tag Machine Learning
Joint Probability (Ortak Olasılık)
Bu sayfada Machine Learning (Joint Probability (Ortak Olasılık)) etiketi ile işaretlenmiş 18 yapay zeka kavramını bulabilirsiniz.
Joint probability (ortak olasılık), iki ya da daha fazla olayın eş zamanlı gerçekleşme olasılığını ifade eden temel bir istatistik kavramıdır. P(A ∩ B) ya da P(A, B) notasyonuyla gösterilir ve olasılık teorisinin, dolayısıyla makine öğrenmesinin köşe taşlarından birini oluşturur. Matematiksel açıdan joint probability, olayların bağımsız olup olmadığına göre iki farklı şekilde hesaplanır. A ve B olayları birbirinden bağımsızsa P(A, B) = P(A) × P(B) eşitliği geçerlidir. Bağımlı olaylar söz konusu olduğunda ise koşullu olasılık devreye girer: P(A, B) = P(A | B) × P(B). Bu ayrım, gerçek dünya verilerinin modellenmesinde kritik önem taşır. Yapay zeka ve makine öğrenmesi alanında joint probability dağılımları, birden fazla rastgele değişken arasındaki ilişkileri yakalamak için kullanılır. Naive Bayes sınıflandırıcıları, değişkenler arası bağımsızlık varsayımını kullanarak joint probability hesaplamalarını basitleştirir ve metin sınıflandırmada başarılı sonuçlar verir. Bayesian ağlar ise değişkenler arasındaki bağımlılık yapısını grafsel modeller aracılığıyla temsil eder ve joint dağılımı verimli biçimde hesaplamayı mümkün kılar. Derin öğrenme modellerinde joint probability, özellikle generatif modellerde merkezi bir rol üstlenir. Variational Autoencoders (VAE) ve Generative Adversarial Networks (GAN), veri dağılımının joint probability'sini öğrenerek gerçekçi örnekler üretir. Dil modellerinde ise P(kelime1, kelime2, ..., kelimenN) biçiminde ifade edilen joint probability, bir cümlenin olasılığını hesaplamak için temel alınır ve bu değer zincir kuralı yardımıyla koşullu olasılıkların çarpımına dönüştürülür. Joint probability'nin pratik uygulamaları geniş bir yelpazeye yayılır: anomali tespiti, öneri sistemleri, doğal dil işleme ve tıbbi tanı sistemleri bunların başında gelir. Gerçek dünya problemlerinde joint dağılımın doğrudan hesaplanması boyutsallık laneti nedeniyle zorlaşır; bu nedenle Markov zincirleri, bağımsızlık varsayımları ve yaklaşık çıkarım yöntemleri (variational inference, Monte Carlo örneklemesi) yaygın olarak kullanılır.
Joint Probability (Ortak Olasılık)
Joint probability (ortak olasılık), iki ya da daha fazla olayın eş zamanlı gerçekleşme olasılığını ifade eden temel bir istatistik kavramıdır. P(A ∩ B) ya da P(A, B) notasyonuyla gösterilir ve olasılık teorisinin, dolayısıyla makine öğrenmesinin köşe taşlarından birini oluşturur. Matematiksel açıdan joint probability, olayların bağımsız olup olmadığına göre iki farklı şekilde hesaplanır. A ve B olayları birbirinden bağımsızsa P(A, B) = P(A) × P(B) eşitliği geçerlidir. Bağımlı olaylar söz konusu olduğunda ise koşullu olasılık devreye girer: P(A, B) = P(A | B) × P(B). Bu ayrım, gerçek dünya verilerinin modellenmesinde kritik önem taşır. Yapay zeka ve makine öğrenmesi alanında joint probability dağılımları, birden fazla rastgele değişken arasındaki ilişkileri yakalamak için kullanılır. Naive Bayes sınıflandırıcıları, değişkenler arası bağımsızlık varsayımını kullanarak joint probability hesaplamalarını basitleştirir ve metin sınıflandırmada başarılı sonuçlar verir. Bayesian ağlar ise değişkenler arasındaki bağımlılık yapısını grafsel modeller aracılığıyla temsil eder ve joint dağılımı verimli biçimde hesaplamayı mümkün kılar. Derin öğrenme modellerinde joint probability, özellikle generatif modellerde merkezi bir rol üstlenir. Variational Autoencoders (VAE) ve Generative Adversarial Networks (GAN), veri dağılımının joint probability'sini öğrenerek gerçekçi örnekler üretir. Dil modellerinde ise P(kelime1, kelime2, ..., kelimenN) biçiminde ifade edilen joint probability, bir cümlenin olasılığını hesaplamak için temel alınır ve bu değer zincir kuralı yardımıyla koşullu olasılıkların çarpımına dönüştürülür. Joint probability'nin pratik uygulamaları geniş bir yelpazeye yayılır: anomali tespiti, öneri sistemleri, doğal dil işleme ve tıbbi tanı sistemleri bunların başında gelir. Gerçek dünya problemlerinde joint dağılımın doğrudan hesaplanması boyutsallık laneti nedeniyle zorlaşır; bu nedenle Markov zincirleri, bağımsızlık varsayımları ve yaklaşık çıkarım yöntemleri (variational inference, Monte Carlo örneklemesi) yaygın olarak kullanılır.
