🧠 Temel Kavramlar ve Çatılar

Terim (Türkçe)

İngilizce Karşılığı

Tanım ve Önemi

Yapay Zeka (YZ)

Artificial Intelligence (AI)

İnsan zekasını taklit eden, öğrenme, problem çözme, karar verme, algılama ve dil anlama gibi görevleri yerine getirebilen sistemlerin geliştirilmesi. Geniş Çatı olarak adlandırılır.

Makine Öğrenimi (MÖ)

Machine Learning (ML)

Bilgisayarların, açıkça programlanmadan, veri yoluyla öğrenmesini sağlayan YZ alt dalı. Temelde, verideki kalıpları bularak gelecekteki veriler hakkında tahmin yapma yeteneğidir.

Derin Öğrenme (DÖ)

Deep Learning (DL)

Makine öğreniminin bir alt dalıdır. İnsan beyninin sinir ağı yapısını taklit eden çok katmanlı sinir ağları (Derin Sinir Ağları) kullanır. Özellikle görüntü işleme, doğal dil işleme gibi karmaşık görevlerde başarılıdır.

Büyük Dil Modeli (BDM)

Large Language Model (LLM)

Büyük miktarda metin verisi üzerinde eğitilmiş, insan dilini anlama, üretme ve özetleme yeteneğine sahip derin öğrenme modeli (Örn: GPT, LaMDA).

Veri Bilimi

Data Science

Verilerden bilgi ve içgörü elde etmek için bilimsel yöntemleri, süreçleri, algoritmaları ve sistemleri kullanan disiplinler arası bir alandır. YZ'nin temelini oluşturur.

Eğitim Verisi

Training Data

Bir modelin öğrenme sürecinde, kalıpları ve kuralları çıkarmak için kullandığı, bilinen girdiler ve çıktıları içeren veri kümesi.

💡 Makine Öğrenimi Türleri

Terim (Türkçe)

İngilizce Karşılığı

Tanım ve Örnekler

Denetimli Öğrenim

Supervised Learning

Modelin, hem giriş verisi (özellikler) hem de beklenen çıktı (etiket/cevap) ile eğitildiği yöntemdir.

Örn: E-posta Sınıflandırma (Girdi: E-posta metni, Çıktı: Spam/Değil)

Denetimsiz Öğrenim

Unsupervised Learning

Modelin yalnızca giriş verisiyle eğitildiği yöntemdir. Etiketlenmiş bir çıktı yoktur; modelin görevi, verinin içindeki gizli yapıları ve kalıpları (gruplama/kümeleme) keşfetmektir.

Örn: Müşteri Kümeleme (Veri: Müşteri davranışları, Çıktı: Davranış grupları).

Pekiştirmeli Öğrenim

Reinforcement Learning (RL)

Bir ajanın, bir ortam içinde belirli bir ödül maksimizasyonu hedefiyle kararlar alarak öğrendiği yöntemdir. Model, deneme-yanılma yoluyla öğrenir.

Örn: Otonom sürüş sistemleri, karmaşık oyunları oynayan YZ.

Makine öğrenimi problemleri, modelin veriden nasıl öğrendiğine göre üç ana başlıkta incelenir:⚙️ Modeller ve Algoritmalar

Terim (Türkçe)

İngilizce Karşılığı

Tanım ve Önemi

Sinir Ağı

Neural Network

İnsan beynindeki nöronların çalışma şeklini taklit eden, düğümlerden (nöronlar) ve bağlantılardan (ağırlıklar) oluşan bir model yapısı.

Nöron (Düğüm) | Neuron (Node) | Sinir ağındaki temel işlem birimi. Girdileri alır, bir aktivasyon fonksiyonu uygular ve çıktıyı bir sonraki katmana iletir. |

