Yapay zeka, g\u00fcn\u00fcm\u00fcz\u00fcn en h\u0131zl\u0131 b\u00fcy\u00fcyen ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc teknolojilerinden biri olarak hayat\u0131m\u0131z\u0131n her alan\u0131na n\u00fcfuz etmeye devam ediyor. Peki, bu karma\u015f\u0131k ve heyecan verici alana ad\u0131m atmak ya da mevcut bilginizi derinle\u015ftirmek ne kadar zor? Google ve Kaggle i\u015f birli\u011fiyle d\u00fczenlenen 5 g\u00fcnl\u00fck Yapay Zeka Program\u0131, tam da bu soruya pratik ve kapsaml\u0131 bir yan\u0131t sunarak kat\u0131l\u0131mc\u0131lar\u0131na e\u015fsiz bir \u00f6\u011frenme deneyimi vaat ediyor. Bu makalede, program\u0131n temel ta\u015flar\u0131n\u0131, kazan\u0131mlar\u0131n\u0131, ger\u00e7ek d\u00fcnya uygulamalar\u0131n\u0131 ve yapay zeka yolculu\u011funuzda size nas\u0131l rehberlik edebilece\u011fini detayl\u0131 bir \u015fekilde inceleyece\u011fiz.<\/p>\n
Yapay zeka (YZ), makine \u00f6\u011frenimi (ML) ve derin \u00f6\u011frenme (DL) kavramlar\u0131 genellikle birbirinin yerine kullan\u0131lsa da, asl\u0131nda farkl\u0131 katmanlara sahip disiplinlerdir. Bu 5 g\u00fcnl\u00fck program, kat\u0131l\u0131mc\u0131lar\u0131 bu temel kavramlar\u0131n sa\u011flam bir anlay\u0131\u015f\u0131yla donatarak, karma\u015f\u0131k konulara giri\u015f yapmalar\u0131 i\u00e7in g\u00fc\u00e7l\u00fc bir zemin olu\u015fturur. Yapay zeka, makinelerin insan benzeri zekay\u0131 sergilemesini sa\u011flayan geni\u015f bir bilgisayar bilimi alan\u0131d\u0131r. Bu, \u00f6\u011frenme, problem \u00e7\u00f6zme, alg\u0131lama ve karar verme gibi insan yeteneklerini taklit etmeyi i\u00e7erir. Basit\u00e7e s\u00f6ylemek gerekirse, YZ, makinelerin “d\u00fc\u015f\u00fcnmesini” ve “hareket etmesini” m\u00fcmk\u00fcn k\u0131lar.<\/p>\n
Makine \u00f6\u011frenimi ise, yapay zekan\u0131n en \u00f6nemli alt dallar\u0131ndan biridir ve sistemlerin verilere bakarak a\u00e7\u0131k\u00e7a programlanmadan \u00f6\u011frenmesini sa\u011flayan algoritmalar geli\u015ftirmeye odaklan\u0131r. Bu algoritmalar, b\u00fcy\u00fck veri k\u00fcmelerinden kal\u0131plar\u0131 ve ili\u015fkileri ke\u015ffederek, gelecekteki veriler hakk\u0131nda tahminlerde bulunabilir veya kararlar alabilir. \u00d6rne\u011fin, bir e-ticaret sitesinin size \u00fcr\u00fcn \u00f6nermesi, bir makine \u00f6\u011frenimi algoritmas\u0131n\u0131n sizin ge\u00e7mi\u015f al\u0131\u015fveri\u015flerinizden \u00f6\u011frenerek yapt\u0131\u011f\u0131 bir tahmindir. Program, kat\u0131l\u0131mc\u0131lara regresyon, s\u0131n\u0131fland\u0131rma ve k\u00fcmeleme gibi temel makine \u00f6\u011frenimi algoritmalar\u0131n\u0131 pratik uygulamalarla tan\u0131tarak, bu alandaki ilk deneyimlerini edinmelerini sa\u011flar. Bu algoritmalar, finansal tahminlerden m\u00fc\u015fteri segmentasyonuna kadar geni\u015f bir yelpazede kullan\u0131labilir.<\/p>\n
Derin \u00f6\u011frenme ise makine \u00f6\u011freniminin bir alt k\u00fcmesidir ve \u00f6zellikle b\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken \u00fcst\u00fcn performans g\u00f6steren, insan beyninden ilham alan yapay sinir a\u011flar\u0131n\u0131 kullan\u0131r. Derin \u00f6\u011frenme, \u00f6zellikle g\u00f6r\u00fcnt\u00fc tan\u0131ma, do\u011fal dil i\u015fleme (NLP) ve ses tan\u0131ma gibi alanlarda devrim yaratm\u0131\u015ft\u0131r. Katmanl\u0131 sinir a\u011flar\u0131 sayesinde, modeller verilerden daha karma\u015f\u0131k ve soyut \u00f6zellikleri otomatik olarak \u00f6\u011frenirler. Program, derin \u00f6\u011frenmenin temellerine dokunarak, kat\u0131l\u0131mc\u0131lar\u0131n basit sinir a\u011f\u0131 mimarilerini anlamalar\u0131na ve uygulamalar\u0131na olanak tan\u0131r. Bu sayede, “black box” olarak g\u00f6r\u00fclen bu algoritmalar\u0131n i\u00e7 i\u015fleyi\u015fine dair temel bir sezgi kazan\u0131l\u0131r. Bu temel kavramlar\u0131 anlamak, sadece programdan en iyi \u015fekilde faydalanmak i\u00e7in de\u011fil, ayn\u0131 zamanda yapay zeka alan\u0131ndaki gelecekteki \u00e7al\u0131\u015fmalar i\u00e7in de vazge\u00e7ilmez bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r. Program, bu konular\u0131 s\u0131f\u0131rdan ele alarak, her seviyeden kat\u0131l\u0131mc\u0131n\u0131n rahat\u00e7a takip edebilece\u011fi bir ak\u0131\u015f sunar. \u00d6zellikle Python programlama dili ve temel k\u00fct\u00fcphaneleri (Pandas, NumPy, Scikit-learn, TensorFlow\/Keras) \u00fczerinden yap\u0131lan uygulamalar, teorik bilginin pratikle peki\u015fmesini sa\u011flar.<\/p>\n
