Yapay zeka ajanlar\u0131yla tan\u0131\u015fmaya haz\u0131r m\u0131s\u0131n\u0131z? 5 g\u00fcnde Kaggle ve Google platformlar\u0131n\u0131 kullanarak kendi AI ajanlar\u0131n\u0131z\u0131 nas\u0131l s\u0131f\u0131rdan olu\u015fturup bir kahramana d\u00f6n\u00fc\u015ft\u00fcrece\u011finizi ke\u015ffedin!<\/p>\n
G\u00fcn\u00fcm\u00fczde yapay zeka (YZ) hayat\u0131m\u0131z\u0131n her alan\u0131na s\u0131zm\u0131\u015f durumda ve bu d\u00f6n\u00fc\u015f\u00fcm\u00fcn en heyecan verici y\u00f6nlerinden biri de YZ ajanlar\u0131d\u0131r. Peki, bu ajanlar tam olarak nedir ve neden bu kadar pop\u00fcler hale geldiler? Basit\u00e7e ifade etmek gerekirse, YZ ajanlar\u0131 belirli bir ortamda alg\u0131lama yapabilen, bu alg\u0131lar\u0131 de\u011ferlendirerek karar verebilen ve bu kararlar do\u011frultusunda eyleme ge\u00e7ebilen otonom sistemlerdir. \u00d6rne\u011fin, otonom s\u00fcr\u00fc\u015f sistemleri birer YZ ajan\u0131d\u0131r; \u00e7evrelerini alg\u0131lar, trafik kurallar\u0131na g\u00f6re kararlar verir ve arac\u0131 y\u00f6nlendirirler. Bu sistemler, insan m\u00fcdahalesi olmadan karma\u015f\u0131k g\u00f6revleri yerine getirerek i\u015f y\u00fck\u00fcn\u00fc azalt\u0131r, verimlili\u011fi art\u0131r\u0131r ve hatta insan hatas\u0131ndan kaynaklanan riskleri minimize eder.<\/p>\n
Geleneksel yaz\u0131l\u0131mlar genellikle belirli komut setlerini takip ederken, YZ ajanlar\u0131 dinamik ve belirsiz ortamlara uyum sa\u011flama yetene\u011fine sahiptir. Bu adaptasyon yetene\u011fi, onlar\u0131n \u00f6\u011frenme kabiliyetinden gelir. Bir YZ ajan\u0131, deneyimlerinden ders \u00e7\u0131kararak performans\u0131n\u0131 zamanla iyile\u015ftirebilir. Bu makale, sizi YZ ajanlar\u0131n\u0131n b\u00fcy\u00fcleyici d\u00fcnyas\u0131na davet ediyor ve 5 g\u00fcn gibi k\u0131sa bir s\u00fcrede, Kaggle ve Google’\u0131n sa\u011flad\u0131\u011f\u0131 g\u00fc\u00e7l\u00fc ara\u00e7lar\u0131 kullanarak kendi YZ ajanlar\u0131n\u0131z\u0131 nas\u0131l olu\u015fturaca\u011f\u0131n\u0131z\u0131 ad\u0131m ad\u0131m g\u00f6sterecek. Belki de bir chatbot, belki bir oyun ajan\u0131 ya da bir finansal dan\u0131\u015fmanl\u0131k ajan\u0131, hayal g\u00fcc\u00fcn\u00fczle s\u0131n\u0131rl\u0131. Bu yolculuk, sadece teknik becerilerinizi geli\u015ftirmekle kalmayacak, ayn\u0131 zamanda YZ’nin gelece\u011fini \u015fekillendirme potansiyelini de size sunacak. Haz\u0131rsan\u0131z, ilk ad\u0131mdan ba\u015flayal\u0131m ve bu heyecan verici maceraya birlikte dalal\u0131m. Kaggle ve Google gibi eri\u015filebilir platformlar sayesinde, daha \u00f6nce bu alanda deneyiminiz olmasa bile k\u0131sa s\u00fcrede etkileyici sonu\u00e7lar elde etmeniz m\u00fcmk\u00fcn olacak.<\/p>\n
Bu h\u0131zland\u0131r\u0131lm\u0131\u015f e\u011fitim, sizi teorik bilgilerle bo\u011fmak yerine, pratik uygulamalar ve ger\u00e7ek d\u00fcnya senaryolar\u0131 \u00fczerinden ilerleyerek \u00f6\u011frenme s\u00fcrecinizi h\u0131zland\u0131rmay\u0131 ama\u00e7l\u0131yor. \u00d6zellikle peki\u015ftirmeli \u00f6\u011frenme gibi kritik konseptlere odaklanarak, ajanlar\u0131n \u00e7evreleriyle nas\u0131l etkile\u015fime girdi\u011fini ve nas\u0131l \u00f6\u011frendi\u011fini derinlemesine anlayacaks\u0131n\u0131z. \u0130\u015f d\u00fcnyas\u0131nda otomasyon ve ak\u0131ll\u0131 sistemlere olan talebin artmas\u0131yla birlikte, YZ ajan\u0131 geli\u015ftirme becerileri, gelece\u011fin en de\u011ferli yetkinliklerinden biri haline gelmi\u015ftir. Bu beceriyi edinerek kariyerinize yeni bir y\u00f6n verebilir veya mevcut projelerinize yenilik\u00e7i \u00e7\u00f6z\u00fcmler getirebilirsiniz. Unutmay\u0131n, bu sadece bir ba\u015flang\u0131\u00e7; YZ d\u00fcnyas\u0131 s\u00fcrekli geli\u015fiyor ve bu 5 g\u00fcnl\u00fck e\u011fitim, bu dinamik alanda sa\u011flam bir temel olu\u015fturman\u0131za yard\u0131mc\u0131 olacak.<\/p>\n