• Aktivasyon Fonksiyonu | Activation Function | Bir nöronun çıktısını belirleyen, genellikle doğrusal olmayan bir fonksiyon (Örn: ReLU, Sigmoid). Bu, ağın karmaşık kalıpları öğrenmesini sağlar. |
• Gizli Katman | Hidden Layer | Sinir ağında giriş ve çıkış katmanları arasında yer alan, modelin veri üzerindeki karmaşık dönüşümleri yaptığı katman(lar). |
• Ağırlıklar | Weights | Nöronlar arasındaki bağlantıların gücünü gösteren parametrelerdir. Modelin öğrenme sürecinde güncellenen asıl değerlerdir. |
• Önyargı/Sapma | Bias | Bir nöronun aktivasyon fonksiyonuna girmeden önce eklenen sabit bir değerdir. Modelin esnekliğini artırır. |
• Evrişimsel Sinir Ağı | Convolutional Neural Network (CNN) | Özellikle görüntü tanıma ve video analizi için tasarlanmış derin öğrenme ağı. Temel bileşeni, verideki yerel kalıpları(kenarlar,dokular) yakalayan "Evrişim Katmanıdır." |
• Tekrarlayan Sinir Ağı | Recurrent Neural Network (RNN) | Özellikle sıralı veri (metin, ses, zaman serisi) işlemek için tasarlanmıştır. Önceki adımlardan bilgi tutabilen bir "bellek" yapısına sahiptir. |

Transformer | Transformer | RNN'lerin yerini alan, özellikle doğal dil işleme (NLP) görevlerinde

kullanılan bir derin öğrenme mimarisidir. Dikkat Mekanizması (Attention Mechanism) sayesinde verinin farklı bölümlerine farklı ağırlıklar atayarak uzun mesafeli bağımlılıkları yakalamakta çok başarılıdır📊 Eğitim ve Değerlendirme

Terim (Türkçe)

İngilizce Karşılığı

Tanım ve Önemi

Kayıp Fonksiyonu

Loss Function / Cost Function

Modelin tahmini ile gerçek değer arasındaki hatayı ölçen fonksiyondur. Eğitimin amacı bu hatayı (kaybı) minimuma indirmektir.

Optimizasyon

Optimization

Kayıp fonksiyonunu minimuma indirmek için modelin ağırlıklarının ayarlanması süreci. Genellikle Gradyan İnişi (Gradient Descent) ile yapılır.

Gradyan İnişi

Gradient Descent

Optimizasyon algoritmasıdır. Kayıp fonksiyonunun en hızlı azaldığı yöne doğru (negatif gradyan yönüne) model parametrelerini (ağırlıklar) iteratif olarak günceller.

Öğrenme Oranı

Learning Rate

Optimizasyon sırasında modelin ağırlıklarını ne kadar büyük adımlarla güncelleyeceğini belirleyen hiper-parametredir. Büyük adım hızlı, küçük adım yavaş ama daha doğru öğrenme anlamına gelebilir.

Aşırı Öğrenme

Overfitting

Modelin eğitim verisindeki gürültüyü veya özel durumları ezberlemesi, ancak yeni, görülmemiş veride düşük performans göstermesidir.

Eksik Öğrenme

Underfitting

Modelin eğitim verisindeki temel kalıpları dahi yakalayamaması, çok basit kalması durumudur. Hem eğitim hem de test verisinde düşük performansa neden olur.

Doğruluk

Accuracy

Modelin tüm tahminleri arasında doğru yaptığı tahminlerin oranıdır. En yaygın performans ölçütlerinden biridir.

Hata Matrisi

Confusion Matrix

Bir sınıflandırma modelinin performansını gösteren tablodur. Doğru pozitif, doğru negatif, yanlış pozitif ve yanlış negatif değerleri içerir.

🗣️ Doğal Dil İşleme (NLP)

Terim (Türkçe)

İngilizce Karşılığı

Tanım ve Önemi

Doğal Dil İşleme

Natural Language Processing (NLP)

Bilgisayarların insan dilini (yazılı ve sözlü) anlama, yorumlama ve üretme yeteneği kazandırılması.

Jetonlaştırma

Tokenization

Cümleyi anlamlı birimlere (kelime, kelime altı birimi veya karakter) ayırma süreci. Bu birimlere Jeton (Token) denir.

Kelime Gömme

Word Embedding

Kelimelerin anlamsal ilişkilerini koruyarak, sayısal bir vektör uzayında temsil edilmesi (Örn: Word2Vec, GloVe).

Duygu Analizi

Sentiment Analysis

Metin verilerinden (yorumlar, sosyal medya gönderileri) yazarın veya konuşmacının tutumunu, duygusunu veya öznel durumunu belirleme görevi.

Dikkat Mekanizması

Attention Mechanism

Modelin, girdi verisinin tamamına bakmak yerine, belirli bir çıktı üretirken girdinin en alakalı kısımlarına odaklanmasını sağlayan bir tekniktir (Transformer'ların temeli).

Metninizi buraya girin...