Google ve Kaggle i\u015f birli\u011fiyle ortaya \u00e7\u0131kan bu 5 g\u00fcnl\u00fck Yapay Zeka Program\u0131, teorik bilgiyi pratik uygulamalarla harmanlayarak kat\u0131l\u0131mc\u0131lar\u0131na yo\u011fun ve h\u0131zland\u0131r\u0131lm\u0131\u015f bir \u00f6\u011frenme deneyimi sunar. G\u00fcn\u00fcm\u00fcz\u00fcn rekabet\u00e7i i\u015f d\u00fcnyas\u0131nda yapay zeka yetkinli\u011fi giderek daha kritik hale gelirken, bu program bireylerin kariyerlerini d\u00f6n\u00fc\u015ft\u00fcrmeleri i\u00e7in benzersiz bir f\u0131rsat sunmaktad\u0131r. Program\u0131n temel amac\u0131, kat\u0131l\u0131mc\u0131lar\u0131n yapay zeka projelerini ba\u015flang\u0131\u00e7tan sona kadar y\u00f6netebilecekleri pratik becerilerle donatmakt\u0131r. Bu, sadece algoritma \u00f6\u011frenmek de\u011fil, ayn\u0131 zamanda ger\u00e7ek d\u00fcnya problemlerine nas\u0131l yakla\u015f\u0131laca\u011f\u0131n\u0131, veri setlerinin nas\u0131l analiz edilece\u011fini ve modellerin nas\u0131l de\u011ferlendirilip iyile\u015ftirilece\u011fini anlamay\u0131 da i\u00e7erir.<\/p>\n
Kaggle, d\u00fcnya genelindeki veri bilimcileri ve makine \u00f6\u011frenimi uzmanlar\u0131 i\u00e7in \u00f6nde gelen bir platformdur. Veri setleri, kod payla\u015f\u0131m\u0131 ve rekabet\u00e7i yar\u0131\u015fmalar arac\u0131l\u0131\u011f\u0131yla pratik deneyim kazanma imkan\u0131 sunar. Google ise yapay zeka ara\u015ft\u0131rmalar\u0131 ve geli\u015ftirmeleri konusunda sekt\u00f6r lideridir. Bu iki devin i\u015f birli\u011fi, program\u0131n m\u00fcfredat\u0131n\u0131n hem teorik olarak sa\u011flam hem de end\u00fcstri standartlar\u0131nda pratik uygulamalarla zenginle\u015ftirilmi\u015f olmas\u0131n\u0131 garanti eder. Kat\u0131l\u0131mc\u0131lar, Google’\u0131n Colaboratory (Colab) gibi ara\u00e7lar\u0131n\u0131 kullanarak bulut tabanl\u0131 geli\u015ftirme ortamlar\u0131nda kolayca \u00e7al\u0131\u015fabilir, g\u00fc\u00e7l\u00fc donan\u0131m kaynaklar\u0131na eri\u015febilir ve b\u00f6ylece karma\u015f\u0131k modelleri bile h\u0131zl\u0131 bir \u015fekilde e\u011fitebilirler. Bu, \u00f6zellikle s\u0131n\u0131rl\u0131 donan\u0131m kaynaklar\u0131na sahip yeni ba\u015flayanlar i\u00e7in b\u00fcy\u00fck bir avantajd\u0131r.<\/p>\n
Program\u0131n 5 g\u00fcnl\u00fck yo\u011fun yap\u0131s\u0131, kat\u0131l\u0131mc\u0131lar\u0131 belirli bir problem \u00e7er\u00e7evesinde d\u00fc\u015f\u00fcnmeye ve h\u0131zl\u0131 \u00e7\u00f6z\u00fcmler \u00fcretmeye te\u015fvik eder. Her g\u00fcn belirli bir konuya odaklan\u0131l\u0131r ve bu konular genellikle uygulamal\u0131 bir proje veya vaka \u00e7al\u0131\u015fmas\u0131yla peki\u015ftirilir. Bu sayede, \u00f6\u011frenilen bilgiler hemen prati\u011fe d\u00f6k\u00fcl\u00fcr ve kat\u0131l\u0131mc\u0131lar, ger\u00e7ek d\u00fcnya senaryolar\u0131nda kar\u015f\u0131la\u015fabilecekleri zorluklara kar\u015f\u0131 haz\u0131rl\u0131kl\u0131 hale gelirler. Program, veri \u00f6n i\u015fleme, model se\u00e7imi, e\u011fitim, de\u011ferlendirme ve model da\u011f\u0131t\u0131m\u0131 gibi yapay zeka projelerinin her a\u015famas\u0131n\u0131 kapsar. Bu b\u00fct\u00fcnsel yakla\u015f\u0131m, bir yapay zeka uzman\u0131n\u0131n sahip olmas\u0131 gereken geni\u015f bir beceri setini k\u0131sa s\u00fcrede kazand\u0131rmay\u0131 hedefler.<\/p>\n
Kariyer a\u00e7\u0131s\u0131ndan bak\u0131ld\u0131\u011f\u0131nda, bu programdan elde edilen sertifikalar ve portf\u00f6yde yer alacak projeler, i\u015fverenler nezdinde b\u00fcy\u00fck de\u011fer ta\u015f\u0131r. Yapay zeka, veri bilimcisi, makine \u00f6\u011frenimi m\u00fchendisi veya analisti gibi rollere ge\u00e7i\u015f yapmak isteyenler i\u00e7in g\u00fc\u00e7l\u00fc bir referans noktas\u0131d\u0131r. Program, sadece teknik beceriler kazand\u0131rmakla kalmaz, ayn\u0131 zamanda yapay zeka eti\u011fi, sorumluluk ve s\u00fcrd\u00fcr\u00fclebilirlik gibi \u00f6nemli konulara da de\u011finerek, kat\u0131l\u0131mc\u0131lar\u0131n bu alandaki geni\u015f resmi anlamalar\u0131n\u0131 sa\u011flar. Ayr\u0131ca, Kaggle platformu \u00fczerinden di\u011fer profesyonellerle etkile\u015fim kurma ve bir toplulu\u011fun par\u00e7as\u0131 olma f\u0131rsat\u0131 da sunulur. Bu, a\u011f olu\u015fturma ve s\u00fcrekli \u00f6\u011frenme a\u00e7\u0131s\u0131ndan paha bi\u00e7ilmez bir avantajd\u0131r. Bu program, yapay zeka alan\u0131nda sa\u011flam bir ba\u015flang\u0131\u00e7 yapmak veya mevcut yetkinliklerini derinle\u015ftirmek isteyen herkes i\u00e7in kritik bir ad\u0131md\u0131r.<\/p>\n