Data Wrangling (Veri Düzenleme)
Data wrangling (veri düzenleme ya da veri mücadelesi olarak da bilinir), ham ve dağınık veri kümelerini analiz ve makine öğrenimi modellerine uygun biçimde kullanılabilir hale getirmek amacıyla uygulanan temizleme, dönüştürme ve birleştirme sürecini ifade eder. Gerçek dünya verilerinin büyük çoğunluğu eksik değerler, yanlış biçimler, tutarsız kodlamalar ve aykırı gözlemler içerdiğinden bu süreç, başarılı bir veri bilimi projesinin temel taşını oluşturur. Data wrangling süreci tipik olarak birkaç kritik adımı kapsar. İlk adımda veriler farklı kaynaklardan (CSV dosyaları, API yanıtları, veritabanı sorguları, web scraping çıktıları) bir araya getirilir. Keşif aşamasında verinin genel yapısı, sütun türleri ve özet istatistikler incelenir; sorunlu alanlar tespit edilir. Temizleme adımında eksik değerler imputation yöntemleriyle doldurulur ya da ilgili satırlar çıkarılır, yinelenen kayıtlar kaldırılır, hatalı biçimler düzeltilir ve uç değerler ayıklanır. Dönüştürme aşamasında tarih-saat formatları standartlaştırılır, kategorik değişkenler one-hot encoding veya label encoding ile sayısallaştırılır ve sayısal sütunlar normalizasyon ya da standardizasyon ile ölçeklenir. Son olarak birden fazla tablo ya da kaynak JOIN/merge işlemleriyle birleştirilerek nihai analiz veri kümesi oluşturulur. Araştırmalar, veri bilimcilerin zamanının yaklaşık yüzde altmış ile seksen arasını modelleme ve görselleştirme yerine veri hazırlama adımlarına harcadığını ortaya koymaktadır. Python ekosisteminde Pandas ve Polars en yaygın kullanılan kütüphanelerdir. Büyük ölçekli projelerde Apache Spark veya dbt gibi araçlar tercih edilirken düşük kod araçları (OpenRefine, Alteryx, Trifacta) teknik geçmişi olmayan kullanıcılara da wrangling imkânı sunar. Makine öğrenimi bağlamında data wrangling, özellik mühendisliği (feature engineering) ile birlikte anılır; ancak ikisi farklı kavramlardır: wrangling ham veriyi temizleyip yapılandırır, feature engineering ise bu temiz veriden yeni anlamlı öznitelikler türetir. Temiz ve iyi yapılandırılmış veri olmadan hiçbir model istenen performansa ulaşamaz; bu nedenle data wrangling hem pratikte hem teoride yapay zeka projelerinin en kritik adımlarından biri olarak kabul edilir.
Differential Privacy (Diferansiyel Gizlilik)
Diferansiyel Gizlilik (Differential Privacy), bir veri kümesi üzerinde yapılan sorguların veya istatistiksel hesaplamaların sonuçlarının, veri kümesindeki herhangi bir bireyin varlığından veya yokluğundan istatistiksel olarak ayırt edilemez hale gelmesini sağlayan matematiksel bir gizlilik çerçevesidir. 2006 yılında Cynthia Dwork tarafından formüle edilen bu yöntem, bireysel gizlilik güvencesi ile veri kullanışlılığını matematiksel olarak dengeler. Temel fikir, bir mekanizmanın çıktısına kontrollü miktarda rastgele gürültü ekleyerek bireysel veri noktalarının sorgularda iz bırakmasını önlemektir. Epsilon (ε) parametresi gizlilik bütçesini temsil eder: ε değeri küçüldükçe gizlilik artar ancak yanıtın doğruluğu azalır; ε büyüdükçe ise yanıtın doğruluğu artar ancak gizlilik zayıflar. Bu ödünleşim, uygulamanın gereksinimlerine göre dikkatle ayarlanmak zorundadır. İki ana varyant mevcuttur: Merkezi Diferansiyel Gizlilik (Central DP), güvenilir bir koordinatörün ham veriyi toplayıp gürültüyü merkezi olarak eklediği modeli kullanırken; Yerel Diferansiyel Gizlilik (Local DP) gürültünün her kullanıcının cihazında verisi sunucuya gönderilmeden önce eklendiği modeli benimser. Local DP, özellikle güvenilir bir merkezi tarafın bulunmadığı mobil ve IoT senaryolarında tercih edilir. Apple ve Google, iOS klavye ve Android telemetri verilerinde yerel diferansiyel gizliliği uygulamaktadır. ABD Nüfus Sayımı Bürosu, 2020 sayımında merkezi diferansiyel gizlilik kullandı. Yapay zeka dünyasında ise diferansiyel gizlilik, özellikle derin öğrenme modellerinin eğitiminde gizlilik koruyucu bir teknik olarak yerini sağlamlaştırmıştır; bu yaklaşım DP-SGD (Differentially Private Stochastic Gradient Descent) olarak bilinmektedir.
