← Tüm haftalar
Yapay Zeka Uygulamaları · 1. Hafta · Yapay Zekâya Giriş
1. Hafta · Giriş

Yapay zekâ nedir?

Yapay zekâ, bilgisayarların yalnızca kendilerine verilen sabit komutları çalıştırması yerine; veriden öğrenmesi, örüntü bulması, sınıflandırması, tahmin yapması, görüntü ve dili işlemesi gibi “akıllı davranış” gerektiren görevleri yerine getirmesini sağlayan yöntemlerin genel adıdır.

Bu dersi tek cümleyle özetlemek gerekirse:
Bilgisayarın her kuralını bizim yazmamız yerine, bazı kuralları veriden öğrenmesini sağlıyoruz.
📧AyırırSpam mı, normal e-posta mı?
🏠Tahmin ederBu ev yaklaşık kaç TL?
📷GörürFotoğraftaki nesne ne?
💬Dil üretirBu soruya uygun cevap ne olabilir?
🌍 Gerçek hayatta bugün nerelerde karşımıza çıkıyor?
  • E-posta servisleri: şüpheli iletileri spam klasörüne ayırır.
  • Bankalar: olağandışı kart işlemlerini dolandırıcılık ihtimali açısından işaretler.
  • Navigasyon uygulamaları: geçmiş ve anlık trafik verilerinden varış süresi tahmini yapar.
  • Telefon kameraları: yüz, nesne veya sahne algılayarak otomatik odaklama ve sınıflandırma yapabilir.
  • Üretken yapay zekâ araçları: metin, kod, görsel veya ses üretebilir.
Önce farkı görelim

Normal program ile yapay zekâ arasındaki fark nedir?

Her problem için yapay zekâ gerekmez. Bazı problemler açık kurallarla çok daha iyi çözülür.

Klasik programlama

Kuralları biz biliyoruz.

Örneğin öğrencinin notu 50 ve üzerindeyse “Geçti” yazdırmak için yapay zekâya gerek yoktur.

Basit kural
if (not >= 50)
    sonuc = "Geçti";
else
    sonuc = "Kaldı";
Yapay zekâ / makine öğrenmesi

Kuralları yazmak zor.

“Bu e-posta spam mı?” sorusunda yüzlerce kelime, gönderici, bağlantı ve davranış birlikte etkili olabilir. Tüm kuralları elle yazmak zordur.

Binlerce e-posta
→
Model öğrenir
→
Spam / Normal
Ne zaman AI düşünmeliyiz? Problemin açık kurallarını yazmak zor ama geçmişten çok sayıda örnek varsa; görüntü, ses, metin gibi karmaşık veri işleniyorsa; veya geçmiş veriden geleceğe ilişkin tahmin yapılacaksa.
✅ Gerçek örnek: Hangi durumda klasik kod, hangi durumda AI?
  • KDV hesaplama: klasik programlama. Kural nettir: oran bellidir.
  • Şifre doğru mu? klasik programlama. Girilen değer ile kayıtlı değer karşılaştırılır.
  • Bir öğrencinin sınavda zorlanacağı konuyu tahmin etme: makine öğrenmesi düşünülebilir; çok sayıda geçmiş davranış birlikte etkili olabilir.
  • Fotoğraftaki kişinin yüzünü bulma: elle kural yazmak çok zor olduğu için bilgisayarlı görü / derin öğrenme uygundur.
Hikâye: Üniversite yemekhanesi
Her gün kaç kişinin yemek yiyeceğini tahmin etmek istiyorsunuz. “Pazartesi ise 800 kişi gelir” gibi tek bir kural yeterli olmayabilir. Haftanın günü, hava durumu, sınav haftası, tatil, geçmiş tüketim gibi değişkenler birlikte etkili olabilir. İşte burada geçmiş veriden örüntü öğrenen bir model işe yarayabilir.
02 · Tarihsel yolculuk

Bugünkü yapay zekâ yaklaşık 70 yıllık birikimin sonucu.

