Yapay zekâ terimleri: Başlangıç için 20 temel tanım

Bu rehber, yapay zekâ alanına yeni başlayanlar için sık karşılaşılan 20 temel terimi sade bir dille tanımlar ve her maddeye kısa bir uygulama örneği veya öğrenme notu ekler. Tanımlar büyük ölçüde güvenilir sözlük ve akademik kaynaklara dayanır; örneğin Bilim Terimleri Sözlüğü ve Özyeğin Üniversitesi Yapay Zeka merkezi gibi kaynaklar temel alınmıştır.

Aşağıdaki listeyi okurken amaç, kavramların temel anlamını ve nerede kullanıldığını hızlıca görmenizdir. Daha derin teknik detaylar için makalelerin ve akademik kaynakların ilgili bölümlerine bakabilirsiniz.

1. Yapay Zekâ (YZ)

Açıklama: Makinelerin insan benzeri zekâ davranışları göstermesini amaçlayan bilim ve mühendislik alanıdır. YZ, planlama, öğrenme, problem çözme ve dil anlama gibi yetenekleri kapsar. (Kaynak: Bilim Terimleri Sözlüğü).

Örnek: Otomatik öneri sistemleri veya konuşma tanıma uygulamaları.

2. Makine Öğrenimi (ML)

Açıklama: Yapay zekânın bir alt dalı olup, bilgisayarların verilerden öğrenerek performanslarını artırmalarını sağlar. ML, model eğitimi sırasında örüntüleri keşfeder ve yeni veriler üzerinde tahmin yapar. (Kaynak: ÖzÜ AI).

Örnek: E-posta sınıflandırma (spam / spam değil) için bir sınıflandırıcı eğitmek.

3. Derin Öğrenme (DL)

Açıklama: Çok katmanlı yapay sinir ağlarını kullanan, özellikle büyük veri üzerinde güçlü performans gösteren ML alt alanıdır. Derin öğrenme, görüntü, ses ve dil işleme gibi alanlarda yaygın olarak kullanılır. (Kaynak: ÖzÜ AI).

Örnek: Görüntüde nesne tespiti veya ses tanıma modelleri.

4. Yapay Sinir Ağları (ANN)

Açıklama: Biyolojik sinir ağlarının çalışma prensiplerinden ilham alan matematiksel modellerdir. Girdileri ağırlıklarla işler ve katmanlar aracılığıyla çıktıya dönüştürür. (Kaynak: ÖzÜ AI).

Örnek: Basit bir sınıflandırma problemi için çok katmanlı algılayıcı (MLP) kullanımı.

5. Evrişimli Sinir Ağları (CNN)

Açıklama: Görüntü ve video analizine uygun, evrişim (convolution) işlemleri kullanan sinir ağı türüdür. Görsel veride yerel örüntüleri yakalamada etkilidir. (Kaynak: ÖzÜ AI).

Örnek: Fotoğraflarda kedi/ köpek sınıflandırması.

6. Özyinelemeli Sinir Ağları (RNN)

Açıklama: Zaman serileri veya diziler gibi sıralı verileri işlerken geçmiş bilgiyi koruyabilen ağ yapılarıdır. Dil modelleme ve konuşma tanımada sık kullanılır. (Kaynak: ÖzÜ AI).

Örnek: Metin tamamlama veya zaman serisi tahmini.

7. Büyük Dil Modelleri (LLM)

Açıklama: Çok büyük metin verileriyle eğitilen ve insan benzeri metin üretebilen modellerdir. LLM'ler, dil anlama ve üretme görevlerinde güçlü performans gösterir. (Kaynak: ÖzÜ AI).

Örnek: Otomatik yazı önerisi, sohbet botları.

8. Doğal Dil İşleme (NLP)

Açıklama: Bilgisayarların insan dilini anlaması, analiz etmesi ve üretmesi ile ilgilenen alan. NLP, duygu analizi, özetleme, çeviri gibi uygulamaları içerir. (Kaynak: ÖzÜ AI).

Örnek: Müşteri yorumlarından otomatik olarak duygu tespiti yapmak.

9. Generatif Yapay Zeka (Generative AI)

Açıklama: Metin, görüntü, ses veya kod gibi yeni içerikler üretebilen modelleri tanımlar. Bu modeller, öğrenilen örüntülerden yeni örnekler oluşturmaya odaklanır. (Kaynak: ÖzÜ AI).

Örnek: Görsel içerik üreten modeller veya metin oluşturma sistemleri.

10. Takviyeli Öğrenme (Reinforcement Learning - RL)

Açıklama: Bir ajan, çevresiyle etkileşime girerek ödül-ceza sinyalleri üzerinden öğrenir. RL, oyun oynama, robotik kontrol gibi etkileşim gerektiren problemlerde kullanılır. (Kaynak: ÖzÜ AI).

Örnek: Bir oyunda skor maksimize eden strateji geliştirmek.

11. Denetimli Öğrenme (Supervised Learning)

Açıklama: Etiketli veri çiftleri (girdi-çıktı) kullanılarak model eğitme yöntemidir. Model, verilen girdiye karşılık doğru çıktıyı tahmin etmeyi öğrenir. (Kaynak: ÖzÜ AI).

Örnek: Görüntü etiketleriyle eğitim verilen sınıflandırma modelleri.

12. Denetimsiz Öğrenme (Unsupervised Learning)

Açıklama: Etiketlenmemiş verilerde gizli örüntüleri ve grupları keşfetmeye yönelik yöntemlerdir; kümeleme ve boyut indirgeme tipik örnekleridir. (Kaynak: ÖzÜ AI).