Bir yapay zeka ajan\u0131, belirli bir ortam i\u00e7inde otonom hareket etme, \u00e7evresini alg\u0131lama, bu alg\u0131lar \u00fczerinden mant\u0131ksal \u00e7\u0131kar\u0131mlar yapma ve bu \u00e7\u0131kar\u0131mlara dayanarak eylemlerde bulunma yetene\u011fine sahip bir sistemdir. Bu tan\u0131m olduk\u00e7a geni\u015f olsa da, YZ ajanlar\u0131n\u0131n temel \u00e7al\u0131\u015fma prensibi “alg\u0131la-d\u00fc\u015f\u00fcn-hareket et” d\u00f6ng\u00fcs\u00fcne dayan\u0131r. Ajan, sens\u00f6rleri (\u00f6rne\u011fin kameralar, mikrofonlar, veri tabanlar\u0131) arac\u0131l\u0131\u011f\u0131yla \u00e7evresinden bilgi toplar. Bu bilgiler “alg\u0131” olarak adland\u0131r\u0131l\u0131r. Alg\u0131lanan veriler daha sonra ajan\u0131n dahili modelinde i\u015flenir ve ajan, hedeflerine ula\u015fmak i\u00e7in hangi eylemin en uygun oldu\u011funa karar verir. Son olarak, se\u00e7ilen eylem, ajan\u0131n akt\u00fcat\u00f6rleri (\u00f6rne\u011fin motorlar, yaz\u0131l\u0131m komutlar\u0131, mesaj g\u00f6nderme) arac\u0131l\u0131\u011f\u0131yla ortamda ger\u00e7ekle\u015ftirilir.<\/p>\n
YZ ajanlar\u0131n\u0131 geleneksel programlardan ay\u0131ran en \u00f6nemli \u00f6zelliklerden biri \u00f6\u011frenme yetenekleridir. \u00d6zellikle “peki\u015ftirmeli \u00f6\u011frenme” (Reinforcement Learning – RL) kavram\u0131, ajanlar\u0131n deneyimlerinden ders \u00e7\u0131kararak zamanla daha iyi kararlar almas\u0131n\u0131 sa\u011flar. RL’de ajan, yapt\u0131\u011f\u0131 eylemlerin sonucunda \u00f6d\u00fcl veya ceza al\u0131r ve bu geri bildirimler sayesinde en optimal stratejiyi (politikay\u0131) \u00f6\u011frenir. \u00d6rne\u011fin, bir oyun ajan\u0131, d\u00fc\u015fmanlar\u0131 yenince puan kazan\u0131rken, bir engelle kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda puan kaybedebilir. Bu \u00f6d\u00fcl\/ceza sistemi, ajan\u0131n oyunu daha iyi oynamay\u0131 \u00f6\u011frenmesine yard\u0131mc\u0131 olur. Ayr\u0131ca, YZ ajanlar\u0131 farkl\u0131 t\u00fcrlerde olabilir: basit refleks ajanlar\u0131 anl\u0131k duruma g\u00f6re tepki verirken, model tabanl\u0131 refleks ajanlar\u0131 \u00e7evrenin dahili bir modelini olu\u015fturur ve gelecek durumlar\u0131 tahmin etmeye \u00e7al\u0131\u015f\u0131r. Hedef tabanl\u0131 ajanlar belirli hedeflere ula\u015fmaya odaklan\u0131rken, fayda tabanl\u0131 ajanlar ise hedeflerin yan\u0131 s\u0131ra eylemlerin beklenen faydas\u0131n\u0131 da maksimize etmeye \u00e7al\u0131\u015f\u0131r.<\/p>\n
Bu 5 g\u00fcnl\u00fck yolculukta, \u00f6zellikle peki\u015ftirmeli \u00f6\u011frenmeye dayal\u0131 ajanlar \u00fczerinde duraca\u011f\u0131z, \u00e7\u00fcnk\u00fc bu t\u00fcr ajanlar, dinamik ve etkile\u015fimli ortamlarda en g\u00fc\u00e7l\u00fc performans\u0131 sergiler. Kaggle ve Google Colab gibi platformlar, bu karma\u015f\u0131k algoritmalar\u0131 pratik olarak deneyimlemeniz i\u00e7in m\u00fckemmel birer ortam sunar. Temel makine \u00f6\u011frenmesi algoritmalar\u0131 (s\u0131n\u0131fland\u0131rma, regresyon) bu ajanlar\u0131n karar verme mekanizmalar\u0131n\u0131n bir par\u00e7as\u0131 olabilirken, derin \u00f6\u011frenme teknikleri (sinir a\u011flar\u0131) ise karma\u015f\u0131k alg\u0131lamalar\u0131 (\u00f6rne\u011fin g\u00f6r\u00fcnt\u00fc veya ses i\u015fleme) m\u00fcmk\u00fcn k\u0131lar. Anlayaca\u011f\u0131n\u0131z, bir YZ ajan\u0131, sadece bir algoritma de\u011fil, bir\u00e7ok farkl\u0131 YZ bile\u015fenini bir araya getiren entegre bir sistemdir. Bu temel bilgileri kavrad\u0131\u011f\u0131m\u0131zda, art\u0131k uygulamal\u0131 k\u0131s\u0131mlara ge\u00e7ebiliriz.<\/p>\n
Yapay zeka ajan\u0131 geli\u015ftirme ser\u00fcvenimizin ilk iki g\u00fcn\u00fcnde, veri biliminin ve makine \u00f6\u011frenmesinin temelini olu\u015fturan Kaggle platformuna odaklanaca\u011f\u0131z. Kaggle, d\u00fcnyan\u0131n en b\u00fcy\u00fck veri bilimi topluluklar\u0131ndan biridir; burada veri setleri bulabilir, di\u011fer kullan\u0131c\u0131lar\u0131n kodlar\u0131n\u0131 inceleyebilir ve hatta yar\u0131\u015fmalara kat\u0131larak yeteneklerinizi test edebilirsiniz. Bu ba\u015flang\u0131\u00e7, her YZ projesinin temelini olu\u015fturan veriyle tan\u0131\u015fma ve onu anlama s\u00fcrecidir.<\/p>\n