Alan bazen büyük beklentilerle hızlandı, bazen donanım ve veri yetersizliği nedeniyle yavaşladı.

1950
Alan Turing
“Bir makine düşünebilir mi?” sorusunu sistematik biçimde tartıştı. İnsan ile makineyi konuşma üzerinden ayırma fikri daha sonra “Turing Testi” olarak anıldı.
1956
Dartmouth çalıştayı
“Artificial Intelligence” ifadesinin bilimsel alan adı olarak yerleştiği önemli dönüm noktalarından biri.
1960–80
Kural tabanlı sistemler
İnsan uzmanların bilgisi “Eğer X ise Y yap” biçimindeki kurallara dönüştürüldü.
1980'ler
Uzman sistemler
Belirli uzmanlık alanlarında karar destek sistemleri yaygınlaştı. Ancak kural sayısı büyüdükçe bakım zorlaştı.
1990–2000
Makine öğrenmesi
“Kuralları tek tek yazmak yerine örneklerden öğrenelim” yaklaşımı daha güçlü hale geldi.
2010'lar
Derin öğrenme
Daha büyük veri, GPU kullanımı ve derin sinir ağları; görüntü, konuşma ve dil işlemede büyük ilerlemeler sağladı.
2017 →
Transformer mimarisi
Dilde uzun bağlamları işlemek için attention yaklaşımı öne çıktı. Modern büyük dil modellerinin önemli temellerinden biri oldu.
2020'ler
Üretken yapay zekâ
Metin, görsel, ses, kod ve video üreten modeller gündelik kullanıma girdi.
Yapay zekânın yaklaşım değişimi
📚 Tarihte gerçekten yaşanmış örnekler
  • IBM Deep Blue (1997): dünya satranç şampiyonu Garry Kasparov'u bir maçta yenerek bilgisayarların belirli görevlerde ne kadar güçlü olabileceğini gösterdi.
  • ImageNet / AlexNet dönemi (2012): derin sinir ağlarının görüntü sınıflandırmadaki etkisini geniş kitlelere gösteren önemli dönüm noktalarından biri oldu.
  • AlphaGo (2016): Go oyununda dünya düzeyindeki oyunculara karşı başarı göstererek derin öğrenme ve pekiştirmeli öğrenmeye ilgiyi artırdı.
  • Transformer (2017 sonrası): modern büyük dil modellerinin gelişimini hızlandıran temel mimarilerden biri haline geldi.
Yapay zekânın yaklaşım değişimi
KurallarUzman SistemMakine ÖğrenmesiDerin ÖğrenmeTransformerGenAI 1950–7019801990–2000201020172020+ Elle yazılan kurallardan → veriden öğrenen modellere → içerik üreten büyük modellere
03 · Kavram haritası

AI, Machine Learning ve Deep Learning aynı şey değildir.

Kapsam ilişkisi
YAPAY ZEKÂ (Artificial Intelligence) MAKİNE ÖĞRENMESİ (Machine Learning) DERİN ÖĞRENME (Deep Learning) Çok katmanlı sinir ağları AI ayrıca: kural tabanlı sistemler, planlama, arama, robotik vb. alanları da kapsayabilir.
🧩 Üç kavrama üç gerçek örnek
  • AI: bir satranç motorunun hamle araması yapması.
  • Machine Learning: kredi kartı işlemlerindeki olağandışı davranışları geçmiş örneklerden öğrenerek işaretlemek.
  • Deep Learning: telefon kamerasında yüz veya nesne algılamak, konuşmayı metne çevirmek.
KavramKısa anlamÖrnek
KavramKısa anlamÖrnek
AIAkıllı davranış gerektiren sistemlerin genel alanı.Satranç oynayan sistem, robot, öneri sistemi.
MLVeriden örüntü öğrenen yöntemler.Spam tespiti, fiyat tahmini.
Deep LearningÇok katmanlı sinir ağlarıyla öğrenme.Görüntü tanıma, konuşma tanıma, LLM.

Soru: Bir karar ağacı makine öğrenmesidir ama derin öğrenme midir?

