tag Machine Learning
Joint Probability (Ortak Olasılık)
Bu sayfada Machine Learning (Joint Probability (Ortak Olasılık)) etiketi ile işaretlenmiş 19 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. Diferansiyel gizlilik, geleneksel anonimleştirme yöntemlerinden temel bir noktada ayrılır: matematiksel kanıtlanabilir güvence sunar. İsim ve kimlik numarası gibi tanımlayıcıların silinmesine dayanan klasik anonimleştirme, yeniden tanımlama saldırılarına karşı savunmasız olduğu defalarca gösterilmiştir. Diferansiyel gizlilik ise bu riski matematiksel bir çerçeveyle ortadan kaldırır; saldırgan ne kadar arka plan bilgisine sahip olursa olsun, ε parametresiyle belirlenen sınırın ötesinde bireysel bilgi çıkarmak istatistiksel olarak imkânsız hale gelir. DP-SGD algoritması, her eğitim adımında iki temel işlem uygular: gradyan kırpma (gradient clipping), bireysel örneklerin eğitime orantısız etki etmesini önler; ardından kırpılmış gradyanlara Gaussian gürültü eklenir. Bu iki adım birlikte, modelin eğitim verisindeki bireysel örnekleri ezberleme riskini kontrollü biçimde sınırlar. TensorFlow Privacy ve PyTorch Opacus kütüphaneleri bu süreci standart ML iş akışlarına entegre etmeyi kolaylaştırır.
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 artar; 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 kritik bir gereksinim hâline gelmiştir. GDPR ve HIPAA gibi çerçeveler, model kararlarının gerekçelendirilebilir ve yeniden üretilebilir olmasını zorunlu kılar. Hiperparametre optimizasyonu süreçlerinde W&B Sweeps, Optuna ve Ray Tune gibi araçlar deney takibiyle doğrudan entegre çalışarak grid search, random search veya Bayesian optimizasyon sonuçlarını otomatik olarak kayıt altına alır. Her kombinasyon ayrı bir run olarak izlenir, böylece en iyi model konfigürasyonu tutarlı biçimde belirlenir ve yeniden kullanılabilir.
Hierarchical Clustering (Hiyerarşik Kümeleme)
Hiyerarşik kümeleme (hierarchical clustering), veri noktaları arasındaki benzerlik ilişkilerini kullanarak hiyerarşik bir yapı oluşturan denetimsiz öğrenme algoritmasıdır. K-means gibi yöntemlerin aksine, küme sayısını önceden belirlemeyi gerektirmez; bunun yerine tüm veri seti tek bir kümeden başlanarak alt gruplara bölünür ya da bireysel noktalardan başlanarak büyük kümelere birleştirilir. İki temel yaklaşım bulunur. Agglomeratif (birleştirici, aşağıdan yukarı) yöntemde her veri noktası başlangıçta ayrı bir küme kabul edilir; algoritma adım adım en yakın çiftleri birleştirir ve sonunda tek bir büyük kümeye ulaşır. Bu süreç bir ağaç diyagramında — dendrogramda — görselleştirilir. Bölücü (divisive, yukarıdan aşağı) yöntemde ise tüm veri kümesi tek bir gruptan başlar ve tekrarlı bölümlerle alt kümelere ayrılır. Pratikte agglomeratif yöntem çok daha yaygın kullanılmaktadır. Kümeler arasındaki mesafeyi ölçmek için bağlantı kriteri (linkage criterion) seçilir. Tek bağlantı (single linkage) iki kümenin birbirine en yakın noktaları arasındaki mesafeyi kullanır; zincir etkisine (chaining) yatkındır. Tam bağlantı (complete linkage) en uzak noktaları; ortalama bağlantı (average linkage) tüm nokta çiftlerinin ortalama mesafesini kullanır. Ward bağlantısı ise birleştirme sonrası küme içi toplam karesel sapma artışını minimize eder ve genel amaçlı kullanımda dengeli, kompakt kümeler ürettiği için en sık tercih edilen kriterdir. Dendrogramda belirli bir yükseklikte yatay bir kesim çizgisi çekerek istenilen küme sayısına ulaşılır; bu özellik algoritmayı keşifsel veri analizinde değerli kılar. Algoritmanın hesaplama karmaşıklığı naif uygulamada O(n³), bellek kullanımı O(n²) düzeyindedir; bu durum büyük veri kümelerinde ölçeklenebilirliği kısıtlar. Yaklaşık yöntemler ve BIRCH gibi özel algoritmalar bu sorunu kısmen gidermektedir. Biyoinformatik (gen ifadesi analizi, protein sekans sınıflandırması), belge kümeleme, müşteri segmentasyonu, piyasa sepet analizi ve anomali tespiti başlıca uygulama alanları arasındadır. Python'da scipy.cluster.hierarchy ve sklearn.cluster.AgglomerativeClustering modülleriyle kolayca uygulanır; dendrogramlar matplotlib ile görselleştirilebilir. Sonuçlar, kümeleme kalitesini ölçmek için Silhouette skoru veya Cophenetic korelasyon katsayısıyla değerlendirilir.
