Model değil, veri karar verir.
Geçen hafta “bilgisayarın bazı kuralları veriden öğrenmesi”ni konuştuk. Bu hafta o cümlenin en çok atlanan ama en çok iş yapan kelimesine bakıyoruz: veri. Çünkü bir model, kendisine verilen veriden daha iyi olamaz.
Model, veride ne varsa onu öğrenir — öğrenmesini istediğimiz şeyi değil.
Veri tam olarak nedir?
Günlük dilde “bilgi” ile “veri”yi karıştırırız. Makine öğrenmesinde veri çok daha somut bir şeydir: gerçek dünyadaki bir olayın, ölçülüp kaydedilmiş hâli.
Olay
Bir öğrenci sınava girdi, 73 aldı. Bir müşteri sepeti terk etti. Bir dairede 3 oda var ve 4,2 milyona satıldı.
Kayıt
Bu olayın sayıya, metne veya görüntüye dönüştürülmüş hâli. Ölçmediğimiz hiçbir şey veri değildir.
Örnek
Tabloda bir satır. Modelin bakıp “buradan ne öğrenebilirim?” diye sorduğu tek bir gözlem.
Peki neden her şeyden önce gelir?
Çünkü makine öğrenmesinde bilgi akışının yönü tek taraflıdır. Kurallar veriden çıkar; veri kurallardan çıkmaz.
Veri bilimiyle uğraşan ekiplerin sıkça tekrarladığı bir oran vardır: zamanın büyük kısmı veriyi bulmak, temizlemek ve biçimlendirmekle geçer; model kurmak görece kısa sürer. Öğrenciler genellikle bunun tersini bekleyerek derse gelir. Bu haftanın amacı o beklentiyi baştan düzeltmektir.
Soru: “Yeterince güçlü bir model, kötü veriyi telafi eder.” Doğru mu?
Veri yüzünden çöken sistemler
Aşağıdakilerin hiçbirinde “model kötüydü” denmedi. Hepsinde sorun veriydi.
Amazon, CV'leri otomatik puanlayan bir model geliştirdi ve onu son on yılda şirkete gelen CV'lerle eğitti. Teknoloji sektöründe o CV'lerin büyük çoğunluğu erkeklere aitti. Model “iyi aday” tanımını bu geçmişten öğrendi ve içinde kadın geçen ifadeleri — örneğin bir kadın kulübünün adını — olumsuz sinyal saymaya başladı. Proje kullanıma alınmadan kapatıldı.
Dersi: Model “en iyi adayı” değil, geçmişte kimin işe alındığını öğrendi. Veri geçmişi anlatır; geçmiş adil değilse model de değildir.
Google, grip belirtileriyle ilgili arama sorgularına bakarak salgının yayılımını resmî kurumlardan daha hızlı tahmin eden bir sistem kurdu. İlk yıllarda şaşırtıcı derecede isabetliydi. Sonraki yıllarda tahminler gerçek vaka sayılarının çok üzerine çıktı; sistem 2015'te kapatıldı.
Dersi: Veri dünyayla birlikte değişir. İnsanların arama alışkanlıkları değişti (haberler, otomatik tamamlama, merak kaynaklı aramalar), ama model eski alışkanlıklara göre kurulmuştu. Buna veri kayması (data drift) denir.
ABD'li emlak şirketi Zillow, ev fiyatlarını tahmin eden modeline güvenerek gerçekten ev satın alan bir iş kolu kurdu. Model geçmiş yılların görece istikrarlı piyasasından öğrenmişti. Piyasa beklenmedik biçimde değişince model sistematik olarak fazla ödedi. İş kolu 2021 sonunda kapatıldı; şirket yüz milyonlarca dolarlık zarar açıkladı ve çalışanlarının önemli bir kısmını çıkardı.
Dersi: Geçmiş verinin bir varsayımı vardır: “yarın da bugüne benzeyecek.” Bu varsayım bozulduğunda model bunu size söylemez.
