category Makine Öğrenimi
Makine Öğrenimi alt dalları ve yöntemleri
A/B Testi (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.
Adam Optimizer (Adam Optimize Edici)
Adam Optimizer (Adaptive Moment Estimation), derin öğrenme modellerinin eğitiminde kullanılan ve her parametre için ayrı, uyarlanabilir öğrenme oranları hesaplayan bir optimizasyon algoritmasıdır. 2014 yılında Diederik Kingma ve Jimmy Ba tarafından önerilen Adam, klasik Stochastic Gradient Descent (SGD) yönteminin sınırlamalarını aşmak amacıyla geliştirilmiştir. Adam'ın temel gücü, hem birinci moment tahminini (momentum — gradyanların ağırlıklı ortalaması) hem de ikinci moment tahminini (RMSProp benzeri — gradyanların kareli ortalamasının ağırlıklı ortalaması) aynı anda takip etmesinden kaynaklanmaktadır. Bu iki bileşen birleştirilerek her parametre güncelleme adımı, hem geçmiş gradyan yönünü hem de geçmiş gradyan büyüklüğünü dikkate alır; bu yapı sayede sık güncellenen parametreler küçük adımlar atarken seyrek güncellenen parametreler büyük adımlar atabilmektedir. Algoritmanın iki kritik hiperparametresi vardır: β₁ (varsayılan 0.9) birinci moment için üstel bozunma oranını, β₂ (varsayılan 0.999) ikinci moment için üstel bozunma oranını kontrol eder. ε (epsilon, varsayılan 1e-8) sıfıra bölünmeyi önlemek için eklenen küçük bir sabittir. Öğrenme oranı genellikle 1e-3 ile 1e-4 arasında seçilir. Adam, başlangıç moment tahminlerinin sıfıra yanlılığını düzeltmek için önyargı düzeltmesi (bias correction) mekanizması içerir. Bu mekanizma özellikle eğitimin ilk adımlarında daha kararlı güncellemeler yapılmasını mümkün kılar. GPT, BERT, ResNet ve diğer modern derin öğrenme modellerinin büyük çoğunluğu varsayılan olarak Adam ile eğitilmektedir. AdaGrad ve RMSProp algoritmalarının avantajlarını birleştiren Adam, geniş bir model sınıfında iyi performans sergilemektedir. Doğal dil işleme, bilgisayarlı görü ve pekiştirmeli öğrenme gibi alanlarda fiilî standart optimizasyon algoritması hâline gelmiştir. Büyük ölçekli model eğitiminde Adam'ın bellek tüketimi kritik bir etkendir. Her parametre için iki moment tahmini saklandığından bellek maliyeti SGD'nin yaklaşık üç katıdır. Bu nedenle 2024-2025 döneminde Llama 3 ve Gemini 1.5 gibi mimarilerin bazı varyantlarında 8-bit ve 4-bit Adam uygulamaları (bitsandbytes kütüphanesi) kullanılarak GPU bellek tüketimi önemli ölçüde azaltılmıştır.