\u0130lk ad\u0131m olarak, Kaggle’a kaydolmal\u0131 ve platformu ke\u015ffetmelisiniz. Bir\u00e7ok ilgin\u00e7 veri seti bulunmaktad\u0131r. \u00d6rne\u011fin, bir sat\u0131\u015f tahmini ajan\u0131 geli\u015ftirmek istedi\u011finizi varsayal\u0131m. Bunun i\u00e7in uygun bir sat\u0131\u015f veri seti bulman\u0131z gerekecek. Kaggle’da “Sales Data” veya “E-commerce Data” gibi aramalarla bir\u00e7ok se\u00e7enek kar\u015f\u0131n\u0131za \u00e7\u0131kacakt\u0131r. Bir veri setini se\u00e7tikten sonra, Kaggle Notebook’lar\u0131n\u0131 kullanarak verileri incelemeye ba\u015flayabiliriz. Kaggle Notebook’lar\u0131, Python kodlar\u0131n\u0131 do\u011frudan taray\u0131c\u0131n\u0131zda \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131yan Jupyter tabanl\u0131 bir ortamd\u0131r ve veri bilimi i\u00e7in gerekli t\u00fcm k\u00fct\u00fcphaneler (Pandas, NumPy, Matplotlib, Seaborn vb.) \u00f6nceden y\u00fcklenmi\u015f olarak gelir.<\/p>\n
Veri y\u00fckleme ve ilk ke\u015fif ad\u0131mlar\u0131 genellikle \u015funlar\u0131 i\u00e7erir:<\/p>\n
.csv<\/code> dosyalar\u0131 Pandas k\u00fct\u00fcphanesi ile okunur.<\/li>\n- Verinin yap\u0131s\u0131n\u0131 anlama:
.info()<\/code>, .describe()<\/code>, .head()<\/code> gibi fonksiyonlar kullan\u0131l\u0131r.<\/li>\n- Eksik de\u011ferleri kontrol etme:
.isnull().sum()<\/code> ile eksik veri olup olmad\u0131\u011f\u0131na bak\u0131l\u0131r.<\/li>\n- Veri tiplerini kontrol etme: Kolonlar\u0131n do\u011fru veri tiplerinde oldu\u011fundan emin olunur.<\/li>\n
- Temel g\u00f6rselle\u015ftirmeler: Da\u011f\u0131l\u0131mlar\u0131, korelasyonlar\u0131 ve ayk\u0131r\u0131 de\u011ferleri g\u00f6rmek i\u00e7in grafikler olu\u015fturulur (histograms, scatter plots, box plots).<\/li>\n<\/ol>\n
\u0130\u015fte basit bir veri y\u00fckleme ve ke\u015fif \u00f6rne\u011fi:<\/p>\n
\nimport pandas as pd\nimport numpy as np\nimport matplotlib.pyplot as plt\nimport seaborn as sns\n\n# Veri setini y\u00fckleme\ntry:\n df = pd.read_csv('\/kaggle\/input\/sample-sales-data\/sales_data.csv')\n print(\"Veri seti ba\u015far\u0131yla y\u00fcklendi.\")\nexcept FileNotFoundError:\n print(\"Hata: sales_data.csv dosyas\u0131 bulunamad\u0131. L\u00fctfen dosya yolunu kontrol edin.\")\n # \u00d6rnek bir DataFrame olu\u015fturabiliriz veya i\u015flemi sonland\u0131rabiliriz\n data = {'Date': pd.to_datetime(['2023-01-01', '2023-01-02', '2023-01-03']),\n 'Product': ['A', 'B', 'A'],\n 'Quantity': [10, 5, 8],\n 'Price': [100, 200, 120],\n 'Sales': [1000, 1000, 960]}\n df = pd.DataFrame(data)\n\n# Verinin ilk 5 sat\u0131r\u0131n\u0131 g\u00f6r\u00fcnt\u00fcleme\nprint(\"\\nVerinin ilk 5 sat\u0131r\u0131:\")\nprint(df.head())\n\n# Veri hakk\u0131nda genel bilgi\nprint(\"\\nVeri seti bilgisi:\")\ndf.info()\n\n# Say\u0131sal s\u00fctunlar\u0131n istatistiksel \u00f6zeti\nprint(\"\\nSay\u0131sal s\u00fctunlar\u0131n istatistiksel \u00f6zeti:\")\nprint(df.describe())\n\n# Eksik de\u011ferleri kontrol etme\nprint(\"\\nEksik de\u011fer kontrol\u00fc:\")\nprint(df.isnull().sum())\n\n# Basit bir g\u00f6rselle\u015ftirme: Sat\u0131\u015flar\u0131n da\u011f\u0131l\u0131m\u0131\nplt.figure(figsize=(10, 6))\nsns.histplot(df['Sales'], bins=30, kde=True)\nplt.title('Sat\u0131\u015f Da\u011f\u0131l\u0131m\u0131')\nplt.xlabel('Sat\u0131\u015f Miktar\u0131')\nplt.ylabel('Frekans')\nplt.show()\n<\/pre>\n<\/code><\/p>\n