Experiment Tracking (Deney Takibi)
Experiment Tracking (Deney Takibi), makine öğrenmesi ve derin öğrenme projelerinde gerçekleştirilen her eğitim çalışmasının sistematik biçimde kaydedilmesi, yönetilmesi ve karşılaştırılması pratiğidir. Bir model geliştirirken veri bilimciler onlarca, hatta yüzlerce farklı deney çalışabilir: öğrenme hızı, batch size, katman sayısı, dropout oranı gibi hiperparametreleri değiştirerek modelin nasıl davrandığını gözlemler. Takip sistemi olmadan hangi konfigürasyonun en iyi sonucu verdiğini hatırlamak veya sonuçları tekrar üretmek (reproducibility) neredeyse imkânsız hale gelir. Deney takip araçları; her çalışma (run) için hiperparametreleri, eğitim ve doğrulama metriklerini (kayıp, doğruluk, F1 skoru vb.), model ağırlıklarını, kod sürümünü (git hash), ortam bilgilerini (Python sürümü, kütüphane versiyonları) ve veri seti sürümünü otomatik olarak kaydeder. Bu veriler merkezi bir dashboard üzerinde görselleştirilerek farklı çalışmalar kolayca karşılaştırılabilir ve en iyi konfigürasyon belirlenir. Ekip genelinde şeffaflık sağlanır; bir çalışma arkadaşının aylar önce yürüttüğü deneye kolayca ulaşılabilir. Endüstri standardı araçlar arasında açık kaynaklı MLflow (Databricks, 2018), bulut tabanlı Weights & Biases (W&B), Neptune.ai ve Comet ML öne çıkmaktadır. Bu araçlar MLOps pipeline'larıyla entegre edilerek CI/CD süreçlerinde otomatik değerlendirme, model kayıt defteri bağlantılı artifact yönetimi ve hiperparametre optimizasyonu desteği sunar. Özellikle düzenleyici uyumluluk gerektiren finans, sağlık ve kamu sektörü uygulamalarında model kararlarının izlenebilir olması için denetim izi (audit trail) sağlamak amacıyla deney takibi zorunlu hale gelmektedir. Rekabetin yoğun olduğu yapay zeka alanında tekrarlanabilir ve ölçeklenebilir deneyler yürütmek, modellerin üretim ortamına güvenle taşınmasının temel ön koşuludur.
KL Divergence (KL Iraksaması (Kullback-Leibler Divergence))
KL Iraksaması (Kullback-Leibler Divergence — KL Sapması), iki olasılık dağılımı arasındaki farkı ölçen bir bilgi-teorik metriktir. P olasılık dağılımını Q ile yaklaşık olarak ifade etmenin 'maliyetini' — bilgi kaybını — ölçer. Formülü: KL(P‖Q) = Σ P(x) log(P(x)/Q(x)). Değerin sıfır olması iki dağılımın özdeş olduğu anlamına gelir; sıfırdan büyük değerler ise iki dağılımın ne kadar farklılaştığını gösterir. KL iraksaması simetrik değildir: KL(P‖Q) ≠ KL(Q‖P). Bu asimetri farklı kullanım senaryolarını doğurur. 'Forward KL' (P‖Q) modelin gerçek dağılımı küçümsememesini zorlar; 'reverse KL' (Q‖P) ise modeli belirli modlara konsantre etme eğilimindedir. Makine öğrenmesinde KL iraksamasının kritik kullanım alanları şunlardır: Bilgi damıtma (knowledge distillation) kaybı — öğretmen ve öğrenci olasılık dağılımlarının ne kadar farklı olduğunu ölçer. Değişkence otokodlayıcılar (VAE) — gizli uzayın dağılımını Gauss'a yaklaştıran düzenlileştirici terim. RLHF ve PPO — LLM ince ayarı sırasında politikanın referans modelden çok uzaklaşmamasını sağlayan kısıt terimi. Dil modeli değerlendirme — iki modelin token olasılık dağılımlarını karşılaştırmak için.
Pipeline (Boru Hattı)
Makine öğrenimi bağlamında pipeline (boru hattı), ham veriden nihai tahmine ya da çıktıya uzanan işlem adımlarının zincirlediği sistemdir. Her adım bir öncekinin çıktısını girdi olarak alır. Veri ön işleme, özellik mühendisliği, model çıkarımı ve son işleme adımlarını tek bir tutarlı birim olarak kapsülleyen pipeline yapısı, hem tekrar kullanımı hem de dağıtım tutarlılığını artırır. Hugging Face Transformers kütüphanesi, NLP ve bilgisayarlı görü görevleri için yüksek seviyeli pipeline arayüzleri sunar. `pipeline('sentiment-analysis')` gibi tek satırlık çağrılarla tokenizasyon, model çalıştırma ve sonuç son işleme otomatik olarak gerçekleşir. Transformers.js, aynı pipeline API'sini JavaScript'e taşıyarak tarayıcı ve Node.js ortamlarında çalıştırabilir hale getirir. MLOps platformlarında pipeline kavramı daha geniş bir anlam taşır: veri toplama, eğitim, değerlendirme, dağıtım ve izleme adımlarını kapsayan uçtan uca ML yaşam döngüsü iş akışını ifade eder. Kubeflow Pipelines, MLflow ve Apache Airflow bu tür pipeline'ları orkestre etmek için kullanılan platformlardır. CI/CD analojisiyle düşünüldüğünde ML pipeline, yazılım pipeline'ının veri ve model boyutundaki karşılığıdır.
Soft Labels (Yumuşak Etiketler (Soft Labels))
Yumuşak etiketler (soft labels), bir sınıflandırma modelinin kesin ('kedi: 1, köpek: 0') one-hot kodlu etiketler (sert etiketler, hard labels) yerine olasılık dağılımlarını ('kedi: 0.8, köpek: 0.15, diğer: 0.05') hedef olarak kullanmasını ifade eder. Bu yaklaşım özellikle bilgi damıtma (knowledge distillation) sürecinde öğretmen modelin ürettiği tahmin dağılımlarını öğrenci modele aktarmanın yolu olarak kritik bir rol üstlenir. Sert etiketlerin aksine yumuşak etiketler 'karanlık bilgi' (dark knowledge) taşır: öğretmen model, yanlış sınıflar için de sıfır olmayan küçük olasılıklar atar. Örneğin bir 'kedi' görüntüsü için model 'kaplan: 0.03' skoru verebilir — bu, iki sınıf arasındaki görsel benzerliği kodlar. Öğrenci model bu ilişkileri öğrenince genelleme kapasitesi artar. Sıcaklık parametresi (temperature), yumuşak etiket üretiminde kritiktir. T > 1 değerleri dağılımı daha yumuşak ve bilgisi zengin hale getirir; T = 1 standart softmax çıktısına karşılık gelir. Damıtma sürecinde öğretmen hem yüksek T ile üretilen yumuşak etiketleri hem de gerçek etiketler üzerinden hesaplanan doğruluk kaybını birlikte öğrenciye aktarır. Geoffrey Hinton'ın 2015 tarihli öncü çalışması bu temeli atmıştır.