Yapay zeka ve makine \u00f6\u011frenimi projelerinin bel kemi\u011fini veri olu\u015fturur. Bu nedenle, Google ve Kaggle program\u0131n\u0131n ilk g\u00fcnleri, veri ke\u015ffi ve \u00f6n i\u015fleme ad\u0131mlar\u0131na ayr\u0131lm\u0131\u015ft\u0131r. Veri bilimcilerinin \u00e7o\u011fu, zamanlar\u0131n\u0131n b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131 bu a\u015famalara harcar \u00e7\u00fcnk\u00fc kirli veya yanl\u0131\u015f i\u015flenmi\u015f veriler, ne kadar geli\u015fmi\u015f bir algoritma kullan\u0131rsan\u0131z kullan\u0131n, k\u00f6t\u00fc sonu\u00e7lar verecektir. Bu a\u015fama, bir veri setini tan\u0131mak, anlamak ve modelin e\u011fitimi i\u00e7in uygun hale getirmek demektir. \u0130lk olarak, veri setini anlamak hayati \u00f6nem ta\u015f\u0131r. Bu, veri setinin yap\u0131s\u0131n\u0131, i\u00e7erdi\u011fi de\u011fi\u015fken t\u00fcrlerini (say\u0131sal, kategorik, metin vb.) ve her bir de\u011fi\u015fkenin da\u011f\u0131l\u0131m\u0131n\u0131 incelemeyi i\u00e7erir. Pandas k\u00fct\u00fcphanesi, bu t\u00fcr ke\u015fifsel veri analizi (EDA) i\u00e7in vazge\u00e7ilmez bir ara\u00e7t\u0131r.<\/p>\n
\nimport pandas as pd\n\n# Veri setini y\u00fckleme\ndf = pd.read_csv('veri_seti.csv')\n\n# \u0130lk 5 sat\u0131r\u0131 g\u00f6r\u00fcnt\u00fcleme\nprint(df.head())\n\n# Veri seti hakk\u0131nda genel bilgi (s\u00fctunlar, eksik de\u011ferler, veri tipleri)\nprint(df.info())\n\n# Say\u0131sal s\u00fctunlar\u0131n istatistiksel \u00f6zetini g\u00f6r\u00fcnt\u00fcleme\nprint(df.describe())\n<\/pre>\n<\/code><\/p>\n
Yukar\u0131daki \u00f6rnek kod par\u00e7ac\u0131\u011f\u0131, bir CSV dosyas\u0131ndan veriyi nas\u0131l y\u00fckleyece\u011finizi ve head()<\/code>, info()<\/code> ve describe()<\/code> gibi temel Pandas fonksiyonlar\u0131n\u0131 kullanarak veri setiniz hakk\u0131nda ilk bilgileri nas\u0131l edinece\u011finizi g\u00f6stermektedir. Bu ad\u0131mlar, eksik de\u011ferleri, ayk\u0131r\u0131 de\u011ferleri veya yanl\u0131\u015f veri giri\u015flerini tespit etmek i\u00e7in kritik \u00f6neme sahiptir.<\/p>\nArd\u0131ndan, eksik verilerle ba\u015fa \u00e7\u0131kma sorunu gelir. Ger\u00e7ek d\u00fcnya veri setlerinde eksik de\u011ferler olduk\u00e7a yayg\u0131nd\u0131r ve bunlar modelin performans\u0131n\u0131 ciddi \u015fekilde etkileyebilir. Eksik de\u011ferleri doldurman\u0131n (imputation) \u00e7e\u015fitli yollar\u0131 vard\u0131r: ortalama, medyan veya mod ile doldurma, en yak\u0131n kom\u015fu algoritmas\u0131 kullanma veya eksik de\u011fere sahip sat\u0131rlar\u0131 veya s\u00fctunlar\u0131 tamamen kald\u0131rma. Program, bu farkl\u0131 stratejileri ve ne zaman hangisinin kullan\u0131laca\u011f\u0131n\u0131 pratik \u00f6rneklerle ele al\u0131r.<\/p>\n
\n# Eksik de\u011ferleri kontrol etme\nprint(df.isnull().sum())\n\n# 'Yas' s\u00fctunundaki eksik de\u011ferleri medyan ile doldurma\ndf['Yas'].fillna(df['Yas'].median(), inplace=True)\n\n# Kategorik bir s\u00fctundaki eksik de\u011ferleri mod ile doldurma\ndf['Sehir'].fillna(df['Sehir'].mode()[0], inplace=True)\n\n# Belirli bir e\u015fi\u011fin \u00fczerinde eksik de\u011fere sahip s\u00fctunlar\u0131 kald\u0131rma\ndf.dropna(thresh=len(df)*0.7, axis=1, inplace=True) # %30'dan fazla eksik varsa s\u00fctunu kald\u0131r\n<\/pre>\n<\/code><\/p>\n
\u00d6zellik m\u00fchendisli\u011fi (Feature Engineering), veri \u00f6n i\u015fleme a\u015famas\u0131n\u0131n en yarat\u0131c\u0131 ve etkili k\u0131s\u0131mlar\u0131ndan biridir. Bu, mevcut verilerden yeni ve daha anlaml\u0131 \u00f6zellikler olu\u015fturma s\u00fcrecidir. \u00d6rne\u011fin, do\u011fum tarihi bilgisinden ya\u015f veya g\u00fcn\u00fcn saati bilgisinden \"sabah\", \"\u00f6\u011fle\", \"ak\u015fam\" gibi kategorik \u00f6zellikler t\u00fcretmek modelin \u00f6\u011frenme kapasitesini art\u0131rabilir. Program, farkl\u0131 t\u00fcrdeki \u00f6zellik m\u00fchendisli\u011fi tekniklerini (\u00f6rne\u011fin, one-hot encoding, binning, polynomial features) ve bunlar\u0131n model performans\u0131na etkilerini g\u00f6sterir. Metin verileri i\u00e7in TF-IDF veya kelime g\u00f6mme (word embedding) teknikleri, zaman serisi verileri i\u00e7in gecikmeli \u00f6zellikler (lag features) olu\u015fturma gibi ileri d\u00fczey konular da bu a\u015famada tart\u0131\u015f\u0131labilir.<\/p>\n