\n Uzman \u0130pucu: Kaggle'da pop\u00fcler veri setlerini incelemek ve di\u011fer \"Notebook\"lar\u0131 ke\u015ffetmek, veri ke\u015ffi ve \u00f6n i\u015fleme ad\u0131mlar\u0131 hakk\u0131nda size de\u011ferli fikirler verecektir. Kod yazmaktan \u00e7ekinmeyin ve farkl\u0131 yakla\u015f\u0131mlar\u0131 deneyin!\n<\/div>\nBu ba\u015flang\u0131\u00e7 ad\u0131mlar\u0131, verinin do\u011fas\u0131n\u0131 anlaman\u0131za yard\u0131mc\u0131 olacak ve ileriki model geli\u015ftirme s\u00fcre\u00e7leri i\u00e7in sa\u011flam bir temel olu\u015fturacakt\u0131r. \u0130kinci g\u00fcn boyunca bu veri ke\u015ffini derinle\u015ftirerek, potansiyel \u00f6zellik m\u00fchendisli\u011fi (feature engineering) f\u0131rsatlar\u0131n\u0131 belirleyebilir ve basit bir makine \u00f6\u011frenimi modelini (\u00f6rne\u011fin, Lineer Regresyon) e\u011fitmeyi deneyebilirsiniz. Unutmay\u0131n, iyi bir YZ ajan\u0131, kaliteli veriden ve bu verinin do\u011fru anla\u015f\u0131lmas\u0131ndan beslenir. Bu s\u00fcre\u00e7te kar\u015f\u0131la\u015ft\u0131\u011f\u0131n\u0131z zorluklar, \u00f6\u011frenme s\u00fcrecinizin bir par\u00e7as\u0131d\u0131r ve sizi daha ileriye ta\u015f\u0131yacakt\u0131r.<\/p>\n
3. G\u00fcn: Google Colab ve TensorFlow\/PyTorch ile Model Geli\u015ftirme S\u00fcreci Nas\u0131l H\u0131zland\u0131r\u0131l\u0131r?<\/h2>\n
Yapay zeka ajan\u0131 geli\u015ftirme yolculu\u011fumuzun \u00fc\u00e7\u00fcnc\u00fc g\u00fcn\u00fcnde, derin \u00f6\u011frenme modelleri olu\u015fturmak ve e\u011fitmek i\u00e7in Google Colab'\u0131n g\u00fcc\u00fcnden yararlanaca\u011f\u0131z. Google Colab, \u00f6zellikle GPU ve hatta TPU gibi donan\u0131m h\u0131zland\u0131r\u0131c\u0131lara \u00fccretsiz eri\u015fim sa\u011flamas\u0131yla, karma\u015f\u0131k sinir a\u011flar\u0131n\u0131 h\u0131zl\u0131 bir \u015fekilde deneyimlemek ve e\u011fitmek i\u00e7in ideal bir platformdur. Kaggle'da edindi\u011fimiz veri i\u015fleme becerilerini \u015fimdi daha ileri seviye modellemeye ta\u015f\u0131yaca\u011f\u0131z.<\/p>\n
Google Colab'\u0131 kullanmaya ba\u015flamak olduk\u00e7a basittir; bir Google hesab\u0131n\u0131z varsa, do\u011frudan taray\u0131c\u0131n\u0131z \u00fczerinden eri\u015febilirsiniz. Yeni bir Colab Not Defteri a\u00e7t\u0131ktan sonra, \"\u00c7al\u0131\u015fma Zaman\u0131\" (Runtime) men\u00fcs\u00fcnden \"\u00c7al\u0131\u015fma Zaman\u0131 T\u00fcr\u00fcn\u00fc De\u011fi\u015ftir\" (Change runtime type) se\u00e7ene\u011fini se\u00e7erek \"GPU\" veya \"TPU\" h\u0131zland\u0131r\u0131c\u0131s\u0131n\u0131 aktif hale getirmeyi unutmay\u0131n. Bu, \u00f6zellikle b\u00fcy\u00fck veri setleri ve derin sinir a\u011flar\u0131 ile \u00e7al\u0131\u015f\u0131rken e\u011fitim s\u00fcrelerini \u00f6nemli \u00f6l\u00e7\u00fcde azaltacakt\u0131r.<\/p>\n
Bu a\u015famada, veri setimizi (\u00f6rne\u011fin MNIST gibi yayg\u0131n bir g\u00f6r\u00fcnt\u00fc veri seti veya \u00f6nceki g\u00fcnlerde i\u015fledi\u011fimiz bir veri seti) kullanabilir ve TensorFlow (Keras API ile) veya PyTorch gibi pop\u00fcler derin \u00f6\u011frenme k\u00fct\u00fcphanelerinden biriyle basit bir sinir a\u011f\u0131 olu\u015fturabiliriz. Bu k\u00fct\u00fcphaneler, karma\u015f\u0131k matematiksel i\u015flemleri ve katmanlar\u0131 kolayca tan\u0131mlamam\u0131za olanak tan\u0131r. A\u015fa\u011f\u0131da, Keras kullanarak basit bir sinir a\u011f\u0131 olu\u015fturan ve e\u011fiten bir \u00f6rnek bulunmaktad\u0131r:<\/p>\n
\nimport tensorflow as tf\nfrom tensorflow.keras.models import Sequential\nfrom tensorflow.keras.layers import Dense, Flatten\nfrom tensorflow.keras.datasets import mnist\nimport matplotlib.pyplot as plt\n\n# MNIST veri setini y\u00fckleme (g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma \u00f6rne\u011fi)\n(x_train, y_train), (x_test, y_test) = mnist.load_data()\n\n# G\u00f6r\u00fcnt\u00fc piksellerini 0-1 aral\u0131\u011f\u0131na normalize etme\nx_train, x_test = x_train \/ 255.0, x_test \/ 255.0\n\n# Model olu\u015fturma\nmodel = Sequential([\n Flatten(input_shape=(28, 28)), # G\u00f6r\u00fcnt\u00fcleri tek boyutlu vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\n Dense(128, activation='relu'), # 128 n\u00f6ronlu gizli katman (ReLU aktivasyonlu)\n Dense(10, activation='softmax') # 10 \u00e7\u0131kt\u0131 n\u00f6ronu (softmax aktivasyonlu, 10 s\u0131n\u0131f i\u00e7in)\n])\n\n# Modeli derleme\nmodel.compile(optimizer='adam',\n loss='sparse_categorical_crossentropy',\n metrics=['accuracy'])\n\n# Modeli e\u011fitme\nprint(\"\\nModel E\u011fitimi Ba\u015fl\u0131yor...