tag Makine Öğrenimi
Bu sayfada Makine Öğrenimi etiketi ile işaretlenmiş 49 yapay zeka kavramını bulabilirsiniz.
Veri sızıntısı (data leakage), makine öğrenimi modelinin eğitim sürecine gerçek dünya tahmin anında bulunmaması ya da bilinmemesi gereken bilgilerin karışması ve bu durumun modelin performans değerlendirmesini yanıltmasıdır. Ortaya çıkan en belirgin belirti, geliştirme aşamasında olağandışı yüksek doğruluk, F1 veya AUC değerleri elde edilmesidir; ancak model üretime geçtiğinde bu başarım bir anda çöker çünkü o "sızan" bilgi artık mevcut değildir. Veri sızıntısının iki ana türü vardır. Birinci tür olan hedef sızıntısı (target leakage), eğitim setindeki bir özelliğin tahmin edilmek istenen sonuçla zamansal ya da korelasyonel bağ üzerinden kirlendiği durumu tanımlar. Klasik örnek: sigorta hasar tahmin modelinde "hasar sonrası müşteri iletişim kaydı" özelliğinin kullanılması. Bu değişken modelin sonucu önceden "bilmesine" yol açar; üretimde tahmin anında henüz o kayıt oluşmadığından model başarısız olur. İkinci tür olan eğitim-test kirliği ise ön işleme adımlarının test verisine sıçramasından kaynaklanır. StandardScaler veya MinMaxScaler'ı tüm veri seti üzerinde fit edip ardından bölümleme yapmak bu hatanın en yaygın biçimidir: test setinden gelen istatistikler normalleştirmede kullanıldığından test seti gerçek anlamda görülmemiş olmaktan çıkar. Zaman serisi verileri özellikle yüksek risk taşır. Rastgele train/test bölümlemesi bu tür verilerde her zaman yanlıştır: gelecekteki gözlemler eğitim setine girebilir ve model aslında geleceği görerek geçmişi tahmin eder. Doğru yöntem TimeSeriesSplit veya walk-forward validation kullanmaktır. Tespitte en etkili yöntem, Scikit-learn Pipeline nesneleridir: her çapraz doğrulama kıvrımında ön işleme adımlarını yalnızca o kıvrımın eğitim verisine uyguladığından test kirliğini yapısal olarak engeller. Özellik önem sıralamalarında şaşırtıcı derecede yüksek katkı gösteren değişkenler hedef sızıntısı açısından mutlaka sorgulanmalıdır. Üretim ile geliştirme ortamı arasındaki ani performans düşüşü her zaman veri sızıntısının güçlü bir göstergesidir.
Data Leakage (Veri Sızıntısı (Data Leakage))
Veri sızıntısı (data leakage), makine öğrenimi modelinin eğitim sürecine gerçek dünya tahmin anında bulunmaması ya da bilinmemesi gereken bilgilerin karışması ve bu durumun modelin performans değerlendirmesini yanıltmasıdır. Ortaya çıkan en belirgin belirti, geliştirme aşamasında olağandışı yüksek doğruluk, F1 veya AUC değerleri elde edilmesidir; ancak model üretime geçtiğinde bu başarım bir anda çöker çünkü o "sızan" bilgi artık mevcut değildir. Veri sızıntısının iki ana türü vardır. Birinci tür olan hedef sızıntısı (target leakage), eğitim setindeki bir özelliğin tahmin edilmek istenen sonuçla zamansal ya da korelasyonel bağ üzerinden kirlendiği durumu tanımlar. Klasik örnek: sigorta hasar tahmin modelinde "hasar sonrası müşteri iletişim kaydı" özelliğinin kullanılması. Bu değişken modelin sonucu önceden "bilmesine" yol açar; üretimde tahmin anında henüz o kayıt oluşmadığından model başarısız olur. İkinci tür olan eğitim-test kirliği ise ön işleme adımlarının test verisine sıçramasından kaynaklanır. StandardScaler veya MinMaxScaler'ı tüm veri seti üzerinde fit edip ardından bölümleme yapmak bu hatanın en yaygın biçimidir: test setinden gelen istatistikler normalleştirmede kullanıldığından test seti gerçek anlamda görülmemiş olmaktan çıkar. Zaman serisi verileri özellikle yüksek risk taşır. Rastgele train/test bölümlemesi bu tür verilerde her zaman yanlıştır: gelecekteki gözlemler eğitim setine girebilir ve model aslında geleceği görerek geçmişi tahmin eder. Doğru yöntem TimeSeriesSplit veya walk-forward validation kullanmaktır. Tespitte en etkili yöntem, Scikit-learn Pipeline nesneleridir: her çapraz doğrulama kıvrımında ön işleme adımlarını yalnızca o kıvrımın eğitim verisine uyguladığından test kirliğini yapısal olarak engeller. Özellik önem sıralamalarında şaşırtıcı derecede yüksek katkı gösteren değişkenler hedef sızıntısı açısından mutlaka sorgulanmalıdır. Üretim ile geliştirme ortamı arasındaki ani performans düşüşü her zaman veri sızıntısının güçlü bir göstergesidir.
A/B Testi Nedir? Makine Öğrenmesinde A/B Testing (A/B Testi)
A/B testi, iki farklı sürümü (A kontrol, B deney) kullanıcılara rastgele göstererek hangisinin daha iyi performans gösterdiğini belirleyen istatistiksel bir deney yöntemidir. Makine öğrenmesinde model değerlendirmesinin temel taşı olan A/B testi; web uygulamalarından öneri sistemlerine, dil modellerinden görüntü sınıflandırıcılara kadar geniş bir alanda kullanılır. Testin çalışma mantığı şu adımlara dayanır: Kullanıcılar rastgele iki gruba ayrılır. A grubu mevcut sistemi (kontrol), B grubu yeni modeli veya özelliği (deney) deneyimler. Belirli bir süre sonra tıklama oranı, dönüşüm, RMSE veya doğruluk gibi metrikler karşılaştırılır; istatistiksel anlamlılık p-değeri ve güven aralığı ile ölçülür. Makine öğrenmesi ekipleri A/B testini şu senaryolarda kullanır: Yeni model sürümünü üretim ortamında doğrulama, hiperparametre değişikliklerinin gerçek etkisini ölçme, farklı öneri algoritmalarını kullanıcı katılımıyla karşılaştırma ve özellik mühendisliği değişikliklerinin işletme metriklerine katkısını ölçme. Sık karşılaşılan tuzaklar arasında erken sonuç okuma (peeping problem), çoklu karşılaştırma yanılgısı (Bonferroni düzeltmesi gerektirir), yeterli örneklem büyüklüğü hesaplamamak ve kullanıcı segmentasyonu farklarını göz ardı etmek sayılabilir. Sıralı A/B testi (sequential testing) ise bu sorunları azaltmak için erken durdurma kuralları kullanır. Kanary dağıtımı (canary deployment) ve gölge modu (shadow mode) A/B testinin üretim ortamında uygulandığı ileri düzey varyantlardır. Kanary dağıtımında yeni model yalnızca küçük bir trafik dilimine sunularak riskler sınırlandırılır; gölge modunda ise yeni model gerçek trafiği paralel olarak işler ancak kullanıcıya hiçbir zaman yanıt vermez. Türkiye'de büyük e-ticaret ve fintech platformları üretim ML sistemlerini bu yöntemlerle doğrulamaktadır. Yaygın araçlar: MLflow Experiments, Amazon SageMaker Experiments, Optimizely ve açık kaynak Wasabi. Interleaved (karışık) A/B testi ise öneri ve arama sistemleri için özel olarak geliştirilmiş bir varyantdır: A ve B sistemlerinin sonuçları tek bir listeye interleave edilerek kullanıcı tıklamaları üzerinden hangisinin daha iyi sıralama yaptığı çıkarılır. Bu yöntem, klasik A/B testi karşılaştırmasına göre çok daha hızlı istatistiksel güç elde etmeyi sağlar.
Adversarial Attack Nedir? (Hasım Saldırısı)
Adversarial Attack (Düşmanca Saldırı), makine öğrenimi ve derin öğrenme modellerini yanıltmak amacıyla giriş verilerine kasıtlı olarak eklenen küçük, çoğunlukla insan gözüyle fark edilmesi güç pertürbasyonlardır. Bu saldırılar, modelin güvenli veya zararsız gördüğü bir girdiyi aslında yanlış sınıflandırmaya veya istenmeyen çıktı üretmeye yönlendirir. Tekniğin temel ilkesi 2013 yılında Szegedy ve arkadaşlarının yayımladığı makalede ortaya kondu: bir görüntüye neredeyse görünmez pertürbasyonlar eklenerek derin sinir ağlarının yüksek güvenle yanlış tahmin yaptırılabileceği gösterildi. Bu bulgu, derin öğrenmenin performansının ardında yatan kırılganlıkları gün yüzüne çıkardı. Saldırı türleri incelendiğinde iki temel kategori öne çıkar. Beyaz-kutu saldırıları (white-box attacks), model mimarisine ve ağırlıklarına tam erişim varsayar; FGSM (Fast Gradient Sign Method) ve PGD (Projected Gradient Descent) bu kategorinin örnekleridir. Siyah-kutu saldırıları (black-box attacks) ise modelin iç yapısına erişim gerektirmez; yalnızca giriş-çıkış davranışına bakarak saldırı üretilir. Uygulama alanları açısından adversarial attack'lar özellikle kritik sistemlerde ciddi tehdit oluşturur. Özerk araçlarda dur işaretine beyaz çıkartma yapıştırılarak trafik işaret tanıma sisteminin yanıltılması akademik olarak gösterilmiştir. Yüz tanıma sistemleri özel gözlükler veya boyama örüntüleriyle atlatılabilmektedir. Tıbbi görüntü analizinde küçük piksel değişikliklerinin kanser tespitini yanıltabileceği raporlanmıştır. Savunma yöntemleri arasında adversarial training (modeli adversarial örneklerle yeniden eğitme), input preprocessing, certified robustness ve feature squeezing sayılabilir. Ancak savunma ile saldırı arasındaki silahlanma yarışı sürmektedir: her yeni savunma tekniğine karşı daha gelişmiş saldırı yöntemleri ortaya çıkmaktadır. Bu nedenle güvenilir yapay zeka sistemleri tasarımı adversarial robustness'ı temel bir tasarım kriteri olarak değerlendirmeye başlamıştır. NLP (Doğal Dil İşleme) modellerine yönelik adversarial saldırılar görüntü alanından farklı teknikler gerektirir: karakter seviyesinde yazım değişiklikleri, kelime ikameleri veya prompt injection, metin sınıflandırıcılarını ve dil modellerini yanıltmak için kullanılır. Özellikle büyük dil modellerine (LLM) yönelik jailbreak saldırıları adversarial attack'ın metin alanındaki güncel versiyonudur. Türkiye'de biyometrik erişim kontrol sistemleri ve tıbbi yapay zeka uygulamaları geliştiren kuruluşların adversarial saldırı farkındalığını üretim tasarımına entegre etmesi giderek önem kazanmaktadır.
Aktif Öğrenme Nedir? (Active Learning) (Aktif Öğrenme)
Aktif öğrenme (active learning), bir makine öğrenmesi modelinin kendi eğitim sürecine aktif katıldığı ve en çok bilgi kazandıracak veri noktalarını seçerek insan uzmanından (oracle) etiket talep ettiği bir paradigmadır. Geleneksel denetimli öğrenmede tüm eğitim verisi önceden etiketlenir; aktif öğrenmede ise model belirsizliği yüksek, bilgi değeri en fazla olan örnekleri hedefleyerek minimum etiket bütçesiyle maksimum performansa ulaşır. Temel sorgu stratejileri arasında belirsizlik örneklemesi (uncertainty sampling), kurul-sorgulama (query by committee) ve beklenen model değişimi (expected model change) yer alır. Belirsizlik örneklemesinde model, sınıflandırma güveni en düşük örnekleri sorgular; ikili görevlerde karar sınırına en yakın noktalar, çok sınıflı görevlerde ise entropi en yüksek örnekler tercih edilir. Kurul-sorgulamada birbirinden bağımsız modeller anlaşamadıkları örnekleri öne çıkarır. Aktif öğrenme döngüsü şu adımlarla işler: küçük bir başlangıç etiketli setiyle model ilk kez eğitilir; model etiketlenmemiş havuzu değerlendirerek bilgi değeri en yüksek örneği seçer; uzman bu örneği etiketler; model güncellenir ve döngü tekrar başlar. Derin öğrenme bağlamında Monte Carlo Dropout veya BALD (Bayesian Active Learning by Disagreement) gibi yöntemler belirsizlik hesabı için yaygın kullanılır. Aktif öğrenme özellikle tıbbi görüntü analizi, metin sınıflandırması ve biyomedikal NLP görevlerinde kritiktir; bu alanlarda uzman etiketleme hem pahalı hem de zaman alıcıdır. Araştırmalar, aktif öğrenmenin aynı doğruluk için gereken etiket sayısını geleneksel yöntemlere kıyasla yüzde elli ile doksan arasında azaltabildiğini ortaya koymuştur. Burr Settles'ın 2009 teknik raporu alana en çok atıfta bulunulan kaynak olmaya devam etmektedir. Python ekosisteminde ModAL, small-text ve scikit-activeml popüler uygulama çerçeveleridir. Büyük dil modellerinin ince ayar süreçlerinde de aktif öğrenme, etiketleme maliyetlerini en aza indirmek için giderek daha fazla tercih edilmekte; insan-döngüsünde öğrenme mimarileriyle birleştirilmektedir.
Apriori Algorithm (Apriori Algoritması)
Apriori, 1994 yılında Rakesh Agrawal ve Ramakrishnan Srikant tarafından geliştirilen temel bir birliktelik kuralı madenciliği algoritmasıdır. Adı, "apriori bilgi" kavramından gelir: algoritma, sık öğe kümelerini bulmak için önceden hesaplanmış küçük kümelerin sonuçlarını önsel bilgi olarak kullanır. Algoritmanın temel ilkesi Apriori Özelliği olarak bilinir: bir öğe kümesi seyrek (minimum destek eşiğinin altında) ise, bu kümenin tüm üst kümeleri de seyrek olacaktır. Bu anti-monotonluk özelliği, aday üretiminde büyük budama (pruning) sağlar ve arama uzayını önemli ölçüde daraltır. Algoritma üç aşamada ilerler: İlk aşamada minimum destek eşiğini karşılayan sık öğe kümeleri keşfedilir; tek öğeden başlanarak her iterasyonda k+1 öğeli adaylar üretilir, eşiği karşılamayanlar budanır. İkinci aşamada bu sık kümelerden minimum güven ve kaldıraç eşiklerini sağlayan birliktelik kuralları türetilir. Üçüncü aşamada kurallar destek, güven ve lift değerleriyle sıralanır. Apriori üç temel metrikle değerlendirilir. Destek (support), bir kural kombinasyonunun tüm işlemlerde görülme sıklığını gösterir. Güven (confidence), öncül verildiğinde sonucun ne kadar olası olduğunu ölçer. Kaldıraç (lift), birlikte görülmenin rastlantısal beklentinin kaç katı olduğunu hesaplar; lift değeri 1'den büyükse pozitif birliktelik vardır. Uygulama alanları oldukça geniştir: perakendede ürün yerleşimi ve promosyon stratejisi, e-ticarette çapraz satış ve kişiselleştirilmiş öneri sistemleri, sağlık sektöründe hastalık-semptom birlikteliği analizi ve siber güvenlikte ağ log'larında saldırı örüntüsü tespiti bunların başında gelir. Apriori'nin temel sınırlılığı, büyük veri kümelerinde çok sayıda veritabanı taraması yapmasıdır. Bu nedenle FP-Growth algoritması, tüm veriyi tek bir FP-ağacına sıkıştırarak yalnızca iki tam tarama yapar; büyük ölçekte Apriori'den genellikle 10-100 kat daha hızlıdır. Bununla birlikte Apriori, şeffaflığı ve adım adım takip edilebilirliği sayesinde veri madenciliği eğitiminde standart referans algoritması olmayı sürdürmektedir.
Artificial Neural Networks (ANN) (Yapay Sinir Ağları)
Yapay sinir ağları (Artificial Neural Networks — ANN), insan beynindeki biyolojik nöron yapılarından esinlenerek geliştirilen matematiksel hesaplama modellerdir. Birbirine ağırlıklı bağlantılarla bağlı düğümlerden (nöronlardan) oluşan bu yapılar; girdi katmanı, bir ya da daha fazla gizli katman ve çıktı katmanından meydana gelir. Her düğüm gelen sinyalleri toplar, ağırlıklarla çarpar ve sonucu sigmoid, ReLU veya tanh gibi bir aktivasyon fonksiyonundan geçirerek bir sonraki katmana iletir. Eğitim süreci iki temel aşamadan oluşur: ileri geçiş (forward pass) sırasında girdi verisi katmanlar boyunca aktarılarak tahmin üretilir; geri yayılım (backpropagation) aşamasında ise tahmin hatası zincir kuralıyla geriye doğru hesaplanarak ağırlıklar gradyan iniş yöntemiyle güncellenir. Bu döngü milyonlarca iterasyon boyunca tekrarlanarak modelin doğruluğu kademeli biçimde artırılır. Ağın başarısı büyük ölçüde gizli katman sayısına, nöron yoğunluğuna ve seçilen optimizasyon algoritmasına (Adam, SGD, RMSProp) bağlıdır. Tarihsel açıdan McCulloch-Pitts nöronu (1943) ve Frank Rosenblatt'ın 1958 perceptronu bu alanın temel taşlarını oluşturur. İki "yapay zeka kışı" döneminde ilgi azalsa da 2006 sonrasında Geoffrey Hinton ve ekibinin çok katmanlı yapılar üzerindeki çalışmaları ile 2012'de AlexNet'in ImageNet yarışmasındaki devrimsel başarısı, modern derin öğrenme çağını başlattı. Günümüzde yapay sinir ağları pek çok uzmanlaşmış mimaride gelişmiştir: evrişimsel sinir ağları (CNN) görüntü tanıma ve bilgisayarlı görüde, yinelemeli ağlar (RNN/LSTM) dizi verisinde, grafik sinir ağları (GNN) ilişkisel veride ve transformerlar büyük dil modellerinde temel yapı taşını oluşturur. Tıbbi görüntü analizi, otonom araçlar, ses tanıma, makine çevirisi ve öneri sistemleri bu teknolojinin en olgunlaştığı başlıca uygulama alanlarıdır. Temel sınırlamalar arasında "kara kutu" yorumlanabilirlik sorunu, büyük miktarda etiketli eğitim verisi gerektirme ve GPU hesaplama maliyeti sayılabilir. Bu güçlükler açıklanabilir yapay zeka (XAI) araştırmalarını ve enerji verimli kenar bilişim (edge AI) çözümlerine olan ilgiyi giderek artırmaktadır.