Cilt lezyonlarının fotoğraflarıyla eğitilen bazı modellerin, kötü huylu lezyonları şaşırtıcı başarıyla bulduğu görüldü. İncelendiğinde modelin öğrendiği şeyin lezyonun kendisi değil, karede duran cetvel olduğu anlaşıldı: doktorlar şüphelendikleri lezyonları ölçerken yanına cetvel koyuyordu. Model “cetvel varsa kanserdir” kuralını çıkarmıştı.
Dersi: Model, sonuçla birlikte görünen her şeyi ipucu sayar. Niyetinizi bilmez; sadece korelasyon arar.
Ordu, görevden dönen uçaklardaki kurşun deliklerini haritalandırdı ve en çok delik alan bölgelerin zırhlandırılmasını önerdi. İstatistikçi Abraham Wald itiraz etti: eldeki veri yalnızca geri dönebilen uçaklardan geliyordu. Zırh, deliklerin olmadığı yerlere konmalıydı — çünkü oralardan vurulan uçaklar hiç dönmemişti.
Dersi: En tehlikeli veri, elinizde olmayan veridir. Bugün buna hayatta kalma yanlılığı (survivorship bias) diyoruz.
Soru: Bu beş hikâyenin ortak noktası nedir?
Bir veri kümesinin anatomisi
Makine öğrenmesinde veri çoğu zaman bir tablodur. Bu tablonun üç parçasının adını bilmek, dersin kalanını kolaylaştırır.
| Terim | Türkçe | Ne demek? | Örnek |
|---|---|---|---|
| Sample / Instance | Örnek, gözlem | Tablodaki bir satır. Tek bir gerçek olay. | Çankaya'da satılan 120 m²'lik daire. |
| Feature | Öznitelik, özellik | Modelin tahmin yaparken bakacağı sütun. | m², oda sayısı, bina yaşı, ilçe. |
| Label / Target | Etiket, hedef | Modelin tahmin etmesi istenen doğru cevap. | Satış fiyatı. |
| Dataset | Veri kümesi | Satırların tamamı. | Son 2 yılda satılan 5.000 daire. |
- Etiket fiyat ise problem regresyondur (sayı tahmini).
- Etiket “6 ay içinde satıldı mı?” ise problem sınıflandırmadır (kategori tahmini).
- Etiket hiç yoksa denetimli öğrenme yapılamaz; elde yalnızca gruplama (kümeleme) kalır.
Yani “hangi algoritmayı kullanacağım?” sorusunun cevabı modelde değil, etiket sütununda saklıdır.
Soru: Etiket sütunu boş olan satırları eğitimde kullanabilir miyiz?
Veri nereden gelir?
Veri gökten düşmez. Her kaynağın kendine özgü bir maliyeti, bir gecikmesi ve bir yanlılığı vardır.
Kurumun kendi kayıtları
Satış, stok, öğrenci, hasta, işlem kayıtları. Bedava ve bol; ama iş süreci için tutulduğundan model için eksik tasarlanmıştır.
Log ve sensör
Tıklama kayıtları, GPS, sıcaklık, kamera. Çok hızlı birikir; gürültülü ve ham gelir.
Açık veri kümeleri
TÜİK, belediye açık veri portalları, Kaggle, UCI. Dersler ve prototipler için idealdir.
Etiketleme
İnsanın tek tek işaretlemesi: “bu fotoğrafta tümör var mı?”. En değerli ve en masraflı veri budur.
Web'den toplama
Sitelerin kullanım şartları ve telif hakları bağlayıcıdır. “Açıkta duruyor” demek “serbest” demek değildir.
Sentetik veri
Üretilmiş veri. Eksiği kapatır ama gerçekte olmayan bir düzeni öğretme riski taşır.
- Kimi temsil ediyor? Veri yalnızca belli bir grubu kapsıyorsa model yalnızca onlar için çalışır.
- Ne zaman toplandı? Üç yıl önceki fiyat verisi bugünün piyasasını anlatmaz.
- Nasıl toplandı? Anket mi, otomatik kayıt mı? Gönüllü katılım her zaman yanlılık taşır.
- Ne eksik? Toplanamayanların sessizliği, toplananların gürültüsünden tehlikelidir.