Örnek: Müşteri segmentasyonu için kümeleme algoritmaları.

13. Veri Madenciliği

Açıklama: Büyük veri kümelerinden anlamlı desenler ve bilgiler çıkarma sürecidir. Veri madenciliği, veri hazırlama, modelleme ve sonuç yorumlama aşamalarını içerir. (Kaynak: ÖzÜ AI).

Örnek: Satış verilerinden müşteri davranış modelleri çıkarmak.

14. Özellik Mühendisliği (Feature Engineering)

Açıklama: Ham veriden, modelin daha iyi öğrenmesini sağlayacak anlamlı değişkenlerin (özelliklerin) oluşturulması işlemi. Başarılı bir özellik mühendisliği model performansını ciddi oranda iyileştirebilir. (Kaynak: ÖzÜ AI).

Örnek: Tarih bilgisinden hafta içi/hafta sonu özelliği çıkarma.

15. Duygu Analizi (Sentiment Analysis)

Açıklama: Metinlerdeki duygu eğilimini (pozitif, negatif, nötr) otomatik olarak belirlemeye yönelik NLP uygulamasıdır. Sosyal medya ve müşteri geri bildirimlerinde sık kullanılır. (Kaynak: ÖzÜ AI).

Örnek: Marka hakkında atılan tweetlerin genel duygu dağılımını ölçmek.

16. Aşırı Uyum (Overfitting)

Açıklama: Bir modelin eğitim verisine çok iyi uyup yeni verilerde zayıf performans göstermesi durumudur. Genelleme yeteneğinin kaybolmasıyla ilgilidir; daha fazla veri, düzenleme (regularization) veya çapraz doğrulama gibi yöntemlerle azaltılabilir. (Kaynak: Siemens AI sözlüğü).

Örnek: Eğitim verisindeki gürültüleri ezberleyen bir sınıflandırıcının test setinde başarısının düşmesi.

17. Hiperparametre (Hyperparameter)

Açıklama: Model eğitimi sırasında dışarıdan belirlenen ve öğrenme sırasında ayarlanmayan parametrelerdir (ör. öğrenme hızı, katman sayısı). Doğru hiperparametre seçimi model performansını etkiler. (Kaynak: Siemens AI sözlüğü).

Örnek: Öğrenme oranını (learning rate) değiştirerek eğitim davranışını gözlemlemek.

18. Model Değerlendirme Metrikleri

Açıklama: Modelleri karşılaştırmak ve doğruluklarını ölçmek için kullanılan ölçütlerdir; doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1 skoru yaygın örneklerdendir. Hangi metriğin kullanılacağı probleme göre değişir. (Kaynak: Shaip AI sözlüğü).

Örnek: Dengesiz sınıflarda accuracy yanıltıcı olabilir; bu durumda precision/recall daha bilgilendiricidir.

19. Transfer Öğrenme (Transfer Learning)

Açıklama: Önceden eğitilmiş bir modelin bilgilerini başka bir göreve aktarma yöntemidir. Küçük veri setleriyle çalışırken zaman ve kaynak tasarrufu sağlar. (Kaynak: Siemens AI sözlüğü).

Örnek: Büyük bir görüntü sınıflandırma modelinin ağırlıklarını alıp, farklı bir görüntü setine ince ayar yapmak.

20. Yapay Genel Zekâ (AGI)

Açıklama: İnsan düzeyinde geniş ve esnek bilişsel yeteneklere sahip, farklı görevler arasında transfer yapabilen teorik yapay zekâ çeşididir. AGI hâlen araştırma ve tartışma konusudur; pratikte yaygın bir AGI uygulaması bulunmamaktadır. (Kaynak: ÖzÜ AI).

Örnek: (Teorik) Bir modelin hem çeviri yapıp hem de yeni bir bilimsel hipotez önerme kapasitesi olması beklenir.

Hızlı Başlangıç: 6 adım

Temel kavramları öğrenin: YZ, ML, DL, ANN, NLP gibi ana terimleri ilk hafta içinde gözden geçirin.
Matematik/istatistik ve temel programlama bilgisi edinin (özellikle Python).
Basit projeler yapın: veri temizleme, basit sınıflandırma modelleri, küçük NLP uygulamaları.
Öğrendiklerinizi küçük veri setleri üzerinde uygulayarak test edin ve değerlendirme metriklerini kullanın.
Transfer öğrenme ve hazır modellerle çalışarak zamandan tasarruf edin.
Sürekli pratik yapın ve güvenilir kaynaklardan güncel kalın; önemli terimler zamanla derinleşir.

Kontrol listesi (Yeni başlayanlar için)

Temel terimler ve kısa tanımları anladım mı?
Basit bir sınıflandırma modelini eğitip değerlendirebiliyor muyum?
Özellik mühendisliği ve model değerlendirme metriklerini kullanabiliyor muyum?
Hazır bir LLM veya transfer öğrenme örneğini çalıştırdım mı?

Kaynaklar ve daha fazla okuma

Daha derin bilgi için aşağıdaki kaynakları inceleyebilirsiniz:

Sınırlamalar ve not

Bu yazı giriş düzeyinde tanımları ve pratik önerileri içerir; her terimin altındaki açıklamalar derin teknik detayları kapsamaz. İleri düzey uygulamalar ve matematiksel altyapı için akademik makaleler ve resmi dokümantasyonlardan yararlanmanız faydalı olacaktır.