\n Uzman \u0130pucu: \u00d6zellik m\u00fchendisli\u011fi, veri bilimi projelerinde %40'a varan performans art\u0131\u015f\u0131 sa\u011flayabilir. Verilerinizle yarat\u0131c\u0131 olun ve domain bilginizi kullanarak yeni \u00f6zellikler t\u00fcretmekten \u00e7ekinmeyin.\n<\/div>\nSon olarak, verilerin \u00f6l\u00e7eklendirilmesi (scaling) ve normalle\u015ftirilmesi (normalization) gibi ad\u0131mlar, \u00f6zellikle mesafe tabanl\u0131 algoritmalar (KNN, SVM) veya yapay sinir a\u011flar\u0131 i\u00e7in kritik \u00f6neme sahiptir. Bu teknikler, farkl\u0131 \u00f6l\u00e7eklerdeki \u00f6zelliklerin modele e\u015fit a\u011f\u0131rl\u0131kta katk\u0131da bulunmas\u0131n\u0131 sa\u011flayarak modelin daha h\u0131zl\u0131 ve do\u011fru \u00f6\u011frenmesine yard\u0131mc\u0131 olur. Program, Standard Scaler ve Min-Max Scaler gibi yayg\u0131n \u00f6l\u00e7eklendirme y\u00f6ntemlerini detayl\u0131ca ele al\u0131r. T\u00fcm bu ad\u0131mlar, kat\u0131l\u0131mc\u0131lar\u0131n sa\u011flam, temiz ve anlaml\u0131 veri setleriyle \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayarak, sonraki modelleme a\u015famas\u0131 i\u00e7in g\u00fc\u00e7l\u00fc bir temel olu\u015fturur.<\/p>\n
Makine \u00d6\u011frenimi Modellerini Geli\u015ftirme ve E\u011fitme: Hangi Y\u00f6ntemler Kullan\u0131ld\u0131?<\/h2>\n
Veri \u00f6n i\u015fleme ve ke\u015fif a\u015famalar\u0131 tamamland\u0131ktan sonra, yapay zeka program\u0131n\u0131n bir sonraki yo\u011fun a\u015famas\u0131, makine \u00f6\u011frenimi modellerini geli\u015ftirmek ve e\u011fitmektir. Bu b\u00f6l\u00fcm, problemin t\u00fcr\u00fcne g\u00f6re en uygun algoritmay\u0131 se\u00e7meyi, modeli veri \u00fczerinde e\u011fitmeyi ve performans\u0131n\u0131 de\u011ferlendirmeyi kapsar. Program, hem geleneksel makine \u00f6\u011frenimi algoritmalar\u0131na hem de derin \u00f6\u011frenmenin temellerine odaklanarak, kat\u0131l\u0131mc\u0131lara geni\u015f bir ara\u00e7 seti sunar. \u0130lk olarak, temel makine \u00f6\u011frenimi algoritmalar\u0131 ele al\u0131n\u0131r. Regresyon, s\u00fcrekli de\u011ferleri tahmin etmek i\u00e7in kullan\u0131l\u0131r (\u00f6rne\u011fin, ev fiyatlar\u0131 tahmini). S\u0131n\u0131fland\u0131rma ise verileri belirli kategorilere ay\u0131rmak i\u00e7in kullan\u0131l\u0131r (\u00f6rne\u011fin, bir e-postan\u0131n spam olup olmad\u0131\u011f\u0131n\u0131 belirleme). Programda, Lojistik Regresyon, Karar A\u011fa\u00e7lar\u0131, Random Forest, Destek Vekt\u00f6r Makineleri (SVM) ve K-En Yak\u0131n Kom\u015fu (KNN) gibi pop\u00fcler algoritmalar uygulamal\u0131 olarak incelenir. Bu algoritmalar\u0131n her birinin kendine \u00f6zg\u00fc avantajlar\u0131 ve dezavantajlar\u0131 vard\u0131r ve program, do\u011fru algoritmay\u0131 do\u011fru problemle e\u015fle\u015ftirmek i\u00e7in gerekli sezgiyi kazand\u0131r\u0131r.<\/p>\n
\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import accuracy_score, classification_report\n\n# \u00d6zellikler (X) ve hedef de\u011fi\u015fken (y) ay\u0131rma\nX = df.drop('hedef_degisken', axis=1)\ny = df['hedef_degisken']\n\n# E\u011fitim ve test setlerine ay\u0131rma\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\n# Lojistik Regresyon modelini tan\u0131mlama ve e\u011fitme\nmodel = LogisticRegression(max_iter=1000)\nmodel.fit(X_train, y_train)\n\n# Test seti \u00fczerinde tahmin yapma\ny_pred = model.predict(X_test)\n\n# Modelin performans\u0131n\u0131 de\u011ferlendirme\nprint(f\"Do\u011fruluk Oran\u0131: {accuracy_score(y_test, y_pred):.2f}\")\nprint(\"S\u0131n\u0131fland\u0131rma Raporu:\\n\", classification_report(y_test, y_pred))\n<\/pre>\n<\/code><\/p>\n
Bu kod par\u00e7ac\u0131\u011f\u0131, bir Lojistik Regresyon modelini e\u011fitmek ve temel performans metrikleriyle de\u011ferlendirmek i\u00e7in Scikit-learn k\u00fct\u00fcphanesinin nas\u0131l kullan\u0131laca\u011f\u0131n\u0131 g\u00f6sterir. Model de\u011ferlendirme metrikleri, bir modelin ne kadar iyi performans g\u00f6sterdi\u011fini nicel olarak anlamak i\u00e7in hayati \u00f6neme sahiptir. Do\u011fruluk (Accuracy), Hassasiyet (Precision), Geri \u00c7a\u011f\u0131rma (Recall), F1 Skoru ve ROC E\u011frisi gibi metrikler, s\u0131n\u0131fland\u0131rma modelleri i\u00e7in s\u0131k\u00e7a kullan\u0131l\u0131rken, Ortalama Mutlak Hata (MAE) ve Ortalama Kare Hata (MSE) regresyon modelleri i\u00e7in tercih edilir. Program, bu metriklerin her birini ve ger\u00e7ek d\u00fcnya senaryolar\u0131nda hangi metri\u011fin ne zaman daha \u00f6nemli olabilece\u011fini a\u00e7\u0131klar.\n\nDerin \u00f6\u011frenmeye giri\u015f, program\u0131n daha ileri k\u0131s\u0131mlar\u0131ndan biridir. \u00d6zellikle g\u00f6r\u00fcnt\u00fc ve metin verileriyle \u00e7al\u0131\u015f\u0131rken derin \u00f6\u011frenme algoritmalar\u0131, geleneksel y\u00f6ntemlere g\u00f6re \u00e7ok daha \u00fcst\u00fcn performans sergileyebilir. Program, yapay sinir a\u011flar\u0131n\u0131n (ANN) temel yap\u0131s\u0131n\u0131, katmanlar\u0131n\u0131 (giri\u015f, gizli, \u00e7\u0131k\u0131\u015f), aktivasyon fonksiyonlar\u0131n\u0131 ve geri yay\u0131l\u0131m (backpropagation) mekanizmas\u0131n\u0131 basit bir dille a\u00e7\u0131klar. TensorFlow ve Keras gibi k\u00fct\u00fcphaneler kullan\u0131larak basit bir yapay sinir a\u011f\u0131 nas\u0131l in\u015fa edilir ve e\u011fitilir, bu b\u00f6l\u00fcmde uygulamal\u0131 olarak g\u00f6sterilir.<\/pre>\n<\/code>