Boyut İndirgeme (Dimensionality Reduction) (Boyut İndirgeme)
Boyut indirgeme (dimensionality reduction), yüksek boyutlu veri kümelerindeki değişken sayısını azaltırken verinin özünü ve yapısını koruyan teknikler bütünüdür. Modern veri kümelerinde binlerce hatta milyonlarca özellik bulunabilir; bu durum "boyutun laneti" olarak adlandırılan ve modellerin genelleştirilmesini zorlaştıran bir soruna yol açar. Boyut indirgeme bu karmaşıklığı yönetilebilir hale getirir ve makine öğrenimi boru hatlarında standart bir ön işlem adımı olarak yer alır. Temel yaklaşımlar iki gruba ayrılır. Doğrusal yöntemler arasında en yaygın kullanılan Temel Bileşenler Analizi (PCA), veri setindeki en yüksek varyansı açıklayan ortogonal eksenleri hesaplar. Yüzlerce özelliği 10-20 bileşene indirgemek ve verinin yüzde 95'inden fazla bilgisini korumak mümkündür. Lineer Diskriminant Analizi (LDA) ise sınıflar arası ayrımı maksimize ederek indirgeme yapar; bu özelliği onu sınıflandırma öncesi ön işlemde değerli kılar. Doğrusal olmayan manifold yöntemleri, verinin karmaşık eğrisel yapılarını koruyabilir. t-SNE (t-dağılımlı Stokastik Komşu Gömme), yüksek boyutlu noktalar arasındaki yerel benzerlikleri 2 veya 3 boyutlu uzayda görselleştirmek için en sık tercih edilen yöntemdir; birbirine yakın kümeler arasındaki ayrımı belirginleştirir. UMAP (Uniform Manifold Approximation and Projection) ise hem yerel hem küresel yapıyı korurken t-SNE'den çok daha hızlı çalışır ve büyük veri kümelerinde üretim ortamlarında tercih edilir. Derin öğrenme dünyasında otoenkoderler sinir ağları aracılığıyla boyut indirger: kodlayıcı kısım veriyi düşük boyutlu bir latent uzaya sıkıştırır, kod çözücü kısım ise orijinal veriyi yeniden oluşturmaya çalışır. Bu yaklaşım anomali tespiti, görüntü sıkıştırma ve öneri sistemleri gibi alanlarda yaygın biçimde kullanılır. Dil modellerindeki embedding vektörler de özünde boyut indirgemenin bir biçimidir: geniş sözcük dağarcıklarını yoğun vektörlerle temsil eder. Uygulama alanları geniştir: biyoinformatik analizinde gürültü azaltma, öneri sistemlerinde matris çarpanlara ayırma, doğal dil işlemede konu modelleme ve görüntü işlemede özellik çıkarma bu alanların başında gelir.
Çapraz Doğrulama (Çapraz Doğrulama)
Çapraz doğrulama (cross-validation), makine öğrenimi modellerinin görülmemiş veriler üzerindeki gerçek performansını tarafsız biçimde tahmin etmek için kullanılan istatistiksel bir değerlendirme tekniğidir. Temel fikir, mevcut eğitim verisini birden fazla alt kümeye (fold) bölmek ve her birini dönüşümlü olarak test kümesi olarak kullanmaktır; böylece modelin tüm veri üzerindeki davranışı sistematik biçimde ölçülür. En Yaygın Yöntemler K-Katlamalı Çapraz Doğrulama (k-Fold Cross-Validation): Veri kümesi k eşit parçaya (fold) bölünür. Model, her iterasyonda k-1 parça üzerinde eğitilir ve kalan 1 parça üzerinde test edilir; bu döngü k kez tekrarlanır. Ortalama hata skoru, modelin genel performansının tarafsız tahmini olarak kabul edilir. Pratikte k=5 veya k=10 en sık tercih edilen değerlerdir; bu seçim önyargı-varyans dengesi açısından pratik optimum noktalardır. Biri Dışarıda Bırak (Leave-One-Out / LOO): k değeri veri kümesinin örnek sayısına eşitlenir; her seferinde yalnızca tek bir örnek test için ayrılır. Küçük veri setlerinde maksimum bilgiyi kullanmanın yolu olsa da büyük veri setlerinde hesaplama maliyeti aşırı artar. Tabakalı K-Katlamalı (Stratified k-Fold): Katlar oluşturulurken her kattaki sınıf oranı korunur. Dengesiz sınıf dağılımlarında (fraud detection, tıbbi teşhis gibi) standart k-fold gerçekçi olmayan sonuçlar üretebileceği için bu yöntem tercih edilir. Neden Gereklidir? Tek bir eğitim/test bölünmesi, bölünmenin rastlantısallığına bağlı olarak aşırı iyimser ya da kötümser sonuçlar üretebilir. Çapraz doğrulama bu varyansı azaltır ve modelin aşırı uyum (overfitting) yaşayıp yaşamadığını nesnel biçimde ortaya koyar. Özellikle küçük ve orta ölçekli veri kümelerinde güvenilir performans tahmini için vazgeçilmez bir araçtır. Hiperparametre Ayarı ile Kullanımı Çapraz doğrulama, hiperparametre optimizasyonunun standart parçasıdır. Grid Search veya Random Search algoritmalarıyla birleştirildiğinde her parametre kombinasyonu k kez değerlendirilir. Bu yaklaşım test verisinin dolaylı yollardan eğitime sızmasını (data leakage) önler ve seçilen modelin gerçek dünya performansını daha doğru yansıtır. Sınırlılıklar ve Özel Durumlar k arttıkça hesaplama süresi katlanarak büyür; büyük derin öğrenme modellerinde standart k-fold pratikte pahalı hale gelebilir. Zaman serisi gibi sıralı verilerde standart k-fold geçersizdir çünkü gelecekteki verilerle geçmişi eğitmek sızıntıya (data leakage) neden olur; bu senaryolarda Walk-Forward Validation veya TimeSeriesSplit yöntemleri kullanılır. Çapraz doğrulama, veri biliminin temel kalite güvencesi araçlarından biridir: hem model seçimini hem de genelleme gücünün tahminini istatistiksel olarak sağlam bir temele oturtur.
Cohort Analysis (Kohort Analizi)
Kohort analizi (cohort analysis), ortak bir özelliği ya da başlangıç noktasını paylaşan kullanıcı veya müşteri gruplarının (kohortların) davranışlarını belirli bir süre boyunca takip eden veri analizi yöntemidir. Epidemiyoloji araştırmalarından doğan bu teknik, dijital ürün analitiği ve makine öğrenmesi alanlarında temel bir araç hâline gelmiştir. Kohort analizinin iki ana türü vardır. Edinim kohortları (acquisition cohorts), kullanıcıları ilk etkileşim tarihlerine göre —kayıt tarihi, ilk satın alma ya da uygulama yükleme anı— gruplar ve zamanla nelerin değiştiğini ortaya koyar. Davranışsal kohortlar ise kullanıcıları belirli eylemler temelinde —onboarding'i tamamlama, belirli bir özelliği kullanma, belirli bir eşiği geçme— gruplar ve "neden" sorusuna yanıt verir. Pratik uygulamalar üç alanda yoğunlaşır. Müşteri elde tutma ve churn azaltma: hangi kohortların daha hızlı terk ettiği belirlenir ve hedefli kampanyalarla erken müdahale edilir. Pazarlama ROI ölçümü: farklı edinim kanallarından gelen kohortların yaşam boyu değeri (LTV) karşılaştırılır; LTV = ARPA ÷ Churn Rate formülü kullanılır ve 3:1 LTV/CAC oranı kârlılık eşiği kabul görür. Ürün performansı: yeni kullanıcıların önceki nesillere kıyasla daha iyi ya da daha kötü deneyim yaşayıp yaşamadığı ölçülür. Makine öğrenmesiyle birleşince kohort analizi tahmine dayalı bir boyut kazanır: ML modelleri, tarihsel kohort verilerinden öğrenerek bireysel kullanıcıların gelecekteki davranışlarını —churn olasılığı, dönüşüm ihtimali— tahmin eden prediktif kohortlar oluşturur ve proaktif müdahaleyi mümkün kılar. Kümeleme (clustering) algoritmaları, otomatik olarak anlamlı kohort sınırları belirleyerek analisti el ile tanımlama zahmetinden kurtarır. Kısıtlamalar arasında Simpson Paradoksu (birleşik trendin segmentlere ayrıldığında tersine dönmesi), verinin olgunlaşma süresinin uzunluğu ve korelasyonun nedensellik sanılması yer alır. Python (Pandas), SQL, Amplitude ve Mixpanel bu analizin temel araç ekosistemini oluşturur.
Collaborative Filtering (İşbirlikçi Filtreleme)
Collaborative Filtering (İşbirlikçi Filtreleme), kullanıcıların geçmiş davranışlarını ve tercihlerini analiz ederek kişiselleştirilmiş öneriler sunan temel bir makine öğrenimi tekniğidir. Bu yaklaşım, benzer tercihlere sahip kullanıcıların gelecekte de benzer şeyleri beğeneceği varsayımına dayanır. Netflix, Amazon, Spotify ve YouTube gibi büyük platformların tavsiye sistemlerinin temelini oluşturur. Collaborative Filtering iki ana kategoriye ayrılır: bellek tabanlı (memory-based) ve model tabanlı (model-based) yaklaşımlar. Bellek tabanlı yaklaşımlarda, kullanıcı-kullanıcı veya öğe-öğe benzerlik matrisleri hesaplanarak en yakın komşular belirlenir ve bu komşuların tercihlerine göre öneriler yapılır. Kullanıcı tabanlı (user-based) CF, hedef kullanıcıya en benzer kullanıcıları bulur ve onların beğendiği ancak hedef kullanıcının henüz görmediği öğeleri önerir. Öğe tabanlı (item-based) CF ise kullanıcının daha önce beğendiği öğelere en çok benzeyen yeni öğeleri bulur. Model tabanlı yaklaşımlarda matris çarpanlarına ayırma (matrix factorization) teknikleri kullanılır. Tekil Değer Ayrışımı (SVD) ve Dönüşümlü En Küçük Kareler (ALS) gibi yöntemler, kullanıcı-öğe etkileşim matrisini gizli özellik uzayına (latent feature space) yansıtarak büyük ölçekli sistemlerde verimli çalışır. 2009 Netflix Prize yarışmasında Simon Funk'ın SVD++ algoritması öneri kalitesini yüzde on beş oranında iyileştirerek bu yöntemlerin endüstriyel değerini kanıtlamıştır. Başlıca zorluklar şunlardır: yeni kullanıcı veya öğe için veri bulunmaması (soğuk başlama — cold start), kullanıcıların mevcut öğelerin yalnızca küçük bir kısmıyla etkileşime geçmesi nedeniyle seyrek matris oluşması (sparsity), ve sisteme gizlice sahte tercihler enjekte eden Shilling Attack tehditleri. Bu sorunların üstesinden gelmek için içerik tabanlı filtreleme ile hibrit sistemler oluşturulur. Derin öğrenme çağında Neural Collaborative Filtering (NCF) ve dikkat mekanizmalı modeller, geleneksel yöntemlere kıyasla önemli başarım artışları sağlamaktadır. Python ekosisteminde Surprise, LightFM ve implicit kütüphaneleri yaygın olarak kullanılmaktadır.
Concept Drift Detection Nedir? Kavram Kayması Tespiti (Kavram Kayması Tespiti)
Concept drift detection (kavram kayması tespiti), makine öğrenmesi modellerinin üretim ortamında zamanla nasıl davrandığını izleyen ve giriş verilerinin ya da hedef değişkenin istatistiksel dağılımında meydana gelen kaymaları erken tespit eden bir MLOps tekniğidir. Bir model eğitildiğinde, belirli bir veri dağılımını temsil eden eğitim kümesi üzerinde optimize edilir. Ancak gerçek dünya koşulları değişkendir; kullanıcı davranışları, piyasa dinamikleri, çevresel faktörler veya sistem değişiklikleri nedeniyle veri dağılımı, modelin orijinal eğitim sürecinde öğrendiklerinden giderek uzaklaşabilir. Bu duruma kavram kayması denir ve model performansının bozulmasına yol açar. Kavram kaymasının üç temel türü vardır. Ani kayma (sudden drift), veri dağılımının kısa sürede dramatik biçimde değiştiği durumları tanımlar; COVID-19 salgınının e-ticaret alışkanlıklarını köklü biçimde dönüştürmesi buna örnek verilebilir. Kademeli kayma (gradual drift), eski veri dağılımının yavaş yavaş yenisiyle yer değiştirdiği geçiş süreçlerini kapsar. Tekrarlı kayma (recurring drift) ise daha önce görülmüş dağılım kalıplarının periyodik olarak yeniden ortaya çıktığı döngüsel durumları ifade eder. Popüler tespit algoritmaları arasında ADWIN (ADaptive WINdowing), DDM (Drift Detection Method), EDDM (Early Drift Detection Method) ve Page-Hinkley testi öne çıkar. ADWIN, geçmiş veri penceresini dinamik olarak boyutlandırarak istatistiksel sapmaları saptar. DDM ise model hatası oranını ve standart sapmasını izleyerek drift'i erken uyarıyla bildirir. MLOps pipeline'larında kavram kayması tespiti, modelin ne zaman yeniden eğitileceğini veya ince ayar yapılacağını belirleyen kritik bir karar mekanizmasıdır. Amazon SageMaker Model Monitor, Evidently AI, WhyLogs ve NannyML gibi araçlar bu süreci otomatikleştirerek mühendis ekibine zamanında uyarı gönderir. Erken tespit, iş kararlarını olumsuz etkileyebilecek sessiz model çürümesini (model decay) önlemenin temel yoludur. Özellikle finans, sağlık ve e-ticaret gibi dinamik ortamlarda bu teknik, güvenilir yapay zeka sistemlerinin sürdürülebilirliğini doğrudan destekler.
Counterfactual Fairness (Karşıfaktüel Adalet)
Karşıfaktüel adalet (Counterfactual Fairness), Matt J. Kusner ve ekibi tarafından 2017 NeurIPS konferansında önerilen, bireye özgü bir algoritmik adalet kriteridir. Bu kriter, bir makine öğrenimi modelinin adil olabilmesi için, korunan özniteliklerin (ırk, cinsiyet, engellilik durumu, yaş gibi) farklı olduğu varsayımsal bir evrende de aynı kararı vermesi gerektiğini öngörür. Yöntemin temelinde nedensellik teorisi yatar: Standart grup adaleti ölçümleri popülasyonlar arasındaki istatistiksel farkları karşılaştırırken, karşıfaktüel adalet bu soruyu bireysel düzeyde yanıtlayabilir: Bu kişi farklı bir demografik gruba ait olsaydı, model aynı kararı mı verirdi? Bu değerlendirme için yöneyönlü döngüsüz grafikler (directed acyclic graphs) ve yapısal nedensel modeller (Structural Causal Models – SCM) kullanılır. Uygulamada bu yaklaşım, eğitim verisinde gizli kalmış tarihsel önyargıları tespit etmede güçlü bir araçtır. Örneğin bir kredi puanlama sisteminde iş deneyimi değişkeni ırk ile nedensel olarak ilişkiliyse, model yalnızca iş deneyimine dayansa bile adil sayılamaz. Karşıfaktüel adalet analizi bu tür dolaylı ayrımcılık yollarını nedensel yapı üzerinden açığa çıkarır. Yöntemin başlıca zorlukları arasında gerçek nedensel grafiğin bilinmemesi, gözlemlenemeyen değişkenlerin tahminindeki belirsizlik ve yüksek boyutlu veride hesaplama maliyeti yer alır. Karşıfaktüel adalet; AB AI Yasası, GDPR ve Equal Credit Opportunity Act gibi yasal çerçevelerle giderek daha sıkı biçimde ilişkilendirilen bir etik standart haline gelmektedir. Büyük dil modelleri bağlamında karşıfaktüel adalet, istem mühendisliği (prompt engineering) ve model değerlendirmesinde giderek önem kazanmaktadır. Bir istemde demografik özniteliğin değiştirilmesinin model çıktısını etkileyip etkilemediği test edilerek bias ölçülür; bu yöntem counterfactual data augmentation ile eğitim sürecine de entegre edilebilir. AB AI Yasası'nın yüksek riskli sistemler için öngördüğü adalet denetimleri, karşıfaktüel senaryoların düzenleyici belgelemelerde yer almasını fiilen zorunlu kılmaktadır.
