Giriş

Bu hızlı sözlük, "yapay zeka terimleri" arayanlar için hazırlanmıştır. 25 temel kavramı kısa ve uygulamalı şekilde tanımlıyor; her tanımda ne işe yaradığını, nerede karşılaşabileceğinizi ve küçük bir uygulama ipucu veriyoruz. Temel amaç, kavramları hızlıca anlamak ve basit projelerde kullanabilmeniz için pratik yönlendirme sağlamaktır.

Hızlı Sözlük: 25 Başlıca Terim

  1. Yapay Zekâ (YZ): İnsan benzeri algılama, öğrenme ve problem çözme yetenekleri gösteren sistemlerin genel adı. Geniş bir kavram olup makine öğrenimi gibi alt alanları içerir. (Kaynak: Techinside.)
  2. Makine Öğrenimi (ML): Verilerden örüntü ve karar kuralları çıkarmaya odaklanan YZ dalı. Denetimli, denetimsiz ve pekiştirmeli öğrenme gibi yaklaşımları kapsar. (Kaynak: Techinside.)
  3. Denetimli Öğrenme (Supervised Learning): Girdi–çıktı eşleştirmeleriyle modelin öğrenildiği yöntem; sınıflandırma ve regresyon problemlerinde yaygındır. Örnek: e-posta spam tespiti için etiketli veri seti kullanmak.
  4. Denetimsiz Öğrenme (Unsupervised Learning): Etiketlenmemiş verilerden yapıyı çıkarmaya yönelik yöntemler (kümeleme, boyut indirgeme). Örnek: müşteri segmentasyonu.
  5. Pekiştirmeli Öğrenme (Reinforcement Learning): Bir ajanın, ödül/ceza sinyallerine göre hareket politikasını öğrendiği yöntem. Oyunlar, robotik ve optimizasyon problemlerinde kullanılır.
  6. Derin Öğrenme (Deep Learning): Çok katmanlı yapay sinir ağları kullanarak karmaşık verilerde örüntüleri yakalayan ML alt dalı. Görüntü ve ses gibi büyük veri türlerinde güçlü sonuçlar verir. (Kaynak: Techinside.)
  7. Yapay Sinir Ağları (YSA / Neural Networks): Biyolojik sinir ağlarından esinlenen hesaplama yapıları; düğümler (nöronlar) ve ağırlıklardan oluşur. Derin ağlar çok sayıda katman içerir.
  8. Büyük Dil Modelleri (LLM): Çok büyük metin verisiyle eğitilmiş, doğal dili anlayıp üretmekte güçlü modeller. Soru-cevap, özetleme ve metin üretme uygulamalarında kullanılır. (Kaynak: Furkan Ertek.)
  9. Doğal Dil İşleme (NLP): İnsan dilini anlama, işleme ve üretme üzerine teknikler ve modeller bütünü. Metin sınıflandırma, çeviri ve duygu analizini kapsar. (Kaynak: Shaip.)
  10. Özellik Mühendisliği (Feature Engineering): Ham veriden modele uygun özelliklerin (feature) çıkarılması ve dönüştürülmesi işlemi. Basit ama etkili özellikler model performansını ciddi oranda etkiler.
  11. Aşırı Uydurma (Overfitting): Modelin eğitim verisine fazla uyum sağlayıp yeni veride kötü performans göstermesi durumu. Düzenleme, veri artırma ve çapraz doğrulama ile azaltılabilir.
  12. Yetersiz Uydurma (Underfitting): Modelin hem eğitim hem de test verisinde beklenen performansı verememesi; genellikle model kapasitesinin yetersiz olduğu durumlarda görülür.
  13. Model Doğrulama (Validation / Cross-validation): Modelin genel performansını kestirmek için veriyi bölme ve tekrar eden testler yapma süreci. Çapraz doğrulama yaygın bir tekniktir.
  14. Transfer Öğrenme: Önceden eğitilmiş bir modelin yeni, benzer bir görev için yeniden kullanılması; veri ve eğitim maliyetlerini düşürür.
  15. Sıfır Atışlı Öğrenme (Zero-Shot Learning): Modelin daha önce görmediği görevleri örnek görmeden çözebilme yeteneği. Bu yaklaşım LLM'lerde ve bazı genel modellerde görülür. (Kaynak: Furkan Ertek.)
  16. Üretken Yapay Zeka (Generative AI): Metin, resim veya diğer medya türlerini yeni içerik olarak üretebilen modeller. Örnekler: metin üretimi, görsel sentez. (Kaynak: ESET Glossary.)
  17. Yapay Zeka Halüsinasyonları: Modelin eksik veya yanlış dayanaklarla kendinden emin fakat hatalı çıktılar üretmesi. Özellikle üretken modellerde doğrulama gerektirir. (Kaynak: ESET Glossary.)
  18. Otonom Sistemler: İnsan müdahalesi olmaksızın belirli görevleri gerçekleştirebilen sistemler; örnek kullanım alanları sürüş ve otomasyon uygulamalarıdır.
  19. Veri Setleri ve Etiketleme: Model eğitiminin temelini oluşturan veriler; kaliteli ve dengeli etiketleme güvenilir sonuçlar için kritiktir.
  20. Tokenizasyon: Metni küçük parçalara (token) ayırma süreci; LLM ve NLP iş akışlarının temel adımlarındandır.
  21. Gömülü Vektörler (Embeddings): Kelime veya belgeleri sayısal vektörlere dönüştürme yöntemi; benzerlik hesapları ve semantik arama için kullanılır.
  22. Semantik Arama: Anahtar kelime eşleşmesi yerine anlam temelli arama yapan yaklaşımlar; embedding ve yakınlık ölçümlerine dayanır.
  23. Optimizasyon Algoritmaları: Model ağırlıklarını güncelleyen yöntemler (ör. SGD, Adam); eğitim sürecinin merkezindedir.
  24. İnferans (Çıktı Üretimi): Eğitilmiş modelin yeni veriler üzerinde tahmin veya çıktı üretme aşaması. Üretim ortamında hızlı ve güvenilir inferans önemlidir.
  25. Sorumlu Yapay Zeka (Responsible AI): YZ sistemlerinin etik, adil ve şeffaf tasarımı; veri gizliliği, önyargı takibi ve hesap verebilirlik gibi unsurları içerir.