Technical Debt (AI) (Teknik Borç)
Technical Debt (Teknik Borç), bir yazılım sisteminde uzun vadeli kalite yerine kısa vadeli çözümleri tercih etmenin getirdiği birikimli maliyeti ifade eder. Bu kavram Ward Cunningham tarafından 1992'de tanımlanmış; ancak yapay zeka ve makine öğrenimi sistemlerinde çok daha karmaşık bir hal almaktadır. Google araştırmacılarının 2015'te yayımladığı 'Hidden Technical Debt in Machine Learning Systems' (NeurIPS) başlıklı çalışma, ML sistemlerindeki gizli teknik borç biçimlerini sistematik olarak ilk kez ortaya koymuştur. Sculley ve arkadaşlarına göre bir ML sisteminin gerçek 'ML kodu' genellikle toplamın yalnızca küçük bir parçasını oluşturur; geri kalanı veri işleme hatları, konfigürasyon dosyaları ve altyapı kodundan ibarettir. Bu çevre kodu zamanla bakımı zorlaşan bir borç yüküne dönüşür. ML'ye özgü başlıca borç türleri şunlardır: Entanglement (CACE prensibi — Herhangi Bir Şeyi Değiştirmek Her Şeyi Değiştirir), özellik değişikliklerinin modelin tüm çıktılarını beklenmedik biçimde etkilemesidir. Kararsız veri bağımlılıkları, upstream değişen sinyallerden kaynaklanan sessiz hatalar üretir. Pipeline jungles ise veri dönüşüm zincirlerinin belgelenmeden büyümesiyle oluşan kaotik işlem hatlarıdır. Teknik borç aynı zamanda konfigürasyon borcunu da kapsar: hiperparametre ayarları, deneysel dallar ve çakışan model sürümleri; bunlar test edilmeden üretim ortamına taşındığında uzun süreli regresyon ve bakım maliyetlerine yol açar. Özellikle kurumsal yapay zeka projelerinde, teknik borcun faizi olarak zaman kaybı ve personel maliyeti, ilk geliştirme maliyetini aşabilmektedir. Bu yüzden modern MLOps pratikleri, model versiyonlama, otomatik testler, izleme ve net arayüz sınırları aracılığıyla teknik borcu öngörülü biçimde yönetmeyi hedefler. Sürdürülebilir yapay zeka sistemleri inşa etmek, sadece model doğruluğunu optimize etmekle değil; aynı zamanda sistem mimarisini, veri akışlarını ve kod tabanını uzun vadeli sağlıklı tutmakla mümkündür.
TensorFlow (TensorFlow)
TensorFlow, Google Brain ekibinin 2015 yılında Apache 2.0 lisansıyla açık kaynak olarak yayımladığı, makine öğrenimi ve derin öğrenme modellerini geliştirmek, eğitmek ve üretime almak için kullanılan uçtan uca bir kütüphanedir. GitHub'da 190 binden fazla yıldıza ulaşan proje, hem araştırma prototiplerini hem de milyarlarca kullanıcıya hizmet veren üretim sistemlerini aynı altyapı üzerinde çalıştırır. İsim, iki kavramın birleşiminden gelir: **tensor**, çok boyutlu sayı dizilerini (skaler, vektör, matris ve daha yüksek boyutlar) temsil eden temel veri yapısıdır; **flow** ise bu tensörlerin bir hesaplama grafiği üzerindeki akışını anlatır. Grafikteki her düğüm bir matematiksel işlemdir; otomatik türev (autodiff) mekanizması bu grafik üzerinden gradyanları hesaplayarak geri yayılımı (backpropagation) otomatikleştirir. TensorFlow 1.x'in statik graf ve `session` yapısı öğrenmeyi zorlaştırıyordu. 2019'daki TensorFlow 2.0, eager execution'ı varsayılan yaptı ve Keras'ı resmi yüksek seviyeli API olarak benimsedi; böylece bir görüntü sınıflandırma modeli 10 satırın altında kodla tanımlanabilir hale geldi. `tf.function` dekoratörü ise aynı kodu XLA derleyicisiyle optimize edilmiş grafa çevirerek Python esnekliği ile graf performansını birleştirir. Donanım desteği kütüphanenin en güçlü yanlarından biridir: CPU, NVIDIA GPU (CUDA), Apple Silicon (Metal) ve Google'ın kendi tasarladığı TPU'larda aynı kod çalışır. TPU v5e ve sonrası pod'larda binlerce çipe ölçeklenen dağıtık eğitim, `tf.distribute` API'siyle birkaç satırlık değişiklikle kurulur. 2026 itibarıyla güncel kararlı sürüm TensorFlow 2.21 serisidir; NumPy 2.x uyumluluğu ve uç cihazlar için int2/int4 kuantizasyon desteği bu dönemde eklendi. Mobil tarafta TensorFlow Lite, Google AI Edge çatısı altında LiteRT adıyla bağımsız bir projeye dönüştü ve artık TensorFlow'un yanı sıra PyTorch ile JAX modellerini de çalıştırıyor. Keras 3 ise çoklu-backend mimarisiyle aynı model kodunun TensorFlow, JAX veya PyTorch üzerinde koşmasına imkân tanıyor; Google'ın araştırma tarafında JAX'e yönelmesine karşın TensorFlow üretim dağıtımı, TF Serving ve TFX boru hatlarıyla kurumsal tarafta konumunu koruyor. Kütüphaneyi tek başına bir araçtan çok bir ekosistem olarak düşünmek gerekir. Model geliştirme Keras ile, eğitim izleme TensorBoard ile, veri boru hatları `tf.data` API'siyle, üretim