\nimport tensorflow as tf
\nfrom tensorflow.keras.models import Sequential
\nfrom tensorflow.keras.layers import Dense<\/p>\n
# Basit bir yapay sinir a\u011f\u0131 modeli olu\u015fturma
\nmodel_dl = Sequential([
\n Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
\n Dense(32, activation='relu'),
\n Dense(1, activation='sigmoid') # \u0130kili s\u0131n\u0131fland\u0131rma i\u00e7in sigmoid
\n])<\/p>\n
# Modeli derleme
\nmodel_dl.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])<\/p>\n
# Modeli e\u011fitme
\nmodel_dl.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.1)<\/p>\n
# Test seti \u00fczerinde de\u011ferlendirme
\nloss, accuracy = model_dl.evaluate(X_test, y_test)
\nprint(f\"Derin \u00d6\u011frenme Modeli Do\u011fruluk Oran\u0131: {accuracy:.2f}\")
\n<\/code><\/p>\n
Bu \u00f6rnek, Keras ile basit bir sinir a\u011f\u0131 olu\u015fturmay\u0131 ve e\u011fitme s\u00fcrecini g\u00f6stermektedir. Derin \u00f6\u011frenme, \u00f6zellikle b\u00fcy\u00fck veri k\u00fcmeleri ve karma\u015f\u0131k desenler i\u00e7in g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r ve program, bu teknolojinin temellerini anlayarak kat\u0131l\u0131mc\u0131lar\u0131n daha ileri seviyede ke\u015fifler yapmalar\u0131na olanak tan\u0131r. T\u00fcm bu s\u00fcre\u00e7 boyunca, modelin a\u015f\u0131r\u0131 \u00f6\u011frenme (overfitting) veya eksik \u00f6\u011frenme (underfitting) gibi sorunlarla kar\u015f\u0131la\u015fmas\u0131n\u0131 engellemek i\u00e7in stratejiler de ele al\u0131n\u0131r. \u00c7apraz do\u011frulama (cross-validation) gibi teknikler, modelin genellenebilirli\u011fini sa\u011flamak i\u00e7in kritik \u00f6neme sahiptir. Bu yo\u011fun e\u011fitim b\u00f6l\u00fcm\u00fc, kat\u0131l\u0131mc\u0131lar\u0131 sadece farkl\u0131 modelleri kullanmaya de\u011fil, ayn\u0131 zamanda hangi modeli ne zaman ve nas\u0131l kullanacaklar\u0131na dair stratejik bir bak\u0131\u015f a\u00e7\u0131s\u0131 geli\u015ftirmeye y\u00f6nlendirir.<\/p>\n
Ger\u00e7ek D\u00fcnya Uygulamalar\u0131 ve Vaka Analizleri: Program Neleri Kapsad\u0131?<\/h2>\n
Yapay zeka program\u0131n\u0131n en ilgi \u00e7ekici b\u00f6l\u00fcmlerinden biri, teorik bilgilerin ger\u00e7ek d\u00fcnya problemlerine nas\u0131l uyguland\u0131\u011f\u0131n\u0131 g\u00f6steren vaka analizleri ve uygulamalard\u0131r. Bu b\u00f6l\u00fcm, kat\u0131l\u0131mc\u0131lar\u0131n \u00f6\u011frendikleri algoritmalar\u0131 ve teknikleri somut senaryolar \u00fczerinde test etmelerine olanak tan\u0131r ve yapay zekan\u0131n d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc g\u00fcc\u00fcn\u00fc g\u00f6zler \u00f6n\u00fcne serer. Program genellikle \u00e7e\u015fitli sekt\u00f6rlerden \u00f6rnekler sunarak, yapay zekan\u0131n geni\u015f uygulama alanlar\u0131n\u0131 vurgular.<\/p>\n
Vaka Analizi 1: G\u00f6r\u00fcnt\u00fc Tan\u0131ma ve S\u0131n\u0131fland\u0131rma<\/strong>
\nG\u00f6r\u00fcnt\u00fc tan\u0131ma, derin \u00f6\u011frenmenin en parlak ba\u015far\u0131 \u00f6yk\u00fclerinden biridir ve yapay zeka programlar\u0131 genellikle bu konuya geni\u015f yer verir. \u00d6rne\u011fin, kat\u0131l\u0131mc\u0131lar, Convolutional Neural Networks (CNN'ler) kullanarak nesne tan\u0131ma veya g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma projeleri \u00fczerinde \u00e7al\u0131\u015fabilirler. Diyelim ki, bir t\u0131bbi g\u00f6r\u00fcnt\u00fcleme (MRI, R\u00f6ntgen) veri setindeki g\u00f6r\u00fcnt\u00fclerden hastal\u0131k belirtilerini otomatik olarak tespit etmek hedefleniyor. Bu senaryoda:
\n1. Veri Toplama ve \u00d6n \u0130\u015fleme<\/strong>: B\u00fcy\u00fck miktarda etiketli t\u0131bbi g\u00f6r\u00fcnt\u00fc veri seti toplan\u0131r. G\u00f6r\u00fcnt\u00fcler yeniden boyutland\u0131r\u0131l\u0131r, normalle\u015ftirilir ve veri art\u0131rma (data augmentation) teknikleri (d\u00f6nd\u00fcrme, \u00e7evirme, parlakl\u0131k ayar\u0131) uygulanarak modelin genellenebilirli\u011fi art\u0131r\u0131l\u0131r.