\")\nhistory = model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))\nprint(\"Model E\u011fitimi Tamamland\u0131.\")\n\n# E\u011fitim ge\u00e7mi\u015fini g\u00f6rselle\u015ftirme\nplt.figure(figsize=(12, 4))\nplt.subplot(1, 2, 1)\nplt.plot(history.history['accuracy'], label='E\u011fitim Do\u011frulu\u011fu')\nplt.plot(history.history['val_accuracy'], label='Do\u011frulama Do\u011frulu\u011fu')\nplt.title('Model Do\u011frulu\u011fu')\nplt.xlabel('Epok')\nplt.ylabel('Do\u011fruluk')\nplt.legend()\n\nplt.subplot(1, 2, 2)\nplt.plot(history.history['loss'], label='E\u011fitim Kayb\u0131')\nplt.plot(history.history['val_loss'], label='Do\u011frulama Kayb\u0131')\nplt.title('Model Kayb\u0131')\nplt.xlabel('Epok')\nplt.ylabel('Kay\u0131p')\nplt.legend()\nplt.show()\n\n# Modelin test veri seti \u00fczerindeki performans\u0131n\u0131 de\u011ferlendirme\ntest_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)\nprint(f\"\\nTest do\u011frulu\u011fu: {test_acc:.4f}\")\n<\/pre>\n<\/code><\/p>\n
\n Uzman \u0130pucu: Modelinizin performans\u0131n\u0131 daha da art\u0131rmak i\u00e7in farkl\u0131 katman say\u0131lar\u0131, n\u00f6ron say\u0131lar\u0131 veya aktivasyon fonksiyonlar\u0131 gibi hiperparametreleri deneyebilirsiniz. Bu, \"hiperparametre optimizasyonu\" olarak bilinir ve genellikle modelin \u00f6\u011frenme yetene\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde etkiler.\n<\/div>\nBu \u00f6rnek, temel bir s\u0131n\u0131fland\u0131rma modelinin nas\u0131l olu\u015fturulaca\u011f\u0131n\u0131 g\u00f6sterse de, bu prensipler daha karma\u015f\u0131k YZ ajanlar\u0131n\u0131n karar verme mekanizmalar\u0131n\u0131n temelini olu\u015fturur. \u00d6rne\u011fin, bir ajan ortam\u0131ndan gelen g\u00f6r\u00fcnt\u00fcleri alg\u0131lad\u0131\u011f\u0131nda, bu sinir a\u011f\u0131 o g\u00f6r\u00fcnt\u00fcn\u00fcn ne anlama geldi\u011fini (\u00f6rne\u011fin, bir engel mi, bir \u00f6d\u00fcl m\u00fc) s\u0131n\u0131fland\u0131rabilir. Bu bilgiler daha sonra ajan\u0131n hangi eylemi yapaca\u011f\u0131na karar vermesi i\u00e7in kullan\u0131l\u0131r. \u00dc\u00e7\u00fcnc\u00fc g\u00fcn\u00fcn sonunda, bir derin \u00f6\u011frenme modelini ba\u015far\u0131yla e\u011fitebilmeli ve performans\u0131n\u0131 de\u011ferlendirebilmelisiniz. Bu, sizi YZ ajanlar\u0131n\u0131n kalbine do\u011fru bir ad\u0131m daha yakla\u015ft\u0131racakt\u0131r.<\/p>\n
4. G\u00fcn: Bir AI Ajan\u0131 Nas\u0131l E\u011fitilir ve Optimizasyon Teknikleri Nelerdir?<\/h2>\n
Yapay zeka ajan\u0131 geli\u015ftirme yolculu\u011fumuzun d\u00f6rd\u00fcnc\u00fc g\u00fcn\u00fc, \"peki\u015ftirmeli \u00f6\u011frenme\" (Reinforcement Learning - RL) kavram\u0131na odaklanarak ajanlar\u0131n dinamik ortamlarda nas\u0131l \u00f6\u011frendi\u011fini ke\u015ffedece\u011fimiz en kritik a\u015famalardan biridir. \u00d6nceki g\u00fcnlerde \u00f6\u011frendi\u011fimiz temel veri i\u015fleme ve derin \u00f6\u011frenme modelleme becerileri, \u015fimdi bir ajan\u0131n karar verme yetene\u011fini olu\u015fturmak i\u00e7in birle\u015fiyor.<\/p>\n
Peki\u015ftirmeli \u00f6\u011frenme, bir ajan\u0131n bir ortamda belirli hedeflere ula\u015fmak i\u00e7in en iyi eylem dizisini \u00f6\u011frenmesini sa\u011flayan bir makine \u00f6\u011frenmesi paradigm\u0131d\u0131r. Bu s\u00fcre\u00e7te ajan, ortamdaki durumlar\u0131 alg\u0131lar, bir eylem ger\u00e7ekle\u015ftirir ve bu eylemin sonucunda bir \u00f6d\u00fcl veya ceza (geri bildirim) al\u0131r. Ajandan\u0131n amac\u0131, uzun vadede alaca\u011f\u0131 toplam \u00f6d\u00fcl\u00fc maksimize etmektir. \u0130\u015fte temel bile\u015fenler:<\/p>\n
\n- Ajan (Agent):<\/strong> \u00d6\u011frenen ve karar veren varl\u0131k.<\/li>\n
- Ortam (Environment):<\/strong> Ajan\u0131n i\u00e7inde bulundu\u011fu ve etkile\u015fimde bulundu\u011fu d\u00fcnya.<\/li>\n