servisleme TF Serving ile, uçtan uca MLOps süreçleri ise TFX ile yönetilir. Tarayıcıda çalışan TensorFlow.js, sunucuya veri göndermeden gizlilik dostu çıkarım yapar; TensorFlow Hub ve Kaggle Models üzerindeki binlerce önceden eğitilmiş model, transfer öğrenmeyle özel bir görevi birkaç saatlik eğitimle çözmeye yeter. Bu bütünlük, tek bir prototipin veri hazırlığından mobil uygulamadaki çıkarıma kadar aynı araç zincirinde ilerlemesini mümkün kılar. Google Arama, YouTube öneri motoru, Google Translate, Airbnb, Uber, Twitter/X ve Spotify gibi sistemlerde üretimde kullanılan TensorFlow; bilgisayarlı görü, doğal dil işleme, öneri sistemleri, zaman serisi tahmini ve konuşma tanıma alanlarında sektör standardı araç zincirleri sunar. Python birincil dil olmakla birlikte C++, JavaScript (TensorFlow.js) ve Java/Kotlin (LiteRT) ile de model çalıştırılabilir. Yeni başlayanlar için resmi tensorflow.org eğitimleri, ücretsiz GPU sunan Google Colab not defterleri ve Coursera'daki TensorFlow Developer sertifika programları en yaygın öğrenme yollarıdır; temel Python ve lise düzeyi lineer cebir bilgisi ilk çalışan modeli eğitmek için çoğu durumda fazlasıyla yeterlidir.
Time Series (Zaman Serisi)
Zaman serisi (time series), belirli aralıklarla ve kronolojik sırayla toplanan veri noktalarının dizisidir. Hava durumu ölçümleri, hisse senedi fiyatları, enerji tüketimi, hasta kalp ritmi ve web sitesi trafik verileri birer zaman serisi örneğidir. Veri noktaları arasındaki zaman aralığı dakika, saat, gün veya yıl olabilir; ancak her zaman düzenli ve sıralıdır. Bir zaman serisinin dört temel bileşeni vardır. Trend, verideki uzun vadeli artış ya da azalış yönünü gösterir; örneğin küresel internet kullanıcı sayısının on yıllık artışı. Mevsimsellik (seasonality), belirli periyotlarda tekrarlayan döngüsel örüntülerdir; yaz aylarında yükselen elektrik tüketimi buna örnektir. Döngüsellik (cyclicality), mevsimsellikten farklı olarak ekonomik koşullara bağlı uzun dönem dalgalanmalarını ifade eder. Gürültü (noise) ise açıklanamayan rastgele dalgalanmaları kapsar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), SARIMA ve Holt-Winters üstel düzleştirme öne çıkar. Bu yöntemler az veriyle iyi çalışır, yorumlanabilirdir ve hâlâ geniş kullanım alanı bulur. Derin öğrenme tarafında LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları, uzun dönem bağımlılıkları yakalamak için tasarlanmıştır. Transformer tabanlı mimariler (Temporal Fusion Transformer, PatchTST, N-BEATS) ise çok değişkenli ve büyük ölçekli zaman serilerinde son teknoloji performans göstermektedir. 2024-2026 döneminde foundation model yaklaşımı zaman serisi alanını dönüştürmektedir. Google'ın TimesFM, Amazon'un Chronos-2, Salesforce'un Moirai-2 ve Time-MoE gibi modeller milyonlarca zaman serisi üzerinde önceden eğitilmiş olup sıfır atışlı (zero-shot) tahmin yapabilmektedir. Bu modeller, her yeni veri seti için ayrı model eğitme zorunluluğunu ortadan kaldırır.
Vector (Vektör)
Vektör, matematiksel bir nesne olarak hem büyüklük hem de yön bilgisi taşır; n boyutlu uzayda sayı dizisiyle temsil edilir. Yapay zeka ve makine öğrenimine bağlamında vektörler, metinleri, görüntüleri, sesleri veya diğer verileri sayısal temsillere dönüştürmek için kullanılır. Bir cümle ya da belge, embedding modeli tarafından yüzlerce veya binlerce boyutlu bir vektöre dönüştürüldüğünde, benzer anlamlı içerikler geometrik olarak birbirine yakın konumlanır. Makine öğreniminde vektörler iki temel biçimde karşımıza çıkar: seyrek vektörler (sparse vectors) ve yoğun vektörler (dense vectors). TF-IDF veya one-hot kodlama gibi geleneksel yöntemler çoğu boyutu sıfır olan seyrek vektörler üretir. Embedding modelleri ise anlamı sıkıştırılmış, boyut sayısı sınırlı (genellikle 128-4096 arası) yoğun vektörler üretir. Word2Vec, GloVe ve modern Sentence-BERT gibi modeller bu yoğun vektörlerin örnekleridir. Vektörler arasındaki mesafe ve benzerlik, anlamsal yakınlığı ölçmek için kullanılır. Kosinüs benzerliği (cosine similarity) yön benzerliğini ölçerek uzunluktan bağımsız karşılaştırma yapar; iki vektör aynı yöne işaret ediyorsa (kosinüs ≈ 1) semantik olarak benzer kabul edilir. Vektör veritabanları (Pinecone, Qdrant, pgvector) bu yoğun vektörleri büyük ölçekte depolayarak hızlı en yakın komşu araması sağlar; bu altyapı semantik arama ve RAG sistemlerinin temelini oluşturur.