Hızlı Uygulama Rehberi (Adım Adım)

  1. 1. Amacı belirleyin: Çözmek istediğiniz problemi netleştirin (sınıflandırma mı, tahmin mi?).
  2. 2. Küçük bir veri seti ile deneyin: Başlangıçta basit veri ve modeller seçin; sonuçları görece, hatalardan öğrenirsiniz.
  3. 3. Temizleme ve özellik hazırlama: Eksik veri, aykırı değer ve uygun özellik seçimi performansı etkiler.
  4. 4. Model seçimi ve doğrulama: Basitten karmaşığa ilerleyin; çapraz doğrulama ile genelleme yeteneğini kontrol edin.
  5. 5. Değerlendirme metrikleri: Doğru metriği (accuracy, precision, recall, F1 vb.) iş hedefinize göre seçin.
  6. 6. Üretime geçirme: İnferans gecikmesi, izleme ve model güncelleme süreçlerini planlayın.

Sık Yapılan Karışıklıklar

  • YZ vs ML: YZ geniş bir alandır; ML bu alanın bir alt kümesidir.
  • Derin öğrenme her problemi çözmez: Küçük veri setlerinde basit modeller daha iyi sonuç verebilir.
  • LLM ≠ NLP: LLM'ler NLP uygulamalarında güçlü araçlardır ama NLP daha geniş dil işleme tekniklerini kapsar.
  • Üretken modeller güvenilmez olabilir: Üretilen çıktıların doğruluğunu doğrulama mekanizmaları eklemek önemlidir. (Kaynak: ESET Glossary.)

Kısa Kontrol Listesi (Proje Başlangıcı İçin)

  • Problemi net tanımladınız mı?
  • Yeterli ve temiz veri mevcut mu?
  • Doğru değerlendirme metriklerini seçtiniz mi?
  • Modelin genellemesini test ettiniz mi (çapraz doğrulama)?
  • Etik/gizlilik risklerini değerlendirdiniz mi?

Pratik Örnek: Basit Metin Sınıflandırma Projesi (Adımlar)

  1. Problem: E-posta sınıflandırma (spam/ham).
  2. Veri: Etiketli e-posta örnekleri topla ve temizle.
  3. Önişlem: Tokenizasyon, gömme (embedding) veya TF-IDF uygulayın.
  4. Model: Basit bir lojistik regresyon veya küçük bir neural network ile başlayın.
  5. Değerlendirme: Precision/recall ile performansı ölçün ve gerektiğinde özellik mühendisliği yapın.

Kaynaklar ve ileri okuma: Bu kısa sözlükteki tanımlar temel kaynaklardan derlenmiştir; daha ayrıntılı okumalar için Techinside, Shaip, Furkan Ertek ve ESET'in ilgili sayfalarını inceleyebilirsiniz: Techinside, Shaip, Furkan Ertek, ESET Glossary.

Bu rehberi referans olarak kullanıp küçük projelerle kavramları pekiştirmeniz önerilir. İleri düzey konular için transfer öğrenme, model izleme ve sorumlu yapay zeka uygulamalarını araştırın.