Literary Digest dergisi, iki milyondan fazla kişiye ulaşan devasa bir anket yaptı ve seçimi Landon'ın kazanacağını duyurdu. Seçimi Roosevelt ezici farkla kazandı. Hata örneklem sayısında değildi — anket listeleri telefon abonelerinden ve otomobil sahiplerinden derlenmişti. 1936'nın ekonomik koşullarında bu, nüfusun yalnızca varlıklı kesimine ulaşmak demekti.
Dersi: Verinin çokluğu yanlılığı düzeltmez. İki milyon yanlış kişi, iki bin doğru kişiden daha kötüdür.
Soru: Üniversitenin kantin memnuniyetini ölçmek için anketi kantin kuyruğunda yapsak nasıl bir yanlılık doğar?
Ham veri her zaman kirlidir
Ders kitaplarındaki tablolar tertemizdir. Gerçek hayatta elinize geçen ilk dosya hiçbir zaman öyle değildir. Aşağıdaki canlandırma, gerçek bir ön işleme turunu adım adım gösteriyor.
Eksik değer
Hücre boş ya da “bilinmiyor” anlamında 0, −1, 999 gibi bir sayıyla doldurulmuş.
Hatalı değer
Fiziksel olarak imkânsız: negatif yaş, 400 yaşında bina, gelecekteki tarih.
Tutarsızlık
“Çankaya”, “çankaya ”, “ÇANKAYA” — insan için aynı, bilgisayar için üç ayrı kategori.
Yinelenen kayıt
Aynı satır birden çok kez. Model o örneği olduğundan önemli sanır.
Aykırı değer
Diğerlerinden çok uzak değer. Hata da olabilir, gerçek de.
Yanlış tip
Sayı sütununda metin: oda sayısı yerine “3+1”, fiyat yerine “pazarlıklı”.
Ankara'da ev fiyatı tahmini için toplanmış 8 satırlık ham veri. Her adımda tek bir sorunu ele alıyoruz.
| # | ilçe | m² | oda | bina yaşı | fiyat (TL) |
|---|
Soru: Yinelenen satırı silmek neden önemli? Aynı bilgiyi iki kez görmek modele zarar verir mi?
Eksik hücreyi ne yapacağız?
Üç seçenek vardır ve üçü de bir bedel öder: sil, doldur ya da eksikliği bilgi say.
Satırı ya da sütunu sil
Eksik oranı çok düşükse satırı; bir sütunun yarısı boşsa sütunu silmek mantıklıdır.
Bedeli: veri kaybı. Küçük veri kümelerinde çok pahalıdır.
Bir değerle doldur
Sayısal sütunlarda ortalama veya medyan, kategorik sütunlarda en sık görülen değer.
Bedeli: uydurma değer. Sütunun çeşitliliğini azaltır.
Eksikliği öznitelik yap
gelir_bilinmiyor adında 0/1 sütunu ekleyin. Bazen eksikliğin kendisi bilgidir.
Bedeli: yok denecek kadar az; en çok atlanan seçenek budur.
Doldururken ortalama mı, medyan mı?
Bu, dersin en kolay unutulan ama en çok işe yarayan ayrıntılarından biri. Kaydıracı sürükleyip tek bir uç değerin ortalamayı nasıl sürüklediğini izleyin.
Elimizde 6 dairenin m² değeri var: 85, 92, 97, 104, 110 ve kaydıraçla değiştirdiğiniz altıncı daire.
3. bölümdeki Wald hikâyesi aslında bir eksik veri hikâyesidir. Eldeki tabloda hiçbir hücre boş görünmüyordu; boş olan şey, tabloya hiç girememiş uçaklardı. Bir sütundaki boşlukları saymak kolaydır — asıl soru şudur: “Bu tabloya hangi satırlar hiç giremedi?”
Öğrenci başarısını tahmin eden bir model, dersi bırakanların notlarını hiç göremez. Müşteri memnuniyeti modeli, çoktan ayrılmış müşterilere anket gönderemez.
Soru: Bir sütunun %70'i boşsa ne yapmalı?
Aykırı değer: hata mı, gerçek mi?
Aykırı değer (outlier), diğerlerinden belirgin biçimde uzak duran gözlemdir. İlk refleks onu silmektir — çoğu zaman yanlış refleks.