Veri Bilimi (Veri Bilimi)
Veri bilimi; ham veri setlerinden anlamlı içgörüler, örüntüler ve tahminler çıkarmak için istatistik, matematik, makine öğrenmesi ve bilgisayar bilimini bir araya getiren disiplinlerarası bir alandır. İş dünyasından sağlık bilimine, finans sektöründen sosyal medya analizine kadar geniş bir yelpazede uygulanır. Bir veri bilimi projesi genellikle beş temel aşamadan oluşur: veri toplama ve temizleme (veri setlerinin %60-80'i bu aşamaya ayrılır), keşifsel veri analizi (EDA), model geliştirme ve eğitim, model değerlendirme ile son olarak dağıtım ve izleme. Bu süreç, CRISP-DM (Cross-Industry Standard Process for Data Mining) metodolojisiyle standart hale getirilmiştir. Python ve R, veri biliminin iki temel programlama dilidir. Python ekosistemi —Pandas, NumPy, Scikit-learn, TensorFlow ve PyTorch— endüstri standardı haline gelmiştir. SQL ise yapılandırılmış veritabanlarıyla çalışmak için vazgeçilmezdir. Veri bilimcisi olmak; istatistiksel düşünme, kodlama becerisi ve alan uzmanlığı üçgenini gerektirdiğinden bu meslektaşlar iş dünyasında oldukça değerlidir. 2024 verilerine göre ABD'de median veri bilimcisi maaşı yıllık 130.000 dolar civarındadır. Türkiye'de ise deneyimli veri bilimcilere olan talep her yıl hızla artmaktadır. Yapay zeka ve büyük dil modellerinin (LLM) yükselişiyle birlikte veri bilimi alanı dönüşüm geçirmektedir. Kod üretme, veri temizleme otomasyonu ve doğal dil tabanlı analiz gibi görevlerde yapay zeka desteği standart hale gelmekte; bu durum veri bilimcilerin daha stratejik ve yüksek değerli işlere odaklanmasını sağlamaktadır.
AI Alignment (Yapay Zeka Hizalaması)
Yapay zeka hizalaması (AI alignment), yapay zeka sistemlerinin insan değerleri, amaçları ve niyetleriyle tutarlı davranmasını sağlama disiplinidir. Bir yapay zeka sistemi, verilen görevi teknik olarak yerine getirirken insanların gerçekte ne istediğini — açık olmayan hedefleri, etik kısıtlamaları ve uzun vadeli toplumsal değerleri — doğru biçimde kavramalıdır. Hizalama problemi, optimizasyonun istenmeyen boyutlarına dikkat çeker. Bir sistem, hedefini teknik olarak gerçekleştirirken beklenmedik ya da zararlı yollara başvurabilir. Klasik "ataş fabrikası" düşünce deneyinde, tüm evren kaynaklarını ataşa çevirmeyi optimize eden bir sistem, insanlığı tehdit etse bile amacını doğru takip etmiş sayılır. Teknik hizalama araştırması iki temel eksende ilerler: İçsel hizalama, modelin gerçekte optimize ettiği hedefin eğitim sırasında belirlenen hedefle örtüşmesini inceler. Dışsal hizalama ise belirlenen hedefin gerçek insan tercihleriyle uyuşmasını araştırır. RLHF (İnsan Geri Bildirimli Pekiştirmeli Öğrenme), Constitutional AI, scalable oversight ve debate yöntemleri bu boşluğu kapatmaya çalışır. Türkiye'de Bilgi ve İletişim Teknolojileri Kurumu (BTK) ile TÜBİTAK, yapay zeka etik ilkeleri çerçevesinde hizalama sorunlarına ilişkin farkındalığı artırmaktadır. Avrupa Birliği'nin Yapay Zeka Yasası da yüksek riskli sistemlerde güvenilirlik ve insan denetimine ilişkin zorunlu hizalama gereksinimlerini kapsamaktadır. AGI ve süper-zeka senaryolarında hizalama başarısızlığı varoluşsal risk olarak da ele alınır. OpenAI, Anthropic, DeepMind ve MIRI gibi önde gelen araştırma kuruluşları bu sorunu yapay zekanın en kritik açık araştırma alanlarından biri kabul etmektedir.