Data Poisoning Defense (Veri Zehirleme Savunması)
Veri zehirleme savunması (data poisoning defense), makine öğrenimi sistemlerini eğitim verilerinin kasıtlı olarak bozulmasına karşı korumaya yönelik teknik yöntem ve stratejiler bütünüdür. Saldırganlar, bir modelin karar sınırlarını bozmak veya gizli bir arka kapı (backdoor) eklemek amacıyla eğitim kümesine zararlı örnekler yerleştirdiğinde bu savunma katmanları devreye girer. Söz konusu tehdit özellikle federe öğrenme (federated learning), açık kaynaklı veri kümeleri ve web kazımasıyla derlenen büyük eğitim setleri için kritik önem taşır. Savunma stratejileri dört ana başlıkta incelenir. İlk katman olan veri temizleme ve anomali tespitinde, eğitim öncesinde istatistiksel analizler ve sinir temizleme (Neural Cleanse) algoritmaları kullanılarak şüpheli örnekler tespit edilir. SPECTRE ve Deep-kNN yöntemleri, modelin etkinleştirilme uzayındaki anomalileri yakalayarak zehirli örnekleri izole eder. İkinci katman olan sağlamlaştırılmış eğitimde, rastgele düzeltme (randomized smoothing), diferansiyel gizlilik (DP-SGD) ve bilgi damıtma (knowledge distillation) teknikleri modelin bozulmuş örneklere aşırı uyum sağlamasını kısıtlar. Veri büyütme (data augmentation) politikaları da zehirli gürültünün etkisini azaltmada etkili bulunmuştur. Üçüncü katman olan veri kökeni ve filigran yaklaşımında, radioactive data tekniği meşru sahibi dışında eğitim verisi kullananları saptamak için filigranlı örnekler kullanır. Bu yöntem eğitim veri zincirinin izlenebilirliğini (provenance) güvence altına alır. Dördüncü katman olan sertifikalı savunmalarda, randomized smoothing teorik bir ε-pertürbasyon garantisi sunarak sınırlı sayıda zehirli örneğe rağmen model tahminlerinin değişmeyeceğini matematiksel olarak ispat eder. DPA (Differentially Private Aggregation) bu yaklaşımın federe öğrenme senaryolarına uyarlanmış biçimidir. Gerçek dünya dağıtımlarında savunma derinliği (defense-in-depth) prensibi benimsendiğinden tek bir teknik yerine birden fazla katman birlikte kullanılır. NIST AI RMF ve MITRE ATLAS çerçeveleri, bu savunma katmanlarını kurumsal güvenlik politikasıyla bütünleştirmek için kapsamlı rehberlik sunar.
Jupyter Notebook (Jupyter Not Defteri)
Jupyter Notebook, veri bilimcileri ve yapay zeka araştırmacılarının kod, görselleştirme, formül ve metin açıklamalarını tek bir etkileşimli dokümanda birleştirmesine olanak tanıyan açık kaynaklı bir web uygulamasıdır. 2014 yılında Project Jupyter bünyesinde Fernando Pérez ve Brian Granger tarafından IPython projesinden türetilerek geliştirilmiştir; adını Galileo'nun Jüpiter uydularına dair el yazması gözlem notlarından almaktadır. Jupyter Notebook'un temel çalışma birimi "hücre"dir. Kod hücreleri (code cells) anlık çalıştırılabilen Python, R veya Julia kodlarını barındırırken; Markdown hücreleri metin, LaTeX denklemleri ve HTML içerebilir. Her hücre bağımsız olarak çalıştırılabildiğinden deney akışı doğrusal olmak zorunda değildir; bu da keşifsel veri analizini (EDA) yürütmek, makine öğrenimi modellerini adım adım geliştirmek ve bulguları belgeler hâlinde paylaşmak için platform son derece uygun kılar. pandas, NumPy, Matplotlib, Seaborn, TensorFlow ve PyTorch gibi popüler kütüphanelerle tam uyumlu çalışan Jupyter, anlık görsel çıktılar, etkileşimli grafikler ve tablo görünümleri üretebilir. Bu özellik, modelleme sürecini şeffaf ve tekrarlanabilir kılar; bir kavramdan sonuca tek bir .ipynb dosyası üzerinden ilerlemek mümkündür ve bu dosya kolayca paylaşılabilir ya da GitHub'da görüntülenebilir. Jupyter'in yaygınlaşmasıyla birlikte bulut tabanlı alternatifler de gelişmiştir: Google Colab, Kaggle Notebooks ve Amazon SageMaker Studio, ek GPU/TPU kaynakları sunarak büyük ölçekli derin öğrenme deneyleri için popüler seçenekler hâline gelmiştir. Bununla birlikte versiyon kontrol uyumsuzluğu (Git diff'te .ipynb dosyaları JSON karmaşası olarak görünür), büyük notebook dosyalarında bellek yüklenmesi ve hücre çalıştırma sırasına bağlı tekrarlanabilirlik zorlukları bilinen sınırlılıklar arasında yer alır. 2018'de yayımlanan JupyterLab, klasik notebook arayüzünü modüler bir IDE ortamına dönüştürerek dosya gezgini, entegre terminal ve çoklu sekme desteği ekledi. Üretim ortamlarında Papermill (parametrik notebook çalıştırma) ve nbconvert (PDF/HTML dışa aktarım) araçları, notebook tabanlı iş akışlarını MLOps pipeline'larına entegre etmek için yaygın biçimde kullanılmaktadır.
Lojistik Regresyon (Lojistik Regresyon)
Lojistik regresyon, sınıflandırma problemleri için kullanılan temel bir denetimli makine öğrenimi algoritmasıdır. İsmindeki "regresyon" sözcüğüne karşın algoritma, sürekli değer tahmini değil; olayların gerçekleşme olasılığını tahmin etmek için tasarlanmıştır. Temel matematiksel yapısı, doğrusal regresyon çıktısını [0, 1] aralığına sıkıştıran sigmoid (lojistik) fonksiyonuna dayanır: σ(z) = 1 / (1 + e^−z). Algoritma, istatistikçi David Cox tarafından 1958 yılında literatüre kazandırılmıştır. Girdi özelliklerinin ağırlıklı toplamını hesapladıktan sonra sigmoid fonksiyonunu uygular; sonuç 0,5'in üzerindeyse pozitif sınıf, altındaysa negatif sınıf olarak etiketlenir. Bu karar eşiği kullanım senaryosuna göre ayarlanabilir; tıbbi tanı sistemlerinde yanlış negatif oranını düşürmek için eşik değeri azaltılır. Eğitim sürecinde kayıp fonksiyonu olarak ikili çapraz entropi (log-loss) minimize edilir. Bu işlem genellikle stokastik gradyan inişi veya sınırlı bellek BFGS (L-BFGS) optimizasyon yöntemiyle gerçekleştirilir. L1 düzenlileştirme (Lasso) gereksiz özellikleri sıfıra çekerek özellik seçimi yaparken, L2 (Ridge) ağırlıkları küçük tutarak aşırı öğrenmeyi önler; ElasticNet her iki yaklaşımı dengeli biçimde birleştirir. Eğitim öncesinde özniteliklerin StandardScaler ile normalleştirilmesi yakınsama hızını önemli ölçüde artırır. Lojistik regresyon, yapay sinir ağlarının temel birimi olan tek nöronun davranışıyla doğrudan ilişkilidir: sigmoid aktivasyon fonksiyonu kullanan yalnızca bir nörondan oluşan ağ, matematiksel olarak bir lojistik regresyon modelidir. Bu ilişki, çok katmanlı derin öğrenme modellerinin lojistik regresyon üzerine inşa edildiğini anlamamızı kolaylaştırır. Çok sınıflı problemler için iki temel yaklaşım mevcuttur: OvR (One-vs-Rest) stratejisi her sınıf için bağımsız bir ikili sınıflandırıcı eğitir; multinomial lojistik regresyon (softmax regresyon) ise tüm sınıfları aynı anda modeler ve olasılıkların toplamını bire zorlar. Çok sınıflı metinsel görevlerde multinomial yaklaşım genellikle daha tutarlı sonuçlar üretir. Lojistik regresyon; e-posta spam tespiti, kredi riski değerlendirmesi, tıbbi tanı, metin sınıflandırma ve dijital pazarlamada dönüşüm oranı tahmini gibi geniş bir uygulama yelpazesine sahiptir. Yorumlanabilir yapısı ve hesaplanabilir katsayı güven aralıkları sayesinde, kararların açıklanması gereken finans ve sağlık sektörlerinde derin öğrenme modellerine tercih edilir.
Machine Unlearning (Makine Unutturma)
Machine Unlearning, bir yapay zeka modelinin belirli eğitim verilerini, tüm modeli sıfırdan eğitmek zorunda kalmaksızın 'unutmasını' sağlayan yöntemler bütünüdür. Kavram, GDPR'nin 17. Maddesi olarak bilinen 'Silinme Hakkı' (Right to Erasure) ile doğrudan örtüşmektedir: bir kullanıcı verilerinin silinmesini talep ettiğinde, bu verinin model parametrelerine ne ölçüde işlendiği ve nasıl çıkarılacağı kritik bir uyum sorununa dönüşmektedir. Geleneksel yaklaşımda tek çözüm modeli baştan eğitmektir. GPT-4 veya Gemini gibi büyük dil modellerini sıfırdan eğitmek haftalar ve milyonlarca dolar gerektirdiğinden bu yol pratikte imkânsızdır. Machine Unlearning bu boşluğu kapatmaya çalışır. Teknik olarak iki ana yaklaşım mevcuttur: Exact Unlearning (Kesin Unutturma) ve Approximate Unlearning (Yaklaşık Unutturma). Exact Unlearning'in en tanınan yöntemi SISA Training'dir (Sharded, Isolated, Sliced, Aggregated). Bu teknikte eğitim verisi bağımsız parçalara bölünür; her parçanın kendi alt modeli olduğundan yalnızca ilgili parça yeniden eğitilir ve istenen veri kesin biçimde dışarıda bırakılabilir. Approximate Unlearning ise hedeflenen parametreleri gradyan güncellemeleriyle değiştirerek daha hızlı bir çözüm sunar; ancak verinin gerçekten unutulup unutulmadığının doğrulanması güçtür. 2024 yılında İtalyan Veri Koruma Kurumu, GDPR ihlalleri gerekçesiyle OpenAI'a 15 milyon Euro para cezası keserken Avrupa Veri Koruma Kurulu (EDPB) 2025'te silinme hakkına odaklanan Koordineli Uygulama Çerçevesi'ni başlattı. Bu düzenleyici baskılar Machine Unlearning'i yalnızca akademik bir araştırma konusu olmaktan çıkarıp kurumsal uyum için zorunlu bir araç hâline getirdi. 2025 yılında UC Riverside araştırmacıları, orijinal eğitim verisine gerek duymadan çalışan 'kaynak serbest unutturma' (source-free unlearning) yöntemini geliştirdi. Bu yaklaşım özellikle büyük ölçekli modeller için umut vericidir. Bununla birlikte, büyük dil modellerinde bilginin milyarlarca parametreye dağıtılmış biçimde depolanması nedeniyle tam ve doğrulanabilir unutturma sağlamak hâlâ açık bir araştırma problemi olmayı sürdürmektedir.
Model Quantization (Model Kuantizasyonu — Ağırlık Hassasiyet Azaltma)
Model kuantizasyonu (Model Quantization), büyük yapay zeka modellerinin ağırlık ve aktivasyon değerlerini yüksek hassasiyetli kayan noktalı sayılardan (FP32, FP16) daha düşük bitli tam sayı gösterimlerine (INT8, INT4, hatta INT2) dönüştüren bir model sıkıştırma tekniğidir. Bu dönüşüm, modelin bellek ayak izini küçültür, çıkarım hızını artırır ve daha az enerji tüketerek Edge cihazlarda veya tüketici donanımlarında büyük dil modellerinin çalıştırılmasını mümkün kılar. Temel fikir şudur: bir FP32 değer 4 bayt kaplarken INT8 yalnızca 1 bayt, INT4 ise yarım bayt kullanır. 7 milyar parametreli bir LLM FP16 olarak yaklaşık 14 GB VRAM gerektirirken, INT4 kuantizasyonuyla bu ihtiyaç ~4 GB'a düşer ve sıradan bir tüketici GPU'sunda çalışır hale gelir. Başlıca kuantizasyon yaklaşımları şunlardır: **Eğitim Sonrası Kuantizasyon (PTQ — Post-Training Quantization)**, eğitilmiş modeli yeniden eğitmeden doğrudan dönüştürür; GPTQ, AWQ ve llama.cpp bu yöntemi kullanır. **Kuantizasyon Farkındalıklı Eğitim (QAT — Quantization-Aware Training)** ise eğitim sırasında kuantizasyon hatasını simüle ederek daha yüksek doğruluk sunar ancak ek hesaplama maliyeti gerektirir. Bunlara ek olarak **GGUF/GGML formatları** (llama.cpp ekosistemi), **bitsandbytes** (Hugging Face entegrasyonu) ve **ONNX Runtime** kuantize modelleri verimli çalıştıran araçlardır. Kuantizasyonun temel ödünleşimi doğruluk ile verimlilik arasındadır. INT8 genellikle FP32'ye kıyasla %1'in altında doğruluk kaybıyla son derece iyi çalışır. INT4 daha yüksek kayıp gösterebilir; ancak GPTQ ve AWQ gibi kalibrasyonlu yöntemler bu kaybı perplexity açısından ihmal edilebilir düzeyde tutar. Model boyutu ve görev karmaşıklığı arttıkça kuantizasyona dayanıklılık artma eğiliminde olduğu için büyük LLM'ler küçük modellere göre daha az bozunumla kuantize edilir. Pratik kullanımda Ollama, LM Studio ve Jan gibi yerel LLM araçları modellerini GGUF formatında INT4/INT8 kuantize olarak sunar. Hugging Face Hub'da TheBloke gibi topluluk hesapları yaygın modelleri GGUF ve AWQ kuantizasyonlarıyla yayımlar. 2024-2026 döneminde Microsoft'un BitNet gibi deneysel mimarileri 1-bit kuantizasyonu araştırırken, Apple Silicon'ın ANE birimi INT4 çıkarımını CPU/GPU hibrit olarak verimli gerçekleştirir.
Müşteri Segmentasyonu (Müşteri Segmentasyonu)
Müşteri segmentasyonu, bir şirketin müşteri tabanını benzer özellikleri paylaşan homojen gruplara (segmentlere) bölme sürecidir. Bu yaklaşım, pazarlama mesajlarını, ürün önerilerini ve fiyatlandırma stratejilerini farklı müşteri gruplarına özgü şekilde uyarlamayı mümkün kılar ve kaynakların en yüksek getiri sağlayacak alanlara yönlendirilmesini destekler. Segmentasyon yaklaşımları dört ana başlık altında toplanır: demografik (yaş, cinsiyet, gelir düzeyi), coğrafi (şehir, ülke, iklim bölgesi), psikografik (yaşam tarzı, değerler, kişilik özellikleri) ve davranışsal (satın alma sıklığı, ürün kullanımı, marka sadakati). Modern yapay zeka uygulamaları bu dört boyutu eş zamanlı analiz ederek pazarlama ekibinin elle çizemeyeceği ince segment sınırları belirler. Teknografik segmentasyon ise cihaz tercihi, tarayıcı ve uygulama kullanımı gibi dijital izleri temel alarak son yıllarda ayrı bir boyut olarak önem kazanmıştır. Makine öğrenmesi algoritmaları bu alanda belirleyici rol oynar. K-Means ve DBSCAN gibi kümeleme algoritmaları yüzlerce özniteliği işleyerek anlamlı gruplar keşfeder. K-Means, başlangıç olarak k adet merkez noktası seçer; her müşteriyi en yakın merkeze atar ve merkezleri yeniden hesaplar; bu döngü segment atamaları sabitleşene kadar tekrarlanır. Optimal segment sayısını belirlemek için Elbow Yöntemi veya Silüet Analizi kullanılır. DBSCAN ise yoğunluğa dayalı çalıştığından farklı şekil ve boyuttaki segmentleri keşfedebilir ve aykırı müşterileri otomatik olarak gürültü olarak etiketler. RFM (Recency-Frequency-Monetary) analizi, müşteri değerini üç boyutta ölçerek yüksek değerli segmentlerin korunmasına odaklanır: en son satın alma tarihi, alışveriş sıklığı ve toplam harcama. Her boyut 1-5 arası skorlanır; 555 skoru şampiyonlar segmentini, 111 skoru kayıp müşteriler segmentini ifade eder. Değerlendirme açısından Silüet Skoru ve Davies-Bouldin Endeksi, oluşturulan segmentlerin birbirinden ne kadar ayrışık olduğunu sayısal olarak ölçer. Türk e-ticaret pazarında Trendyol ve Hepsiburada gibi platformlar, cohort analizi ile segmentasyonu birleştirerek müşteriyi yaşam döngüsü boyunca takip eder ve kampanya etkinliğini sürekli ölçer.
