Türkçe Yapay Zeka Terimleri Nasıl Öğrenilir? Başlangıç Rehberi

Bir yapay zeka haberinde tek cümlede beş yabancı terim geçiyor: token, embedding, fine-tuning, context window, RAG. Hepsini ayrı ayrı aratıyorsunuz, tanımları okuyorsunuz, ertesi gün hiçbiri aklınızda kalmıyor.

Terimlerin zorluğu değil, okunma sırası tıkanmaya yol açıyor. Bu yazı yapayzekasozluk.tr’nin öğrenme tarafını nasıl kullanacağınızı anlatıyor: nereden başlanır, hangi kavram hangisinin ön koşulu, sözlüğün 557 girdisi arasında kaybolmadan nasıl ilerlenir.

Alfabetik Dizin Bir Arama Aracıdır

Sözlüğün ana dizini olan tüm yapay zeka terimleri sayfası 557 terimi harf gruplarına ayırıyor. Yalnızca A harfinde 61 terim var. Baştan okumaya kalkarsanız ilk ekranda A* algoritması, aktivasyon fonksiyonu ve adversarial attack ile karşılaşırsınız. Üçü de kendi başına anlaşılır tanımlara sahip, ama aktivasyon fonksiyonunu sinir ağı kavramını bilmeden okumak zaman kaybı.

Dizinin işlevi arama. Aklınızda bir kelime varken sizi doğru sayfaya götürür; A harfi sayfası ve kardeşi 25 harf sayfası tam olarak bunun için var. Öğrenmek içinse başka bir sıra gerekiyor, çünkü yapay zeka kavramları birbirinin üstüne kuruluyor.

Aşağıdaki bölümler o sırayı kuruyor. Önce hangi sayfayı ne zaman açacağınızı, sonra ilk on terimi, ardından bu terimlerin birbirine nasıl bağlandığını göreceksiniz.

Siteyi Hangi Kapıdan Açmalısınız?

Sitede terimlere ulaşmanın birden fazla yolu var ve her biri farklı bir ihtiyaca cevap veriyor. Öğrenme sürecinde zamanın çoğu, yanlış kapıdan girildiği için kaybediliyor.

Sayılar Temmuz 2026 itibarıyla site içi dizinlerden alınmıştır; içerik eklendikçe artar.

Pratikte şu ayrımı yapmak yeterli: bir kelimeyi arıyorsanız arama ve harf sayfaları, bir konuyu öğreniyorsanız kategoriler ve öğrenme yolları. Sözlük girdisi kısa tanım verir, blog yazısı bağlam ve örnek verir.

Rehber ile yol arasındaki fark da sık karışıyor. Rehberler bir karar vermenize yardım eder ve tek oturumda okunacak uzunluktadır. Yollar ise birbirini takip eden yazılardan oluşan, birkaç güne yayılabilen serilerdir; sıra önceden kurulmuştur, siz yalnızca izlersiniz. Blog yazıları her ikisinin de hammaddesi: tek bir konuyu örnekleriyle açan uzun metinler.

Tablodaki araç, model, karşılaştırma ve hesaplayıcı satırları sitenin karar verme tarafı. Hangi aracı veya modeli seçeceğinize odaklanıyorsanız, o bölümleri adım adım ele alan yapay zeka aracı ve modeli seçim yazımız bu yazının kardeşi sayılır.

İlk Öğrenmeniz Gereken 10 Terim

Bu on terim rastgele seçilmedi. Her biri kendisinden sonrakini anlaşılır kılıyor ve onuncusuna geldiğinizde popüler yapay zeka haberlerinin ve araç tanıtımlarının büyük kısmını çözebiliyorsunuz. Sıra önemli: dördüncü terime kadar olan kısım çerçeveyi kuruyor, sonraki altısı günlük kullanımda doğrudan karşınıza çıkıyor.