Algoritmik Adalet Nedir? AI Sistemlerinde Eşitlik (Algoritmik Adalet)
Algoritmik adalet (algorithmic fairness), otomatik karar sistemlerinin bireylere veya demografik gruplara karsi yanli, ayrimci ya da haksiz muamele etmemesini saglayan ilke, olcut ve tekniklerin butunudur. Yapay zekanin kredi degerlendirme, ise alim, ceza takibi ve saglik hizmetleri gibi yüksek riskli kararlarda giderek artan kullanimiyla birlikte bu alan hem teknik hem de yasal olarak kritik bir oneme kavusmustur. Algoritmik adaletsizligin en cok atifta bulunulan ornegi COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) sucluluk tekrari tahmin sistemidir. ABD mahkemelerinde yargiclar bu sistemin ciktilarinı durusma kararlarinda kullanmaktadir. 2016 yilinda ProPublica tarafindan gerceklestirilen sorusturma, COMPAS'in siyahi saniklari beyaz saniklara kiyasla iki kat daha fazla yanlis yuksek riskli olarak etiketledigini ortaya koydu. Bu bulgu, hem sistemin yapimcisiyla hem de adalet metrikleri uzerinde akademik bir tartismayi tetikledi. Esitlik tanimlari konusu teknik olarak karmasiktir. Demografik esitlik, her demografik gruptan esit oranli olumlu karar isteyebilir. Esit firsatlar, gercek pozitif oranlarinin gruplar arasinda esit olmasi anlamindadir. Bireysel adalet, benzer bireylerin benzer muamele gormesini gerektirir. Chouldechova'nin imkansizlik teoremi, bu tanimlarin ayni anda saglanamayacagini matematiksel olarak kanitlamistir; dolayisiyla hangi tanimın secilenin normatif bir karar olup olmayan olmayan bir teknik sorunudur. Korunan ozellikler problemi kritik bir zorluktur. Irk veya cinsiyet gibi bir ozellik modelde acikca yer almasa bile, bu ozelliklerle yuksek korele olan veri noktalari (posta kodu, isim, kullanilan kelimeler) vekil degisken olarak ayrimci sonuclara yol acabilir. Bu "proxy ayrımcılığı" algoritmik adaletin en zor coze sahip sorunlarindan biridir. **Sik Sorulan Sorular** **Adil algoritma yazmak mumkun mudur?** Evet, ama tek bir "adalet" tanimı yoktur. Imkansizlik teoremi bazi metriklerin birlikte saglanamayacagini gosterir; bu nedenle hangi esitlik taniminin neden secildiginin aciklanmasi ve belgelenmesi sorumluluk acisindan kritiktir. **Demografik verileri modelden cikararak yanliligi onleyebilir miyim?** Hayir, proxy degiskenler nedeniyle bu yeterli degildir. Posta kodu, isim veya diger korelasyon tasiyan ozellikler korunan ozellikleri etkili sekilde yeniden olusturabilir. **AB Yapay Zeka Yasasi adalet konusunda ne istiyor?** Yuksek riskli AI sistemlerinin yanlilik degerlendirmesini yapmalarini, bunlari azaltma onlemlerini uygulamalarini ve bu surecin belgelenmesini zorunlu kilar. **Hangi sektorler en yuksek algoritmik adalet riskini tasir?** Ceza adaleti (sucluluk tahmini), istihdam (ozgecmis tarama), kredi ve sigorta, saglik teshisi ve egitim (ogrenme sistemleri) en yuksek risk tasıyan sektorler olarak duzanleyiciler tarafindan tanimlanmistir.
AutoML (Otomatik Makine Öğrenmesi)
AutoML (Automated Machine Learning — Otomatik Makine Öğrenmesi), makine öğrenmesi modellerinin geliştirilmesini — veri ön işleme, özellik mühendisliği, model seçimi, hiperparametre ayarı ve doğrulama gibi adımları — insan müdahalesini en aza indirerek otomatikleştiren bir teknoloji alanıdır. Geleneksel ML akışında uzman veri bilimcilerin haftalar harcadığı model arama ve optimizasyon sürecini AutoML sistemleri saatler içinde tamamlayabilir. AutoML'in temelinde hiperparametre optimizasyonu algoritmaları yatar: Bayesian optimizasyon, Random Search ve daha yakın dönemde popülerleşen Neural Architecture Search (NAS). NAS, milyonlarca olası ağ yapısı arasında en iyi mimariyi otomatik olarak keşfeder; Google'ın NASNet ve MnasNet modelleri bu yöntemle tasarlanmıştır. Meta-learning yaklaşımı ise önceki görevlerden elde edilen deneyimi kullanarak yeni veri setleri için başlangıç noktasını hızla belirler. Piyasadaki başlıca AutoML çerçeveleri şunlardır: Google Cloud AutoML (kodsuz, sürükle-bırak arayüzü), Auto-sklearn (scikit-learn pipeline otomasyonu), H2O AutoML (kurumsal açık kaynak), Apple CreateML (iOS/macOS entegrasyonlu), Amazon SageMaker Autopilot ve Microsoft Azure AutoML. Her biri farklı dengelerde kolaylık, esneklik ve doğruluk sunar. AutoML'in en belirgin katkısı veri bilimine erişimin demokratikleşmesidir: makine öğrenmesi uzmanlığı olmayan analistler ve alan uzmanları bile kendi modellerini eğitip üretim ortamına alabilmektedir. Öte yandan AutoML, büyük hesaplama bütçesi gerektirir; NAS gibi yöntemler yüzlerce GPU-saati tüketebilir. Ayrıca otomatik sürecin ürettiği modeller bazen yorumlanabilirlikten yoksun karmaşık pipeline'lar içerir. Bu nedenle AutoML, uzman veri bilimcilerin yerini almaktan çok onları rutin model arama görevlerinden kurtarıp katma değer yaratan işlere odaklamalarını hedefler. Türkiye'de özellikle finans, sağlık ve e-ticaret alanlarında çalışan şirketler AutoML çözümlerini benimsemektedir; Türkçe dokümanlarla çalışan NLP pipeline'larında AutoML tabanlı metin sınıflandırma sistemleri yaygınlaşmaktadır.