Hayır. Karar ağacı bir makine öğrenmesi algoritmasıdır; ancak çok katmanlı yapay sinir ağı kullanmadığı için deep learning değildir.
04 · Öğrenme süreci

Bir model nasıl öğrenir?

Bir model doğuştan “bilmiyor”. Örnekler üzerinden hata yapıyor, hatasını ölçüyor ve parametrelerini iyileştiriyor.

Veri topla
Örneğin 10.000 e-posta ve her birinin spam olup olmadığı.
Özellikleri hazırla
Kelime sıklığı, bağlantı sayısı, gönderici bilgisi vb.
Modeli eğit
Model, girişlerle doğru cevaplar arasındaki ilişkiyi öğrenmeye çalışır.
Test et
Modelin daha önce görmediği örneklerde başarılı olup olmadığına bakılır.
Gerçek kullanım
Yeni gelen e-posta için artık model tahmin üretir.
Veri kümesini neden bölüyoruz?
Training %70 Validation %15 Test %15 Oranlar sabit değildir; burada yalnızca tipik bir örnek gösteriliyor.
Hikâye: Sınava hazırlanmış öğrenci
Bir öğrenci sadece çözümlerini ezberlediği 100 soruda çok başarılı olabilir. Fakat yeni sorular gelince başarısız oluyorsa gerçekten öğrenmemiştir. Makine öğrenmesinde de model yalnızca eğitim verisini “ezberlerse” buna overfitting (aşırı öğrenme) denir.
📦 Gerçek veri örnekleri
  • Spam modeli: geçmiş e-postalar + spam/normal etiketleri.
  • Ev fiyatı modeli: m², oda sayısı, bina yaşı, konum + gerçek satış fiyatı.
  • Görüntü modeli: binlerce kedi, köpek, araç vb. fotoğraf + doğru sınıf etiketi.
  • Trafik tahmini: geçmiş hızlar, saat, gün, hava, yol yoğunluğu + gerçekleşen seyahat süresi.
05 · Problem tipi

Sınıflandırma: Sonuç bir kategori ise.

Modelin cevabı belirli sınıflardan biridir. “Hangisi?” sorusuna cevap verir.

E-posta

Spam / Normal

Yeni gelen e-postanın hangi sınıfa ait olduğunu belirler.

Sağlık

Riskli / Risksiz

Belirli ölçümlere göre bir risk sınıfı üretir.

Görüntü

Kedi / Köpek / Kuş

Fotoğrafı önceden tanımlanan sınıflardan birine atar.

İki sınıfı birbirinden ayıran karar sınırı
SINIF A SINIF B Model, örnekler arasındaki ayrımı yaklaşık olarak öğrenmeye çalışır.
Ne zaman kullanılır? Çıktınız “evet/hayır”, “A/B/C”, “spam/normal”, “kedi/köpek” gibi sınırlı sayıda kategori ise sınıflandırma düşünün.
🎯 Gerçek sınıflandırma örnekleri
  • Bankacılık: işlem → normal / şüpheli.
  • Müşteri hizmetleri: gelen mesaj → fatura / teknik destek / iptal / diğer.
  • Üretim: ürün fotoğrafı → hatalı / sağlam.
  • Eğitim: öğrenci → düşük / orta / yüksek risk grubu.
  • Metin: yorum → olumlu / olumsuz / nötr.

Soru: “Bu öğrenci dersi geçer mi?” problemi sınıflandırma olabilir mi?

Evet. Çıktıyı “Geçer / Kalır” şeklinde tanımlarsanız iki sınıflı bir sınıflandırma problemidir.
06 · Problem tipi

Regresyon: Sonuç bir sayı ise.

“Hangi sınıf?” yerine “Kaç?” sorusuna cevap verir.

Emlak

Ev fiyatı

m², konum, oda sayısı → yaklaşık fiyat.

Enerji

Tüketim

Hava, saat, geçmiş kullanım → yarınki tüketim.

Eğitim

Sınav puanı

Çalışma süresi ve geçmiş performans → beklenen puan.

