{
  "baslik": "Yapay Zeka — 5. Hafta · Açılış",
  "aciklama": "Ders öncesi ısınma. Sorular 1-4. haftalardan, ama hepsi bugünkü konuya açılıyor: model değerlendirme.",
  "sorular": [
    {
      "soru": "Bir modelin doğruluğunu, onu eğittiğimiz verinin üzerinde ölçmek geçerli bir değerlendirmedir.",
      "dogru": false,
      "aciklama": "2. haftada eğitim/test ayrımını, 3. haftada da \"sık yapılan altı hata\"nın ikincisi olarak görmüştük: rapordaki sayı her zaman ayrılan sınav verisinden gelmeli. Model eğitim verisini ezberleyebilir. BUGÜN: ezberin grafiğini çizeceğiz — eğitim hatası düşerken test hatasının nasıl yükseldiğini göreceğiz (aşırı öğrenme)."
    },
    {
      "soru": "Sınıfların çok dengesiz olduğu bir problemde yüksek doğruluk, modelin iyi olduğunu göstermez.",
      "dogru": true,
      "aciklama": "2. haftanın cümlesi: \"Sınıflar dengesizse doğruluk yalan söyler.\" Aradığınız şey ne kadar nadirse doğruluk o kadar işe yaramaz hâle gelir. BUGÜN: o zaman yerine ne koyacağız? Kesinlik, duyarlılık ve karmaşıklık matrisinin ham sayıları — dersin yarısı bu."
    },
    {
      "soru": "Bir model sonucunu değerlendirirken ilk hesaplanması gereken şey, hiçbir şey öğrenmeyen basit bir tahminin skorudur.",
      "dogru": true,
      "aciklama": "3. haftanın birinci hatası tam buydu: taban çizgisini hesaplamamak. \"%87 aldım!\" — peki satırların %88'i tek bir kutudaysa? BUGÜN: taban çizgisini bir laba çeviriyoruz ve Titanic'te tek sütuna bakan basit kuralın %79 aldığını göreceğiz. Modelimiz %82. Aradaki 3 puan emeğe değer mi?"
    },
    {
      "soru": "Karmaşıklık matrisindeki iki hata türü — yanlış alarm ve kaçırma — aynı şeydir, ikisi de birer hatadır.",
      "dogru": false,
      "aciklama": "3. haftada matrisi tanıtırken söylemiştik: \"Bu ikisi aynı şey değildir ve çoğu zaman biri diğerinden çok daha pahalıdır.\" BUGÜN: bütün ders bu cümlenin üzerine kurulu. Kanser taramasında kaçırma, spam filtresinde ise yanlış alarm felakettir — ve hataların fiyatını girip en ucuz ayarı bulacağız."
    },
    {
      "soru": "Hastalık tahmini yaparken veride bulunan \"verilen ilaç\" sütununu modele vermekte bir sakınca yoktur.",
      "dogru": false,
      "aciklama": "Veri sızıntısının ders kitaplık örneği (2. hafta). İlaç ancak teşhis konduktan sonra yazılır; gerçek hastada o sütun boştur. Model kusursuz görünür, sahada çöker. BUGÜN: sızıntının değerlendirme tarafını konuşacağız — test seti gerçekten dokunulmamış değilse ölçtüğünüz hiçbir sayı güvenilir değildir."
    },
    {
      "soru": "Ölçekleme ve eksik veri doldurma işlemlerini, veriyi eğitim/test diye bölmeden önce tüm veri üzerinde yapmak doğrudur.",
      "dogru": false,
      "aciklama": "2. haftanın kuralı: önce böl, sonra yalnızca eğitim kümesinden hesapla, aynı değerleri teste uygula. Tüm veride yaparsanız test kümesinin ortalaması eğitime karışır — bu da sızıntıdır. BUGÜN: bu yüzden test skorunun güvenilirliği bir yöntem meselesidir, sadece bir sayı değil."
    },
    {
      "soru": "Dolandırıcılık verisinde \"her işleme normal de\" diyen, hiçbir şey öğrenmeyen bir model yüksek doğruluk alır.",
      "dogru": true,
      "aciklama": "2. haftadaki canlandırmada bunu elinizle denemiştiniz: dolandırıcılık sayısı azaldıkça tembel modelin notu yükseliyordu. 3. haftanın üçüncü hatası da aynı şeyi söylüyordu: %99,8 doğruluk, \"hiç dolandırıcılık yok\" diyen modelin skorudur. BUGÜN: aynı tembel modeli bir hastanede göreceğiz — %90 doğruluk alıyor ve 100 hastanın 100'ünü kaçırıyor."
    },
    {
      "soru": "Ev fiyatı tahmini ile \"hasta mı, değil mi\" tahmini farklı türde problemlerdir ve aynı ölçüyle değerlendirilemezler.",
      "dogru": true,
      "aciklama": "1. haftada sınıflandırma ile regresyonu ayırmıştık: biri etiket, diğeri sayı tahmin eder. Doğruluk bir sayı tahmininde anlamsızdır. BUGÜN: sayı tahmininin kendi ölçüleri olan MAE ve RMSE'ye bakacağız ve tek bir aykırı tahminin ikisini nasıl ayırdığını göreceğiz."
    },
    {
      "soru": "Aynı kaydın hem eğitim hem test kümesinde bulunması, modelin test skorunu olduğundan yüksek gösterir.",
      "dogru": true,
      "aciklama": "2. haftada yinelenen kayıtları bu yüzden silmiştik: aynı satır iki yerdeyse model onu ezberinden bilir, sınavda kopya çekmiş olur. BUGÜN: değerlendirmenin tamamı \"modelin hiç görmediği veri\" varsayımına dayanıyor. O varsayım bozulursa bütün sayılar çöker."
    },
    {
      "soru": "Zaman içeren bir problemde kasım verisiyle eğitip ekim ayını test etmek geçerli bir değerlendirmedir.",
      "dogru": false,
      "aciklama": "2. haftadaki benzetme: \"sınavdan sonra cevap anahtarını okumak gibidir.\" Geleceğe ait bilgiyle geçmişi tahmin etmek zaman sızıntısıdır. BUGÜN: bir skorun anlamlı olması için nerede ve nasıl ölçüldüğünün önemini konuşacağız — ve iyi görünen bir sayının neden alarm sinyali olabileceğini."
    }
  ]
}