🗑️ Sil — çünkü hata
290.000.000 TL'ye satılan 105 m²'lik Keçiören dairesi. Fazladan iki sıfır. Fiziksel olarak imkânsız ya da bağlamla açıkça çelişen değerler düzeltilir veya çıkarılır.
💎 Sakla — çünkü gerçek
Dolandırıcılık tespitinde aykırı değer zaten aradığınız şeydir. Olağandışı işlemleri temizlerseniz modeli tam da bulması gereken örneklerden mahrum bırakırsınız.
Soru: Bir hastanenin kan tahlili verisinde çok yüksek bir değer gördünüz. Silmeli misiniz?
Ham sütunlardan işe yarar sütunlar üretmek
Öznitelik çıkarımı (feature engineering), verideki bilgiyi modelin görebileceği biçime sokmaktır. Çoğu zaman model seçmekten daha çok fark yaratır.
Modelin elinde yalnızca sütunlar vardır. Bir sütunda bilgi “saklıysa” model onu kendiliğinden bulamayabilir; biz açığa çıkarırız.
| Ham sütun | Sorun | Çıkarılan öznitelik |
|---|---|---|
| oda = "3+1" | Metin. Model üzerinde işlem yapamaz. | oda_sayisi = 4 veya yatak_odasi = 3, salon = 1 |
| tarih = 2025-11-29 | Tek başına anlamsız bir sayı dizisi. | ay = 11, hafta_sonu = 1, tatil_mi = 0 |
| adres = "...Çankaya/Ankara" | Her satırda farklı; model genelleme yapamaz. | ilce = Çankaya, merkeze_uzaklik_km = 4.2 |
| dogum_tarihi | Zamanla anlamı kayar. | yas |
| m2, fiyat | İkisi de var ama asıl ilişki gizli. | metrekare_fiyati = fiyat / m2 |
Elimizde yalnızca iki sütun var: zaman_damgasi ve bekleme_dakika. Bu hâliyle model işe yaramaz. Peki zaman damgasından hangi öznitelikleri çıkarabiliriz?
Saat · haftanın günü · ders arası mı · sınav haftası mı · ayın kaçı (burs günü) · hava durumu (dış kaynak). Tek bir sütundan altı öznitelik çıktı ve model ancak şimdi öğrenebilir.
Soru: Öznitelik çıkarımı yaparken veriye “bilgi eklemiş” oluyor muyuz?
Kelimeleri sayıya çevirirken açılan tuzak
Modeller sayılarla çalışır. “Çankaya” bir sayı değildir — ama onu sayıya çevirme biçiminiz, modele yanlışlıkla bir sıralama öğretebilir.
Aynı şehir sütununu iki farklı yöntemle sayıya çevirip modelin ne “anladığına” bakalım.
- Sıralı (ordinal) kategori — düşük / orta / yüksek, ilkokul / lise / üniversite: burada sıralama gerçekten vardır, label encoding doğrudur.
- Sırasız (nominal) kategori — şehir, marka, renk, bölüm: sıralama yoktur, one-hot kullanılır.
- Çok fazla kategori — 81 il, 10.000 ürün: one-hot tabloyu şişirir; başka yöntemler gerekir (sıklık kodlaması, gömme vektörleri).
Soru: Beden bilgisi (S, M, L, XL) için hangisini seçersiniz?
Sütunlar farklı birimlerdeyse en büyük sütun kazanır
Yaş 20–70 arasında, maaş 20.000–80.000 arasında değişir. İki sütunu ham hâliyle karşılaştırırsanız, maaş yaşı tamamen bastırır — model yaşı hiç görmez.
Referans müşteri: 30 yaşında, 30.000 TL maaşlı. Aşağıdaki iki adaydan hangisi ona daha yakın? Çubuklar uzaklığı gösterir — kısa olan daha benzer demektir. Şu an ham değerler kullanılıyor.
| Kişi | Yaş | Maaş | Yaş farkı | Maaş farkı |
|---|---|---|---|---|
| Referans | 30 | 30.000 | — | — |
| Aday A | 58 | 30.200 | 28 yıl | 200 TL |
| Aday B | 31 | 34.000 | 1 yıl | 4.000 TL |
Min-Max (normalizasyon)
Her sütunu 0 ile 1 arasına sıkıştırır. Sınırların belli olduğu durumlarda (sınav notu, yüzde) doğaldır.
yeni = (x − min) / (max − min)
Aykırı değerlere duyarlıdır: tek bir uç değer diğer her şeyi 0'a yapıştırır.
