2002 1 TIP FAKÜLTESİ ACTA ORTHOPAEDICA 36 2002 1 2 3 ACTA ORTHOPAEDICA 35 2001 1 4 ACTUAL MEDICINE 1 1993 5 12 ACTUAL MEDICINE
DetaylıT.C. SAĞLIK BAKANLIĞI SAĞLIK İSTATİSTİKLERİ YILLIĞI 2015 YAYINLANDI Müge ÜNAL
T.C. Sağlık Bakanlığı tarafından 2016 Aralık ayında 2015 yılına ait Sağlık İstatistikleri Yıllığı yayınlanmıştır. Söz konusu çalışma; T.C. SAĞLIK BAKANLIĞI SAĞLIK İSTATİSTİKLERİ YILLIĞI 2015 YAYINLANDI
DetaylıÖĞRENCİ SEÇME SINAVINDA (ÖSS) ÖĞRENCİ BAŞARIMINI ETKİLEYEN FAKTÖRLERİN VERİ MADENCİLİĞİ YÖNTEMLERİYLE TESPİTİ
5. Uluslararası İleri Teknolojiler Sempozyumu (IATS 09), 13-15 Mayıs 2009, Karabük, Türkiye ÖĞRENCİ SEÇME SINAVINDA (ÖSS) ÖĞRENCİ BAŞARIMINI ETKİLEYEN FAKTÖRLERİN VERİ MADENCİLİĞİ YÖNTEMLERİYLE TESPİTİ
DetaylıSağlık Kurum ve Kuruluş Türüne Göre Değerlendirilecek Bölüm/Standart Listesi
Sağlık Kurum ve Kuruluş Türüne Göre Değerlendirilecek Bölüm/Standart Listesi 2013 yılı sağlıkta kalite değerlendirmeleri kapsamında değerlendirilecek SHKS bölümleri ve değerlendirilmesi zorunlu olan standartlar
DetaylıKALİTE İYİLEŞTİRMEDE VERİ KÜMELEME: DÖKÜM ENDÜSTRİSİNDE BİR UYGULAMA
1 KALİTE İYİLEŞTİRMEDE VERİ KÜMELEME: DÖKÜM ENDÜSTRİSİNDE BİR UYGULAMA Araş. Gör. Başak AKTEKE- ÖZTÜRK Bilimsel Hesaplama Anabilim Dalı, Uygulamalı Matematik Entitüsü, ODTÜ, bozturk@metu.edu.tr Prof. Dr.
DetaylıTablo 2 Üniversitelerdeki Tıpta Uzmanlık Eğitimi Yapılacak Programlar ve Kontenjanları*
Üniversitelerdeki Tıpta Uzmanlık Eğitim Dalları ve Kontenjanları Abant İzzet Baysal Üniversitesi 100111016 Acil Tıp 4 K 1 - - 100111043 Anesteziyoloji ve Reanimasyon 5 K 1 - - 100111052 Beyin ve Sinir
DetaylıBaşlıca Ürün-Bilgi Sistemleri
BİLGİ SİSTEMLERİ Başlıca Ürün-Bilgi Sistemleri Süreç İşleme Sistemleri, Ofis Otomasyon Sistemleri ve Bilgi İşleme Sistemleri, Yönetim Bilişim Sistemleri, Karar Destek Sistemleri, Uzman Sistemler ve Yapay
DetaylıT.C. DÜZCE ÜNİVERSİTESİ TIP FAKÜLTESİ EĞİTİM ÖĞRETİM YILI AKADEMİK TAKVİMİ. Yeni Hali YATAY GEÇİŞ BAŞVURULARI TEMMUZ 2018
T.C. DÜZCE ÜNİVERSİTESİ TIP FAKÜLTESİ 2018 2019 EĞİTİM ÖĞRETİM YILI AKADEMİK TAKVİMİ Yeni Hali YATAY GEÇİŞ BAŞVURULARI 23-27 TEMMUZ 2018 YENİ ÖĞRENCİ KAYITLARI ÖSYM tarafından belirlenecek DÖNEM I HÜCRE
DetaylıKAÇKAR DEVLET HASTANESİ EK:2 HEKİM AYLIK ÇALIŞMA TABLOSU 01-31 EKİM 2014 tarihleri arası UZMANLIK TARİH
KAÇKAR DEVLET HASTANESİ EK:2 HEKİM AYLIK ÇALIŞMA TABLOSU 01-31 EKİM 2014 tarihleri arası UZMANLIK TARİH ALANI DİŞ HAST. DİŞ HAST. DİŞ HAST. DİŞ HAST. DİŞ HAST. DİŞ HAST. GÖĞÜS KARDİYOLOLİ ÇOCUK HASTALIKLARI
Detaylı2. SÜREKLİ DENETİME İLİŞKİN GENEL BİLGİLER
İÇİNDEKİLER İÇİNDEKİLER... v TABLO LİSTESİ... xi ŞEKİL LİSTESİ... xiii KISALTMALAR... xiv 2. SÜREKLİ DENETİME İLİŞKİN GENEL BİLGİLER... 4 2.1. SÜREKLİ DENETİMİN TANIMI... 4 2.2. SÜREKLİ DENETİM İLE GELENEKSEL
DetaylıAlgoritmalar (MCS 401) Ders Detayları
Algoritmalar (MCS 401) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Algoritmalar MCS 401 Seçmeli 2 2 0 3 6 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü
Detaylı