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. Solomon Kullback ve Richard Leibler metriği 1951'de "On Information and Sufficiency" başlıklı çalışmalarında bilgi teorisi çerçevesinde türettiler. Shannon entropisinin bir uzantısıdır: H(P,Q) = H(P) + KL(P‖Q); yani çapraz entropi, özsel entropinin ve KL ıraksama teriminin toplamıdır. KL iraksaması simetrik değildir: KL(P‖Q) ≠ KL(Q‖P). Bu asimetri farklı kullanım senaryolarını doğurur. "Forward KL" (P‖Q) modelin gerçek dağılımı P'yi küçümsememesini zorlar; kütle kaplayan (mean-seeking) bir yaklaşım üretir ve tüm modları kapsayan geniş bir tahmin tercih edilir. "Reverse KL" (Q‖P) ise belirli modlara konsantre olma eğilimindedir ve mod-arayan (mode-seeking) davranış sergiler; değişkence Bayes ve ELBO optimizasyonu bu yönü kullanır. Makine öğrenmesinde KL iraksamasının kritik kullanım alanları şunlardır: Bilgi damıtmada öğretmen ve öğrenci modelin olasılık dağılımları arasındaki KL kaybı, ham etiket bilgisinden çok daha zengin bir eğitim sinyali sunar. Değişkence otokodlayıcılarda (VAE) posterior dağılım q(z|x) ile prior p(z) arasındaki KL terimi, ELBO'nun düzenlileştirici bileşeni olarak gizli uzayı düzenli tutar. RLHF ve PPO'da politika modelinin referans modelden çok uzaklaşmamasını sağlayan KL ceza terimi β çarpanıyla ödül korsanlığını önler. Dağılım kayması tespitinde ise üretim verisinin eğitim dağılımından sapmasını izlemek için başvurulan temel metrik haline gelmiştir. KL her zaman negatif olmayan bir değer üretir — Gibbs eşitsizliği bunu garantiler. Simetri gerektiğinde Jensen-Shannon (JS) iraksaması tercih edilir: JSD(P,Q) = ½ KL(P‖M) + ½ KL(Q‖M), M = (P+Q)/2. JS her zaman sonlu bir değer verir ve [0,1] aralığıyla kısıtlıdır. Pratikte PyTorch'ta torch.nn.KLDivLoss, JAX'ta optax.kl_divergence ve NumPy/SciPy'da scipy.special.rel_entr fonksiyonları ile hesaplanır.