Standardizasyon (z-score)
Ortalamayı 0, standart sapmayı 1 yapar. Değerler belli bir aralığa sıkışmaz; uç değerlere daha dayanıklıdır.
yeni = (x − ortalama) / standart_sapma
Pratikte en sık kullanılan yöntemdir.
Soru: Ölçekleme verideki bilgiyi değiştirir mi?
Veriyi neden ikiye bölüyoruz?
Çünkü bir modelin gerçekten öğrenip öğrenmediğini, ancak daha önce görmediği örneklerle sınayarak anlayabiliriz.
Bir öğrenci geçen yılın sorularını ve cevaplarını ezberledi. Aynı soruları tekrar çözdüğünde 100 alıyor. Peki bu öğrenci konuyu öğrendi mi? Bilmiyoruz — çünkü onu hiç görmediği bir soruyla sınamadık.
Modeli eğittiği veriyle test etmek, tam olarak budur. Buna geçen hafta overfitting (aşırı öğrenme) demiştik; eğitim/test ayrımı, overfitting'i fark edebilmek için kurulmuş düzenektir.
100 örneklik bir veri kümeniz var. Kaydıracı oynatıp test oranını değiştirin; her oranın bir bedeli olduğunu göreceksiniz.
Bölmenin kuralları
Veri tarihe veya alfabeye göre sıralıysa ilk %80'i almak, test kümesine yalnızca son dönemi koyar.
%5 dolandırıcılık varsa, hem eğitimde hem testte %5 olmalı. Aksi hâlde test kümesinde hiç dolandırıcılık kalmayabilir.
Gelecekten geçmişi tahmin etmek anlamsızdır. Zaman verisinde bölme tarihe göre yapılır: eski veriyle eğit, yeni veriyle test et.
Test sonucuna bakıp modeli değiştirip tekrar test ederseniz, test kümesi yavaşça eğitim kümesine dönüşür.
Soru: Test kümesinde %95 doğruluk aldık ama gerçek kullanımda model berbat. İlk şüphelenilecek şey ne?
En sinsi hata: veri sızıntısı (data leakage)
Modelin, gerçek kullanımda asla elinde olmayacak bir bilgiyi eğitim sırasında görmesidir. Belirtisi tanıdıktır: inanılmaz iyi test sonuçları.
1 · Hedefi ele veren sütun
“Hasta mı?” tahmin ediyorsunuz ve veride verilen_ilac sütunu var. Model kusursuz çalışır — çünkü ilaç ancak teşhis konduktan sonra yazılır. Gerçek hastada o sütun boş olacaktır.
2 · Bölmeden önce işlem yapmak
Ölçekleme veya eksik doldurmayı tüm veri üzerinde yaptıysanız, test kümesinin ortalaması eğitim verisine karışmıştır. Doğrusu: önce böl, sonra yalnızca eğitim kümesinden hesapla, aynı değerleri teste uygula.
3 · Yinelenen kayıtlar
Aynı satır hem eğitimde hem testte varsa model onu ezberinden bilir. 6. bölümde yinelenenleri bu yüzden sildik.
4 · Zaman sızıntısı
Geleceğe ait bilgiyle geçmişi tahmin etmek. Kasım verisiyle eğitip ekim ayını test etmek, sınavdan sonra cevap anahtarını okumak gibidir.
satır bazlı, güvenli
ortalama / ölçek hesapla
teste uygula
Soru: Eksik değerleri tüm veri kümesinin ortalamasıyla doldurmak neden sızıntıdır?
Sınıflar dengesizse doğruluk yalan söyler
Dolandırıcılık, nadir hastalık, makine arızası… Aradığınız şey ne kadar nadirse, “doğruluk” ölçüsü o kadar işe yaramaz hâle gelir.