Naive Bayes (Naif Bayes Sınıflandırıcı)
Naive Bayes, Bayes teoremini temel alan olasılıksal bir makine öğrenmesi sınıflandırma algoritmasıdır. "Naive" (saf/naif) adı, algoritmanın tüm özellikler arasında koşullu bağımsızlık varsayımından gelir; bir özelliğin değerinin diğer özelliklerden bağımsız olduğu kabul edilir. Bu güçlü varsayım gerçek dünyada nadiren tam olarak geçerlidir; ancak Naive Bayes pek çok uygulamada şaşırtıcı derecede yüksek performans gösterir. Algoritmanın matematiksel temeli Bayes teoremidir: P(sınıf | özellikler) ∝ P(sınıf) × ∏ P(özellik_i | sınıf). Burada P(sınıf) öncül (prior) olasılık, P(özellik | sınıf) koşullu olasılıktır ve eğitim verisinden doğrudan tahmin edilir. Bu oran en yüksek olan sınıf tahmin olarak döndürülür. Üç temel Naive Bayes türü bulunur. Gaussian Naive Bayes, sürekli sayısal özelliklerin normal dağılım izlediğini varsayar; tıbbi veri sınıflandırma ve bilimsel ölçümler için uygundur. Multinomial Naive Bayes, metin sınıflandırma ve spam tespitinde yaygın olarak kullanılan türdür; belgede kaç kez geçtiği önemli olan kelime sayım verisiyle çalışır. Bernoulli Naive Bayes ise bir kelimenin belgede bulunup bulunmadığını ikili (0/1) özellik olarak modeller ve kısa metinlerde avantaj sağlar. Naive Bayes'in belirgin avantajları şunlardır: eğitim hızı son derece yüksektir, küçük veri setlerinde de iyi genelleme sağlar, sıfır frekans sorununu Laplace düzeltmesiyle aşar ve olasılıksal çıktısı sayesinde belirsizlik tahmini sunar. Metin sınıflandırma, spam filtresi, duygu analizi ve tıbbi teşhis alanlarında on yıllardır endüstriyel ölçekte kullanılmaktadır; erken dönem Gmail spam filtresi Naive Bayes tabanlı sistemlere dayanmaktaydı. Sınırlamalar açısından, özellikler arasındaki güçlü korelasyon performansı düşürür. Ayrıca eğitim verisinde hiç görülmemiş özellik kombinasyonları zero-probability sorununa yol açar. Bu kısıtlamalar nedeniyle karmaşık yapısal ilişkilerin kritik olduğu görevlerde gradient boosting veya derin öğrenme yöntemleri tercih edilmektedir. Buna karşın Naive Bayes, hızı, yorumlanabilirliği ve az veriyle çalışabilmesi nedeniyle temel bir başlangıç çizgisi (baseline) olarak modern makine öğrenmesi iş akışlarında yerini korumaktadır.
Örüntü Tanıma (Pattern Recognition) Nedir? (Örüntü Tanıma)
Örüntü tanıma (Pattern Recognition), ham verilerdeki anlamlı yapıları, tekrarlayan kalıpları ve ilişkileri otomatik olarak tespit edip sınıflandırmayı amaçlayan yapay zeka ve makine öğrenmesi disiplinidir. Görüntü, ses, metin ve zaman serileri gibi çeşitli veri tiplerinde çalışabilir; veri madenciliğinden bilgisayarlı görüşe, doğal dil işlemeden biyometriye kadar geniş bir uygulama yelpazesi sunar. Disiplinin kökleri 1957'ye uzanır: Frank Rosenblatt'ın geliştirdiği Perceptron, biyolojik sinir hücrelerinden ilham alan ilk öğrenebilir örüntü tanıma sistemiydi. İlk dönemde istatistiksel yöntemler (Bayes sınıflandırıcıları, doğrusal diskriminant analizi) ve yapısal yaklaşımlar hâkimdi. 1980-2000 yılları arasında destek vektör makineleri (SVM) ve gizli Markov modelleri (HMM) öne çıktı; bu yöntemler konuşma tanıma ve el yazısı okumada önemli ilerleme kaydetti ve ticari ürünlere girdi. 2012 yılında AlexNet'in ImageNet yarışmasında hata oranını %26'dan %15'e düşürmesi, derin öğrenme tabanlı örüntü tanımanın dönüm noktası oldu. Evrişimli sinir ağları (CNN), görüntüdeki pikselleri doğrudan işleyerek hiyerarşik özellikleri katman katman otomatik keşfeder; elle öznitelik mühendisliği gerekmez. Transformer mimarileri ise metin, ses ve görüntüde aynı anda üstün performans sergileyerek örüntü tanımayı çok kipli (multimodal) bir alana taşıdı. Temel çalışma döngüsü beş adımdan oluşur: ham veri edinimi, ön işleme (gürültü giderme, normalizasyon), öznitelik çıkarımı, model eğitimi ve sınıflandırma/tahmin. Denetimsiz öğrenmede ise etiket kullanılmadan veri kümeleri bulunur; bu yöntem anomali tespiti ve müşteri segmentasyonunda özellikle değerlidir. Günümüzde örüntü tanıma; tıbbi görüntülemede kanser tespiti, otonom araçlarda nesne algılama, konuşma asistanlarında ses-metin dönüşümü, finansal sahtekârlık tespiti ve biyometrik kimlik doğrulama gibi kritik alanlarda rol üstlenmektedir. OpenCV, scikit-learn, TensorFlow ve PyTorch gibi açık kaynak kütüphaneler, bu tekniği araştırmacılardan endüstriyel mühendislere kadar geniş bir kitleye erişilebilir ve uygulanabilir kılmaktadır.
Pandas (Pandas — Python Veri Analizi Kütüphanesi)
Pandas, 2008 yılında Wes McKinney tarafından geliştirilen ve günümüzde NumFOCUS sponsorluğunda sürdürülen açık kaynaklı bir Python kütüphanesidir. Adını 'panel data' (panel verisi) ve 'Python Data Analysis Library' kavramlarından alan kütüphane, veri bilimi ve makine öğrenimi ekosisteminin temel taşlarından birini oluşturur. Pandas iki temel veri yapısı sunar: **Series** (tek boyutlu, etiketlenmiş dizi) ve **DataFrame** (iki boyutlu, tablo biçimli veri yapısı). DataFrame, satırları gözlem (örnek) ve sütunları özellik (feature) olarak ele alır; bu yapı veritabanı tablolarına veya Excel çalışma sayfalarına benzer. Makine öğrenimi modellerine beslenmeden önce neredeyse her veri seti bu biçime dönüştürülür. Kütüphanenin öne çıkan yetenekleri arasında şunlar yer alır: CSV, Excel, JSON, SQL, Parquet ve HTML gibi farklı kaynaklardan veri okuma; eksik değerlerin (NaN) tespiti ve doldurulması (imputation); veri gruplama (groupby), pivotlama ve birleştirme (merge/join/concat); zaman serisi endeksleme ve frekans dönüşümleri; vektörel hesaplamalar ve apply/map/lambda operasyonları. Makine öğrenimi boru hattında Pandas, modelden önce gelen veri hazırlama adımlarının büyük bölümünü üstlenir. Scikit-learn, XGBoost ve TensorFlow/Keras gibi çerçeveler Pandas DataFrame'lerini giriş olarak doğrudan kabul eder. Özellik mühendisliği sırasında yeni sütunlar türetmek, kategorik değişkenleri kodlamak ve normalizasyon uygulamak Pandas ile birkaç satır kodla gerçekleştirilir. Büyük veri ölçeğinde Pandas tek başına yetersiz kalabilir; bu durumda Dask (paralel Pandas), Polars (Rust tabanlı yüksek performanslı alternatif) veya Apache Spark'ın PySpark API'si devreye girer. 2023-2024 itibarıyla Pandas 2.0 ile birlikte dahili olarak Apache Arrow bellek biçiminin kullanılmaya başlanması performansı önemli ölçüde artırmıştır. Türkiye'deki veri bilimi eğitimlerinde Pandas, NumPy ile birlikte en temel Python kütüphaneleri arasında gösterilmektedir. İş ilanlarında 'Pandas deneyimi' düzenli olarak yer almakta; veri analistleri ve makine öğrenimi mühendisleri için sektörel bir standart haline gelmiş bulunmaktadır.
Parçacık Sürü Optimizasyonu (PSO)
Parçacık sürü optimizasyonu (İng. Particle Swarm Optimization, PSO), James Kennedy ve Russell Eberhart tarafından 1995 yılında IEEE Uluslararası Sinir Ağları Konferansı'nda önerilen, sürü zekasına dayalı bir meta-sezgisel optimizasyon algoritmasıdır. Algoritmanın temel esin kaynağı, merkezi bir yönlendirme olmaksızın koordineli davranan kuş sürüleri ve balık okullarının kolektif davranışıdır. PSO, bir "sürü" oluşturan aday çözümler kümesiyle çalışır; her aday çözüme "parçacık" adı verilir. Her parçacık, arama uzayında bir konum (X) ve bir hız vektörüyle (V) temsil edilir. Optimizasyon sürecinde her parçacık iki bilgiden yararlanır: kendi geçmişte ulaştığı en iyi konum (kişisel en iyi, pBest) ve sürünün tümünün şimdiye kadar bulduğu en iyi konum (küresel en iyi, gBest). Hız güncelleme formülü şu şekildedir: V(t) = w·V(t-1) + c₁·r₁·(pBest - X) + c₂·r₂·(gBest - X). Burada w atalet ağırlığı, c₁ bilişsel katsayı, c₂ sosyal katsayı; r₁ ve r₂ ise [0,1] aralığındaki rastgele sayılardır. Shi ve Eberhart (1998), w değerini yinelemeler boyunca 0,9'dan 0,4'e doğrusal olarak azaltmanın küresel keşif ile yerel sömürü arasındaki dengeyi iyileştirdiğini göstermiştir. Makine öğrenmesinde PSO; yapay sinir ağlarında hiper-parametre optimizasyonu (katman sayısı, öğrenme hızı, batch boyutu), sinir mimarisi araması (NAS) ve özellik seçimi için yaygın biçimde kullanılır. Araştırmalar, 20-50 parçacıktan oluşan küçük bir sürünün bile etkili sonuçlar ürettiğini göstermektedir. Başlıca varyantları arasında Uyarlanabilir PSO (APSO, Zhan vd. 2009), zaman değişkenli ivme katsayılı PSO (PSO-TVAC) ve kombinatoryal problemler için Ayrık PSO sayılabilir. Genetik algoritmalarla karşılaştırıldığında PSO, çaprazlama ve mutasyon operatörlerine gerek duymadan daha az parametreyle çalışır; bu durum özellikle sürekli değerli optimizasyon problemlerinde daha hızlı yakınsama sağlar. Başlıca sınırlılığı erken yakınsamadır: parçacıklar küresel en iyiye hızla yöneldiğinde sürü çeşitliliği azalır ve algoritma yerel bir optimumda takılı kalabilir.
Precision-Recall Nedir? Kesinlik ve Duyarlılık Ölçütleri (Kesinlik-Duyarlılık)
Precision (Kesinlik) ve Recall (Duyarlılık), makine öğrenmesinde sınıflandırma modellerinin performansını değerlendirmek için kullanılan iki temel ölçüttür. Her ikisi de Confusion Matrix üzerinden türetilir ve birbirini tamamlayan iki farklı bakış açısını yansıtırken aynı zamanda uygulamanın gereksinimlerine göre farklı öncelikler taşır. Precision formülü: TP / (TP + FP). Model "Evet" dediği tahminler arasında gerçekten doğru olanların oranıdır. Örneğin spam tespitinde yüksek Precision, meşru e-postaların yanlışlıkla spam klasörüne atılmadığını güvence altına alır. Düşük Precision, sistemin fazla sayıda yanlış alarm ürettiğini gösterir ve kullanıcı deneyimini olumsuz etkiler. Recall formülü: TP / (TP + FN). Tüm gerçek pozitif örnekler arasında modelin doğru yakaladıklarının oranıdır. Tıbbi teşhiste yüksek Recall, hasta bireylerin gözden kaçırılmadığını garantiler. Düşük Recall, sistemin gerçek pozitiflerin önemli bir bölümünü atladığını ve ciddi sonuçlara yol açabileceğini gösterir. Precision-Recall Dengesi (Trade-off): İki ölçüt birbiriyle ters orantılıdır. Model eşik değeri düşürüldüğünde daha fazla pozitif tahmin yapılır, Recall yükselirken Precision düşer. Eşik yükseltildiğinde tam tersi gerçekleşir. Hangi dengenin tercih edileceği, uygulamanın kaçırma maliyetine ve yanlış alarm maliyetine bağlıdır. F1-Score ve AUC-PR: İki ölçütü tek değerde özetlemek için harmonik ortalamayı kullanan F1-Score tercih edilir: 2 × (Precision × Recall) / (Precision + Recall). Precision-Recall Eğrisi (PR Curve), farklı eşiklerdeki dengeyi görselleştirir; eğrinin altındaki alan (AUC-PR) özellikle dengesiz (imbalanced) veri kümelerinde ROC-AUC'a göre daha bilgilendirici bir genel performans göstergesidir. LLM ve RAG sistemlerinde Precision@k ile Recall@k metrikleri, geri çekilen ilk k belge arasında kaçının alaka düzeyinde olduğunu ve tüm alakalı belgelerin ne kadarının döndürüldüğünü ölçer. RAGAS ve TruLens gibi RAG değerlendirme çerçeveleri bu ölçütleri merkeze alır ve boru hattının retrieval kalitesini sistematik biçimde izler.
PyTorch (Açık Kaynak Derin Öğrenme Çerçevesi)
PyTorch, Meta AI Araştırma Laboratuvarı (FAIR) tarafından 2016 yılında yayımlanan, Python tabanlı açık kaynaklı bir derin öğrenme çerçevesidir. Lua tabanlı Torch kütüphanesinin modern Python uyarlaması olarak doğan proje, 2022'den bu yana Linux Foundation çatısı altındaki PyTorch Foundation tarafından yönetilir; NVIDIA, AMD, Google, Microsoft, Intel ve IBM gibi şirketler yönetim kuruluna üyedir. Sinir ağlarını tasarlamak, eğitmek ve üretim ortamına almak için tensör işlemlerinden model servisine kadar uzanan eksiksiz bir araç seti sunar. PyTorch'u rakiplerinden ayıran temel özellik, çalışma zamanında inşa edilen dinamik hesaplama graflarıdır (define-by-run). TensorFlow 1.x döneminin statik graflarının aksine, model kodu satır satır yürütülürken graf anlık olarak oluşur; araştırmacı standart Python hata ayıklayıcısını doğrudan kullanabilir, if/else ve döngü içeren değişken mimariler doğal söz dizimiyle yazılır. Autograd sistemi bu grafın üzerinden gradyanları otomatik hesaplar: requires_grad=True atanmış bir tensör üzerindeki tüm işlemler kaydedilir, .backward() çağrısıyla geri yayılım (backpropagation) elle kodlanmadan tamamlanır. Bu iki mekanizmanın birleşimi, özel kayıp fonksiyonlarından deneysel katman tasarımlarına kadar her fikrin sıradan Python koduyla ifade edilebilmesi anlamına gelir. Çerçevenin çekirdeğini dört modül oluşturur: torch.Tensor NumPy benzeri çok boyutlu dizileri CPU ve GPU belleğinde tutar; torch.nn hazır katmanları (Linear, Conv2d, Transformer) ve kayıp fonksiyonlarını barındırır; torch.optim SGD, Adam ve AdamW gibi optimizasyon algoritmalarını sunar; DataLoader ise veri setlerini çok işlemcili mini-batch akışına çevirir. Bir eğitim döngüsü tipik olarak 15-20 satır koddan ibarettir ve her adımı okunabilir Python olarak kalır. 2023'te çıkan PyTorch 2.0, bu esnekliği performansla birleştirdi. torch.compile tek satırlık bir çağrıyla modeli TorchDynamo ve TorchInductor üzerinden derleyerek tipik eğitim iş yüklerinde %30-100 arası hızlanma getirir; 2025 sonunda yayımlanan 2.9 sürümüyle proje FlexAttention, torch.export ve AOTInductor gibi derleyici tabanlı araçları olgunlaştırmıştır. GPU tarafında NVIDIA CUDA ile derin entegrasyonun yanına AMD ROCm, Apple Silicon için MPS ve Intel GPU (XPU) desteği eklenmiştir; model tek satır .to('cuda') ile hızlandırıcıya taşınır. Akademik araştırmada PyTorch 2019-2020'den itibaren TensorFlow'u geçerek fiili standart hâline geldi; Papers with Code üzerindeki yeni makale uygulamalarının %70'ten fazlası PyTorch kullanır. Llama, Whisper, Stable Diffusion ve DINOv2 gibi modellerin resmi kodları PyTorch ile yazılmıştır; Hugging Face Transformers kütüphanesi birincil backend olarak PyTorch'u benimser ve bir milyondan fazla önceden eğitilmiş modele tek API ile erişim verir. Büyük dil modeli çağının kritik altyapısı da aynı ekosistemde yaşar: OpenAI 2020'de araştırma yığınını PyTorch üzerinde standartlaştırdı; vLLM çıkarım motoru, TorchTitan dağıtık eğitim kütüphanesi ve LoRA tabanlı ince ayar araçlarının tamamı doğrudan PyTorch üzerine kuruludur. Ekosistem paketleri kullanım alanlarını genişletir: TorchVision görüntü, TorchAudio ses, PyTorch Lightning eğitim altyapısı, ExecuTorch ise mobil ve gömülü cihazlarda çıkarım için geliştirilmiştir. BSD-3-Clause lisanslı proje, GitHub'da 90 binin üzerinde yıldıza ulaşmıştır ve araştırma prototipinden milyarlarca kullanıcılı üretim sistemlerine kadar aynı kod tabanıyla ilerlemeye imkân tanır. Türkçe kaynak, üniversite müfredatı ve iş ilanları açısından da derin öğrenme kariyerine başlamak isteyenler için ilk öğrenilmesi gereken çerçeve konumundadır.