\n2. Model Mimarisi<\/strong>: \u00c7e\u015fitli katmanlardan olu\u015fan bir CNN mimarisi tasarlan\u0131r. Bu genellikle konvol\u00fcsyonel katmanlar, havuzlama katmanlar\u0131 (pooling layers) ve tam ba\u011flant\u0131l\u0131 katmanlar\u0131 (dense layers) i\u00e7erir.
\n3. E\u011fitim ve De\u011ferlendirme<\/strong>: Model, etiketli g\u00f6r\u00fcnt\u00fcler \u00fczerinde e\u011fitilir ve hassasiyet, duyarl\u0131l\u0131k, F1 skoru gibi metriklerle de\u011ferlendirilir. Programda, transfer \u00f6\u011frenimi (transfer learning) gibi teknikler de ele al\u0131n\u0131r; yani ImageNet gibi b\u00fcy\u00fck veri k\u00fcmeleri \u00fczerinde \u00f6nceden e\u011fitilmi\u015f modellerin, belirli bir g\u00f6reve uyarlanmas\u0131yla h\u0131zl\u0131 ve etkili sonu\u00e7lar al\u0131nmas\u0131 sa\u011flan\u0131r. Bu vaka, otomasyon, sa\u011fl\u0131k hizmetleri ve g\u00fcvenlik gibi alanlarda g\u00f6r\u00fcnt\u00fclemenin ne kadar kritik oldu\u011funu g\u00f6sterir.<\/p>\nVaka Analizi 2: Do\u011fal Dil \u0130\u015fleme (NLP) ve Metin Analizi<\/strong>
\nDo\u011fal Dil \u0130\u015fleme (NLP), makinelerin insan dilini anlamas\u0131n\u0131, yorumlamas\u0131n\u0131 ve \u00fcretmesini sa\u011flayan bir ba\u015fka \u00f6nemli yapay zeka alan\u0131d\u0131r. Programda, metin s\u0131n\u0131fland\u0131rma, duygu analizi veya konu modelleme gibi NLP uygulamalar\u0131 \u00fczerinde \u00e7al\u0131\u015f\u0131labilir. \u00d6rne\u011fin, bir m\u00fc\u015fteri geri bildirim veri setinden olumlu, olumsuz veya n\u00f6tr yorumlar\u0131 otomatik olarak belirlemek istenebilir:
\n1. Veri Haz\u0131rl\u0131\u011f\u0131<\/strong>: Metin verileri temizlenir (noktalama i\u015faretlerini kald\u0131rma, k\u00fc\u00e7\u00fck harfe d\u00f6n\u00fc\u015ft\u00fcrme), tokenizasyon (kelimelere ay\u0131rma) yap\u0131l\u0131r ve stop kelimeler (gibi, ve, veya) filtrelenir.
\n2. \u00d6zellik \u00c7\u0131karma<\/strong>: Metinler, TF-IDF (Term Frequency-Inverse Document Frequency) veya kelime g\u00f6mme (Word2Vec, GloVe) gibi y\u00f6ntemlerle say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr.
\n3. Model Se\u00e7imi<\/strong>: Lojistik regresyon, Naive Bayes veya daha geli\u015fmi\u015f olarak RNN'ler (Recurrent Neural Networks) veya transformer tabanl\u0131 modeller (BERT) gibi algoritmalar kullan\u0131labilir.