300 banka işlemi var; bir kısmı dolandırıcılık (kırmızı). Tembel model tek bir kural kullanıyor: “her işleme normal de.” Hiçbir şey öğrenmiyor. Dolandırıcılık sayısını değiştirip notuna bakın.
- Ölçüyü değiştir: doğruluk yerine precision, recall, F1. (5. haftanın konusu.)
- Azınlığı çoğalt / çoğunluğu azalt: oversampling, undersampling.
- Hata maliyetini ağırlıklandır: modele “bir dolandırıcılığı kaçırmak, bir normali yanlış işaretlemekten 100 kat pahalı” demek.
- Daha çok azınlık örneği topla: en zoru ve en etkilisi.
Soru: Bir kanser tarama modeli %99 doğruluk alıyor. Bu iyi bir haber mi?
Veri kimi temsil ediyor?
Teknik olarak kusursuz, tek bir boş hücresi olmayan bir veri kümesi de yanlı olabilir. Önyargı bir veri kalitesi sorunu değil, bir veri kapsamı sorunudur.
Örneklem yanlılığı
Veri, kullanılacak kitlenin bir alt kümesinden toplanmıştır. 1936 anketi, kantin kuyruğu anketi.
Tarihsel yanlılık
Veri geçmişi doğru yansıtır ama geçmiş adaletsizdir. Amazon'un işe alım modeli.
Ölçüm yanlılığı
Ölçme biçimi sonucu etkiler. Cetvelli fotoğraflar, bozuk termometre.
Hayatta kalma yanlılığı
Yalnızca “başaranlar” veriye girer. Dönen uçaklar, dersi bırakmayan öğrenciler.
Etiketleyici yanlılığı
Etiketleri koyan insanların kendi yargıları veriye sinmiştir.
Dağılım kayması
Veri doğruydu ama dünya değişti. Google Flu Trends, Zillow.
- Kim eksik? Bu modelin karar vereceği insanların hangi grubu veride az temsil ediliyor?
- Geçmiş tekrarlanmalı mı? Veri geçmişi anlatıyor. Geçmişteki kararlar doğru muydu?
- Yanlış karar kime zarar verir? Krediyi reddetmek, teşhisi kaçırmak, adayı elemek — bedeli kim öder?
Soru: Veri kümesine daha fazla satır eklemek önyargıyı azaltır mı?
Özet, kontrol listesi ve görevler
sütunlar, etiket
eksik, hatalı, yinelenen
tarih → gün, adres → ilçe
one-hot
eğitim / test
yalnızca eğitimden
Bu haftanın on cümlesi
Dersten sonra tek başınıza yapın
4 saatlik önerilen ders akışı
| Süre | Bölüm | Konu |
|---|---|---|
| 0–30 dk | 01 | Veri nedir, neden önce gelir? Klasik programlamayla bilgi akışı farkı. |
| 30–60 dk | 02 | Gerçek hikâyeler. Her hikâyeden sonra “burada veri ne söylüyordu?” tartışması. |
| 60–85 dk | 03–04 | Verinin anatomisi, veri kaynakları, KVKK ve örneklem yanlılığı. |
| 85–95 dk | — | Ara |
| 95–130 dk | 05–07 | Canlandırma 1 ve 2. Kirli veri temizliği, eksik değer, aykırı değer. |
| 130–165 dk | 08–10 | Canlandırma 3 ve 4. Öznitelik çıkarımı, kategorik kodlama, ölçekleme. |
| 165–205 dk | 11–13 | Canlandırma 5 ve 6. Eğitim/test ayrımı, veri sızıntısı, dengesiz veri. |
| 205–230 dk | 14 | Önyargı ve temsil; projeye başlamadan sorulacak üç soru. |
| 230–240 dk | 15 | Özet, kontrol listesi ve görev dağıtımı. |
Elimizde artık temiz, bölünmüş ve ölçeklenmiş bir veri var. 3. haftada bu veriyle ilk sınıflandırma modelimizi kuracağız: problemi tanımlamak, etiketleri belirlemek, modeli eğitmek ve çıkan sonucu yorumlamak.