Basit regresyon fikri
Ev büyüklüğü / özellikler Tahmini fiyat
Ne zaman kullanılır? Çıktı 12.4, 550.000, 78.3 gibi sürekli bir sayısal değer ise regresyon düşünün.
📈 Gerçek regresyon / tahmin örnekleri
  • Navigasyon: hedefe kalan süreyi dakika olarak tahmin etmek.
  • Enerji: yarın beklenen elektrik tüketimini kWh olarak tahmin etmek.
  • Perakende: gelecek hafta kaç ürün satılacağını tahmin etmek.
  • Emlak: bir evin olası satış fiyatını tahmin etmek.
  • Tarım: sıcaklık, yağış ve toprak verilerinden beklenen su ihtiyacını tahmin etmek.
Hikâye: Kahve dükkânı
Yarın kaç bardak kahve satılacağını tahmin etmek istiyorsunuz. Gün, hava sıcaklığı, etkinlikler ve geçmiş satışlar giriş; “satılacak kahve sayısı” sayısal çıktı olduğu için problem regresyondur.
07 · Hangi probleme hangi yaklaşım?

İlk soru algoritma değil, çıktı türüdür.

🧠 Gerçek problemden yönteme geçiş
  • “Bu müşteri aboneliğini iptal eder mi?” → iki sınıf → sınıflandırma.
  • “Bu müşteri ne kadar harcar?” → sayı → regresyon.
  • “Kamera görüntüsünde kaç araç var ve nerede?” → konum + sınıf → object detection.
  • “Bu uzun belgeyi 5 maddede özetle.” → yeni metin → üretken yapay zekâ.
SoruÇıktıYaklaşım
SoruÇıktıYaklaşım
Bu e-posta spam mı?Spam / NormalSınıflandırma
Bu ev kaç TL?3.250.000 TLRegresyon
Fotoğrafta hangi nesne var?KediGörüntü sınıflandırma
Fotoğrafta kedinin yeri neresi?Koordinat + sınıfNesne tespiti
Bu metnin duygusu nedir?Olumlu / olumsuzNLP sınıflandırma
Bu paragrafı özetle.Yeni metinÜretken AI / LLM
Problem seçme ağacı
Çıktınız nasıl bir şey? Kategori Sayı / İçerik Sınıflandırma Detection / NLP Regresyon Üretken AI
08 · Algoritma örneği

Karar ağacı: sorular sorarak sonuca gider.

İnsanların karar verme biçimine benzediği için ilk öğrenilecek algoritmalardan biridir.

Hikâye: Pikniğe gidelim mi?
Karar verirken “Yağmur var mı?”, “Hava çok soğuk mu?”, “Rüzgâr kuvvetli mi?” gibi sorular soruyoruz. Karar ağacı da benzer biçimde veriyi dallara ayırır.
Yağmur var mı? Hayır Evet → Gitme Sıcak → Git Soğuk → Belki HayırEvet
Ne zaman tercih edilir? Veriniz tablo şeklindeyse, sonucu açıklamak önemliyse ve “hangi özellik hangi kararı etkiledi?” sorusuna cevap vermek istiyorsanız karar ağaçları iyi bir başlangıç olabilir.
🌳 Gerçek karar ağacı kullanım örnekleri
  • Müşteri kaybı: “Son 30 günde kullanım azaldı mı?”, “Şikâyet sayısı arttı mı?” gibi özelliklerden churn riski tahmini.
  • Kredi ön değerlendirme: gelir, borç oranı, ödeme geçmişi gibi tablosal özelliklerden risk sınıfı üretme.
  • Üretim: sıcaklık, basınç ve ölçüm değerlerinden ürünün kalite sınıfını belirleme.
09 · Algoritma örneği

KNN: “Bana benzeyenler kim?”

K-Nearest Neighbors, yeni bir örneğin en yakın komşularına bakar.