DBSCAN (Yoğunluk Tabanlı Kümeleme (DBSCAN))
DBSCAN (Density-Based Spatial Clustering of Applications with Noise — Gürültüye Dayanıklı, Yoğunluk Tabanlı Uzamsal Kümeleme), veriyi kümelere ayırmak için noktaların birbirlerine olan yakınlığını ve yoğunluğunu kullanan bir kümeleme algoritmasıdır. Martin Ester, Hans-Peter Kriegel ve ekibi tarafından 1996'da önerilen bu algoritma, belirsiz şekilli (non-convex) kümeleri tanıma ve aykırı noktaları gürültü olarak tespit etme becerisiyle öne çıkar. DBSCAN iki temel parametre kullanır: epsilon (ε) ve minPts. Epsilon, bir noktanın komşuluk yarıçapını tanımlar; minPts ise bir noktanın çekirdek nokta (core point) sayılması için o yarıçap içinde bulunması gereken minimum komşu sayısıdır. Algoritma çekirdek noktaları, kenar noktaları ve gürültü noktalarını birbirinden ayırır: yeterince yoğun bölgelerdeki noktalar kümeler oluşturur, geri kalanlar gürültü olarak işaretlenir. K-Means'ın aksine DBSCAN küme sayısını önceden gerektirmez; verideki doğal yapıyı keşfeder. Küre şekilli olmayan, rastgele geometrik formdaki kümeleri başarıyla tespit edebilir. Gürültüye karşı sağlamlığı, coğrafi veri analizi ve anomali tespiti gibi gerçek dünya uygulamaları için son derece uygun bir araç haline getirir. Ancak çok boyutlu verilerde ε parametresini ayarlamak güçleşir ve boyutluluk lanetinden (curse of dimensionality) etkilenebilir. DBSCAN'ın geliştirilmiş varyantı HDBSCAN (Hierarchical DBSCAN), sabit epsilon yerine hiyerarşik bir yoğunluk eşiği kullanarak değişken yoğunluktaki kümeleri tanıyabilmektedir. Python'da scikit-learn kütüphanesi DBSCAN ve HDBSCAN için kullanıma hazır implementasyonlar sunar. Türkiye'de coğrafi bilgi sistemleri, perakende lokasyon analizi ve doğal afet noktası kümeleme çalışmalarında yaygın kullanım alanı bulmaktadır.
Model Stealing (Model Çalma Saldırısı)
Model çalma saldırısı (model stealing attack veya model extraction), bir saldırganın hedef yapay zeka modeline sorgular göndererek modelin işlevselliğini, ağırlıklarını veya davranışını çıkarmayı amaçladığı bir makine öğrenmesi güvenlik saldırısıdır. Saldırgan genellikle modele doğrudan erişim olmaksızın, yalnızca API üzerinden girdi-çıktı çiftleri toplayarak kendi modelini hedef modeli taklit edecek biçimde eğitir. Model çalma saldırıları farklı hedeflerle gerçekleştirilir. Fonksiyon çıkarma (function extraction) saldırısında saldırgan, hedef modelin karar sınırlarını yeniden oluşturmaya çalışır. Hiperparametre çıkarma saldırısında ise modelin mimarisi ve eğitim parametreleri hakkında bilgi edinilmeye çalışılır. Eğitim verisi çıkarma saldırıları ise modelin ezberlenmiş eğitim örneklerini geri üretmeyi amaçlar. Savunma tarafında çeşitli teknikler geliştirilmiştir: sorgu hız sınırlama (rate limiting), olasılık vektörü yerine yalnızca en yüksek sınıf etiketini döndürme, sorgu örüntüsü anomali tespiti ve çıktılara hafif gürültü ekleme (output perturbation). Diferansiyel gizlilik eğitim sürecinde de bu saldırılara karşı ek koruma sunar. Ticari yapay zeka API'larına yönelik gerçek model çalma örnekleri belgelenmiştir: araştırmacılar GPT-3 benzeri modellerin düşük maliyetli yaklaşık kopyalarının çıkarılabildiğini göstermiştir. Bu durum model sağlayıcıları için hem ticari hem de güvenlik riski oluşturmaktadır. AB Yapay Zeka Yasası kapsamında yüksek riskli sistemlerin bu tür saldırılara karşı teknik savunmalar içermesi zorunlu kılınmaktadır. Türkiye'de BDDK ve KVKK çerçevesinde model güvenliği kurumsal risk yönetiminin bir parçası haline gelmektedir.
Word Embedding (Kelime Gömme)
Kelime gömme (word embedding), kelimeleri yüksek boyutlu gerçek sayı vektörlerine dönüştüren temsil öğrenme tekniğidir. Bu yaklaşım, kelimelerin anlamsal ve sözdizimsel ilişkilerini matematiksel uzayda yansıtır: anlamca yakın sözcükler uzayda birbirine yakın konumlanırken farklı anlamlılar uzakta kalır. Klasik bag-of-words yaklaşımı kelimeleri birbirinden bağımsız bir-sıcak (one-hot) vektörlerle temsil ederdi; bu yöntem "kral" ile "hükümdar" arasındaki anlamsal bağı yakalayamıyordu. Word2Vec (2013, Google) ve GloVe (2014, Stanford) mimarileriyle birlikte dense vektör temsilleri yaygınlaştı. Word2Vec'in ünlü örneğinde "kral − erkek + kadın ≈ kraliçe" vektör aritmetiği, modelin anlam ilişkilerini öğrendiğini kanıtladı. Statik kelime gömmelerinin (Word2Vec, GloVe, FastText) temel sınırlaması bağlam körlüğüdür: "banka" kelimesi finans veya nehir kenarı anlamına geldiğinde aynı vektörü alır. Bu sorunu BERT ve GPT gibi bağlamsal dil modelleri çözdü: aynı kelime farklı cümlelerde farklı temsiller üretir. Türkçe için özelleştirilmiş gömmeler mevcuttur: BERTurk, TURK-BERT ve çeşitli FastText modelleri geniş Türkçe corpus'larla eğitilmiştir. Türkçe'nin yapışkan morfolojisi nedeniyle alt-kelime gömmeleri (subword embeddings) ve karakter tabanlı modeller özellikle önem kazanmaktadır. Modern büyük dil modellerinde kelime gömmeleri artık modele özgü ve bağlamsal olup BERT-tarzı tokenizasyon ile çalışır; bu gömmeler arama sistemleri, öneri motorları ve sınıflandırma görevlerinde temel bileşen olmayı sürdürmektedir.