- Durum (State):<\/strong> Ortam\u0131n belirli bir andaki anl\u0131k g\u00f6r\u00fcnt\u00fcs\u00fc veya tan\u0131m\u0131.<\/li>\n
- Eylem (Action):<\/strong> Ajan\u0131n belirli bir durumda ger\u00e7ekle\u015ftirebilece\u011fi hareket.<\/li>\n
- \u00d6d\u00fcl (Reward):<\/strong> Ajan\u0131n bir eylem sonucunda ortamdan ald\u0131\u011f\u0131 geri bildirim (pozitif veya negatif).<\/li>\n
- Politika (Policy):<\/strong> Ajan\u0131n belirli bir durumda hangi eylemi se\u00e7ece\u011fini belirleyen strateji.<\/li>\n<\/ul>\n
Bu g\u00fcn, genellikle \"OpenAI Gym\" gibi peki\u015ftirmeli \u00f6\u011frenme ortamlar\u0131n\u0131 kullan\u0131r\u0131z. Gym, \u00e7e\u015fitli oyunlar ve sim\u00fclasyonlar i\u00e7in standartla\u015ft\u0131r\u0131lm\u0131\u015f aray\u00fczler sunarak ajanlar\u0131m\u0131z\u0131 e\u011fitmemizi kolayla\u015ft\u0131r\u0131r. Basit bir peki\u015ftirmeli \u00f6\u011frenme algoritmas\u0131 olan Q-Learning'i ele alal\u0131m. Q-Learning, bir ajan\u0131n her durum-eylem \u00e7ifti i\u00e7in beklenen maksimum gelecekteki \u00f6d\u00fcl\u00fc (Q-de\u011feri) \u00f6\u011frenmesini sa\u011flar. Ajan, bu Q-de\u011ferlerini kullanarak en y\u00fcksek de\u011feri veren eylemi se\u00e7er.<\/p>\n
\u0130\u015fte Q-Learning'in basitle\u015ftirilmi\u015f bir Python kodu \u00f6rne\u011fi:<\/p>\n
\nimport numpy as np\nimport gym\n\n# Bir Gym ortam\u0131 olu\u015fturma (\u00f6rne\u011fin, \"FrozenLake-v1\")\n# Bu ortamda ajan, buzlu bir g\u00f6lde kaymadan hedefe ula\u015fmaya \u00e7al\u0131\u015f\u0131r.\nenv = gym.make('FrozenLake-v1', is_slippery=False) # is_slippery=False ile daha deterministik hale getirelim\n\n# Q-tablosunu ba\u015flatma (t\u00fcm Q-de\u011ferleri s\u0131f\u0131r)\n# Durum say\u0131s\u0131: env.observation_space.n\n# Eylem say\u0131s\u0131: env.action_space.n\nq_table = np.zeros((env.observation_space.n, env.action_space.n))\n\n# Hiperparametreler\nlearning_rate = 0.9 # Alfa: \u00d6\u011frenme oran\u0131\ndiscount_factor = 0.8 # Gama: Gelecekteki \u00f6d\u00fcllerin \u00f6nemi\nepsilon = 0.1 # Epsilon: Ke\u015ffetme (exploration) oran\u0131\nnum_episodes = 1000 # E\u011fitim b\u00f6l\u00fcm say\u0131s\u0131\n\n# Q-Learning algoritmas\u0131\nfor episode in range(num_episodes):\n state = env.reset()[0] # Ortam\u0131 s\u0131f\u0131rla, ba\u015flang\u0131\u00e7 durumu al\n done = False\n \n while not done:\n # Epsilon-greedy stratejisi: Ya ke\u015ffet ya da en iyi eylemi se\u00e7\n if np.random.uniform(0, 1) < epsilon:\n action = env.action_space.sample() # Rastgele bir eylem se\u00e7 (ke\u015ffetme)\n else:\n action = np.argmax(q_table[state, :]) # En y\u00fcksek Q-de\u011ferine sahip eylemi se\u00e7 (s\u00f6m\u00fcrme)\n \n # Eylemi ger\u00e7ekle\u015ftir ve yeni durumu, \u00f6d\u00fcl\u00fc al\n new_state, reward, done, truncated, info = env.step(action)\n \n # Q-tablosunu g\u00fcncelleme (Bellman denklemi)\n q_table[state, action] = q_table[state, action] + learning_rate * \\\n (reward + discount_factor * np.max(q_table[new_state, :]) - q_table[state, action])\n \n state = new_state # Durumu g\u00fcncelle\n\nenv.close()\n\nprint(\"E\u011fitim sonras\u0131 Q-tablosu:\")\nprint(q_table)\n\n# E\u011fitilmi\u015f ajan\u0131 test etme (iste\u011fe ba\u011fl\u0131)\n# state = env.reset()[0]\n# done = False\n# while not done:\n# action = np.argmax(q_table[state, :])\n# state, reward, done, truncated, info = env.step(action)\n# env.render() # E\u011fer ortamda g\u00f6rselle\u015ftirme varsa\n<\/pre>\n<\/code><\/p>\n