Pipeline (Boru Hattı)
Makine öğrenimi bağlamında pipeline (boru hattı), ham veriden nihai tahmine ya da çıktıya uzanan işlem adımlarının zincirlendiği sistemdir. Her adım bir öncekinin çıktısını girdi olarak alır; veri ön işleme, özellik mühendisliği, model çıkarımı ve son işleme adımları tek bir tutarlı birim olarak kapsüllenir. Bu yapı hem tekrar kullanımı hem de dağıtım tutarlılığını artırır: geliştirme ortamında çalışan pipeline, üretimde de birebir aynı davranışı sergiler. Pipeline'ın en belirgin avantajı, karmaşık iş akışlarını yönetilebilir, test edilebilir ve bağımsız olarak güncellenebilir birimlere bölmesidir. Veri kayması (data drift) veya model bozulması durumunda sorunlu adım izole edilerek hızla müdahale edilebilir. Yeniden üretilebilirlik (reproducibility) açısından pipeline, veri ve model sürümlemesiyle birlikte MLOps'un temel taşını oluşturur. 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. Büyük dil modeli (LLM) odaklı pipeline'lar klasik ML pipeline'larından ayrışır. Eğitim aşaması büyük ölçüde yerini RAG (Retrieval-Augmented Generation) entegrasyonuna, araç çağrısına (tool calling) ve prompt mühendisliğine bırakır. Tipik bir üretim RAG pipeline'ı şu adımları sırayla yürütür: belge parçalama → gömme oluşturma → vektör indeksleme → kullanıcı sorgusunu alma → benzerlik araması → bağlam oluşturma → LLM çıkarımı. LangChain ve LlamaIndex bu bileşenleri modüler biçimde sunar.
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 ve daha az veriyle daha iyi performans elde edebilir. Sıcaklık parametresi (temperature), yumuşak etiket üretiminde belirleyici rol oynar. T > 1 değerleri softmax dağılımını daha düz ve bilgisi zengin hale getirir; T = 1 standart softmax çıktısına karşılık gelir. Damıtma sürecinde kayıp fonksiyonu iki bileşenden oluşur: öğretmenin yumuşak etiketleriyle hesaplanan KL-ıraksama kaybı ve gerçek etiketlerle hesaplanan çapraz entropi kaybı. Geoffrey Hinton'ın 2015 tarihli öncü çalışması bu temeli atmış ve modern model sıkıştırma tekniklerinin yolunu açmıştır. Yumuşak etiketler yalnızca bilgi damıtmayla sınırlı değildir. Etiket düzgünleştirme (label smoothing), one-hot kodlamanın yerine her sınıfa küçük bir olasılık payı atayarak modeli aşırı güvenden korur; Transformer tabanlı modellerin eğitiminde yaygın biçimde kullanılır. Ayrıca birden fazla etiketleyicinin anlaşmazlık oranlarından türetilen yumuşak etiketler, insan belirsizliğini model eğitimine dahil etmek için tercih edilen bir yöntemdir. LLM distilasyonu bağlamında ise GPT-4 gibi büyük modellerin token olasılık dağılımları, küçük modellerin eğitiminde zengin ve maliyet-etkin bir denetim sinyali olarak kullanılmaktadır.
Technical Debt (AI) (Teknik Borç)
Yapay zeka bağlamındaki teknik borç (Technical Debt in AI), geleneksel yazılım teknik borcunun tüm biçimlerini kapsarken makine öğrenmesi projelerine özgü ek borç kategorilerini de içermektedir. Ward Cunningham tarafından 1992 yılında ortaya atılan bu metafor, hızlı alınan ancak özenle tasarlanmamış kararların gelecekte ek bakım ve düzeltme maliyeti doğurduğunu ifade eder. D. Sculley ve ekibinin Google bünyesinde yürüttüğü etkili araştırma, ML sistemlerindeki gizli teknik borç kavramını sistematik biçimde tanımlamış; model kodunun genellikle tüm kod tabanının yalnızca küçük bir kesimini oluşturduğunu, asıl karmaşıklığın veri boru hatları, özellik mühendisliği, izleme altyapısı ve servis entegrasyonunda biriktiğini ortaya koymuştur. Veri bilimine yatırım yapan organizasyonlar çoğunlukla bu borçla yüzleşmekte gecikmekte ve sonunda ciddi operasyonel sorunlarla karşılaşmaktadır. ML'ye özgü başlıca teknik borç kategorileri şunlardır: veri sızıntısı (eğitim ve test kümelerinin yanlışlıkla örtüşmesi), özellik dolanıklığı (feature entanglement), gizli geri bildirim döngüleri, kayıtsız bağımlılıklar (undeclared consumers), korelasyon tabanlı özellikler ve dağıtım kaymasından (distribution shift) kaynaklanan sessiz model çöküşleri. CACE prensibi (Changing Anything Changes Everything) bu dolanıklık sorununu çarpıcı biçimde özetler: herhangi bir özelliğin değiştirilmesi modelin tüm davranışını beklenmedik şekillerde dönüştürebilir. Bu nedenle kapsamlı regresyon testleri ve özellik atıf analizleri vazgeçilmez hale gelmektedir. MLOps pratiklerinin olgunlaşmasıyla birlikte teknik borç yönetimi için çeşitli çerçeveler ve araçlar geliştirilmiştir. Düzenli model kartı güncellemeleri, özellik deposu (feature store) kullanımı, veri sözleşmeleri (data contracts) ve kapsamlı model izleme panoları bu yaklaşımların başında gelmektedir. MLflow, DVC ve Weights & Biases gibi araçlar deney takibini kolaylaştırarak bilgi borcunu önemli ölçüde azaltmaktadır. Her çeyreğe bir yeniden yapılandırma sprinti dahil etmek, teknik borcun kontrolden çıkmasını önleyen pratik ve etkili bir organizasyonel stratejidir. Uzun vadede bu borcu yönetmek; sistem güvenilirliği, bakım kolaylığı ve ekip verimliliği açısından doğrudan kazanım yaratır.