Yeni noktanın sınıfını komşular belirliyor
? Yeni örneğe en yakın K komşuya bakılır.
Basit örnek: Yeni öğrencinin çalışma süresi ve deneme neti, geçmişteki 5 öğrenciye çok benziyorsa onların sınıfına göre tahmin yapılabilir.
Ne zaman işe yarar? Küçük/orta veri setlerinde, benzerliğin anlamlı olduğu problemlerde ve basit bir başlangıç modeli gerektiğinde.
📍 Gerçek KNN mantığına benzeyen örnekler
  • Benzer ürün bulma: özellikleri birbirine yakın ürünleri komşuluk mantığıyla eşleştirme.
  • Basit el yazısı tanıma: yeni rakam görüntüsünü en benzer geçmiş örneklere göre sınıflandırma.
  • Öğrenci gruplama: çalışma süresi ve başarı profili benzer öğrencilerin durumuna bakarak yeni öğrenci için tahmin üretme.
10 · Derin öğrenme

Sinir ağı: küçük hesapların katmanlar halinde birleşmesi.

Basitleştirilmiş yapay sinir ağı
GirdiGizli katmanGizli katmanÇıktı
Girdi
→
Ağırlıklı toplam
→
Aktivasyon
→
Yeni temsil
Görüntü örneği: İlk katmanlar kenarları, daha sonraki katmanlar şekilleri, daha derin katmanlar ise göz, kulak, tekerlek gibi daha karmaşık özellikleri temsil etmeyi öğrenebilir.
Ne zaman kullanılır? Görüntü, ses, dil gibi çok karmaşık verilerde ve yeterince büyük veri/donanım olduğunda derin öğrenme güçlü olabilir.
🧠 Gerçek sinir ağı örnekleri
  • Konuşmayı yazıya çevirme: ses dalgasından metin üretmek.
  • Yüz tanıma: yüz görüntüsünden ayırt edici özellikler öğrenmek.
  • Makine çevirisi: bir dildeki cümlenin başka dildeki karşılığını üretmek.
  • Görüntü sınıflandırma: fotoğrafın kedi, köpek, araç vb. sınıflardan hangisi olduğunu belirlemek.
11 · Bilgisayarlı görü

Bilgisayar fotoğrafı “resim” olarak değil, sayı olarak görür.

Görüntü → Piksel değerleri [212, 155, 98][198, 140, 86][41, 52, 61]... → KEDİolasılık: %96
📷 Gerçek bilgisayarlı görü örnekleri
  • Telefon kamerası: yüz algılama ve otomatik odaklama.
  • Belge tarama uygulaması: kâğıdın kenarlarını bulup perspektifi düzeltme.
  • Fabrika kalite kontrolü: çatlak, eksik parça veya yüzey hatası tespiti.
  • Tarım: yaprak görüntülerinden hastalık belirtisi sınıflandırma.
  • Güvenlik: kamerada insan veya araç varlığını algılama.
GörevSoruÖrnek
GörevSoruÖrnek
ClassificationBu görüntü ne?Kedi
Object DetectionNe var ve nerede?Kedi: x=120, y=80...
SegmentationHangi pikseller nesneye ait?Kedinin tam silueti
12 · Nesne tespiti

Object Detection = sınıf + konum.

kedi 0.94 top 0.88 Her kutu: koordinatlar + sınıf adı + güven skoru

🚘 Trafik

Araç, yaya, trafik işareti tespiti.

🏭 Fabrika

Hatalı ürün veya eksik parça tespiti.

📦 Depo

Kutu, palet ve ürün sayımı.

📱 Mobil

Kamera üzerinden gerçek zamanlı nesne algılama.

Ne zaman sınıflandırma yetmez? Görüntüde birden fazla nesne varsa veya nesnenin nerede olduğunu bilmek gerekiyorsa object detection gerekir.
🚦 Gerçek nesne tespiti örnekleri
  • Trafik kameraları: araçları tek tek bulup saymak.
  • Otonom sürüş sistemleri: araç, yaya, bisiklet ve trafik işaretlerinin yerini belirlemek.
  • Depo otomasyonu: palet ve kutuların konumunu kamera üzerinden tespit etmek.
  • Spor analizi: oyuncu ve topun görüntüdeki konumunu takip etmek.
13 · Doğal Dil İşleme

NLP: bilgisayarların insan diliyle çalışması.

