Up next in 10
Auzef Yapay Zeka ve Makine Öğrenmesi 2024-2025 Final Soruları
https://lolonolo.com/2026/06/05/yapay-zeka-ve-makine-ogrenmesi-2024-2025-final-sorulari/
https://lolonolo.com
Show More Show Less View Video Transcript
0:00
Herkese merhaba. Biliyorum şu an büyük
0:02
ihtimalle o soğumuş kahvelerinizi
0:04
yudumluyor ve 2024-2025 makine öğrenmesi
0:07
finalleri için sabahlarken notlar
0:09
arasında kayboluyorsunuz. Önce derin bir
0:12
nefes alın. Gerçekten doğru yerdesiniz.
0:14
Bugün o karmaşık algoritmaları körü
0:16
körüne ezberlemek yerine işin mantığını
0:19
şıp diye kavrayacağımız çok özel bir
0:20
rehberle karşınızdayım. Sınavda
0:22
karşınıza çıkacak o zorlu kavramları
0:25
adeta bir yapbuzun parçalarını
0:26
birleştirir gibi zihninize kazıyacağız.
0:29
Not defterleriniz hazırsa sizi o finale
0:31
tam anlamıyla hazırlayacak bu incelemeye
0:33
hemen başlayalım. Başlamadan önce asıl
0:36
meselenin kalbine inelim. Kendimize
0:38
sormamız gereken en temel belki de en
0:40
felsefi soru şu: Bilgisayarlar biz
0:43
onlara açıkça şunu yap demeden nasıl
0:45
öğreniyor? İşte makine öğrenmesinin
0:48
çözdüğü problem tam olarak bu. Klasik
0:51
programlamayı düşünün. Bilgisayara adım
0:53
adım ne yapacağını söylersiniz değil mi?
0:55
Şöyle olursa böyle yap dersiniz. Ama
0:57
makine öğrenmesi oyunun kurallarını
1:00
tamamen değiştiriyor. Sisteme sadece
1:02
veriyi veriyoruz ve kuralları kendi
1:04
başına deneyimleyerek bulmasını
1:06
sağlıyoruz. Gerçekten inanılmaz bir
1:08
yaklaşım. Peki bunu nasıl yapacağız?
1:11
İşte yol haritamız. Birinci bölümde
1:14
makine öğrenmesinin temellerini
1:15
atıyoruz. İkincisinde temel
1:18
sınıflandırma ve kümeleme
1:19
algoritmalarına bakıyoruz. 3üncü adımda
1:22
veri ön işleme ve değerlendirme var. Ve
1:25
son olarak 4. bölümde o meşhur derin
1:28
öğrenme devrimine göz atacağız. Hiç
1:30
merak etmeyin. Her şey birbiri üzerine
1:33
tam oturacak. Tamam. Hadi bunu
1:35
derinlemesine de alalım. 1ci bölüm
1:37
makine öğrenmesinin temelleri. Şimdi
1:40
makine öğrenmesi felsefesinde iki devasa
1:42
dal vardır. Bir yanda danışmanlığı
1:44
öğrenme yani supervised learning. Burada
1:47
sistemin bir öğretmene ihtiyacı var.
1:49
Neden mi? Çünkü elimizdeki verilerin
1:51
etiketleri yani doğru cevapları zaten
1:54
belli. Sınıflandırma ve regresyon
1:56
görevleri tam olarak buraya düşüyor.
1:58
Diğer yandaysa danışmansız öğrenme yani
2:01
unsupervised learning var. Burada işler
2:03
biraz daha vahşi. Verilerde hiçbir
2:06
etiket yok. Algoritma verinin içindeki
2:08
gizli yapıları tamamen kendi başına
2:10
bulmak zorunda. Mesela kümeleme
2:12
işlemleri yani clustering işte bu
2:14
danışmansız dünyanın tam merkezinde yer
2:16
alıyor. Ama dürüst olalım. İşler her
2:19
zaman tıkırında gitmiyor. Veri
2:21
bilimcilerin en büyük kabusu, adeta baş
2:23
düşmanı olan bir kavram var. Aşırı
2:25
öğrenme veya literatürdeki o meşhur
2:28
adıyla overfitting. Peki nedir bu? Şöyle
2:31
düşünün. Modeliniz kuralları öğrenmek
2:33
yerine gidip eğitim verisindeki her
2:35
detayı hatta gereksiz gürültüleri bile
2:38
birebir ezberliyor. Hani sınav
2:40
sorularını ezberleyip konuyu zerre
2:41
anlamayan o öğrenci tipi vardır ya.