Bu kod blo\u011fu, ajan\u0131n zamanla en iyi yolu \u00f6\u011frenmesini sa\u011flar. epsilon<\/code> de\u011feri ajan\u0131n ne kadar rastgele eylem yapaca\u011f\u0131n\u0131 (ke\u015ffetme) belirlerken, learning_rate<\/code> ve discount_factor<\/code> ajan\u0131n \u00f6\u011frenme h\u0131z\u0131n\u0131 ve gelecekteki \u00f6d\u00fcllere ne kadar \u00f6nem verece\u011fini ayarlar. Optimizasyon teknikleri aras\u0131nda, bu hiperparametreleri do\u011fru ayarlamak kritik \u00f6neme sahiptir. Ayr\u0131ca, daha karma\u015f\u0131k ortamlar i\u00e7in Derin Q-A\u011flar\u0131 (DQN) gibi y\u00f6ntemler kullan\u0131l\u0131r; bu y\u00f6ntemlerde Q-tablosu yerine derin bir sinir a\u011f\u0131 Q-de\u011ferlerini tahmin eder.<\/p>\n\n Uzman \u0130pucu: RL algoritmalar\u0131n\u0131n ba\u015far\u0131s\u0131 genellikle hiperparametre ayarlar\u0131n\u0131n hassasiyetine ba\u011fl\u0131d\u0131r. Farkl\u0131 learning_rate<\/code>, discount_factor<\/code> ve epsilon<\/code> de\u011ferleri ile deneyler yapmak, ajan\u0131n \u00f6\u011frenme performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde etkileyebilir.\n<\/div>\nD\u00f6rd\u00fcnc\u00fc g\u00fcn\u00fcn sonunda, bir YZ ajan\u0131n\u0131n temel peki\u015ftirmeli \u00f6\u011frenme prensiplerini anlamal\u0131, basit bir ortamda bir ajan\u0131 e\u011fitebilmeli ve temel optimizasyon tekniklerini uygulayabilmelisiniz. Bu beceriler, ajan\u0131n daha karma\u015f\u0131k ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zme yetene\u011finin temelini olu\u015fturacakt\u0131r. Unutmay\u0131n, pratik yapmak ve farkl\u0131 ortamlar\u0131 denemek, bu alandaki ustal\u0131\u011f\u0131n\u0131z\u0131 art\u0131rman\u0131n anahtar\u0131d\u0131r.<\/p>\n
5. G\u00fcn: Ger\u00e7ek D\u00fcnya Senaryolar\u0131 ve Ajan\u0131n\u0131z\u0131 Nas\u0131l Da\u011f\u0131t\u0131rs\u0131n\u0131z?<\/h2>\n
AI ajan\u0131 geli\u015ftirme ser\u00fcvenimizin be\u015finci ve son g\u00fcn\u00fcnde, \u00f6\u011frendi\u011fimiz t\u00fcm bilgi ve becerileri ger\u00e7ek d\u00fcnya senaryolar\u0131na uygulayarak bir ad\u0131m daha ileri gidece\u011fiz ve ajan\u0131 nas\u0131l \"da\u011f\u0131taca\u011f\u0131m\u0131z\u0131\" yani kullan\u0131ma sunaca\u011f\u0131m\u0131z\u0131 \u00f6\u011frenece\u011fiz. Bu, ajan\u0131n sadece bir kod projesi olmaktan \u00e7\u0131k\u0131p, somut bir fayda sa\u011flayan bir \u00e7\u00f6z\u00fcme d\u00f6n\u00fc\u015fmesi anlam\u0131na gelir.<\/p>\n
Ger\u00e7ek d\u00fcnya senaryolar\u0131nda bir YZ ajan\u0131 kullanman\u0131n bir\u00e7ok yolu vard\u0131r. \u00d6rne\u011fin, bir \u00f6nceki g\u00fcnlerde e\u011fitti\u011fimiz peki\u015ftirmeli \u00f6\u011frenme ajan\u0131 bir oyun i\u00e7erisinde otomatik olarak oynayabilir. Veya, Kaggle yar\u0131\u015fmalar\u0131na kat\u0131larak di\u011fer veri bilimcileriyle rekabet edebilir, ajan\u0131n performans\u0131n\u0131 optimize ederek s\u0131ralamalarda y\u00fckselebilirsiniz. Kaggle yar\u0131\u015fmalar\u0131, size ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zme, farkl\u0131 veri setleriyle \u00e7al\u0131\u015fma ve performans\u0131n\u0131z\u0131 \u00f6l\u00e7me f\u0131rsat\u0131 sunar.<\/p{p>\n
Vaka Analizi: Ak\u0131ll\u0131 M\u00fc\u015fteri Hizmetleri Chatbot Ajan\u0131<\/h3>\n
Bir e-ticaret sitesi i\u00e7in ak\u0131ll\u0131 bir m\u00fc\u015fteri hizmetleri chatbotu geli\u015ftirdi\u011finizi d\u00fc\u015f\u00fcnelim. Bu ajan, m\u00fc\u015fterilerin s\u0131k\u00e7a sordu\u011fu sorular\u0131 (SSS) anlay\u0131p otomatik olarak yan\u0131tlayabilir, sipari\u015f takibi yapabilir veya karma\u015f\u0131k sorunlar\u0131 ilgili departmanlara y\u00f6nlendirebilir. \u0130lk g\u00fcnlerdeki veri analizi becerilerimizle m\u00fc\u015fteri sorular\u0131n\u0131n kategorilerini belirler, \u00fc\u00e7\u00fcnc\u00fc g\u00fcnk\u00fc derin \u00f6\u011frenme modelleme ile metinleri (do\u011fal dil i\u015fleme) anlayacak bir model e\u011fitiriz. D\u00f6rd\u00fcnc\u00fc g\u00fcnk\u00fc peki\u015ftirmeli \u00f6\u011frenme prensipleriyle ise, chatbotun m\u00fc\u015fteriyle olan etkile\u015fimlerinden \u00f6\u011frenmesini ve zamanla daha iyi yan\u0131tlar vermesini sa\u011flayabiliriz. Bu t\u00fcr bir ajan\u0131 da\u011f\u0131tmak i\u00e7in genellikle a\u015fa\u011f\u0131daki ad\u0131mlar izlenir:<\/p>\n
\n- Modeli Kaydetme:<\/strong> E\u011fitilmi\u015f modelinizi (TensorFlow i\u00e7in