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 ay olabilir; önemli olan sıranın korunması ve her gözlemin bir zaman damgasıyla eşleştirilmesidir. Her zaman serisi dört temel yapısal bileşenden oluşur: uzun vadeli yönelimi gösteren trend; belirli periyotlarda tekrarlayan mevsimsellik (seasonality); ekonomik büyüme ve daralma döngüleri gibi daha uzun vadeli dalgalanmaları kapsayan döngüsellik (cyclicality); ve hiçbir kalıpla açıklanamayan rastgele sapmaları içeren gürültü. Başarılı bir analiz bu bileşenleri ayrıştırmakla başlar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), durağanlaştırılmış serilerde kısa vadeli tahmin için standart yaklaşımdır. Mevsimsel bileşen içeren serilerde SARIMA tercih edilir; Holt-Winters üstel düzleştirme yöntemi trend ve mevsimselliği ayrı parametrelerle modeller. Çok değişkenli durumlarda ise VAR (Vector Autoregression) birden fazla serinin karşılıklı etkileşimini hesaba katar. Derin öğrenme bu alanı köklü biçimde dönüştürmüştür. LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları kapı mekanizmaları aracılığıyla uzun dönem bağımlılıklarını öğrenebilmektedir. Transformer mimarisinin zaman serilerine uyarlanmasıyla TFT (Temporal Fusion Transformer) ve N-BEATS modelleri geliştirilmiştir. 2023 sonrasında TimesFM (Google), Chronos (Amazon) ve Lag-Llama gibi foundation modeller büyük ölçekli ön eğitimle sıfır-atış (zero-shot) tahmin kapasitesi kazanmıştır. Zaman serisi analizi finans, üretim, sağlık ve enerji gibi pek çok kritik sektörde kullanılmaktadır. Anormallik (anomali) tespiti, tahminlenen değerden sapan noktaları otomatik olarak işaretleyerek operasyonel riskleri erkenden ortaya koyar. Durağanlık (stationarity) varsayımı zaman serisi analizinin merkezinde yer alır: ortalama ve varyansın zaman içinde sabit kalması, çoğu klasik modelin ön koşuludur. Mevsimsel ayrıştırma ve differencing bu koşulu sağlamak için standart ön işleme adımları arasındadır.
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 öğrenimi 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. Öklid mesafesi (L2) ise iki nokta arasındaki doğrudan uzaklığı ölçer; görüntü ve ses embeddinglerde yaygın kullanılır. Vektör veritabanları (Pinecone, Qdrant, Weaviate, pgvector) bu yoğun vektörleri büyük ölçekte depolayarak milisaniyede en yakın komşu araması yapar. HNSW ve IVF gibi yaklaşık en yakın komşu (ANN) algoritmaları milyarlarca vektör üzerinde hızlı arama imkânı sunar. Bu altyapı semantik arama, RAG sistemleri ve öneri motorlarının temelini oluşturur. Pratik boyutlandırma rehberi: text-embedding-3-small (1536 boyut) çoğu RAG ve semantik arama uygulaması için maliyet-performans dengesi açısından iyi bir başlangıç noktasıdır. Kuantizasyon (int8, binary) vektörleri sıkıştırarak 4-32× bellek tasarrufu elde edilebilir; buna karşılık doğrulukta küçük bir kayıp kabul edilmelidir. Türkçe metinler için multilingual-e5-large (1024 boyut) veya multilingual-MiniLM (384 boyut) çok dilli görevlerde etkili seçeneklerdir.
