{
  "baslik": "Yapay Zeka — 6. Hafta · Açılış",
  "aciklama": "Ders öncesi ısınma. Sorular 1-5. haftalardan, ama hepsi bugünkü konuya açılıyor: karar ağaçları ve topluluk yöntemleri.",
  "sorular": [
    {
      "soru": "Bir model eğitim verisinde %100 doğruluk aldıysa, bu onun çok iyi bir model olduğunu gösterir.",
      "dogru": false,
      "aciklama": "Tam tersi bir alarm. Eğitim verisinde %100, modelin **kuralı değil örnekleri** öğrendiğinin en güçlü işaretidir. Bugün bunu gözünüzle göreceksiniz: sınırlanmayan bir karar ağacı her yaprağa tek örnek koyar ve eğitimde %100 alır — görmediği veride ise taban çizgisinin biraz üstüne düşer."
    },
    {
      "soru": "Bir modelin skoru, ancak modelin **hiç görmediği** veride ölçülürse anlamlıdır.",
      "dogru": true,
      "aciklama": "5. haftanın kuralı: gördüğü veriyle sınav olmaz. Bugün bu kuralı bir adım ileri taşıyacağız — tek bir ayrım bile yetmeyebilir. 891 satırın %25'i 223 satırdır ve orada ±2 puan gürültü normaldir; bu yüzden **çapraz doğrulama** yapacağız: veriyi beş parçaya bölüp beş kez ölçmek."
    },
    {
      "soru": "KNN'de ölçekleme şarttır, karar ağacında ise gereksizdir: ağaç sütunun büyüklüğüne değil yalnızca sıralamasına bakar.",
      "dogru": true,
      "aciklama": "Haftanın en çok vakit kazandıran bilgisi. KNN mesafe hesapladığı için ölçekleme şarttır; **karar ağacı ise yalnızca sıralamaya bakar.** `maaş ≤ 18000` sorusu, maaş 0–1 arasına sıkıştırılsa da aynı satırları aynı tarafa atar. 2. haftada öğrendiğimiz ölçekleme adımı bugün boşa emek."
    },
    {
      "soru": "Dengesiz bir veri setinde (örneğin 1000 kişiden 100'ü hasta) yüksek doğruluk, modelin iyi olduğunu göstermez.",
      "dogru": true,
      "aciklama": "5. haftanın açılışı: hiç kimseye hasta demeyen bir model %90 doğruluk alır. Bugün aynı tuzağı yeni modellerde göreceğiz — ve her model için aynı soruları soracağız: **taban çizgisi neydi, karmaşıklık matrisi nasıl, azınlık sınıfın duyarlılığı kaç?** Yeni bir algoritma öğrenmek, değerlendirme disiplininden muaf olmak değildir."
    },
    {
      "soru": "Eksik değerleri doldurmak için kullanılacak medyan, eğitim ve test verisinin birleşiminden hesaplanmalıdır — böylece daha doğru bir medyan elde edilir.",
      "dogru": false,
      "aciklama": "Bu, 2. haftanın **veri sızıntısı** hatasıdır. Test verisi gelecekteki veridir; onun medyanını kullanmak modele cevabın bir parçasını sızdırır. Sonuç: yerel skorunuz parlak çıkar, Kaggle skorunuz düşer. Bugün yazacağımız kodda doldurma değerleri **yalnızca eğitim verisinden** hesaplanacak."
    },
    {
      "soru": "Bir modeli değerlendirirken, hiç düşünmeyen bir modelin (ör. hep çoğunluğu söyleyen) skorunu da hesaplamak gerekir.",
      "dogru": true,
      "aciklama": "Taban çizgisi olmadan sayı yoktur. Titanic'te bu sayı **0,6162** — yani hiçbir model kurmadan %61,6 doğruluk bedava geliyor. Bugün göreceğiniz %83'lerin anlamı buradan okunuyor: taban çizgisinin 21 puan üstü. Geçmeyen bir model, model değildir."
    },
    {
      "soru": "Bir sütunun model tarafından çok kullanılması, o sütunun hedefi gerçekten etkilediğini kanıtlar.",
      "dogru": false,
      "aciklama": "Bugünün en önemli tuzağı. Model size bir **öznitelik önemi** listesi verir ve o liste `bu sütun bölmeye yaradı` der — `bu sütun etkili` demez. Titanic verisine yolcu numarasını eklediğimizde budanmamış ağaç önemin %14'ünü ona verecek; oysa yolcular sırayla numaralanmış, hayatta kalmakla ilgisi tanımı gereği sıfır."
    },
    {
      "soru": "Aynı veriyle, aynı ayarlarla eğitilen iki model her zaman birbirinin aynısı çıkar.",
      "dogru": false,
      "aciklama": "Bugün bunu kaydıraçla sarsacağız. Veriden yerine koyarak yeniden örnekleyip aynı ayarla dört ağaç kurduğunuzda **kökteki soru bile değişebiliyor.** Sebebi karar ağacının aç gözlülüğü: iki soru yakın kazanç veriyorsa birkaç örneğin yer değiştirmesi sıralamayı çevirir. Bu kırılganlık, topluluk yöntemlerinin varlık sebebidir."
    },
    {
      "soru": "Bir modelin kararını insanın okuyabileceği bir gerekçeye çevirmek, bazı alanlarda doğruluk kadar önemlidir.",
      "dogru": true,
      "aciklama": "Kredi reddi, sigorta kararı, klinik protokol: oralarda `doğru cevap` kadar **savunulabilir cevap** da gerekir. Bugünün ilk yarısında bu yüzden tek bir ağaçla çalışacağız — kararını cümleyle yazabilen tek model. İkinci yarıda doğruluk için okunabilirliği takas edeceğiz ve bu takasın bedelini açıkça konuşacağız."
    },
    {
      "soru": "4. haftada gördüğümüz CNN, satır-sütun hâlindeki tablo verilerinde de en iyi seçenektir.",
      "dogru": false,
      "aciklama": "Model seçimi **veri türüyle** başlar. CNN'in üstünlüğü komşuluk bilgisi taşıyan verilerde — görüntü, ses. Satır-sütun hâlinde, sütunları farklı birimlerde olan (yaş, maaş, şehir, ürün kategorisi) verilerde **ağaç toplulukları sinir ağlarını genellikle geçer.** Bugün öğreneceğiniz yöntem, tablo verisinde bugünün zirvesidir."
    }
  ]
}