Sentiment Analysis (Duygu Analizi (Sentiment Analysis))
Duygu analizi (Sentiment Analysis), metin verilerindeki öznel ifadelerden duygusal eğilimi — pozitif, negatif veya nötr — otomatik olarak çıkaran doğal dil işleme (NLP) görevidir. Müşteri yorumları, sosyal medya paylaşımları, anket yanıtları ve haber metinleri gibi yapılandırılmamış metinleri anlamlandırmak için yaygın biçimde kullanılır. Yöntemler üç ana kategoride incelenir: **Kural tabanlı yaklaşımlar**, önceden tanımlanmış kelime listeleri (VADER, SentiWordNet) ve sözdizimi kuralları kullanır; hızlı ve açıklanabilir ancak bağlam ve ironi konusunda sınırlıdır. **Makine öğrenimi tabanlı yaklaşımlar**, Naive Bayes, SVM ve lojistik regresyon gibi algoritmalarla etiketli veriden öğrenir; kural tabanlıdan daha esnek ama veri bağımlıdır. **Derin öğrenme ve LLM tabanlı yaklaşımlar**, BERT, RoBERTa ve GPT ailesi modeller nüanslı duygu ifadelerini, ironik söylemleri ve alan spesifik jargonu çok daha iyi kavrar. Görev tanımları bakımından temel duygu sınıflandırması (pozitif/negatif/nötr) en basit biçimdir. **Kapsam tabanlı (aspect-based) duygu analizi**, bir ürün yorumundaki farklı özelliklere (kamera, pil, ekran) ayrı duygu puanları atar — "kamerası harika ama pili berbat" gibi ifadeler bu yöntemle doğru işlenir. **Duygu yoğunluğu** analizi, yalnızca yön değil kuvvet de belirler. **Çok dilli duygu analizi**, özellikle Türkçe gibi morfolojik açıdan zengin diller için ek zorluklar barındırır. Uygulama alanları şunlardır: marka itibar yönetimi (sosyal medya izleme), ürün geliştirme (müşteri geri bildirimi önceliklendirme), finans sektöründe haber ve tweet duygusuyla fiyat hareketi tahmini, siyasi kampanya analizi ve çağrı merkezi kayıt analizi. Türkiye'de e-ticaret yorumları ve sosyal medya analitiği en yaygın kullanım alanlarıdır. Başlıca zorluklar: ironi ve alaycılık tespiti, alan değişimi (domain shift) — bir modelin film yorumları üzerindeki başarısı tıp metinlerinde düşebilir —, çok dilli bağlam, gizli duygu ifadeleri ve etiketleyiciler arası anlaşmazlık. Türkçe için TRSentiNet ve Turkish Sentiment Analysis veri setleri geliştirilmiş olmakla birlikte İngilizce kaynaklarla kıyaslandığında hâlâ sınırlı kalmaktadır.
Spectral Clustering (Spektral Kümeleme)
Spektral kümeleme, geleneksel mesafe tabanlı yöntemlerin yetersiz kaldığı karmaşık ve iç içe geçmiş veri yapılarını tespit edebilen, grafik teorisi ile lineer cebiri birleştiren bir kümeleme algoritmasıdır. Temel fikri, veri noktaları arasındaki benzerlik ilişkilerini bir grafik olarak modellemek ve bu grafiğin Laplacian matrisinin özvektörlerini düşük boyutlu kümeleme için kullanmaktır. Algoritmanın kökeni, 1970'lerin grafik kesim (graph partitioning) problemlerine dayanır; ancak makine öğrenmesine yönelik modern biçimlenmesi Shi ve Malik'in 2000 tarihli "Normalized Cuts and Image Segmentation" çalışmasıyla ivme kazandı. Ng, Jordan ve Weiss ise 2002'de yöntemi yaygın kullanılan standart hale getirdi. Spektral kümeleme üç temel aşamada çalışır. İlk aşamada her veri noktasını bir düğüm, iki nokta arasındaki benzerliği ise (Gauss/RBF çekirdeği ya da k-NN yöntemiyle hesaplanmış) bir kenar ağırlığı olarak tanımlayan W benzerlik matrisi oluşturulur. İkinci aşamada grafik Laplacian'ı (L = D − W veya normalize biçimi) hesaplanır ve ilk k özvektörü çıkarılır; bu özvektörler orijinal verinin küme yapısını koruyarak düşük boyutlu uzayda temsil eder. Üçüncü aşamada bu özvektör uzayındaki noktalar K-Means ile kümelenir. Bu son adım, doğrusal olmayan sınırlara sahip kümelerin bile ayrılabilir hale gelmesini sağlar. Algoritmanın en önemli avantajı şekil bağımsızlığıdır: ay biçimli (crescent), halka (ring) veya iç içe geçmiş spiral veri kümeleri gibi K-Means'in başarısız olduğu durumlarda üstün performans gösterir. Görüntü bölütleme, sosyal ağ topluluk tespiti, biyoinformatik gen ifadesi analizi ve belge kümeleme başlıca uygulama alanları arasındadır. scikit-learn kütüphanesindeki SpectralClustering sınıfı Python ekosisteminde standart uygulamayı sunar. Temel sınırlılık ölçeklenebilirlik sorunudur: Laplacian özdeğer ayrışımının O(n³) zaman karmaşıklığı büyük veri kümelerinde hesaplama yükünü artırır. Bu sorunu gidermek için Nyström yaklaşımı ve Landmark-based Spectral Clustering gibi yaklaşık yöntemler geliştirilmiştir. Küme sayısı k'nın önceden belirlenmesi zorunludur; eigengap heuristiği ile özvektörler arasındaki en büyük boşluğa bakarak k tahmini yapılabilir. Modern derin öğrenme alanında spektral yöntemler grafik sinir ağlarının (GNN) teorik temelini oluşturmaktadır: GCN (Graph Convolutional Network), ChebNet ve Graph Attention Network mimarileri doğrudan spektral grafik teorisinden türemektedir.
Sürü Zekası (Sürü Zekası)
Sürü zekası (swarm intelligence), bireysel ajanların birbirleriyle ve çevreleriyle yerel etkileşimleri sonucunda gruba özgü kolektif zeka davranışının kendiliğinden ortaya çıkmasını inceleyen hesaplama paradigmasıdır. Terimi, biyolog Guy Theraulaz ve matematikçi Eric Bonabeau 1990'ların başında kavramsallaştırmış; ilham kaynağı ise karınca kolonileri, arı kovanları ve kuş sürülerindeki merkezi koordinasyon olmaksızın gerçekleşen etkin problem çözme davranışıdır. Sürü zekasının iki temel özelliği öne çıkar: birincisi öz-örgütlenme, yani basit bireysel kurallardan küresel yapıların kendiliğinden doğması; ikincisi dağıtık kontrol, yani tek noktada merkezileşmiş otorite olmaksızın işleyen sistemdir. Bu özellikler, sürü tabanlı algoritmaların donanım arızalarına ve ortam değişimlerine karşı yüksek dayanıklılık sergilemesini mümkün kılar. En yaygın sürü zekası algoritmaları şunlardır: Karınca Kolonisi Optimizasyonu (ACO), Marco Dorigo'nun 1992'de önerdiği bu yöntemde yapay karıncalar, feromon izi mantığıyla graflar üzerinde optimal yolları keşfeder. Gezgin satıcı problemi, ağ yönlendirmesi ve lojistik optimizasyonunda başarıyla uygulanmaktadır. Parçacık Sürüsü Optimizasyonu (PSO), Kennedy ve Eberhart'ın 1995'te geliştirdiği bu algoritma kuş ve balık sürüsü davranışından esinlenir; her parçacık, kendi en iyi konumu ve sürünün küresel en iyisi bilgisiyle hareketini günceller. Sürekli optimizasyon problemlerinde ve derin öğrenme hiperparametre ayarında sıklıkla tercih edilir. Yapay Arı Kolonisi (ABC) algoritması, Karaboğa tarafından tasarlanan bu yöntemde keşifçi, sömürücü ve gözetici arı rolleri çok modlu fonksiyonları başarıyla optimize eder. Ateşböceği Algoritması, parlaklık tabanlı iletişim kurallarıyla çok modlu ve yüksek boyutlu problemleri ele alır. Biyolojik temeli itibariyle sürü zekası karmaşıklık teorisi, ortaya çıkış (emergence) ve öz-örgütlenme kavramlarıyla sıkı biçimde ilişkilidir. Stigmerji mekanizması —dolaylı çevre üzerinden koordinasyon— bu paradigmanın ayırt edici unsurudur ve robotik sürü sistemlerinden internet yönlendirme protokollerine kadar geniş bir alana uygulanmaktadır. Günümüzde sürü zekası; nöral mimari araması (NAS), çok-etmenli robot koordinasyonu, akıllı şebeke yönetimi ve otonom araç filolarının denetiminde yeni uygulama alanları bulmaktadır. Pekiştirmeli öğrenme ile birleştirilen hibrit yaklaşımlar, gradyan tabanlı yöntemlerin yetersiz kaldığı süreksiz veya çok modlu arama uzaylarında üstün sonuçlar üretmekte; büyük ölçekli kombinatoryal optimizasyon problemleri için vazgeçilmez bir alternatif olmaya devam etmektedir.
Survival Analysis (Hayatta Kalma Analizi)
Hayatta kalma analizi, bir olayın gerçekleşmesine kadar geçen süreyi modellemek ve tahmin etmek için geliştirilmiş istatistiksel yöntemler bütünüdür. Tıp araştırmalarında kanser hastalarının remisyon süresi, mühendislikte ekipman ömrü ve iş analitiğinde müşteri kaybı (churn) gibi senaryolarda temel başvuru kaynağıdır. Bu analizin en kritik zorluğu sansürleme (censoring) olgusudur: Çalışma süresi sona erdiğinde bazı katılımcılar için ilgilenilen olay henüz gerçekleşmemiş olabilir. Sağ-sansürlü (right-censored) veriler, bilinen son gözlem tarihine kadar olayın yaşanmadığını ifade eder; sansürlemeyi göz ardı etmek, hayatta kalma olasılığını ciddi biçimde olduğundan küçük tahmin etmeye yol açar. Kaplan-Meier (KM) tahmincisi, hayatta kalma olasılığını her olay anında adım adım güncelleyen parametrik-olmayan bir yöntemdir. Klinisyenler ve araştırmacılar tarafından standart görselleştirme aracı olarak kullanılır; iki grup arasındaki fark ise log-rank testiyle değerlendirilir. Cox Orantılı Tehlike (Cox PH) modeli, yaş, dozaj veya risk skoru gibi birden fazla kovaryantın tehlike oranına etkisini eş zamanlı olarak modelleyen yarı-parametrik bir regresyon yöntemidir. Taban tehlike fonksiyonunu tahmin etmeden çalışması, esnekliğinin temel kaynağıdır. Her bir katsayının exp(β) dönüşümü tehlike oranını (HR) verir; HR > 1 ise ilgili faktör olayı hızlandırır. Hızlandırılmış Arıza Süresi (AFT) modelleri ise Weibull veya lognormal gibi parametrik dağılımları temel alarak bekleme süresini doğrudan çıktı olarak verir; elde edilen hızlandırma faktörü yorumlamayı basitleştirir. Derin öğrenme çağında Random Survival Forest, DeepHit ve Pycox gibi makine öğrenmesi yöntemleri doğrusal olmayan etkileşimleri yakalama konusunda güçlü seçenekler sunar. Python ekosisteminde lifelines ve scikit-survival kütüphaneleri, standart scikit-learn API'siyle uyumlu araç zincirleri oluşturur. Sağlık bilişimi, sigorta aktüerliği, bankacılık, SaaS abonelik kaybı ve ürün güvenilirliği gibi alanlarda hayatta kalma analizi, kritik kararların temel analitik altyapısını oluşturmaktadır. Rekabetçi riskler (competing risks) senaryosunda —örneğin bir hastanın hem hastalıktan hem de başka nedenlerden ölüm riski taşıdığı durumlarda— Fine-Gray modeli ayrı olay türlerini birlikte ele alır.
Text Classification Nedir? Metin Sınıflandırma (Metin Sınıflandırma)
Text classification (metin sınıflandırma), bir metin parçasının önceden tanımlanmış kategorilerden birine veya birkaçına otomatik olarak atanması görevidir. Doğal Dil İşleme'nin (NLP) temel taşlarından biri olan bu teknik; e-posta spam filtrelerinden duygu analizine, haber kategorizasyonundan müşteri hizmetleri otomasyonuna kadar geniş bir uygulama yelpazesine sahiptir. Makine öğrenimi tabanlı yaklaşımlarda metin önce sayısal temsillere dönüştürülür: TF-IDF vektörleri, Word2Vec embeddingler veya BERT gibi transformer tabanlı temsiller. Bu vektörler ardından Naive Bayes, Destek Vektör Makineleri (SVM) veya derin sinir ağları gibi sınıflandırıcılara beslenir. Modern uygulamalarda BERT, RoBERTa ve GPT gibi büyük dil modelleri ince ayar yapılarak (fine-tuning) olağanüstü doğruluk oranları elde edilmektedir. Üç temel türü vardır: ikili sınıflandırma (binary: spam/değil), çok sınıflı sınıflandırma (multi-class: spor/siyaset/ekonomi haber kategorizasyonu) ve çok etiketli sınıflandırma (multi-label: tek metne birden fazla kategori atama). Değerlendirme için salt doğruluk (accuracy) yetersiz kalabilir; sınıf dengesizliği durumlarında precision, recall ve F1 skoru daha güvenilir metriklerdir. Eşik bağımsız ölçüm için ROC-AUC kullanılır; kalibrasyon testi ise model güvenirliğini doğrular. Gerçek dünya uygulamalarının en yaygın zorluğu veri dengesizliğidir: örneğin yüzde bir spam, yüzde doksan dokuz normal e-posta dağılımı. Bu sorun SMOTE örnekleme, class-weight ayarlaması veya threshold kalibrasyonu ile giderilir. Sağlık alanında klinik not kategorizasyonu, hukuk sektöründe belge sınıflandırması ve içerik moderasyonunda zararlı içerik tespiti kritik kullanım alanlarıdır. SetFit gibi few-shot öğrenme çerçeveleri, contrastive learning ile yalnızca 8–64 etiketli örnek kullanarak tam ince ayar düzeyinde performans elde eder. Zero-shot sınıflandırmada GPT-4o veya Claude gibi büyük dil modelleri ek eğitim verisi olmaksızın kategori açıklamalarıyla doğru etiket ataması yapabilir. Türkçe için BERTurk, bert-base-turkish-cased ve XLM-R modelleri güçlü kıyaslama noktaları oluşturmaktadır.
Torch Nedir? PyTorch'un Temeli Derin Öğrenme Kütüphanesi (Torch)
Torch, derin öğrenme modellerinin kurulup eğitildiği, GPU hızlandırmalı tensör hesaplama kütüphanesidir; bugün bu ad, Python'da `import torch` komutuyla çağrılan **PyTorch** çerçevesinin çekirdek paketini ifade eder. Yani "torch" ile PyTorch ayrı iki araç değildir: PyTorch projenin adı, `torch` ise kod içinde kullanılan paket adıdır. Hikaye 2001'de İsviçre'deki Idiap Araştırma Enstitüsü'nde C++ tabanlı orijinal Torch ile başladı. Ronan Collobert liderliğindeki ekip 2011'de kütüphaneyi Lua diliyle **Torch7** olarak yeniden yazdı; DeepMind ve Facebook araştırmacıları yıllarca bu sürümü kullandı. 2016'da Meta AI (o dönemki adıyla Facebook AI Research), aynı çekirdek felsefeyi Python'a taşıyarak PyTorch'u yayımladı. Lua tabanlı Torch7'nin geliştirilmesi 2018'de durdu ve tüm ekosistem PyTorch çatısı altında birleşti. 2022'den beri proje, Linux Foundation bünyesindeki **PyTorch Foundation** tarafından bağımsız biçimde yönetiliyor. Torch'u öne çıkaran üç teknik özellik var. Birincisi, NumPy benzeri sezgisel API ile çalışan ve `.to("cuda")` çağrısıyla GPU'ya taşınabilen **tensör** yapısı. İkincisi, geri yayılım (backpropagation) gradyanlarını tek bir `.backward()` çağrısıyla otomatik hesaplayan **Autograd** motoru. Üçüncüsü, hesaplama grafiğini her çalıştırmada anlık kuran **define-by-run** yaklaşımı; bu esneklik, hata ayıklamayı standart Python araçlarıyla yapmayı mümkün kılar. PyTorch 2.x dönemiyle (Aralık 2022'de duyuruldu, 2.0 Mart 2023'te çıktı) tabloya `torch.compile` eklendi: tek satırlık bu çağrı, modeli TorchInductor derleyicisiyle optimize ederek eğitimde tipik olarak %30-200 arası hızlanma getirir. 2025'te yayımlanan 2.6-2.9 sürümleri FP8 desteği, torchao ile nicemleme (quantization) ve Blackwell GPU uyumu gibi yenilikler taşıdı. Rakamlar üstünlüğü net gösteriyor: Hugging Face'teki modellerin %90'ından fazlası PyTorch formatında yayımlanıyor, NeurIPS gibi konferanslardaki uygulamalı makalelerin yaklaşık %80'i PyTorch kullanıyor. GPT, Llama ve Stable Diffusion gibi modellerin eğitim altyapısı da torch üzerine kurulu. Türkiye'de üniversite laboratuvarlarından bankacılık ve e-ticaret ekiplerine kadar derin öğrenme çalışan hemen her ekip, ilk satırı `import torch` olan kodlarla üretim yapıyor.
