Rectorate / Rektörlük
Permanent URI for this collectionhttps://hdl.handle.net/11147/6849
Browse
3 results
Search Results
Conference Object Etkili makale yazım teknikleri ve yapay zeka(01. Izmir Institute of Technology, 2025) Çelebi, Cem; Gürdal, Gültekin; Güler, Günnur; Bayındır-Buchhalter, İrem; Bayram, Banu; İdin, Şükrü MerterİYTE Araştırmalar Direktörlüğü ve İYTE Kütüphanesi iş birliği ile 7 Mart 2025 tarihinde "Etkili Makale Yazma Teknikleri ve Yapay Zeka" başlıklı web semineri gerçekleştirilmiştir. Bu kayıt, seminerde yapılan sunumları ve seminer video kaydını içermektedir.Book XI. Eğitim çalıştayı(01. Izmir Institute of Technology, 2024) Baran, Yusuf; Tanoğlu, Gamze; Özcan Gönülal, Yasemin; Yürüm, Ozan Raşit; Pirli, Damla; Daver, İlkerİzmir Yüksek Teknoloji Enstitüsü, ülkemizin bilimsel araştırma ve eğitim alanındaki öncü kuruluşlarından biri olarak yenilik ve mükemmeliyet odaklı çalışmalarını kararlılıkla sürdürmektedir. Enstitümüz, öğrencilerimizin eğitim süreçlerini güçlendirmek ve onları geleceğin liderleri olarak yetiştirmek adına, yenilikçi yaklaşımları eğitim modellerine entegre etmektedir. Bu bağlamda, günümüzün hızla gelişen teknoloji dünyasında, eğitimde yapay zekâ araçlarının sunduğu potansiyeli ve fırsatları değerlendirmek ve bu alanda fark yaratan uygulamalara öncülük etmek en büyük hedeflerimizden biridir. Türkiye'nin ve dünyanın dört bir yanından gelen değerli öğrencilerimizi en donanımlı şekilde yetiştirmeyi amaçlayan Enstitümüz, her yıl düzenlediği eğitim çalıştayları ile eğitimde kapasite gelişimine önemli katkılar sağlamaktadır. Bu yıl on birincisini gerçekleştirdiğimiz eğitim çalıştayımızın teması olan “Eğitimde Yapay Zekâ Araçlarının Kullanımı” ile eğitimde teknolojik dönüşüme uyum sağlama ve bu dönüşüme liderlik etme hedefimizi bir kez daha ortaya koyuyoruz. Bu platformun, tüm katılımcılarımız için yeni ufuklar açacağına ve eğitimde daha etkili ve verimli yöntemlerin keşfedilmesine vesile olacağına inancım tamdır. Yapay zekâ teknolojilerinin eğitime entegrasyonu, öğrenme deneyimlerini kişiselleştirme ve dijital içeriklerin zenginleştirilmesi gibi alanlarda büyük fırsatlar sunmaktadır. Çalıştayımızın içeriğinde yer alan dijital öğrenme ve teknoloji kullanımına dair konuların, katılımcılarımızın bakış açılarını genişletmelerine ve eğitimde yenilikçi düşüncelerin filizlenmesine katkı sağlamasını temenni ediyorum. Bu değerli çalıştayın gerçekleşmesinde katkıları bulunan Eğitimden Sorumlu Rektör Yardımcımız Sayın Prof. Dr. Gamze Tanoğlu’na, Eğitim Direktörlüğü Yürütme Kurulu Üyemiz Sayın Prof. Dr. Sacide Altınkaya ile diğer yürütme kurulu üyelerimize, kıymetli bilgi ve deneyimlerini bizlerle paylaşan değerli konuşmacılarımıza ve tüm katılımcılarımıza gönülden teşekkür ediyorum. Eğitimde yeni ufuklara birlikte yelken açmaya ve bu dönüşüm yolculuğunda güçlü adımlar atmaya devam edeceğiz.Article Ai-Assisted Survival Prediction in Colorectal Cancer: a Clinical Decision Support Tool(dergipark, 2021) Leblebici, Asım; Mısırlıoğlu, Hüseyin Koray; Koçal, Gizem Çalıbaşı; Ellidokuz, Hülya; Başpınar, YaseminPurpose: Colorectal cancer (CRC) is a leading cause of cancer-related mortality worldwide. Accurate survival prediction is crucial for advanced-stage patients to optimize treatment strategies and improve clinical outcomes. This study aimed to develop an artificial intelligence-assisted clinical decision support system (CDSS) for survival prediction in CRC patients using clinical and genomic data from the Cancer Genome Atlas Colon Adenocarcinoma Collection (TCGA-COAD) dataset. Methods: Machine learning algorithms, including C4.5 Decision Tree, Support Vector Machines (SVM), Random Forest, and Naive Bayes, were employed to create survival prediction models. Clinical parameters and genomic data from key pathways, such as glycolysis/gluconeogenesis and mTORC1, were integrated into the models. The models were evaluated based on accuracy and performance. Results: The Random Forest algorithm achieved the highest accuracy (82.3%) when only clinical parameters were used. When clinical data were combined with gene expression data, the model’s accuracy increased further. The resulting models were incorporated into a user-friendly web interface, SurvCOCA, for clinical use. Conclusions: This study demonstrates the potential of AI-based tools to improve prognosis predictions in CRC patients. Further research is needed, with larger datasets and additional machine learning algorithms, to enhance clinical decision-making and optimize treatment strategies.