Adversarial Robustness (Adversarial Dayanıklılık)
Adversarial robustness (adversarial dayanıklılık), bir makine öğrenmesi modelinin kasıtlı olarak hazırlanmış aldatıcı giriş verilerine —adversarial examples— karşı tutarlı ve doğru tahminler üretebilme kapasitesini ifade eder. Bu kavram 2014 yılında Szegedy ve ekibinin sinir ağlarının tuhaf özellikleri üzerine yaptığı çalışmalarla akademik gündemin merkezine girmiş; Goodfellow ve arkadaşlarının 2015'te önerdiği Hızlı Gradyan İşareti Yöntemi (FGSM) ile de temel saldırı protokolü olarak yerleşmiştir. İnsan gözüyle ayırt edilemeyen küçük piksel değişiklikleri, bir görüntü sınıflandırma modelini "dur" levhasını "hız sınırı" olarak yanlış tanımlayabilir. Bu tür düşmanca örnekler yalnızca görüntüyle sınırlı değildir; metin, ses ve yapılandırılmış veri üzerinde de üretilebilir. Temel saldırı yöntemleri: Tek adımlı FGSM hızlı fakat nispeten zayıf örnekler üretirken, yinelemeli PGD (Projected Gradient Descent) çok daha etkili saldırılar oluşturur ve adversarial eğitimin altın standardı sayılır. Carlini-Wagner ve AutoAttack ise optimize edilmiş, kısıtlama duyarlı saldırılar sunar. Kara kutu saldırıları ise modele doğrudan erişim olmaksızın gerçekleştirilen daha gerçekçi senaryoları temsil eder. Savunma yöntemlerinin başında adversarial training gelir: model eğitim sürecinde kasıtlı bozulmuş örnekler üzerinde de optimize edilerek dayanıklılık kazanır. Randomized smoothing matematiksel dayanıklılık garantileri sunan sertifikalı bir yaklaşımdır. Giriş ön işleme ve interval bound propagation da yaygın kullanılan teknikler arasındadır. Dayanıklılık ile doğruluk arasında temel bir uzlaşım mevcuttur: adversarial eğitim, modelin temiz test verisi üzerindeki başarısını genellikle birkaç puan düşürür; dolayısıyla dayanıklılık ile doğruluk arasında bir denge kurmak gerekir. RobustBench, CIFAR-10 ve ImageNet gibi standart veri kümelerinde adversarial dayanıklılığı ölçen açık kaynaklı bir lider tablosu sunmaktadır. Özerk araçlar, tıbbi görüntüleme, yüz tanıma ve finansal sahtekârlık tespiti gibi kritik uygulamalarda adversarial dayanıklılık testleri artık zorunlu bir güvenlik adımı hâline gelmektedir. 2025 Uluslararası AI Güvenlik Raporu, saldırı ve savunma yöntemlerinin eş zamanlı ilerlediğini ancak henüz net bir galibinin olmadığını vurgulamaktadır.
Aktif Öğrenme (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.
Automation (Otomasyon)
Otomasyon, belirli gorevlerin veya is sureclerinin insan mudahalesi olmaksizin makineler, yazilimlar ya da yapay zeka sistemleri tarafindan yurutulmesini ifade eder. En temel formundan en gelismisin'e kadar; bir elektrikli supurgenin programli calismasindan fabrikalardaki robotik uretim hatlarindan, yazilim ajanlarinin karmasik is akislarini yonetmesine uzanan genis bir yelpazedir. Is dunyasinda otomasyon iki ana dalda incelenir: kural tabanli otomasyon ve yapay zeka destekli otomasyon. Kural tabanli sistemler, her zaman ayni giris icin ayni cikisi uretiyor; ornegin bir fatura geldiginde ilgili muhasebe kaydini olusturmak gibi. Bu tur is sureclerini otomatiklestiren Robotic Process Automation (RPA), insan kullanici gibi ekranda gezinerek formlar dolduran yazilim robotlari kullanir. UiPath, Automation Anywhere ve Microsoft Power Automate en yaygin RPA platformlaridir. Yapay zeka destekli otomasyon ise kural tabanli sistemlerin sinirlarini aser: belirsiz, duzensiz veya dogal dil iceren girdilerle de calisabilir. Bir musteri e-postasinin amacini anlayan ve ilgili departmana yonlendiren, ya da bir belgedeki verileri cikartip yorumlayan sistemler bu kategoridedir. Buyuk dil modelleri ve bilgisayarli gormenin olgunlasmasi, bu tur entelektuel otomasyonu hizla erisebilir kilarken. McKinsey Global Institute, mevcut