Turing Test (Turing Testi)
Turing Testi, matematikçi ve bilgisayar bilimcisi Alan Turing'in 1950 tarihli "Computing Machinery and Intelligence" makalesinde önerdiği, bir makinenin insanla ayırt edilemez düzeyde konuşma yürütüp yürütemeyeceğini ölçen davranışsal değerlendirme çerçevesidir. Turing bu testi "Taklit Oyunu" (Imitation Game) olarak adlandırdı: bir insan değerlendirici, biri insan biri makine olan iki katılımcıyla yalnızca metin yoluyla iletişim kurar; makine yeterince sık insan sanılırsa testi geçmiş sayılır. Testin önemi, zekanın iç yapısını değil davranışsal sonuçlarını ölçmesinden kaynaklanır. Bu yaklaşım, "makine düşünebilir mi?" gibi felsefi açıdan tartışmalı soruyu "makine düşünen biri gibi davranabilir mi?" biçiminde işlemselleştirir ve yapay zeka araştırmalarına somut, ölçülebilir bir hedef sunar. Eleştiriler açısından John Searle'ün 1980'de öne sürdüğü Çin Odası argümanı en güçlü karşı duruşu temsil eder: sembolleri dönüştüren bir sistem gerçek anlama olmaksızın testi geçebilir; bu da testin zekayı değil yalnızca görünümü ölçtüğünü ileri sürer. Weizenbaum'un ELIZA programı, sohbet robotu olmak üzere tasarlanmadığı hâlde kullanıcıları şaşırtan yanıtlar üreterek bu eleştiriyi erken biçimde örnekledi. Testin dil dışı yetenekleri (görsel akıl yürütme, motor beceriler, duygusal farkındalık) kapsamaması da ciddi bir sınırlılık olarak öne çıkar. Pratik açıdan 2014'te Eugene Goostman programı Turing testi geçtiğini iddia etti; ancak çoğu araştırmacı bu sonucu tasarım hilelerine bağladı: programın çocuk kimliğini benimsemesi ve İngilizce yabancı dil rolünü oynaması değerlendiricilerin beklentilerini önemli ölçüde düşürdü. GPT-4 ve Claude gibi büyük dil modelleri yazılı konuşmada insan benzeri akıcılığa ulaştı; fakat "Turing testini geçmek" ile "gerçek zeka sahibi olmak" arasındaki fark hâlâ açık bir felsefi tartışmadır. Günümüzde Turing Testi'nin yerini kısmen alan ölçütler arasında BIG-Bench, MMLU ve ARC gibi akademik değerlendirme süitleri ile belirli görevlerdeki insan-üstü performans kriterleri bulunur. Kavram, yapay zeka etiği, bilinç felsefesi ve AGI tartışmalarında referans nokta olmayı sürdürmektedir.
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.
Veri Seti (Veri Seti)
Veri seti (İngilizce: dataset), makine öğrenimi ve yapay zeka modellerinin eğitilmesinde, doğrulanmasında ve test edilmesinde kullanılan yapılandırılmış veri koleksiyonudur. Her yapay zeka sisteminin temeli kaliteli veri setlerine dayanır; en sofistike algoritmalar bile yetersiz ya da önyargılı verilerle başarısız olur. Bir veri seti genellikle üç alt kümeye ayrılır. Eğitim seti (training set), modelin örüntüleri ve ilişkileri öğrendiği ana veri kümesidir; toplam verinin yaklaşık yüzde yetmiş ila seksenini oluşturur. Doğrulama seti (validation set), geliştirme sürecinde hiperparametrelerin ayarlanması ve aşırı uyumun (overfitting) önlenmesi için kullanılan ara değerlendirme kümesidir. Test seti ise yalnızca nihai değerlendirmede kullanılır; modelin hiç görmediği bu veriler, gerçek dünya genelleme kapasitesinin tarafsız ölçütünü sağlar. Yaygın bölünme oranı 80/10/10 olmakla birlikte, veri kümesinin büyüklüğüne göre bu oranlar ayarlanabilir. Yapay zeka tarihinde kritik rol oynayan çeşitli kıyaslama (benchmark) veri setleri mevcuttur. MNIST, 70.000 el yazısı rakam görüntüsünden oluşur ve derin öğrenme için standart giriş veri setidir. ImageNet, 14 milyondan fazla etiketlenmiş görüntü içerir; AlexNet modelinin 2012 deki çığır açan başarısı bu veriyle elde edilmiştir. COCO (Common Objects in Context), 330.000 i aşkın görüntüyle nesne algılama ve segmentasyon görevlerinin altın standardıdır. Common Crawl ise petabaytlarca web sayfasını barındıran dev bir açık kaynak olup GPT-4, Llama ve hemen tüm büyük dil modellerinin ön eğitim sürecinde kullanılmaktadır. Bir veri setinin kalitesini belirleyen dört ana faktör vardır: boyut, etiket doğruluğu, çeşitlilik ve sınıf dengesi. Düşük etiket kalitesi model doğruluğunu yüzde otuza kadar düşürebilirken, dengesiz sınıf dağılımı modeli azınlık sınıflarını tanımakta yetersiz kılar. Veri seti önyargısı (dataset bias) özellikle dikkat gerektiren bir sorundur: tarihsel ayrımcılık barındıran eğitim verileri bu önyargıyı model çıktısına taşır. Örneğin yalnızca açık tenli yüzlerle eğitilen yüz tanıma sistemleri koyu tenli bireylerde anlamlı biçimde daha yüksek hata oranı üretmektedir. Veri zehirlenmesi (data poisoning) önemli bir güvenlik tehdididir: saldırganlar eğitim setine kasıtlı olarak bozuk örnekler ekleyerek modelin davranışını manipüle eder. Araştırmalar, sağlık alanındaki AI sistemlerinin yalnızca 100-500 zehirli örnekle yüzde altmışın üzerinde olasılıkla tehlikeye atılabildiğini ortaya koymaktadır. Türkçe doğal dil işleme açısından önemli bir not: Türkçe veri setleri İngilizce emsallerine kıyasla çok daha sınırlı ölçekte kalmaktadır. Bu durum, Türkçe NLP modellerini düşük kaynaklı dil (low-resource language) kategorisinde bırakmakta ve İngilizce modellerine kıyasla daha düşük performans sergilemelerine yol açmaktadır.
KNN (K-En Yakın Komşu) (K-En Yakın Komşu Algoritması)
KNN (K-En Yakın Komşu), yeni bir veri noktasını eğitim setindeki en yakın K komşusuna bakarak sınıflandıran veya sayısal değer tahmin eden denetimli bir makine öğrenimi algoritmasıdır. 1951'de Evelyn Fix ve Joseph Hodges'ın ABD Hava Kuvvetleri için hazırladığı raporla ortaya çıkan yöntem, 75 yılı aşkın süredir hem ders kitaplarının hem de gerçek üretim sistemlerinin vazgeçilmezi olmayı sürdürüyor. Algoritmanın mantığı günlük sezgiyle örtüşür: bir şeyin ne olduğunu bilmiyorsanız, ona en çok benzeyen örneklere bakarsınız. K=5 seçildiyse, yeni noktaya en yakın 5 eğitim örneği bulunur; sınıflandırmada bu 5 komşunun çoğunluk oyu, regresyonda ise değerlerinin (isteğe bağlı mesafe ağırlıklı) ortalaması sonucu belirler. KNN "tembel öğrenme" (lazy learning) ailesindendir: eğitim aşamasında model kurmaz, veriyi olduğu gibi bellekte tutar ve tüm hesabı tahmin anına erteler. Eğitim maliyeti fiilen sıfırdır; buna karşılık her tahmin, n örnek ve d boyut için O(n·d) mesafe hesabı gerektirir. Aynı zamanda non-parametriktir: veri dağılımı hakkında hiçbir varsayım yapmaz, karar sınırının şeklini doğrudan veriden okur. Mesafe ölçümünde en yaygın tercih Öklid mesafesidir; Manhattan, Minkowski, cosine benzerliği ve kategorik veri için Hamming mesafesi de kullanılır. Özellik ölçekleri farklıysa min-max normalizasyonu veya z-skoru standartlaştırması şarttır; aksi hâlde 0–1000 aralığındaki bir özellik, 0–1 aralığındakini tamamen bastırır. K seçimi bias-variance dengesini belirler: K=1 gürültüye aşırı duyarlıdır ve overfitting üretir, çok büyük K karar sınırını körleştirir. Pratikte K, çapraz doğrulama ile tek sayılar arasından seçilir; √n kuralı iyi bir başlangıç noktasıdır. KNN'in mesafe temelli çekirdeği, 2026'nın en güncel yapay zeka mimarilerinde de yaşıyor: RAG sistemlerindeki vektör araması, özünde embedding uzayında yürütülen bir yaklaşık en yakın komşu (ANN) sorgusudur. FAISS, HNSW tabanlı indeksler ve Pinecone, Weaviate, Qdrant, Milvus gibi vektör veritabanları milyarlarca vektör üzerinde milisaniyeler içinde komşu arayarak bu klasik fikri LLM çağının bel kemiği hâline getirdi. Scikit-learn tarafında KNeighborsClassifier ve KNeighborsRegressor sınıfları algoritmayı KD-Tree ve Ball Tree hızlandırmalarıyla birlikte sunar.
Membership Inference Attack (Üyelik Çıkarım Saldırısı)
Üyelik Çıkarım Saldırısı (Membership Inference Attack), bir saldırganın belirli bir veri noktasının makine öğrenimi modelinin eğitim kümesine dahil edilip edilmediğini tahmin etmeye çalıştığı gizlilik saldırısı türüdür. Bu saldırı yöntemi, ilk kez 2017 yılında Shokri ve arkadaşları tarafından IEEE Güvenlik ve Gizlilik sempozyumunda kapsamlı biçimde incelenmiş ve makine öğrenimi gizlilik araştırmalarının temel taşlarından biri haline gelmiştir. Saldırının temel çalışma prensibi, eğitim kümesine ait örneklerin modelin çıktılarında görülmemiş örneklerden farklı davranış sergilemesine dayanır. Aşırı öğrenme (overfitting) eğilimindeki modeller, eğitimde gördükleri verilere karşı çok daha yüksek güven skorları üretirken görmedikleri verilere karşı daha düşük ve dağınık olasılıklar verir. Saldırgan bu davranış farkını kullanarak bir 'gölge model' (shadow model) eğitir; bu model, hedef modeli taklit edecek şekilde halka açık verilerle oluşturulur ve ardından eğitim/test verilerini ayırt eden ikili bir sınıflandırıcı (üye/üye değil) eğitilir. Saldırının başarı oranı, hedef modelin aşırı öğrenme derecesiyle doğru orantılıdır. İyi düzenleştirilmiş (regularized) modellerde saldırı başarısı rastgele tahminin (%50) üzerine zar zor çıkarken, aşırı öğrenmiş modellerde %90'a ulaşabilir. Üyelik çıkarım saldırıları özellikle hassas kişisel verilerin eğitimde kullanıldığı senaryolarda kritik gizlilik tehditleri oluşturur. Tıbbi kayıtlar, finansal veriler veya kişisel iletişim verileriyle eğitilen modeller saldırıya maruz kaldığında bireysel sağlık bilgileri veya mali geçmiş deşifre olabilir. GDPR ve Türkiye'nin KVKK düzenlemeleri kapsamında bu tür gizlilik ihlalleri ciddi yasal yaptırımlarla sonuçlanabilir. Savunma yöntemleri arasında en güçlüsü diferansiyel gizlilik (differential privacy) tekniğidir; bu yöntem, model çıktılarına kontrollü gürültü ekleyerek bireysel veri noktalarını gizler. Bunun yanı sıra erken durdurma, L2 düzenlileştirme, etiket yumuşatma ve bilgi damıtma yöntemleri de model belleğini azaltarak saldırı yüzeyini önemli ölçüde daraltır. Bu saldırı türü, yapay zeka sistemlerinin uyumluluk denetiminde de önemli bir araç olarak kullanılmaktadır: denetçiler, sistemin eğitim verilerini ne kadar 'hatırladığını' ölçmek için üyelik çıkarım testleri uygulayarak hem model performansını hem de kişisel veri güvenliğini eş zamanlı olarak değerlendirebilir.
Program Sentezi Nedir? (Program Sentezi)
Program Sentezi (İng. Program Synthesis), belirli bir amaca yönelik yazılımın, insan programcı müdahalesi olmaksızın ya da minimum düzeyde müdahaleyle otomatik olarak üretildiği yapay zeka ve bilgisayar bilimi alanıdır. Bu süreçte sistem; doğal dil açıklamaları, girdi-çıktı örnekleri veya biçimsel mantık ifadeleri biçimindeki belirtimlerden (specification) hareketle çalışan ve doğru bir program üretir. Program sentezi sistemleri üç temel bileşen üzerinde çalışır: belirtim, arama uzayı ve değerlendirme mekanizması. Belirtim, sistemin ne yapması gerektiğini tanımlar. Arama uzayı, genellikle bir alan özgü dil (DSL) ile kısıtlanan olası programlar kümesidir. Değerlendirme mekanizması ise aday programların belirtimi ne ölçüde karşıladığını ölçer ve en uygun çözümü döndürür. Geleneksel yaklaşımlar bu aramayı sembolik yöntemlerle (SAT/SMT çözücüler, tümevarımsal mantık programlama) yürütürken modern yaklaşımlar sinir ağlarının olasılıksal yönlendirmesiyle aramayı hızlandırır. Nöro-sembolik sistemler her iki katmanı birleştirerek hem hız hem doğruluk avantajını bir arada sunmayı hedefler. Örnek tabanlı sentez (Programming by Example, PBE), kullanıcının birkaç girdi-çıktı çifti sağlamasıyla sistemin bu örnekleri genelleştiren programı bulduğu yaklaşımdır. Microsoft Excel'in FlashFill özelliği, milyonlarca kullanıcının program yazmadan veri dönüştürmesini mümkün kılmıştır. Nöral program sentezinde ise büyük kod veri kümeleri üzerinde eğitilmiş dil modelleri (GPT-4, Code Llama, AlphaCode) doğal dil ya da kısmi kod ipuçlarından tam program üretir. GitHub Copilot bu yaklaşımın en geniş kitleye ulaşan uygulamasıdır. Uygulama alanları arasında e-tablolarda veri temizleme, doğal dil sorgularından SQL üretme (Text-to-SQL), yazılım testlerinin otomatik oluşturulması ve biyoinformatik veri işleme öne çıkar. Alanın temel sınırlılığı, arama uzayı büyüdükçe hesaplama maliyetinin katlanarak artması ve büyük karmaşık programlarda doğruluğun güvence altına alınmasının güçleşmesidir. Bununla birlikte alan, yapay zekanın yazılım geliştirme üzerindeki dönüştürücü etkisinin en heyecan verici cephelerinden biri olmayı sürdürmektedir.
AI Fairness Nedir? Yapay Zekada Adalet ve Tarafsızlık (AI Fairness (Yapay Zeka Adaleti))
AI Fairness (Yapay Zeka Adaleti), yapay zeka ve makine öğrenmesi sistemlerinin farklı demografik gruplar arasında adil, tarafsız ve eşit sonuçlar üretmesini sağlamaya yönelik ilkeler, metrikler ve teknikler bütünüdür. Bir yapay zeka modeli, eğitim verilerindeki tarihsel önyargıları, toplumsal eşitsizlikleri veya temsil eksikliklerini yansıtarak belirli gruplara sistematik olarak avantajlı ya da dezavantajlı sonuçlar üretebilir. Bu durum; iş başvurusu değerlendirme, kredi skoru hesaplama, sağlık hizmeti yönlendirmesi ve adli yargı kararlarını destekleme gibi kritik alanlarda ciddi etik ve hukuki sorunlara yol açar. Adalet kavramı yapay zeka bağlamında tek bir tanıma sığmaz; birden fazla boyutu vardır. Demografik eşitlik (Demographic Parity), modelin bir sonucu tüm gruplar için eşit olasılıkla üretmesini gerektirir. Eşit fırsat (Equalized Odds) ise yanlış pozitif ve yanlış negatif oranlarının gruplar arasında dengeli olmasını hedefler. Bireysel adalet, benzer profillere sahip kişilerin benzer çıktılar aldığını savunur; grup adaleti ise belirli demografik grupların bütününe odaklanır. Önyargı hem veri toplama aşamasında (temsil sapması, ölçüm hatası) hem de model geliştirme sürecinde (özellik seçimi, kayıp fonksiyonu tasarımı) ortaya çıkabilir. Bu nedenle AI Fairness, yalnızca algoritmik bir mesele değil; veri yönetimi, model tasarımı ve dağıtım politikalarını kapsayan bütünsel bir disiplindir. Adalet kontrolü için IBM AI Fairness 360, Google What-If Tool ve Microsoft Fairlearn gibi açık kaynak araçlar geliştirilmiştir. AB Yapay Zeka Yasası da yüksek riskli uygulamalarda adalet denetimini yasal zorunluluk olarak tanımlamaktadır. Türkiye bağlamında AI Fairness, özellikle kredi skorlama, işe alım algoritmaları ve sağlık triage sistemlerinde kritik önem taşımaktadır. KVKK kapsamında otomatik işlemeye dayalı kararlara itiraz hakkı, adalet metrikleri testini hukuki bir zorunluluk haline getirmektedir. Yerli geliştiricilerin cinsiyet ve etnisite gibi hassas özelliklere dayalı önyargıyı tespit etmek için Fairlearn ve AI Fairness 360 kütüphanelerini kullanmaları önerilmektedir.
