🎓 Yapay zeka Test 1 - Ders Notu
Bu ders notu, "Yapay zeka Test 1" sınavında karşılaşabileceğin temel yapay zeka kavramlarını, alt alanlarını ve önemli prensiplerini sade bir dille özetlemektedir. Amacımız, konuyu kolayca anlamanı ve sınavda başarılı olmanı sağlamaktır.
📌 Yapay Zeka (YZ) Nedir?
Yapay zeka, makinelerin insan gibi düşünme, öğrenme, problem çözme, algılama ve karar verme yetenekleri kazanmasını sağlayan bir bilim dalıdır. Temel hedefi, karmaşık görevleri otomatikleştirmek ve insan zekasını taklit etmektir.
- Tanım: Bilgisayar sistemlerinin insan zekasını taklit eden görevleri yerine getirme yeteneği.
- Amaç: Öğrenme, akıl yürütme, problem çözme, algılama ve dil anlama gibi bilişsel işlevleri gerçekleştirebilen sistemler geliştirmek.
- Günlük Hayattan Örnek: Akıllı telefonlardaki sesli asistanlar (Siri, Google Asistan) veya öneri sistemleri (Netflix, Spotify).
💡 İpucu: Yapay zeka, sadece robotlardan ibaret değildir. Gördüğün birçok dijital hizmetin arkasında YZ teknolojileri bulunur.
📌 Yapay Zekanın Temel Alt Alanları
Yapay zeka geniş bir alandır ve birçok farklı uzmanlık alanına ayrılır. Bu alanlar, YZ'nin farklı türdeki problemleri çözmesine yardımcı olur.
- Makine Öğrenimi (Machine Learning - ML): Bilgisayarların açıkça programlanmadan, veriden öğrenmesini sağlayan YZ alt dalıdır. Veri setlerindeki kalıpları ve ilişkileri öğrenerek tahminler yapar veya kararlar alır.
- Derin Öğrenme (Deep Learning - DL): Makine öğreniminin bir alt dalıdır ve insan beyninden ilham alan "yapay sinir ağları" kullanır. Özellikle büyük veri setleri ve karmaşık problemler için etkilidir (örneğin görüntü tanıma, doğal dil işleme).
- Doğal Dil İşleme (Natural Language Processing - NLP): Bilgisayarların insan dilini (yazılı veya sözlü) anlamasını, yorumlamasını ve üretmesini sağlar. Çeviri uygulamaları, sohbet robotları (chatbotlar) bu alana girer.
- Bilgisayar Görüsü (Computer Vision): Bilgisayarların dijital görüntü ve videolardan bilgi çıkarmasını ve anlamasını sağlar. Yüz tanıma, otonom araçlar ve tıbbi görüntü analizi gibi alanlarda kullanılır.
- Pekiştirmeli Öğrenme (Reinforcement Learning - RL): Bir ajanın (sistemin) bir ortamda deneme-yanılma yoluyla, ödül ve ceza mekanizmalarıyla öğrenmesini sağlayan bir öğrenme türüdür. Oyun oynayan yapay zekalar bu alana örnektir.
⚠️ Dikkat: Makine öğrenimi, derin öğrenmenin üst kümesidir. Yani her derin öğrenme uygulaması aynı zamanda bir makine öğrenimi uygulamasıdır, ancak her makine öğrenimi uygulaması derin öğrenme değildir.
📌 Makine Öğrenimi Türleri: Veriyle Öğrenme Yolları
Makine öğrenimi, veriyi işleme biçimine göre başlıca üç kategoriye ayrılır. Bu kategoriler, eldeki verinin yapısına ve çözülmek istenen probleme göre seçilir.
- Denetimli Öğrenme (Supervised Learning): Etiketli veri setleri kullanılarak yapılan öğrenme türüdür. Yani model, girdi ve çıktı (cevap) çiftlerini öğrenir ve yeni veriler için çıktıları tahmin etmeye çalışır.
- Sınıflandırma: Veriyi belirli kategorilere ayırma (örneğin: e-postanın spam olup olmadığı, resimdeki hayvanın kedi mi köpek mi olduğu).
- Regresyon: Sürekli bir sayısal değer tahmin etme (örneğin: ev fiyatı tahmini, hava durumu tahmini).
- Denetimsiz Öğrenme (Unsupervised Learning): Etiketsiz veri setleri kullanılarak yapılan öğrenme türüdür. Model, verinin içindeki gizli yapıları, kalıpları veya ilişkileri kendi başına keşfeder.
- Kümeleme (Clustering): Benzer veri noktalarını gruplara ayırma (örneğin: müşteri segmentasyonu, genetik veri analizi).
- Boyut Azaltma (Dimensionality Reduction): Veri setindeki özellik sayısını azaltarak karmaşıklığı düşürme (örneğin: görsellerdeki gereksiz detayları eleme).
💡 İpucu: Denetimli öğrenmede "öğretmen" (etiketler) varken, denetimsiz öğrenmede model kendi başına keşfeder.
📌 Verinin Önemi ve Rolü
Yapay zeka modellerinin başarısı, kullanılan verinin kalitesine, miktarına ve uygunluğuna büyük ölçüde bağlıdır. Veri, YZ'nin "yakıtı" gibidir.
- Veri Toplama: Modelin öğrenmesi için gerekli bilgiyi sağlamak. Veri ne kadar çeşitli ve temsil edici olursa, model o kadar iyi genelleme yapar.
- Veri Ön İşleme: Ham veriyi modelin anlayabileceği ve kullanabileceği bir formata dönüştürme sürecidir. Eksik verileri doldurma, hataları düzeltme, gürültüyü temizleme ve veriyi normalleştirme gibi adımları içerir.
- Özellik Mühendisliği (Feature Engineering): Ham veriden modelin performansını artıracak yeni ve daha anlamlı "özellikler" (yani modelin kullanacağı bilgiler) oluşturma sanatıdır.
⚠️ Dikkat: "Çöp girdi, çöp çıktı" (Garbage In, Garbage Out) prensibi YZ'de çok önemlidir. Kötü veriyle eğitilen bir model, iyi sonuçlar veremez.
📌 Yapay Zekanın Etik ve Sosyal Boyutları
Yapay zeka teknolojileri hayatımıza girerken, beraberinde önemli etik ve sosyal sorumlulukları da getirir. Bu konular, YZ'nin adil, güvenli ve insanlık yararına gelişmesi için kritik öneme sahiptir.
- Önyargı (Bias): YZ modelleri, eğitildikleri verideki önyargıları öğrenebilir ve bu önyargıları kararlarına yansıtabilir. Örneğin, belirli bir demografik gruba karşı ayrımcı sonuçlar üretebilir.
- Gizlilik ve Güvenlik: YZ sistemleri genellikle büyük miktarda kişisel veri işler. Bu verilerin gizliliğinin korunması ve kötüye kullanımının önlenmesi büyük önem taşır.
- Sorumluluk: YZ sistemlerinin aldığı kararların sorumluluğunun kimde olduğu (geliştirici, kullanıcı, sistemin kendisi?) karmaşık bir konudur. Özellikle otonom sistemlerde bu durum daha da belirgindir.
- İş Gücü Üzerindeki Etkisi: YZ ve otomasyon, bazı iş kollarında insan gücüne olan ihtiyacı azaltabilirken, yeni iş alanları da yaratmaktadır.
💡 İpucu: YZ'nin sadece teknik yönlerini değil, toplumsal etkilerini de anlamak, bilinçli bir YZ kullanıcısı ve geliştiricisi olmak için çok önemlidir.