Duygu analizi

“Bu ürün çok iyi” → olumlu.

Çeviri

Türkçe metni İngilizceye dönüştürme.

Özetleme

Uzun metnin daha kısa anlamlı sürümünü üretme.

Metinden modele giden basitleştirilmiş yol
“Bugün ders gerçekten çok güzeldi.” Bugündersgerçektençokgüzeldi ↓ Sayısal temsil / embedding → Model
Token nedir?
Model metni her zaman “kelime kelime” okumaz. Metin, modelin kullandığı daha küçük parçalara ayrılır. Bu parçalara token denir. Bir kelime bazen tek token, bazen birkaç token olabilir.
💬 Gerçek NLP örnekleri
  • Arama motorları: kullanıcının yazdığı sorgunun anlamını yorumlamaya çalışır.
  • Çağrı merkezi: müşteri mesajını “şikâyet / teknik destek / satış” gibi kategorilere ayırabilir.
  • Çeviri sistemleri: bir dildeki metni başka dile dönüştürür.
  • Otomatik özetleme: uzun raporlardan kısa özet üretir.
  • Yazım yardımcısı: eksik veya hatalı cümleleri düzeltmek için dil modeli kullanabilir.
14 · Büyük Dil Modelleri

LLM: bağlama göre sonraki tokenı tahmin eden büyük model.

Large Language Model = Büyük Dil Modeli. Çok büyük metin koleksiyonları üzerinde eğitilir.

Sınıf oyunu:
“Bugün okuldan sonra arkadaşlarımla …” cümlesini sınıfa verin. Her öğrenci doğal olarak olası bir sonraki kelime düşünür: “buluştum”, “yemek”, “sinemaya”… LLM de benzer biçimde olası sonraki tokenlar için olasılık dağılımı üretir.
Basitleştirilmiş sonraki token tahmini
“Türkiye'nin başkenti” girdi bağlamı → LLM / Transformer çok sayıda parametre → “Ankara” seçilen token Ankara %90 İstanbul %7 İzmir %3
Prompt modele girer.
🤖 LLM'lerin gerçek kullanım örnekleri
  • Soru-cevap sistemleri: doğal dilde sorulan sorulara açıklayıcı yanıt üretme.
  • Kod yardımcısı: kod tamamlama, hata açıklama veya örnek kod üretme.
  • Belge asistanı: uzun PDF veya kurum dokümanlarını özetleme ve soru yanıtlama.
  • Müşteri destek asistanı: kullanıcının mesajını anlayıp uygun cevap taslağı oluşturma.
  • Eğitim: konu açıklama, örnek soru üretme, öğrencinin cevabına geri bildirim verme.
Prompt modele girer.
Metin tokenlara ayrılır.
Model bağlamı işler.
Bir sonraki token için olasılıklar hesaplanır.
Bir token seçilir ve aynı süreç tekrar eder.

Soru: LLM cevaplarını hazır bir cevap listesinden mi seçer?

Genellikle hayır. Metni token token üretir. Ancak LLM tabanlı bir uygulama ayrıca arama motoruna, veritabanına veya RAG sistemine bağlanabilir.
15 · Üretken Yapay Zekâ

Artık model yalnızca karar vermiyor; yeni içerik de üretiyor.

Metin

Yazı üretimi

Özet, soru, makale, e-posta, kod.

Görsel

Image generation

Metinden yeni görseller üretme.

Ses

Speech / audio

Ses sentezi, konuşma ve müzik.

Video

Video generation

Metin veya görselden hareketli içerik.