Bayesian Optimization (Bayesci Eniyileme)
Bayesian Optimization (Bayesci Eniyileme), gradient bilgisi olmadan ve fonksiyonun matematiksel formu bilinmeden, kara kutu niteliğindeki pahalı amaç fonksiyonlarını en az sayıda değerlendirmeyle optimize etmeye yarayan ileri bir arama yöntemidir. Temel fikir şudur: geçmiş değerlendirmelerden elde edilen bilgiyi bir olasılık modeline (vekil/surrogate model) aktarmak, ardından bu modeli kullanarak bir sonraki en umut verici noktayı akıllıca seçmek ve gereksiz denemelerden kaçınmak. Yöntem döngüsel ve sıralı biçimde çalışır. İlk olarak birkaç rastgele nokta değerlendirilir; elde edilen sonuçlar bir Gaussian Process (Gaussian Süreç) gibi probabilistik bir vekil modele fit edilir. Daha sonra bir kazanım fonksiyonu (acquisition function) — çoğunlukla Beklenen İyileşme (Expected Improvement, EI), Üst Güven Sınırı (Upper Confidence Bound, UCB) veya İyileşme Olasılığı (Probability of Improvement, PI) — vekil modelden hesaplanarak yeni bir aday nokta seçilir. Gerçek amaç fonksiyonu bu noktada değerlendirilir, ortaya çıkan sonuç modele eklenir ve döngü devam eder. Her iterasyonda vekil model daha isabetli hale gelir. Bayesian Optimization, özellikle derin öğrenme modellerinde hiperparametre optimizasyonu, otomatik makine öğrenmesi (AutoML) çerçeveleri ve sinir mimarisi arama (Neural Architecture Search, NAS) gibi her değerlendirmenin saatler sürebildiği senaryolarda Grid Search veya Random Search'e kıyasla büyük verimlilik avantajı sunar. Tipik olarak Random Search'e göre 5–10 kat daha az değerlendirmeyle benzer veya daha iyi sonuçlara ulaşılır. Popüler uygulamalar arasında Hyperopt, Optuna, SMAC ve Google Vizier yer almaktadır. Yöntemin başlıca sınırlılığı, Gaussian Process tabanlı vekil modelin yüksek boyutlarda hesaplama maliyetinin O(n³) ile artması ve doğası gereği sıralı işlem gerektirmesidir. Bu güçlükleri aşmak için Tree-structured Parzen Estimator (TPE), Random Forest tabanlı SMAC ve paralel değerlendirmeye uygun asenkron BO varyantları geliştirilmiştir.
Bias-Variance Tradeoff (Önyargı-Varyans Dengesi)
Bias-Variance Tradeoff (Önyargı-Varyans Dengesi), makine öğrenmesinde bir modelin tahmin hatası üzerindeki iki temel kaynağı arasındaki dengeyi açıklayan merkezi bir kavramdır. Bu iki kaynak —önyargı (bias) ve varyans (variance)— genellikle birbirinin tersi yönde hareket eder ve bu gerilim, model seçiminin özünü oluşturur. Önyargı (Bias), modelin gerçek ilişkiyi ne kadar basit varsaydığını ölçer. Yüksek önyargılı bir model, verinin karmaşık yapısını kavramak yerine aşırı basitleştirilmiş varsayımlar yapar. Örneğin, doğrusal olmayan bir probleme yalnızca doğrusal regresyon uygulamak bu duruma yol açar. Sonuç, hem eğitim hem test setinde yüksek hata oranı ve yetersiz öğrenme (underfitting) olarak kendini gösterir. Varyans (Variance), modelin eğitim verisindeki gürültüye ve rastgele dalgalanmalara ne kadar duyarlı olduğunu ölçer. Yüksek varyanslı bir model, eğitim setini adeta ezberler; eğitim hatası düşük, ancak test hatası yüksek olur. Bu aşırı öğrenme (overfitting) durumuna, çok derin karar ağaçları veya yüksek dereceli polinom modeller yol açabilir. Matematiksel olarak, bir modelin beklenen ortalama karesel hatası şöyle ayrıştırılır: Toplam Hata = Bias² + Varyans + Gürültü Gürültü terimi, verinin kendisinden kaynaklanan ve azaltılamayan bir sabit hatadır. Bias ve Varyans ise model karmaşıklığına doğrudan bağlıdır: model basitleştikçe bias artar, karmaşıklaştıkça varyans artar. Bu dengeyi pratikte yönetmek için yaygın olarak kullanılan teknikler şunlardır: Regularizasyon (L1/L2) varyansı azaltmak için model ağırlıklarını cezalandırır. Çapraz doğrulama (cross-validation), modelin gerçek genelleştirme gücünü ölçerek aşırı öğrenmeyi tespit eder. Ensemble yöntemleri (Random Forest, Gradient Boosting) birden fazla modeli birleştirerek hem önyargıyı hem de varyansı dengeler. Dropout, derin sinir ağlarında rastgele nöronları devre dışı bırakarak varyansı azaltır. Veri miktarının artması genellikle varyansı düşürür, çünkü model daha az rastgele örüntülere tutunmak zorunda kalır. Ancak önyargıyı azaltmak için doğru model ailesi seçimi şarttır; daha fazla veri yüksek önyargılı bir modeli iyileştirmez. Deneyimli veri bilimciler, öğrenme eğrilerini ve validasyon metriklerini analiz ederek modelin hangi uçta baskın hata ürettiğini tespit eder ve uygun müdahaleyi seçer.
Causal Inference Nedir? Nedensellik Çıkarımı (Nedensellik Çıkarımı)
Nedensel cikarim (causal inference), iki degisken arasindaki iliskinin yalnizca korelasyon mu yoksa gercek nedensel baglanti mi oldugunu belirlemeye yonelik istatistiksel ve deneysel yontemler butunudur. "Korelasyon nedensellik degildir" ifadesi bu alanin temel motivasyonunu ozetler: buzullamanin azalmasi ile ayı saldırılarının artmasi korele olabilir; ancak ikisi arasinda nedensel bir baglanti aramak yanlis cikarima yol acar. Nedensel cikarimin altin standardi Randomize Kontrollu Deney (RCT)'dir. Bireyler veya birimler rastgele tedavi grubu (intervention alan) ve kontrol grubu (almayan) olarak atanir. Bu rastgele atama, gozlemlenmemis karıstırıcı degiskenlerin (confounders) gruplar arasinda dengeli dagilmasını saglar; boylece gozlemlenen fark yalnizca tedavi etkisine atfedilebilir. A/B testi, RCT'nin dijital ortamdaki en yaygin uygulamasidur. Gozlemsel verilerle calisirken, kontrollu deney mumkun olmadigi durumlarda, alternatif yontemlere basvurulur. Arasal degisken (instrumental variable) yontemi, tedaviyi etkiledigide ancak ciktiyi yalnizca tedavi uzerinden etkileyen bir "arac" degiskeni kullanarak nedensel etkiyi izole eder. Fark farklar (difference-in-differences), tedavi oncesi ve sonrasi trendlerin karsilastirilmasiyla etki hesaplanir. Regression Discontinuity Design (RDD), belirli bir esik degerinden once ve sonra tedavi alan gruplari karsilastirir. Judea Pearl'un yapisal nedensel model cercevesi, DAG (Yonlu Asiklik Graf) ile degiskenler arasindaki nedensel iliskileri gorsel ve matematiksel olarak temsil eder. do() operatoru, bir degiskene mudahale etmek ile yalnizca gozlemlemek arasindaki farki net biçimde ifade eder; bu nedensel merdivenin (korelasyon → mudahale → karsi-olgusal) matematiksel temeli saglar. **Sik Sorulan Sorular** **Neden korelasyon nedensellik degildir?** Korelasyon iki degiskenin birlikte hareket ettigini gosterir; ancak ucuncu bir degisken her ikisini de etkileyebilir (confounding) veya iliskinin yonu ters olabilir. Nedensel cikarim bu alternatifleri sistematik bicimde elemek icin tasarlanmistir. **Buyuk veri nedensellik sorununu cozer mi?** Hayir. Daha fazla gozlemsel veri toplanmasi korelasyonu kesinlestirip nedensellige donusturmez. Yalnizca daha buyuk bir verinin daha buyuk bir confounding problemini beraberinde getirmesi de mumkundur. **A/B testinin sinirliliklari nelerdir?** Spillover etkisi (kontrol grubunun tedavi grubundan etkilenmesi), kararlasma ogretisine (novelty effect) duyarlilik ve uzun vadeli etkileri yakalamada gucluk A/B testinin bilinen sinirliliklandirir. **Machine learning ile nedensel cikarim birlestirilebilir mi?** Evet. Double ML ve causal forests gibi yontemler ML'in tahmin gucunu nedensel cikarimin sertligiyle birlestirerek heterojen tedavi etkilerini bulmak icin kullanilmaktadir.
Feature Importance (Özellik Önemi)
Feature importance (özellik önemi), makine öğrenmesi modellerinde her bir girdi özelliğinin tahmin çıktısı üzerindeki etkisini ölçen ve modellerine yorumlanabilirlik kazandıran temel bir tekniktir. On farklı değişken kullanan bir modelde, hangi değişkenlerin tahmini en çok şekillendirdiğini sayısal olarak ortaya koyar; böylece kara kutu modeller daha anlaşılır hale gelir. Bu analiz üç temel yöntemle gerçekleştirilir. Gini/MDI (Mean Decrease Impurity) yöntemi, karar ağacı tabanlı modellerde her özelliğin düğümlerdeki safsızlık azalmasına katkısını hesaplar; hızlı ve yerleşik bir yaklaşım olmakla birlikte yüksek kardinaliteli özelliklere karşı önyargılı olabilir. Permutation Importance yöntemi, bir özelliğin değerlerini test verisi üzerinde rastgele karıştırır ve modelin doğruluğundaki düşüşü ölçer; herhangi bir modelde çalışan model-bağımsız bir tekniktir. SHAP (SHapley Additive exPlanations) değerleri ise kooperatif oyun teorisinden türetilmiş matematiksel bir çerçevedir; her tahmin için her özelliğin bireysel katkısını tutarlı ve adil biçimde hesaplar ve günümüzde endüstri standardı kabul edilmektedir. SHAP'ın avantajı tutarlılık garantisidir: bir özellik modelin tahminini ne kadar etkilerse SHAP değeri de o kadar büyük olur. SHAP değerleri hem global (hangi özellik genel olarak en önemli?) hem de lokal (bu spesifik tahmin için hangi özellik belirleyici oldu?) yorumlama yapar. LIME (Local Interpretable Model-agnostic Explanations) ise karmaşık modeli lokal olarak basit bir doğrusal modelle yaklaşık olarak temsil ederek bireysel tahminler için açıklama üretir. Feature importance analizinin pratik yararları şunlardır: gereksiz özellikleri eleme yoluyla boyut azaltma, modelin paydaşlara anlaşılır biçimde açıklanması, veri toplama maliyetlerinin düşürülmesi ve modeldeki olası önyargı kaynaklarının tespiti. AB Yapay Zeka Yasası ve GDPR, otomatik kararların açıklanmasını zorunlu kılmakta; bu nedenle feature importance, açıklanabilir yapay zeka (XAI) ekosisteminin temel taşlarından birini oluşturmaktadır. Araç desteği açısından Scikit-learn, XGBoost ve LightGBM gibi kütüphaneler yerleşik importance hesapları sunarken, SHAP ve LIME kütüphaneleri herhangi bir kara kutu model için yorumlanabilir açıklamalar üretir. Random forest ve gradient boosting gibi topluluk yöntemleri, özellik önemini ortalama doğruluk kaybı üzerinden doğal biçimde hesaplar. Finans sektöründe kredi kararları, sağlık alanında tanı modelleri ve hukuki süreçlerde yapay zeka kararlarını açıklamak giderek zorunlu hale gelmektedir.
Feature Selection (Özellik Seçimi)
Ozellik secimi (feature selection), bir makine ogrenimi modelinin egitiminde kullanilacak en bilgilendirici ve gercek anlam tasiyan ozellik alt kumesini belirlemek amaciyla gereksiz, tekrarli veya alakasiz ozelliklerin elenme surecidir. Cok sayida ozellik her zaman daha iyi model anlamina gelmez; aksine fazla ozellik overfitting riskini arttirir, egitim suresini uzatir ve modelin yorumlanmasini guclestirir. Ozellik secimi uc ana kategoride incelenir. Filter yontemleri, model egitiminden bagimsiz olarak ozellikleri istatistiksel kriterlerle puanlar ve siralar. Chi-squared test, mutual information ve Pearson korelasyon katsayisi bu kategorinin temsil ornekleridir. Uygulamasi hizlidir ve overfitting riski tasimaz; ancak ozellikler arasindaki etkilesimi dikkate almaz. Wrapper yontemleri, secilen ozellik alt kumesini dogrudan bir model uzerinde dener ve performansa gore degerlendirme yapar. Recursive Feature Elimination (RFE), ozellik sayisini katlanarak azaltip her adimda modeli yeniden egiterek en kotu ozelligi eler; bu surec hedef ozellik sayisina ulasana kadar devam eder. Wrapper yontemleri genellikle filter yontemlerine kiyasla daha iyi ozellik alt kumesi bulur ancak hesaplama maliyeti cok yuksektir. Embedded yontemler ozellik secimini model egitim surecininin icine gommus sistemlerdir. LASSO (L1 duzenlemesi) bazi ozellik agirliklarini sifira indirerek otomatik secim saglar. Random Forest ve XGBoost gibi agac tabanli modeller egitim sirasinda her ozelligin onemi hesaplar; bu skorlar dusuk onemli ozellikleri elemede kullanilir. Boyutsallak laneti (curse of dimensionality), yuksek ozellikli uzaylarda orneklerin birbirinden uzaklasip mesafe bazli algoritmalarin anlamsizlasmasi olgusunu ifade eder. Ozellik secimi bu problemi dogrudan adreste. Ek olarak secimlerin yorumlanabilirligi saglar: hangi ozelliklerin modeli surdurup surdurmediginin anlasilmasi, hem ayiklama hem de alan uzmanlarindan geri bildirim alma acisindan kritik oneme sahiptir. **Sik Sorulan Sorular** **Ozellik secimi ile boyut indirgeme (PCA gibi) arasindaki fark nedir?** Ozellik secimi mevcut ozelliklerin bir alt kumesini tutar; orijinal ozellikler yorumlanabilirligini korur. PCA gibi boyut indirgeme yontemleri yeni, yapay ozellikler olusturur; yorumlanabilirlik kaybolur ama bazen daha iyi genelleme saglar. **Kac ozellik yeterlidir?** Genel kural yoktur; veri boyutuna, ornek sayisina ve modele bagimlidir. Cross-validation ile farkli ozellik sayilari denenerek elbow noktasi belirlenir. **Ozellik secimi her zaman gerekli midir?** Sinirli ornek sayisi veya yuksek boyutlu veri durumunda buyuk fayda saglar. Derin ogrenme modelleri ozellik muhendisligini buyuk olcude otomatiklestirebilir; bu durumda acik ozellik secimi daha az kritik olabilir. **Kategorik ozellikler icin hangi yontem kullanilir?** Chi-squared test veya mutual information filter yontemleri kategorik ozellikler icin uygundur. Tree-based modellerin onem skorlari ise kategorik ve sayisal ozelliklerin karisik oldugu veri kumelerinde pratik bir embedded yontemdir.
Hebbian Learning (Hebbian Öğrenme (Hebb Kuralı))
Hebbian Learning, 1949 yılında Kanadalı nöropsikolog Donald Hebb'in "The Organization of Behavior" adlı eserinde öne sürdüğü sinaptik plastisite hipotezidir. Hebb'in önerisi, yapay sinir ağı öğrenmesinin en temel kuramsal çerçevesini oluşturur ve "birlikte ateşlenen nöronlar birbirine bağlanır" (neurons that fire together, wire together) şeklinde özetlenen ilkeye dayanır. Matematiksel formülasyonu basittir: Δw_ij = η × x_i × x_j. Bu eşitlikte Δw_ij, presinaptik nöron i ile postsinaptik nöron j arasındaki ağırlık değişimini; η öğrenme oranını; x_i presinaptik aktivasyonu ve x_j postsinaptik aktivasyonu temsil eder. İki nöron aynı anda aktif olduğunda aralarındaki sinaptik bağlantı güçlenir; biri aktif diğeri pasif olduğunda ise bağlantı zayıflar. Bu mekanizma, uzun dönemli potansiyasyon (LTP) olarak bilinen biyolojik fenomenin matematiksel soyutlamasıdır. Hebbian öğrenme, öğretmensiz (unsupervised) bir paradigmadır: dışarıdan sağlanan bir hata sinyaline ya da etiketli veriye ihtiyaç duymaz. Bu özellik onu modern geri yayılım (backpropagation) algoritmalarından köklü biçimde ayırır. Ne var ki temel Hebbian kuralının kritik bir zayıflığı vardır: ağırlıklar sınırsız büyüyebilir. Bu sorunu gidermek için çeşitli normalizasyon uzantıları geliştirilmiştir. Oja Kuralı, ağırlıkları normalize ederek ana bileşen analizi (PCA) ile eşdeğer bir öğrenmeye yönlendirir ve kararlı bir çözüme ulaşır. BCM Teorisi (Bienenstock-Cooper-Munro), görsel korteks plastisite modellemesinde kullanılan eşikli bir güncelleme kuralı sunar. STDP (Spike-Timing-Dependent Plasticity) ise nöronların ateşlenme zamanlamasına duyarlı, biyolojik gerçekliğe çok daha yakın bir Hebbian varyantıdır. Uygulama alanları arasında Hopfield ağları (çağrışımsal bellek), kısıtlı Boltzmann makineleri ve öz-örgütlenen haritalar (SOM) sayılabilir. Modern derin öğrenme mimarileri standart geri yayılımı benimsemiş olsa da Hebbian öğrenmenin ilkeleri nöromorfik çip tasarımı, yaşam boyu öğrenme (continual learning) ve biyolojik olarak mümkün yapay zeka araştırmalarında güncelliğini korumaktadır.