\n4. Uygulama<\/strong>: Model e\u011fitilir ve yeni gelen m\u00fc\u015fteri yorumlar\u0131n\u0131n duyarl\u0131l\u0131klar\u0131n\u0131 otomatik olarak s\u0131n\u0131fland\u0131rmak i\u00e7in kullan\u0131l\u0131r. Bu, m\u00fc\u015fteri hizmetleri kalitesini art\u0131rmak veya \u00fcr\u00fcn geli\u015ftirme s\u00fcre\u00e7lerine y\u00f6n vermek i\u00e7in de\u011ferli i\u00e7g\u00f6r\u00fcler sa\u011flar.<\/p>\nProgramdaki proje yakla\u015f\u0131m\u0131, kat\u0131l\u0131mc\u0131lar\u0131n sadece kod yazmakla kalmay\u0131p, ayn\u0131 zamanda problem tan\u0131m\u0131ndan \u00e7\u00f6z\u00fcm \u00f6nerisine kadar t\u00fcm proje ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc deneyimlemelerini sa\u011flar. Bu, tak\u0131m \u00e7al\u0131\u015fmas\u0131 becerilerini geli\u015ftirir, kritik d\u00fc\u015f\u00fcnmeyi te\u015fvik eder ve kat\u0131l\u0131mc\u0131lar\u0131n ger\u00e7ek d\u00fcnyadaki i\u015f zorluklar\u0131na yapay zeka tabanl\u0131 \u00e7\u00f6z\u00fcmler sunma yetene\u011fini art\u0131r\u0131r. Her vaka analizi, kat\u0131l\u0131mc\u0131lara belirli bir sekt\u00f6re \u00f6zg\u00fc zorluklar\u0131 ve yapay zekan\u0131n bu zorluklar\u0131 nas\u0131l a\u015fabilece\u011fini g\u00f6sterir. Bu pratik deneyimler, programdan mezun olanlar\u0131n portf\u00f6ylerini zenginle\u015ftirerek onlar\u0131 i\u015f piyasas\u0131nda daha rekabet\u00e7i hale getirir.<\/p>\n
Performans\u0131 Art\u0131rma ve Optimizasyon Teknikleri: Uzman \u0130pu\u00e7lar\u0131 Nelerdir?<\/h2>\n
Bir yapay zeka modeli geli\u015ftirmek sadece do\u011fru algoritmay\u0131 se\u00e7mek ve verileri haz\u0131rlamakla bitmez; modelin performans\u0131n\u0131 optimize etmek ve en iyi sonu\u00e7lar\u0131 elde etmek i\u00e7in \u00e7e\u015fitli ileri d\u00fczey teknikler de uygulanmas\u0131 gerekir. Google ve Kaggle program\u0131, bu optimizasyon ve performans art\u0131rma stratejilerine de odaklanarak, kat\u0131l\u0131mc\u0131lar\u0131n modellerini rafine etmelerine yard\u0131mc\u0131 olur.<\/p>\n
Hiperparametre Ayarlama (Hyperparameter Tuning):<\/strong>
\nMakine \u00f6\u011frenimi modelleri, veri setinden \u00f6\u011frenilen \"parametrelerin\" yan\u0131 s\u0131ra, modelin kendisinin davran\u0131\u015f\u0131n\u0131 kontrol eden \"hiperparametreler\"e de sahiptir. \u00d6rne\u011fin, bir Destek Vekt\u00f6r Makinesi'nin C parametresi veya bir Sinir A\u011f\u0131'n\u0131n katman say\u0131s\u0131 ve her katmandaki n\u00f6ron say\u0131s\u0131 birer hiperparametredir. Bu hiperparametrelerin do\u011fru kombinasyonunu bulmak, modelin performans\u0131n\u0131 dramatik \u015fekilde etkileyebilir. Program, hiperparametre ayarlama i\u00e7in Grid Search (\u0131zgara aramas\u0131) ve Random Search (rastgele arama) gibi sistematik y\u00f6ntemleri ele al\u0131r. Bu y\u00f6ntemler, belirli bir aral\u0131ktaki hiperparametre kombinasyonlar\u0131n\u0131 deneyerek en iyi performans\u0131 veren kombinasyonu bulmaya \u00e7al\u0131\u015f\u0131r. Daha ileri d\u00fczeyde, Bayesian Optimization (Bayes optimizasyonu) gibi daha ak\u0131ll\u0131 algoritmalar da kullan\u0131labilir.<\/p>\n\nfrom sklearn.model_selection import GridSearchCV\nfrom sklearn.ensemble import RandomForestClassifier\n\n# Hiperparametreler i\u00e7in bir s\u00f6zl\u00fck tan\u0131mlama\nparam_grid = {\n 'n_estimators': [100, 200, 300], # Rastgele Orman'daki a\u011fa\u00e7 say\u0131s\u0131\n 'max_depth': [None, 10, 20, 30], # Her a\u011fac\u0131n maksimum derinli\u011fi\n 'min_samples_split': [2, 5, 10] # Bir d\u00fc\u011f\u00fcm\u00fcn b\u00f6l\u00fcnmeden \u00f6nceki minimum \u00f6rnek say\u0131s\u0131\n}\n\n# GridSearchCV nesnesini olu\u015fturma\ngrid_search = GridSearchCV(estimator=RandomForestClassifier(random_state=42),\n param_grid=param_grid,\n cv=5, # 5 kat \u00e7apraz do\u011frulama\n n_jobs=-1, # T\u00fcm CPU \u00e7ekirdeklerini kullan\n verbose=2) # Detayl\u0131 \u00e7\u0131kt\u0131\n\n# Arama i\u015flemini ba\u015flatma\ngrid_search.fit(X_train, y_train)\n\n# En iyi parametreleri ve skoru yazd\u0131rma\nprint(f\"En iyi parametreler: {grid_search.best_params_}\")\nprint(f\"En iyi skor: {grid_search.best_score_:.4f}\")\n\n# En iyi modeli kullanma\nbest_rf_model = grid_search.best_estimator_\n<\/pre>\n<\/code><\/p>\n
\u00c7apraz Do\u011frulama (Cross-Validation):<\/strong>
\nModelin genellenebilirli\u011fini (yani, daha \u00f6nce g\u00f6rmedi\u011fi verilere ne kadar iyi adapte olabildi\u011fini) sa\u011flamak i\u00e7in \u00e7apraz do\u011frulama kritik bir tekniktir. Basit e\u011fitim\/test ayr\u0131m\u0131, verilerin belirli bir b\u00f6l\u00fcm\u00fcne a\u015f\u0131r\u0131 \u00f6\u011frenme (overfitting) riskini ta\u015f\u0131yabilir. K-Katl\u0131 \u00c7apraz Do\u011frulama (K-Fold Cross-Validation) gibi y\u00f6ntemler, veri setini K e\u015fit par\u00e7aya b\u00f6ler ve her par\u00e7ay\u0131 bir kez test seti olarak kullanarak modelin performans\u0131n\u0131 daha sa\u011flam bir \u015fekilde de\u011ferlendirir. Bu, modelin farkl\u0131 veri alt k\u00fcmelerindeki tutarl\u0131l\u0131\u011f\u0131n\u0131 \u00f6l\u00e7meye yard\u0131mc\u0131 olur ve daha g\u00fcvenilir bir performans tahmini sa\u011flar.<\/p>\n\n Uzman \u0130pucu: \u00c7apraz do\u011frulama sadece model de\u011ferlendirme i\u00e7in de\u011fil, ayn\u0131 zamanda hiperparametre ayarlama s\u00fcrecinde a\u015f\u0131r\u0131 \u00f6\u011frenmeyi engellemek i\u00e7in de temel bir ara\u00e7t\u0131r.\n<\/div>\nEnsemble Metotlar\u0131:<\/strong>
\nEnsemble metotlar\u0131, birden fazla makine \u00f6\u011frenimi modelini bir araya getirerek tek bir modelden daha iyi performans elde etmeyi ama\u00e7lar. Bu y\u00f6ntemler, \"\u00e7ok ba\u015fl\u0131l\u0131kta bilgelik\" prensibine dayan\u0131r. Ba\u015fl\u0131ca ensemble teknikleri \u015funlard\u0131r:
\n* Bagging (Bootstrap Aggregating)<\/strong>: \u00d6rne\u011fin, Random Forest algoritmas\u0131, birden fazla karar a\u011fac\u0131n\u0131 rastgele alt \u00f6rneklenmi\u015f veri k\u00fcmeleri \u00fczerinde e\u011fitir ve nihai karar\u0131 oylama (s\u0131n\u0131fland\u0131rma) veya ortalama (regresyon) ile al\u0131r.