1. Yapay zeka: Şemsiye kavram. Altındaki her şeyi kapsar, tek başına hiçbir şeyi açıklamaz. Bir ürünün “yapay zeka destekli” olması, hangi yöntemi kullandığı hakkında bilgi vermez; bu yüzden ilk terim aynı zamanda ilk uyarıdır.
2. Makine öğrenmesi: Kuralları elle yazmak yerine veriden çıkarma yaklaşımı. Bugün “yapay zeka” denen şeylerin neredeyse tamamı bu başlığın altında yer alıyor.
3. Derin öğrenme: Makine öğrenmesinin çok katmanlı sinir ağlarıyla çalışan alt dalı. Görüntü tanımadan dil modellerine kadar son on yılın sıçramaları buradan geliyor.
4. Büyük dil modeli (LLM): Metni tahmin ederek üreten, çok büyük veriyle eğitilmiş derin öğrenme modeli. ChatGPT, Claude ve Gemini gibi ürünlerin altında bu tür modeller çalışıyor.
5. Token: Modelin metni işlerken kullandığı parça. Bir kelime bazen tek token, bazen üç token olur; kelime başına düşen token sayısı Türkçede İngilizceden yüksektir. Fiyatlandırma da hız sınırları da hep token üzerinden konuşulur.
6. Bağlam penceresi (context window): Modelin bir seferde görebildiği toplam token miktarı. Pencereyi aştığınızda en eski kısımlar düşer; uzun sohbetlerde modelin başta söylediklerinizi “unutmasının” teknik sebebi budur.
7. Prompt: Modele verdiğiniz girdi. Aynı modelden çok farklı kalitede çıktı almanızın nedeni genellikle promptun kendisidir.
8. Halüsinasyon: Modelin kendinden emin bir tonla yanlış bilgi üretmesi. Tahmin temelli üretimin doğal sonucu olduğu için bir arıza sayılmaz. Bu terimi bilmek, çıktıyı doğrulama alışkanlığının başlangıcıdır.
9. Embedding: Metnin anlamını sayı dizisine çeviren temsil. Benzer anlamlı iki cümle birbirine yakın sayılara dönüşür; arama ve öneri sistemlerinin çalışma mantığı buradan çıkar.
10. RAG: Modele yanıt üretmeden önce kendi belgelerinizden ilgili parçaları bulup veren yöntem. Yukarıdaki terimlerin ilk kez birlikte çalıştığı yer burasıdır: embedding ile arama yapılır, bulunan metin bağlam penceresine yerleştirilir, halüsinasyon riski düşer.

Onuncu terime geldiğinizde tanımlar birbirine bağlanıyor ve tek bir sistem olarak okunuyor. Öğrenmenin asıl kırılma noktası bu geçiş.

Terimleri Birbirine Bağlayan Zihinsel Harita

Sözlükteki terimlerin bir kısmı temel, bir kısmı ancak temeli varsa anlam kazanıyor. Beş katmanlı şu harita hangi terimin hangisinden sonra geldiğini gösteriyor.

Katman 0: Bu şey ne yapıyor? Yapay zeka, makine öğrenmesi, derin öğrenme, veri seti, algoritma. Kavram ailesinin sınırlarını çizer. Bu katman olmadan diğer her şey havada kalır. Giriş için yapay zekanın nasıl çalıştığını anlatan yazımız iyi bir başlangıç.

Katman 1: Nasıl kurulmuş? Sinir ağı, transformer, attention, parametre. Modelin iç yapısı. Başlangıç seviyesinde atlanabilir, ama orta seviyeye geçerken kaçınılmaz hale gelir. Transformer mimarisi yazımız bu katmanın giriş kapısı.

Katman 2: Nasıl eğitilmiş? Eğitim verisi, ön eğitim, ince ayar (fine-tuning), RLHF, few-shot learning. Bir modelin neden bazı soruları reddettiğini ya da neden belirli bir üsluba kaydığını bu katman açıklıyor. Modeller arasındaki fark sorusunun cevabı da burada: iki model aynı mimariyi paylaşıp farklı veriyle eğitildiğinde belirgin biçimde farklı davranıyor.

Katman 3: Nasıl kullanılır? Prompt, sistem promptu, bağlam penceresi, embedding, RAG, yapay zeka ajanı, araç kullanımı. Günlük kullanımda en çok işinize yarayan katman.

Katman 4: Nasıl üretime alınır? Quantization, çıkarım (inference), model değerlendirme, MLOps. Bir modeli çalıştırıp ayakta tutmakla ilgili. Yalnızca kendi sisteminizi kuracaksanız gerekiyor; hazır araç kullanan biri bu katmanı hiç açmadan yıllarca verimli çalışabilir.

Terimlerin akılda kalmamasının en yaygın sebebi, ön koşulu olan bir katmanı atlamak. Katman 3’ün terimleri katman 0 olmadan, katman 4’ün terimleri katman 1 ve 2 olmadan ezberden öteye gitmiyor.

Seviyenize Göre Hangi Sırayı İzlemelisiniz?

Aynı sözlük her seviyede farklı bir sırayla okunuyor. Kendinizi hangi satırda görüyorsanız oradan başlayın.

Kategoriler her katmanı birebir karşılamıyor; bir katmanın terimleri birden fazla kategoriye dağılmış olabiliyor. Tabloyu başlangıç noktası olarak alın, eksik kalanı A-Z dizininden tamamlayın.

Başlangıç seviyesindeyseniz katman 1’i şimdilik geçin. Transformer mimarisini bilmeden de prompt yazmayı, bağlam penceresini yönetmeyi ve çıktıyı doğrulamayı öğrenebilirsiniz. Ancak katman 3’te bir süre kaldıktan sonra “neden böyle davranıyor?” sorusu kaçınılmaz olarak gelir; katman 1’e o zaman dönün.

Orta seviyeye geçtiğinizde okuma biçimi de değişiyor: terimleri artık ikili ilişkileri üzerinden düşünmeye başlıyorsunuz. Token sayımı ve bağlam penceresi ilişkisini anlatan yazımız bu ikili okumanın tipik örneği. Üretken yapay zeka kategorisi de bu aşamada işe yarar.