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 derin bir dönüşüm geçirmektedir. Kod üretme, veri temizleme otomasyonu ve doğal dil tabanlı analiz gibi görevlerde yapay zeka desteği standart hale gelmektedir; bu durum veri bilimcilerin daha stratejik ve yüksek değerli işlere odaklanmasını mümkün kılmaktadır. MLOps ve LLMOps pratiklerinin olgunlaşmasıyla birlikte veri bilimciler artık yalnızca model kurmakla kalmıyor, üretim sistemlerini tasarlıyor ve izliyor. Veri kalitesi, önyargı tespiti ve yorumlanabilirlik (explainability) gibi konular modern veri bilimcinin temel sorumluluk alanına girmiş bulunmaktadır. Ayrıca büyük kuruluşlarda veri mühendisliği, veri analitiği ve makine öğrenmesi mühendisliği rolleriyle iç içe geçen veri bilimi, günümüzde çok boyutlu bir kariyer yoluna dönüşmüştür.
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. Bu örnek, hedef belirlemenin teknik başarıdan ne kadar farklı ve kritik bir sorun olduğunu açıkça ortaya koyar. 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. Her yaklaşımın kendine özgü güçlü yönleri ve açık kalan sorunları bulunmaktadır. 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. Mevcut LLM'lerde bile dezenformasyon üretimi, önyargı amplifikasyonu ve zararlı içerik oluşturma gibi küçük ölçekli hizalama hataları ciddi toplumsal zararlar yaratabilmektedir. 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 gerektirebilir; NAS gibi yöntemler yüzlerce GPU-saati tüketebilir. Otomatik sürecin ürettiği modeller bazen yorumlanması güç karmaşık pipeline'lar içerir. Bu nedenle AutoML, uzman veri bilimcilerin yerini almaktan çok onları rutin optimizasyon 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 hızla yaygınlaşmaktadır. FLAML ve TPOT gibi hafif açık kaynak araçlar, sınırlı kaynaklarla da kaliteli model araması yapılmasına olanak tanıdığından küçük ve orta ölçekli ekipler için cazip seçenekler sunmaktadır.
DBSCAN (Yoğunluk Tabanlı Kümeleme (DBSCAN))
DBSCAN (Density-Based Spatial Clustering of Applications with Noise), 1996 yılında Martin Ester ve ekibi tarafından tanıtılan, yoğunluk tabanlı bir kümeleme algoritmasıdır. K-Means gibi yöntemlerin aksine, küme sayısını önceden belirleme zorunluluğu taşımaz ve keyfi geometrik şekillerdeki kümeleri tespit edebilir. Bunun yanı sıra gürültü noktalarını açıkça etiketleyerek aykırı değer tespitine de doğal destek verir. Algoritma iki temel parametreye dayanır: ε (epsilon), bir noktanın komşuluk yarıçapını tanımlar; minPts ise bir bölgenin çekirdek nokta sayılabilmesi için gereken asgari komşu sayısıdır. DBSCAN her nokta için ε yarıçaplı komşuluk bölgesini inceler. MinPts veya daha fazla komşuya sahip noktalar çekirdek nokta olarak sınıflandırılır ve bir kümenin çekirdeğini oluşturur. Bir çekirdek noktanın ε-komşuluğunda bulunan ancak kendisi çekirdek olmayan noktalar kenar nokta (border point) adını alır. Hiçbir çekirdek noktanın ε-komşuluğunda yer almayan noktalar ise gürültü (noise) olarak etiketlenir ve -1 etiketi atanır. Algoritma, birbirine yoğunluk-bağlantılı tüm noktaları tek bir kümede toplar. Parametre seçimi DBSCAN'ın başarısını doğrudan belirler. ε için yaygın yöntem k-en yakın komşu (kNN) grafiğidir: her noktanın minPts'inci en yakın komşusuna mesafesi grafiğe dökülerek dirsek (elbow) noktası bulunur. minPts için genel kural, boyut sayısının iki katı (2×d) olmakla birlikte