2:43
Aynen öyle. Gerçek dünyada daha önce hiç
2:47
görmediği yepyeni bir veriyle
2:48
karşılaştığında ise bum anında
2:51
çuvallıyor. Peki biz bu ezberciliği
2:53
nasıl önleyeceğiz? İşte kurtarıcımız
2:56
çapraz geçerleme yani cross validation.
2:59
Olay şu: Modeli tek bir veri setiyle
3:01
eğitip tamam bu oldu demiyoruz. Hayır,
3:03
elimizdeki veriyi parçalara bölüyoruz.
3:06
Modeli farklı parçalarla tekrar tekrar
3:08
defalarca test ediyoruz. Böylece modelin
3:10
sadece ezber yapmadığından, gerçekten
3:13
mantığı anladığından emin oluyoruz.
3:15
Kesinlikle hayat kurtaran bir yöntem.
3:17
Temelleri gayet güzel oturttuk. Harika.
3:19
Şimdi hız kesmeden ikinci bölüme temel
3:21
sınıflandırma ve kümeleme
3:23
algoritmalarına geçiyoruz. Artık alet
3:25
çantamızdaki araçlara yakından bakma
3:26
vakti. İlk aracımız KNN yani K en yakın
3:31
komşu. Ben bu algoritmaya bayılıyorum
3:33
çünkü inanılmaz tembel bir öğrenci.
3:35
Gerçekten buna lazy learning deniyor.
3:38
Önceden oturup ağır bir model falan
3:40
kurmaz. Yeni bir veri geldiğinde ne
3:42
yapar biliyor musunuz? Öklit, Manattın
3:44
veya Minkowski gibi metrikleri
3:46
kullanarak mesafeleri ölçer, çevresine
3:49
bakar. Kendisine en yakın olan K
3:51
sayıdaki komşusunu bulur ve onlara
3:53
basitçe bir çoğunluk oylaması yaptırır.
3:55
Çoğunluk ne diyorsa ben de oyum der ve
3:57
sınıfı belirler. Basit ama kesinlikle
3:59
çok güçlü. Sıradaki konuğumuz ise
4:02
tamamen olasılıklar üzerinden çalışan
4:04
naive bayes. İsmi ilginç değil mi? Neden
4:07
naiv yani saf diyoruz buna? Çünkü bu
4:10
algoritma verideki tüm özelliklerin
4:12
birbirinden tamamen bağımsız olduğunu
4:14
varsayacak kadar saftır. Gerçek hayatta
4:17
her şeyin birbirinden tamamen bağımsız
4:19
olması pek mümkün olmasa da bu cesur
4:22
varsayım işleri o kadar hızlandırır ki
4:24
özellikle metin sınıflandırma gibi
4:26
problemlerde gerçekten harikalar
4:28
yaratır. Ve geldik karar ağaçlarına.
4:30
Cart, ED3, She4.5 gibi havalı isimleri
4:34
olan bu algoritmalar veriyi adeta bir
4:36
ağaç dalı gibi mantıksal parçalara
4:38
böler. Hani şu aklından bir sayı tutut
4:40
oyunu vardır ya onun gibi. Peki ama
4:42
veriyi nereden böleceğini nasıl biliyor?
4:44
İşte sınavda karşınıza kesin çıkacak
4:46
olan o terimler. Bilgi kazancı ve gin
4:49
insafsızlığı. Model entropi
4:51
hesaplamalarıyla belirsizliği ölçer.
4:53
Belirsizliği en çok düşüren yani bize en
4:56
çok bilgi kazandıran soruyu bulup veriyi
4:58
oradan ikiye ayırır. Çok mantıklı değil
5:00
mi? Danışmansız öğrenmeye dönersek
5:03
sahnenin yıldızı K means Means yani K
5:05
ortalamalar algoritmasıdır. Elinizde
5:08
karmakarışık etiketsiz bir veri yığını
5:10
varsa ilk başvuracağınız algoritma
5:12
budur. Mantığı şu: Önce veriyi rastgele
5:15
K tane kümeye böler. Sonra işin sihirli
5:18
kısmı başlar. Veri noktalarının o
5:21
kümelerin merkezlerine yani sentroidlere
5:23
olan uzaklıklarını minimize etmeye
5:25
çalışır. Her veri en yakın merkeze
5:27
kayar. Merkezler yeniden hesaplanır ve o
5:30
mükemmel denge bulunana kadar bu işlem
5:32
tekrar eder. Şimdi bunu nasıl bir temele
5:34
oturttuğumuzu görmek için bölüm 3'e
5:36
geçelim. Veri ön işleme ve
5:38
değerlendirme. Çünkü elimizdeki araçlar
5:41
ne kadar iyi olursa olsun onlara doğru
5:43
malzemeyi vermezsek hiçbir işe
5:45
yaramazlar. Bakın bu kısım çok kritik. 0
5:47
ve 1. Eğer ham veriyi olduğu gibi gidip
5:50
algoritmaya verirseniz modelinizin
5:52
kafası inanılmaz karışır. Düşünün bir
5:54
yanda milyonlarla ifade edilen bir maaş
5:56
verisi var. Diğer yanda 1 ile 5 arasında
5:58
değişen bir müşteri puanı algoritma 10
6:00
milyonluk değeri görünce paniğe kapılıp
6:02
diğerini yok sayabilir. İşte bu yüzden
6:04
min max scaling gibi yöntemlerle tüm
6:07
sayısal değerleri kendi içindeki
6:08
orantıyı bozmadan 0 la 1 arasına
6:10
sıkıştırıyoruz. Eşitlik ve adalet için
6:12
bu şart. Sınav için altın değerinde bir
6:15
bilgi daha vereyim. Modeli kurdunuz.