Ne zaman ihtiyaç duyulur? Amaç bir sınıf seçmek veya sayı tahmin etmek değil de, mevcut örüntülere dayanarak yeni bir metin/görsel/ses/kod üretmekse üretken yapay zekâ devreye girer.
✨ Gerçek üretken yapay zekâ örnekleri
  • Pazarlama: ürün açıklaması ve farklı reklam metni alternatifleri üretme.
  • Yazılım geliştirme: kod örneği, test senaryosu ve dokümantasyon taslağı üretme.
  • Tasarım: metin açıklamasından yeni görsel oluşturma.
  • Eğitim: aynı konudan farklı zorluklarda soru ve açıklama üretme.
  • Kurumsal kullanım: toplantı notundan özet, e-posta taslağı veya rapor bölümü üretme.
GörevModel ne yapıyor?
Spam tespitiBir sınıf seçiyor.
Ev fiyatıBir sayı tahmin ediyor.
Nesne tespitiNesnenin sınıfını ve konumunu buluyor.
Metin üretimiYeni içerik oluşturuyor.
16 · Bilinmesi gereken sınırlar

“Model söyledi” demek, “doğru” demek değildir.

Hallucination

Model gerçekte olmayan fakat ikna edici görünen bilgi üretebilir.

Bias

Eğitim verisindeki dengesizlik ve önyargılar modele yansıyabilir.

Güncellik

Model kendi başına güncel dünyayı takip etmeyebilir; dış kaynak gerekebilir.

Önemli: Sağlık, hukuk, finans, güvenlik ve akademik çalışma gibi yüksek riskli alanlarda model çıktıları mutlaka güvenilir kaynaklarla doğrulanmalıdır.
⚠️ Gerçek hayatta neden kontrol gerekir?
  • Kaynak uydurma: bir dil modeli var olmayan makale veya bağlantı adı üretebilir.
  • Yanlış sınıflandırma: üretim hattındaki sağlam ürünü hatalı sanabilir veya tam tersi olabilir.
  • Dağılım değişimi: geçmiş yıllarda eğitilmiş model yeni davranışlara karşı başarısız olabilir.
  • Eksik veri: sensör arızalıysa veya giriş verisi yanlışsa modelin çıktısı da güvenilmez olabilir.
Model çıktısı → Kaynak kontrolü → İnsan değerlendirmesi → Karar
17 · Ders özeti

Bu dersten akılda kalması gereken harita

YAPAY ZEKÂ Makine ÖğrenmesiSinir AğlarıGörüntüDil / NLPGenAI SınıflandırmaRegresyonKarar ağacı / KNN Deep LearningKatmanlarAğırlıklar ClassificationDetectionSegmentation TokenEmbeddingLLM MetinGörselSes / video Önce problemi tanı → veriyi düşün → uygun yaklaşımı seç → modeli değerlendir.

4 saatlik önerilen çalışma akışı

🧭 Bir problemi görünce kendinize şu soruları sorun
  • Çıktı bir kategori mi? → sınıflandırma.
  • Çıktı bir sayı mı? → regresyon.
  • Görüntüde nesnenin yeri de gerekli mi? → object detection.
  • Metin, ses veya görüntüden yeni içerik mi üretilecek? → generative AI.
  • Problem açık kurallarla çözülebiliyor mu? → belki AI'ya hiç gerek yok.

4 saatlik önerilen çalışma akışı

SüreKonu
0–35 dkYapay zekâ nedir? Klasik programlama farkı, günlük örnekler.
35–60 dkTarihçe ve AI / ML / Deep Learning ilişkisi.
60–100 dkVeri, eğitim, test, sınıflandırma ve regresyon.
100–135 dkKarar ağacı, KNN, “hangi probleme hangi yöntem?”
135–170 dkSinir ağları ve derin öğrenme.
170–200 dkBilgisayarlı görü, nesne tespiti.
200–230 dkNLP, token, LLM mantığı.
230–240 dkÜretken AI, sınırlar ve genel tekrar.

Final soru: Fotoğrafta “kedi var mı?” ile “kedi nerede?” aynı problem midir?

Hayır. “Kedi var mı?” görüntü sınıflandırmasına indirgenebilir. “Kedi nerede?” sorusu ise nesnenin konumunu da gerektirdiği için object detection problemidir.