.h5<\/code> veya PyTorch i\u00e7in .pt<\/code> format\u0131nda) kaydetmelisiniz.<\/li>\n- Bir API Olu\u015fturma:<\/strong> Kaydedilmi\u015f modeli bir web servisi (API - Application Programming Interface) arac\u0131l\u0131\u011f\u0131yla eri\u015filebilir k\u0131lmak gerekir. Flask veya FastAPI gibi Python web framework'leri bunun i\u00e7in idealdir. Bu API, gelen m\u00fc\u015fteri sorular\u0131n\u0131 al\u0131r, modeli kullanarak bir yan\u0131t \u00fcretir ve bu yan\u0131t\u0131 geri d\u00f6nd\u00fcr\u00fcr.<\/li>\n
- Buluta Da\u011f\u0131t\u0131m:<\/strong> Google Cloud Platform (GCP) gibi bulut servisleri, bu API'yi bar\u0131nd\u0131rmak ve \u00f6l\u00e7eklendirmek i\u00e7in g\u00fc\u00e7l\u00fc \u00e7\u00f6z\u00fcmler sunar. Google Cloud Run, Cloud Functions veya Google Kubernetes Engine (GKE) gibi servisler, modelinizi kolayca da\u011f\u0131tman\u0131za ve milyonlarca kullan\u0131c\u0131ya hizmet vermenize olanak tan\u0131r. \u00d6rne\u011fin, Cloud Run sunucusuz bir ortam oldu\u011fu i\u00e7in sadece kullan\u0131ld\u0131\u011f\u0131 kadar \u00fccret \u00f6dersiniz ve otomatik olarak \u00f6l\u00e7eklenir.<\/li>\n<\/ol>\n
Basit bir Flask API \u00f6rne\u011fi:<\/p>\n
\nfrom flask import Flask, request, jsonify\nimport tensorflow as tf\nimport numpy as np\nimport pickle # \u00d6rne\u011fin, bir tokenizer veya etiket kodlay\u0131c\u0131 i\u00e7in\n\napp = Flask(__name__)\n\n# Model ve varsa di\u011fer gerekli nesneleri y\u00fckleyin\ntry:\n model = tf.keras.models.load_model('my_chatbot_model.h5')\n # tokenizer = pickle.load(open('tokenizer.pkl', 'rb')) # E\u011fer NLP modeli kullan\u0131l\u0131yorsa\n print(\"Model ba\u015far\u0131yla y\u00fcklendi.\")\nexcept Exception as e:\n print(f\"Model y\u00fcklenirken hata olu\u015ftu: {e}\")\n model = None # Model y\u00fcklenemezse None olarak i\u015faretle\n\n@app.route('\/predict', methods=['POST'])\ndef predict():\n if not model:\n return jsonify({'error': 'Model y\u00fcklenemedi. Sunucu hatas\u0131.'}), 500\n\n data = request.get_json(force=True)\n text_input = data['message']\n\n # \u00d6rnek: Metin giri\u015fini modele uygun formata d\u00f6n\u00fc\u015ft\u00fcr\u00fcn\n # input_sequence = tokenizer.texts_to_sequences([text_input])\n # padded_sequence = tf.keras.preprocessing.sequence.pad_sequences(input_sequence, maxlen=MAX_LEN)\n\n # Basit bir \u00f6rnek i\u00e7in, direkt giri\u015f verisi kullanabiliriz veya sabit bir \u00e7\u0131kt\u0131 verebiliriz\n # Ger\u00e7ek uygulamada yukar\u0131daki gibi \u00f6n i\u015fleme ad\u0131mlar\u0131 olur\n # \u00d6rne\u011fin, 'Hello' gelirse 'Hi there!' d\u00f6ns\u00fcn\n if \"hello\" in text_input.lower():\n prediction = \"Merhaba! Size nas\u0131l yard\u0131mc\u0131 olabilirim?\"\n else:\n # Ger\u00e7ek model \u00e7\u0131kt\u0131s\u0131n\u0131 burada i\u015fleyeceksiniz\n # prediction_raw = model.predict(np.array([padded_sequence]))\n # prediction = decode_prediction(prediction_raw)\n prediction = \"Anlad\u0131m. Detayl\u0131 bilgi i\u00e7in l\u00fctfen destek ekibimizle ileti\u015fime ge\u00e7in.\"\n\n\n return jsonify({'response': prediction})\n\nif __name__ == '__main__':\n # Google Cloud Run veya benzeri ortamlarda PORT env de\u011fi\u015fkeni kullan\u0131l\u0131r\n # app.run(host='0.0.0.0', port=os.environ.get('PORT', 5000))\n app.run(host='0.0.0.0', port=5000) # Yerel test i\u00e7in\n<\/pre>\n<\/code><\/p>\n
Bu API, bir YZ ajan\u0131n\u0131n kullan\u0131c\u0131larla veya di\u011fer sistemlerle nas\u0131l etkile\u015fime girece\u011finin temelini olu\u015fturur. Da\u011f\u0131t\u0131m a\u015famas\u0131nda, ajan\u0131n h\u0131zl\u0131 ve g\u00fcvenilir \u00e7al\u0131\u015fmas\u0131, ayn\u0131 zamanda farkl\u0131 cihazlardan (mobil, tablet, masa\u00fcst\u00fc) eri\u015filebilir olmas\u0131 \u00f6nemlidir. Bu nedenle, geli\u015ftirdi\u011fimiz aray\u00fczlerin veya web sitelerinin mobil uyumlu HTML ve CSS kullanmas\u0131 gerekmektedir. \u0130\u015fte basit bir mobil uyumluluk \u00f6rne\u011fi:<\/p>\n