6:17
Harika. Peki nasıl değerlendireceksiniz?
6:20
Eğer K, NN veya karar ağaçları gibi bir
6:23
sınıflandırma problemi çözüyorsanız
6:25
doğruluk, duyarlılık ve karmaşıklık
6:27
matrisi gibi metriklere bakmalısınız.
6:29
Ama eğer bir regresyon yani sayısal bir
6:32
tahmin modeli kurduysanız o zaman
6:34
ortalama kare hata yani MSE ve π değeri
6:37
gibi metrikleri kullanacaksınız.
6:39
Elmalarla armutları toplamayın. Doğru
6:41
model için doğru metriyi seçmek her
6:43
şeydir. Ve işte o an tüm bu
6:46
algoritmaları, mesafeleri, matematiksel
6:48
kavramları aldık ve zirveye ulaştık.
6:51
Bölüm 4. Derin öğrenme devrimi. Artık
6:54
klasik makine öğrenmesinin sınırlarını
6:56
açtığımız yerdeyiz. Teknoloji durmadı.
6:58
Çok daha devasa veri setleriyle başa
7:00
çıkmamız gerekti. İşte tam da burada
7:03
insan beynindeki nöronların çalışma
7:04
mantığından ilham alan o inanılmaz
7:06
derecede karmaşık yapay sinür ağları
7:08
devreye girdi. Ve bugün bu devasa
7:11
sistemleri sıfırdan yazmıyoruz. Arka
7:13
planda tüm o ağır matematiği bizim için
7:15
halleden keras ve tenser flow gibi
7:17
muazzam kütüphaneleri kullanıyoruz.
7:19
Gerçekten büyük bir güç. Peki bu evrim
7:22
nasıl gerçekleşti? Bu tablo bunu
7:24
mükemmel özetliyor. Her şey basit yapay
7:26
sinir ağları ile başladı ama asıl
7:28
kırılma noktası ağın kendi yaptığı
7:30
hataları geriye doğru ileterek kendini
7:33
düzeltmesini sağlayan geriye yayılım
7:35
yani back propagation algoritması oldu.
7:37
Bu dahice keşif çok katmanlı derin
7:40
öğrenme modellerini eğitebilmemizi
7:41
sağladı. Ve sonuç ne mi oldu? Bugün chat
7:44
GPT gibi herkesin hayatına dokunan o
7:47
milyarlarca parametreli büyük dil
7:49
modellerinin doğuşu. Hepsi başından beri
7:51
konuştuğumuz o temel optimizasyon
7:53
mantığının bir eseri. Ve incelememizin
7:56
sonuna gelirken sizi şu kışkırtıcı
7:59
soruyla başa bırakmak istiyorum.
8:01
Düşünsenize derin öğrenme modelleri
8:03
şimdiden milyarlarca parametreye ulaştı.
8:06
Kendi başlarına kod yazabiliyor, şiirler
8:09
üretebiliyor, karmaşık mantıksal
8:11
çıkarımlar yapabiliyorlar. Peki ya sonra
8:14
bir sonraki adımda acaba daha neleri
8:15
yapmayı öğrenecekler? İnanılmaz değil
8:18
mi? Finallerinizde bu kavramları kağıda
8:20
dökerken aslında insanlık tarihinin en
8:23
büyük teknolojik sıçramalarından birinin
8:25
anatomisini yazdığınızı unutmayın.
8:27
Sınavda hepinize kocaman başarılar
8:29
diliyorum. Bir sonraki incelememizde
8:31
görüşmek üzere. Kendinize çok iyi bakın.
#Jobs & Education