Hypothesis Testing (Hipotez Testi)
Hipotez testi, istatistik ve veri biliminin temel yöntemlerinden biri olup belirli bir iddianın mevcut verilerle desteklenip desteklenmediğini nesnel biçimde sınamak için kullanılır. Her hipotez testinde araştırmacı iki rekabet eden önerme tanımlar: çürütülene kadar doğru kabul edilen sıfır hipotezi (H₀) ve ispatlanmaya çalışılan alternatif hipotez (H₁). Test süreci dört temel adımdan oluşur: hipotezlerin kurulması, uygun test istatistiğinin seçilmesi, p-değerinin hesaplanması ve anlamlılık eşiğiyle (α) karşılaştırılması. p-değeri, H₀ doğru olsaydı gözlemlenen ya da daha uç bir sonucun elde edilme olasılığını temsil eder. p < α (genellikle 0,05) koşulunda H₀ reddedilir ve sonuç istatistiksel olarak anlamlı kabul edilir. Tek kuyruklu (yönlü) ve çift kuyruklu (yönsüz) testler ise alternatif hipotezin yönüne bağlı olarak seçilir; yön belirtiliyorsa tek kuyruklu test daha güçlüdür. Veri biliminde yaygın kullanılan testler şunlardır: t-testi (iki grubun ortalamalarını karşılaştırmak için), ki-kare testi (kategorik değişkenler için), ANOVA (ikiden fazla grup arasında) ve Mann-Whitney U (parametrik olmayan koşullarda). A/B testi gibi çevrimiçi deneyler de hipotez testinin doğrudan uygulamasıdır: kontrol ve deney grupları arasındaki farkın şansa mı yoksa gerçek bir etkiye mi bağlı olduğu belirlenir. İki kritik hata türü mevcuttur: H₀ gerçekte doğruyken reddedilen Tip I hata (yanlış pozitif, α) ve H₀ gerçekte yanlışken reddedilemeyen Tip II hata (yanlış negatif, β). Testin gücü (1 − β) yeterli örneklem büyüklüğüyle artırılır. Makine öğrenmesinde hipotez testi model karşılaştırma, özellik seçimi ve A/B testi alanlarında kritik rol oynar. 2025-2026 döneminde p-değerinin tek başına yetersiz kaldığı eleştirileri yaygınlaşmıştır; etki büyüklüğü (Cohen's d, eta²) ve permütasyon tabanlı testler standart raporlamaya eklenmiştir. Çoklu karşılaştırma durumunda Bonferroni düzeltmesi veya Benjamini-Hochberg FDR yöntemi yanlış keşif oranını kontrol altına alır.
One-Hot Encoding (Tek-Sıcak Kodlama)
One-hot encoding (tek-sıcak kodlama), kategorik verileri makine öğrenmesi modellerinin işleyebileceği sayısal biçime çeviren temel bir veri ön işleme tekniğidir. Makine öğrenmesi algoritmaları matematiksel işlemler yaptığından, 'kırmızı', 'mavi' veya 'İstanbul' gibi metin tabanlı kategorik değerleri doğrudan kullanamaz. One-hot encoding bu sorunu çözmek için her kategoriye özgü bir ikili (binary) vektör oluşturur. Yöntemin çalışma mantığı şöyledir: N farklı kategoriden oluşan bir değişken için N boyutlu bir vektör uzayı tanımlanır. Her kategori, yalnızca kendi konumundaki bitin '1', diğer tüm bitlerin '0' olduğu benzersiz bir vektörle temsil edilir. Örneğin üç renkten oluşan bir 'renk' değişkeni için: kırmızı → [1, 0, 0], mavi → [0, 1, 0], yeşil → [0, 0, 1]. Bu kodlama biçimi, modelin kategoriler arasında yanlış bir sıralama veya büyüklük ilişkisi kurmasını engeller. Label encoding gibi alternatif yöntemler kategorilere 0, 1, 2... gibi tam sayılar atar; ancak bu yaklaşım modelin 'mavi > kırmızı' gibi anlamsız sıralama çıkarımları yapmasına yol açabilir. One-hot encoding, kategoriler arasında herhangi bir sıralama olmadığını garantiler; çünkü her vektör Öklid uzayında diğerlerine eşit uzaklıktadır. Temel dezavantajı, yüksek kardinaliteli (çok sayıda benzersiz değer içeren) değişkenlerde boyut patlamasına (curse of dimensionality / boyut laneti) yol açmasıdır. Binlerce şehir veya ürün kategorisi içeren bir değişken, binlerce yeni sütun oluşturur. Bu durum hem bellek tüketimini hem de eğitim süresini önemli ölçüde artırır. Bu tür senaryolarda hedef kodlama (target encoding), frekans kodlama veya öğrenilebilir gömme (embedding) katmanları daha uygun alternatifler sunar. One-hot encoding; lojistik regresyon, destek vektör makineleri ve yapay sinir ağları gibi modellerde kategorik özellikleri işlemek için yaygın biçimde kullanılır. scikit-learn'ün OneHotEncoder sınıfı ve pandas'ın get_dummies() fonksiyonu bu dönüşümü birkaç satır kodla gerçekleştirmeyi mümkün kılar. Düşük kardinaliteli, nominal (sırasız) kategorik değişkenlerde tercih edilen bu yöntem, veri ön işleme pipeline'larının vazgeçilmez bir parçasıdır.
Quantum Machine Learning (Kuantum Makine Öğrenimi)
Quantum Machine Learning (QML — Kuantum Makine Öğrenimi), kuantum hesaplama ilkeleriyle klasik makine öğrenmesi algoritmalarını birleştiren disiplinlerarası bir araştırma alanıdır. QML, kuantum bilgisayarların süperpozisyon, dolanıklık (entanglement) ve girişim (interference) özelliklerinden yararlanarak belirli öğrenme ve optimizasyon görevlerini klasik bilgisayarlara kıyasla daha hızlı ya da daha verimli biçimde gerçekleştirmeyi hedefler. Kuantum bitleri (kübit), süperpozisyon ile aynı anda 0 ve 1 durumlarının doğrusal birleşiminde bulunabilir; bu özellik, belirli hesaplamaların paralel yürütülmesini olanaklı kılar. İki kübit arasındaki kuantum dolanıklığı ise aralarında klasik iletişim gerekmeksizin güçlü korelasyonlar oluşturur. Teorik analizler, doğrusal denklem sistemlerinde üstel hızlanma (HHL algoritması) ve yapılandırılmamış aramada karesel hızlanma (Grover algoritması) öngörmektedir. Temel QML yaklaşımları arasında Kuantum Destek Vektör Makineleri (QSVM), Değişimsel Kuantum Devreler (VQC), Kuantum Sinir Ağları (QNN) ve Kuantum Yaklaşık Optimizasyon Algoritması (QAOA) öne çıkmaktadır. VQC'ler parametrik kuantum kapılarıyla oluşturulmuş ve klasik optimizörlerle eğitilen hibrit devrelerdir; NISQ (Noisy Intermediate-Scale Quantum) çağının en gerçekçi yaklaşımı olarak kabul görmektedir. Değişimsel Kuantum Özdeğer Çözücüsü (VQE) ise kimya simülasyonu ve ilaç keşfinde moleküler enerji hesaplamak için kullanılmaktadır. NISQ çağında mevcut kuantum işlemciler yüzlerce fiziksel kübit içermekte; ancak gürültü ve hata oranları yüksek kalmaktadır. Genel amaçlı makine öğrenmesi görevlerinde kanıtlanmış bir kuantum hızlanması henüz pratik ölçekte gösterilememiştir. PennyLane, Qiskit Machine Learning ve TensorFlow Quantum gibi açık kütüphaneler, klasik ML araçlarıyla entegre hibrit iş akışları geliştirmeyi kolaylaştırmakta ve araştırmacıların gerçek kuantum donanımlarında deney yapmasını erişilebilir kılmaktadır. Bu araç ekosistemi, QML'nin teorik potansiyelini pratik uygulamaya taşımanın önündeki en kritik köprü işlevi görmektedir. Kuantum hesaplama, ilaç molekülü tasarımını, kriptografiyi ve finans portföy optimizasyonunu dönüştürme potansiyeli taşımakta; QML bu potansiyelin makine öğrenmesi boyutunu oluşturmaktadır.
Data Labeling (Veri Etiketleme)
Veri etiketleme, ham veri örneklerine anlamlı etiket veya meta veri atamanın sürecidir. Makine öğrenimi modelleri yalnızca gördüğü örneklerden öğrenebilir; bu örneklerin hangi sınıfa, nesneye veya kavrama ait olduğunu belirtmek için etiketleme yapılır. Denetimli öğrenme paradigmasında etiketleme, modelin öğrenebileceği altın standardı (ground truth) tanımlar. Etiketleme yöntemleri üç ana grupta incelenir. Manuel etiketleme, insan uzmanlar veya kalabalık kaynak platformları (Amazon Mechanical Turk, Scale AI, Appen) tarafından gerçekleştirilir; yüksek doğruluk sağlar ancak maliyetli ve yavaştır. Yarı otomatik etiketlemede bir makine öğrenimi modeli ön tahmin üretir ve insan uzmanlar yalnızca belirsiz örnekleri düzeltir; maliyet ile hız arasında pratik bir denge sağlar. Otomatik etiketleme (weak supervision) ise kural tabanlı sistemler veya düşük maliyetli modellerin büyük veri kümelerini hızla etiketlemesine dayanır; Snorkel gibi çerçeveler bu yaklaşımı sistematize eder. Etiket kalitesi model performansını doğrudan etkiler. Gürültülü veya tutarsız etiketler, iyi tasarlanmış bir modelin başarısını dahi düşürebilir. Kaliteyi ölçmek için etiketçi anlaşma oranı (inter-annotator agreement) Cohen's Kappa katsayısıyla hesaplanır; düşük kappa değerleri yeniden etiketleme sürecini tetikler. Çift-kör etiketleme ve etiketçi kalibrasyonu en yaygın kalite güvence yöntemlerindendir. Büyük dil modellerinin yaygınlaşmasıyla etiketleme paradigması dönüşüm geçirmektedir. RLHF sürecinde insan değerlendiriciler modelin iki farklı yanıtından daha iyisini seçerek tercih verisi oluşturur. Bu etiket türü modelin yardımcılık ve zararsızlık yetkinliklerini şekillendirir. RLAIF yaklaşımında ise insan yerine gelişmiş bir model etiketleme görevini üstlenerek ölçeklenebilirliği artırır. Aktif öğrenme, sınırlı etiketleme bütçesiyle maksimum bilgi kazanmayı hedefler. Model, tahmininde en belirsiz olduğu örnekleri insanlara göndererek az etiketlenmiş veriyle yüksek performansa ulaşabilir. Bu yöntem özellikle tıbbi görüntüleme ve hukuki belge sınıflandırma gibi uzman emek gerektiren alanlarda kritik bir tasarruf aracıdır. Etiketleme sürecinde sık karşılaşılan sorunlar şunlardır: etiketçi önyargısı, sınıf tanım belirsizliği, ölçeklenebilirlik güçlükleri ve sınıf dengesizliği. Veri artırma teknikleri ve SMOTE, az örnekli sınıflar için sentetik etiketli veri üretiminde kullanılır.
K-Means Kümeleme (K-Ortalama Kümeleme)
K-Means, makine öğreniminde en yaygın kullanılan gözetimsiz kümeleme algoritmalarından biridir. Temel amacı, etiketlenmemiş veri noktalarını K adet anlamlı gruba (kümeye) bölmektir; küme içindeki noktalar birbirine benzer özellikler taşırken farklı kümeler arasındaki benzerlik minimum düzeyde tutulur. Algoritma dört temel adımla çalışır. Başlatma aşamasında K adet merkez noktası (centroid) rastgele ya da K-Means++ yöntemiyle belirlenir. K-Means++, merkezleri birbirinden olabildiğince uzağa yerleştirerek daha kararlı bir başlangıç noktası oluşturur; bu da yakınsama hızını artırır ve yerel minimuma takılma riskini azaltır. Atama adımında her veri noktası, Öklid uzaklığı ölçütüyle en yakın merkeze atanır. Güncelleme adımında her küme için noktaların koordinat ortalaması hesaplanarak yeni centroid belirlenir. Atama ve güncelleme döngüsü, hiçbir centroid yer değiştirmeyene kadar ya da belirli bir iterasyon sınırına ulaşılana kadar tekrarlanır. Algoritmanın zaman karmaşıklığı O(n · K · I · d) olup n veri noktası sayısını, K küme sayısını, I iterasyon sayısını ve d boyut sayısını ifade eder. Algoritmanın en kritik parametresi K değeridir; kaç küme istediğimizi önceden belirtmek gerekir. K'yı belirlemek için en yaygın yöntem Dirsek Yöntemi'dir (Elbow Method): farklı K değerleri için Küme İçi Kareler Toplamı (WCSS — Within-Cluster Sum of Squares) grafiğe dökülerek eğrinin dirsek yaptığı nokta optimal K olarak seçilir. Silhouette Skoru, Calinski-Harabasz ve Davies-Bouldin indeksleri gibi istatistiksel ölçütler de K seçiminde kullanılan alternatif yaklaşımlardır. K-Means'ın temel avantajları sadelik ve ölçeklenebilirliktir; milyonlarca veri noktasında bile makul sürelerde çalışır. Bununla birlikte bazı sınırlılıkları göz ardı edilmemelidir: K değerinin önceden belirlenmesi zorunludur; algoritma yalnızca küresel (convex) biçimli kümelerde tutarlı sonuçlar verir; aykırı değerlere (outlier) karşı duyarlıdır ve rastgele başlangıç noktaları farklı çalışmalarda farklı sonuçlara yol açabilir. Bu zayıflıkları gidermek amacıyla K-Means++, Mini-Batch K-Means, Bisecting K-Means ve ISODATA gibi varyantlar geliştirilmiştir. Gerçek dünyada K-Means'ın uygulama alanları son derece geniştir: müşteri segmentasyonu, belge ve haber kümeleme, görüntü renk niceleme, pazar analizi, anomali tespiti ve öneri sistemlerinde özellik mühendisliği adımı olarak kullanılır. Scikit-learn, Spark MLlib ve TensorFlow gibi kütüphaneler K-Means'ı hazır API'lerle sunmakta; bu da algoritmayı veri bilimcilerin günlük araç setinin vazgeçilmez bir parçası haline getirmektedir.
Model Extraction (Model Çıkarma Saldırısı Nedir? Yapay Zeka Güvenlik Tehdidi)
Model extraction (model çalma veya model kopyalama), bir saldırganın hedef makine öğrenimi modeline API üzerinden erişerek, parametrelerine ya da eğitim verilerine doğrudan ulaşmadan, modelin davranışını kopyalayan işlevsel bir vekil model (surrogate model) oluşturduğu siber güvenlik saldırısıdır. Saldırının temel mantığı şöyledir: rakip, hedef modele (kurbanın API'sine) büyük hacimde girdi gönderir, döndürülen tahminleri veya güven puanlarını etiketli veri olarak kaydeder ve bu verilerle kendi modelini eğitir. Yeterli sorgu sayısına ulaşıldığında, ortaya çıkan vekil model orijinaline işlevsel olarak yakın veya eşdeğer hale gelir. Saldırıyı önemli kılan, olağanüstü düşük maliyetidir. 2016'da Tramer ve ark. tarafından yürütülen kurucu çalışmada Microsoft Azure, Amazon ve BigML gibi ticari MLaaS platformlarındaki lojistik regresyon ve karar ağacı modellerinin 1.000 ila 10.000 sorgu gibi küçük bir bütçeyle yüksek doğrulukla kopyalanabildiği gösterildi. Saldırının teknik varyantları üç başlıkta toplanır. Sorgu tabanlı çıkarmada, saldırgan aktif öğrenme veya adversarial girdilerle sorgu başına bilgi kazanımını en üst düzeye çıkarmaya çalışır. Açıklanabilirlik güdümlü çıkarmada, SHAP veya LIME gibi model yorumlama API'leri istismar edilerek modelin içselliği çok daha hızlı sızdırılır. Veri serbest çıkarmada (USENIX Security 2024) ise saldırganın çekirdek veri setine ihtiyaç duymaksızın, yapay olarak üretilen girdilerle saldırı gerçekleştirmesi mümkündür. LLM'lere özgü iki yeni tehdit sınıfı 2023-2024'te ortaya çıktı. "Model Leeching" adıyla bilinen yöntem, büyük dil modellerinin ince ayarlı davranışını query'lerle klonlar. PLeak (2024) ise sistem promptlarını ve uygulamaya özgü kişiselleştirmeleri çalmayı hedefler. Gerçek dünya etkisi son derece somuttur: önce fikri mülkiyet hırsızlığı (on milyonlarca dolarlık eğitim maliyetini yok sayan kopya model), ardından gizlilik ihlali (eğitim verisi üyelik çıkarım saldırılarına zemin hazırlama) ve son olarak güvenlik by-pass (kredi skorlama veya sahtekarlık tespiti gibi korumalı sistemlerin kapısını açma) şeklinde tezahür eder. Savunma cephesinde birkaç yaklaşım öne çıkmaktadır. PRADA gibi anomali tespit sistemleri oturumlardaki şüpheli sorgu örüntülerini tanır; güven skoru pertürbasyonu bilgi teorik sınırlar dahilinde skor kesinliğini azaltır; model filigranı (watermarking) tekniklerinden ModelShield (IEEE TIFS 2025) çalınan kopyalara tespiti mümkün kılan izler yerleştirir. Eğitim sürecinde diferansiyel gizlilik uygulanması da sızdırılabilir bilgiyi matematiksel garantilerle sınırlandırır.