Türkçe Karşılık Tuzakları

Yapay zeka terimlerinin Türkçesi henüz oturmuş değil. Aynı kavram her metinde başka bir isimle geçebiliyor ve bu, arama yaparken sonuç bulamamanıza yol açıyor.

Genel kural şu: bir kavramı Türkçe metinde ilk kez yazarken parantez içinde İngilizcesini de verin. Sözlükteki terim başlıkları bu ilkeye göre düzenlendi; bu yüzden hem “ince ayar” hem de “fine-tuning” aratıldığında aynı sayfaya ulaşırsınız.

Sık Karıştırılan Terim Çiftleri

Bazı terimler ayrı ayrı anlaşılıyor ama yan yana geldiklerinde karışıyor. En sık rastlananlar bunlar.

• Parametre ile token: Parametre modelin içindeki öğrenilmiş ağırlık sayısıdır, model büyüklüğünü anlatır. Token ise metnin işlenen parçasıdır, kullanım miktarını anlatır. “70 milyar parametreli model” ile “70 bin tokenlik belge” tamamen farklı iki ölçüyü ifade eder.
• RAG ile ince ayar: RAG modele yanıt anında dışarıdan bilgi verir; ince ayar (fine-tuning) modelin kendi ağırlıklarını değiştirir. Bilgi sık güncelleniyorsa RAG, davranış ve üslup değişecekse ince ayar. Ayrıntılı karşılaştırma için RAG ve fine-tuning strateji yazımıza bakabilirsiniz.
• Sohbet botu ile yapay zeka ajanı: Sohbet botu yanıt üretir ve durur. Ajan hedefe ulaşmak için araç çağırır, adım atar, sonucu kontrol eder. Aradaki fark mimari düzeydedir.
• Halüsinasyon ile yanlış bilgi: Her yanlış çıktı halüsinasyon sayılmaz. Eğitim verisindeki hatanın tekrarlanması ayrı bir sorun; halüsinasyon modelin var olmayan bir bilgiyi üretmesidir. Halüsinasyon yazımız bu ayrımı örneklerle açıyor.
• Dil modeli ile temel model: Ayrım modalitede değil kapsamda. Temel model (foundation model), tek bir göreve değil çok sayıda göreve uyarlanmak üzere geniş veriyle önceden eğitilmiş modeldir; dil modeli ise yalnızca metinle çalıştığını söyler. Bu yüzden büyük dil modellerinin çoğu temel modeldir, ama her metin modeli temel model değildir.
• Eğitim ile çıkarım: Eğitim modelin ağırlıklarının oluştuğu, aylar sürebilen ve pahalı olan aşamadır. Çıkarım ise hazır modele soru sorduğunuz andır. Bir sohbet penceresine yazdığınızda model öğrenmiyor, yalnızca çıkarım yapıyor; sohbetin sonunda söyledikleriniz modelin kendisine işlemiyor.

Öğrendiğinizi Kalıcı Kılan Çalışma Düzeni

Bir terimin aklınızda kalması, onu somut bir karara bağlamanıza bağlı.

Her yeni terim için şu soruyu sorun: bu kavramı bilmesem hangi hatayı yapardım? Bağlam penceresini bilmezseniz 200 sayfalık raporu tek seferde yapıştırır, yarısının neden görünmediğini anlayamazsınız. Tokeni bilmezseniz API faturasının neden beklenenin üstünde çıktığını açıklayamazsınız.

İkinci alışkanlık: her terimi bir üst katmandaki bir terimle eşleştirin. Embedding’i öğrendiyseniz onu semantik aramaya, semantik aramayı da RAG’e bağlayın. Zincir uzadıkça tekil tanımlar birbirini tutmaya başlıyor.

Üçüncü alışkanlık, sırayı kendiniz kurmamak. Öğrenme yolları bölümü hazır seriler sunuyor ve her yol dört adımdan oluşuyor. Prompt yazmayı ciddiye almak isterseniz prompt mühendisliği yazımız, kendi belgelerinizle çalışan bir sistem kurmak isterseniz yerel RAG kurulumu yazımız sizi doğrudan uygulamaya geçirir.

Sonraki Adım

1. Bu yazıdaki on terimi sırayla açın ve her birinin sözlük sayfasında bir cümlelik kendi özetinizi çıkarın. Tam liste yapay zeka terimleri dizininde duruyor.
2. Kendi seviyenize uyan katmanı seçip o katmanın kategorisine geçin. Başlangıç için temel kavramlar, orta seviye için derin öğrenme ve doğal dil işleme kategorileri işinizi görür.
3. Tek tek terim okumaktan sıralı bir seriye geçmeye hazırsanız prompt mühendisi ol yolu dört adımlık bir başlangıç sunuyor.

Sözlük, siz çalışırken açık tutulan bir referans. Terimleri katman katman öğrendikçe açtığınız sayfa sayısı da düşer.