veri setinin yoğunluğuna göre ayarlanması önerilir. Büyük veri kümelerinde standart DBSCAN O(n²) zaman karmaşıklığı gösterir. Bu kısıtlamayı aşmak için HDBSCAN (Hierarchical DBSCAN), OPTICS ve Approximated DBSCAN gibi varyantlar geliştirilmiştir. HDBSCAN, sabit ε yerine adaptif yoğunluk eşiği kullanarak değişken yoğunluktaki karmaşık küme yapılarını başarıyla tespit eder ve Python'daki hdbscan kütüphanesiyle kolayca uygulanabilir. DBSCAN başlıca şu alanlarda kullanılır: coğrafi veri analizinde olay noktalarını doğal kümeler halinde gruplama, anomali tespitinde gürültü noktalarını anormallik göstergesi olarak değerlendirme, görüntü bölütlemede piksel uzayında renk ve doku benzerliğine göre bölge oluşturma ve müşteri segmentasyonunda keyfi şekilli davranış gruplarını belirleme. Scikit-learn'ün sklearn.cluster.DBSCAN sınıfı, algoritmayı yalnızca birkaç satır Python kodu ile kullanılabilir hale getirir.
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. Model çalma saldırıları, fikri mülkiyet hukukunun yapay zeka alanındaki en kritik gündem maddelerinden birini oluşturmaktadır. Bir modeli eğitmek için harcanan hesaplama kaynakları ve veri maliyeti göz önüne alındığında, başarılı bir çıkarma saldırısı ciddi ekonomik zarar yaratabilir. Araştırmacılar hem saldırı vektörlerini hem de karşı önlemleri aktif biçimde geliştirmekte; model parmak izi (model fingerprinting) ve filigran (watermarking) teknikleri saldırıları tespit etmek için giderek daha fazla kullanılmaktadır. Bu teknikler, modelin yetkisiz kopyalarının tespit edilmesini ve yasal yaptırım süreçlerine zemin hazırlanmasını mümkün kılar.
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. Tipik vektör boyutları 50 ile 4096 arasında değişir; daha yüksek boyut daha fazla anlam nüansı taşır ancak bellek ve hesaplama maliyeti de artar. 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 yoğun vektör temsilleri yaygınlaştı. Word2Vec'in ünlü örneğinde "kral − erkek + kadın ≈ kraliçe" vektör aritmetiği, modelin anlam ilişkilerini öğrendiğini kanıtladı. FastText (Meta, 2016) ise kelimeleri karakter n-gramı parçalarına bölerek sözlük dışı sözcükleri de vektöre çevirme becerisini getirdi. 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 türevi modeller çözdü: Transformer katmanları her kelimeye bağlama özgü bir temsil üretir, böylece aynı kelime farklı cümlelerde farklı vektörler alır. Çok anlamlı kelimeler artık cümle bağlamına göre doğru şekilde kodlanabilir hale gelmiştir. Türkçe için özelleştirilmiş gömmeler mevcuttur: BERTurk, TURK-BERT ve çeşitli FastText modelleri geniş Türkçe corpus'larla eğitilmiştir. Türkçe'nin eklemeli morfolojisi nedeniyle alt-kelime gömmeleri ve karakter tabanlı modeller özellikle önem kazanmaktadır: "gidiyorum", "gidiyorsun", "gidiyoruz" gibi çekimli formlar kök anlamını paylaşacak biçimde kodlanabilir. Günümüzde kelime gömmesi kavramı cümle ve belge gömmelerine (sentence/document embeddings) evrilmiştir. OpenAI text-embedding-3, Cohere Embed ve Mistral Embed gibi modeller tüm paragrafı tek bir vektörle temsil ederek Retrieval-Augmented Generation (RAG) altyapıları, semantik arama motorları ve öneri sistemlerinin omurgasını oluşturur. Gömme kalitesi cosine benzerliği ve kNN kıyaslamaları ile ölçülür; STS (Semantic Textual Similarity) benchmark setleri alanda standart değerlendirme ölçütü olarak kullanılır.