\n* Boosting<\/strong>: AdaBoost, Gradient Boosting ve XGBoost gibi algoritmalar, zay\u0131f \u00f6\u011frenicileri (genellikle karar a\u011fa\u00e7lar\u0131) s\u0131ral\u0131 olarak e\u011fiterek ve her ad\u0131mda \u00f6nceki modelin hatalar\u0131n\u0131 d\u00fczelterek g\u00fc\u00e7l\u00fc bir model olu\u015fturur. Bu algoritmalar, Kaggle yar\u0131\u015fmalar\u0131nda s\u0131kl\u0131kla y\u00fcksek performans g\u00f6sterir.
\n* Stacking<\/strong>: Farkl\u0131 t\u00fcrdeki modellerin tahminlerini bir araya getirip, bu tahminleri meta-model ad\u0131 verilen ba\u015fka bir modelle e\u011fiterek nihai tahmini yapar.<\/p>\nBu optimizasyon teknikleri, bir yapay zeka uzman\u0131n\u0131n ara\u00e7 kutusunun \u00f6nemli bir par\u00e7as\u0131n\u0131 olu\u015fturur. Program, bu teknikleri uygulamal\u0131 \u00f6rneklerle g\u00f6stererek, kat\u0131l\u0131mc\u0131lar\u0131n sadece modelleri in\u015fa etmeyi de\u011fil, ayn\u0131 zamanda onlar\u0131 en y\u00fcksek potansiyellerine ula\u015ft\u0131rmay\u0131 \u00f6\u011frenmelerini sa\u011flar. Bu, modelin \u00fcretim ortam\u0131nda g\u00fcvenilir ve etkili bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 garanti alt\u0131na almak i\u00e7in vazge\u00e7ilmezdir.<\/p>\n
Mobil Uyumlu Yapay Zeka Uygulamalar\u0131 ve HTML Entegrasyonu: Modelleri Nas\u0131l Da\u011f\u0131t\u0131r\u0131z?<\/h2>\n
Yapay zeka modellerini e\u011fitmek bir ad\u0131md\u0131r, ancak bu modelleri ger\u00e7ek d\u00fcnya uygulamalar\u0131nda kullan\u0131labilir hale getirmek, yani da\u011f\u0131tmak (deployment) tamamen ayr\u0131 ve kritik bir a\u015famad\u0131r. Google ve Kaggle program\u0131, e\u011fitilmi\u015f yapay zeka modellerinin nas\u0131l bir web veya mobil aray\u00fczle entegre edilebilece\u011fi ve kullan\u0131c\u0131lar\u0131n bu modellerden nas\u0131l faydalanabilece\u011fi konular\u0131na da de\u011finir. \u00d6zellikle mobil uyumlu aray\u00fczler, g\u00fcn\u00fcm\u00fcz d\u00fcnyas\u0131nda eri\u015filebilirlik ve kullan\u0131c\u0131 deneyimi a\u00e7\u0131s\u0131ndan hayati \u00f6nem ta\u015f\u0131r.<\/p>\n
Yapay zeka modellerinin da\u011f\u0131t\u0131m\u0131 genellikle bir API (Uygulama Programlama Aray\u00fcz\u00fc) arac\u0131l\u0131\u011f\u0131yla yap\u0131l\u0131r. Bu API, e\u011fitilmi\u015f modeli bar\u0131nd\u0131ran bir sunucuda \u00e7al\u0131\u015f\u0131r ve mobil uygulamalar, web siteleri veya di\u011fer yaz\u0131l\u0131mlar bu API'ye istek g\u00f6ndererek modelden tahminler alabilir. Flask veya FastAPI gibi Python web \u00e7er\u00e7eveleri, bu t\u00fcr API'leri olu\u015fturmak i\u00e7in s\u0131k\u00e7a kullan\u0131l\u0131r.<\/p>\n
Mobil uyumlu bir web aray\u00fcz\u00fc tasarlarken, HTML, CSS ve JavaScript temel ara\u00e7lard\u0131r. Duyarl\u0131 (responsive) tasar\u0131m prensipleri, kullan\u0131c\u0131lar\u0131n farkl\u0131 ekran boyutlar\u0131ndaki cihazlarda (telefonlar, tabletler, masa\u00fcst\u00fc bilgisayarlar) optimum bir deneyim ya\u015famas\u0131n\u0131 sa\u011flar. CSS media query'leri, bu duyarl\u0131 tasar\u0131m\u0131 hayata ge\u00e7irmek i\u00e7in kullan\u0131lan temel mekanizmad\u0131r.<\/p>\n
A\u015fa\u011f\u0131da, bir yapay zeka tahmin sonucunu g\u00f6sterebilecek ve farkl\u0131 ekran boyutlar\u0131na uyum sa\u011flayabilecek basit bir HTML ve CSS \u00f6rne\u011fi bulunmaktad\u0131r:<\/p>\n
\n\n \n Yapay Zeka Destekli Tahmin Motoru<\/h2>\n
L\u00fctfen tahmin almak istedi\u011finiz verileri girin:<\/p>\n
\n