teknolojilerle is sureclerinin yaklasik yuzde kirkininin otomatiklestirilebilecegini hesaplamistir. Ne var ki bu rakam basa bayla hic ise gidilmeyecegi anlamina gelmez; aksine insanlarin daha yaratici, empati gerektiren ve stratejik rollere yonelecegi anlamina gelir. Tarihsel olarak otomasyon, mevcut isler yerini almaya devam ederken yeni is kategorileri de yaratmistir. Otomasyon projeleri uygulamada birkac tuzakla karsilasir. Is surecinin tam olarak belgelenmemis olmasi, istisnalarin kural disinda kalmasi ve calisanlarin degisime direnmesi en sik karsilasilan engellerdir. Basarili otomasyon girisimlerinin ortak ozelligi ise kucuk, net ROI'si olculebilir bir surecle baslamak ve ogrenimleri bir sonraki surece tasimaktir. **Sik Sorulan Sorular** **RPA ile yapay zeka otomasyonu arasindaki fark nedir?** RPA kural tabanli, tekrarlayan gorevleri otomatiklestirir; yapay zeka otomasyonu ise belirsiz verileri yorumlaip ogrenebilir. Ikisi birlikte "entelektuel otomasyon" olarak kullanilir. **Otomasyon hangi isler icin uygun degildir?** Yuksek emapati gerektiren, surekli degisen kurallara sahip veya yaraticilik icerigen gorevler henuz tam otomasyona direnclidir: terapistlik, sanatsal uretim, stratejik liderlik gibi. **Kucuk bir sirket otomasyon surecini nereden baslatmalidir?** Zapier veya Make gibi no-code araclarla en cok tekrarlayan tek bir sureci, ornegin e-posta yonlendirme veya veri girisi, otomatiklestirerek baslayin. **Otomasyon calisanlar icin ne anlam ifade eder?** Tekrarlayan gorevler azalirken yeni beceriler talep eden roller artar. Yeniden egitim (reskilling) ve otomasyon okuryazarligi bu gecis doneminde kritik oneme kavusur.
Autoregressive Model (Otoregresif Model)
Otoregresif model (Autoregressive Model), bir dizideki her yeni öğeyi, o ana kadar üretilen öğelere koşullu olasılık dağılımlarına dayalı biçimde tahmin eden üretken bir model mimarisidir. "Auto" (öz) ve "regresif" (geçmiş değerlere dayalı tahmin) sözcüklerinin birleşiminden oluşur; model, kendi önceki çıktılarını girdi olarak kullanarak bir sonraki adımı belirler. GPT ve Claude gibi büyük dil modellerinin (LLM) temel üretim mekanizması otoregresiftir: model her defasında tek bir token üretir ve bu tokeni bağlamına ekleyerek sonraki tokeni tahmin eder. Bu işlem, bir durma koşulu ("<eos>" tokeni veya maksimum uzunluk) karşılanana kadar tekrarlanır. Matematiksel olarak, bir x dizisi için otoregresif model P(x) = ∏ P(xₜ | x₁, x₂, …, x_{t-1}) biçiminde çarpanlarına ayrışır; yani dizinin tam olasılığı, her bir öğenin tüm öncekiler verildiğindeki koşullu olasılıklarının çarpımıdır. Otoregresif modellerin eğitimi, "öğretmen zorlaması" (teacher forcing) tekniğiyle gerçekleştirilir: eğitim sırasında modelin kendi tahminleri yerine gerçek token dizisi koşul olarak verilir; bu sayede eğitim kararlı ve hızlı olur. Çıkarım (inference) sırasında ise model kendi ürettiklerini kullanmak zorundadır — bu iki aşama arasındaki fark, özellikle uzun dizilerde "açık döngü" hatasına yol açabilir. Mimari açıdan bakıldığında, Transformer'ın decoder-only versiyonları (GPT ailesi) en yaygın otoregresif LLM yapısıdır; encoder-decoder modeller (T5, BART) ise yalnızca dekoder kısmında otoregresif üretim yapar. Ses alanında WaveNet ve AudioLM, görüntü alanında ise PixelCNN ve iGPT otoregresif modellere örnek verilebilir. Ana sınırlama, her token'ın sırayla üretilmesi nedeniyle paralelleştirmenin mümkün olmamasıdır; bu durum uzun dizilerde çıkarım maliyetini artırır. Spekülatif kod çözme (speculative decoding), tahmin adımlarını paralele alarak bu sorunu kısmen çözer. Diffüzyon modelleri ve akış eşleştirme (flow matching) yöntemleri otoregresif olmayan alternatifler sunar; ancak metin üretiminde otoregresif yaklaşım 2026 itibarıyla hâlâ hâkim paradigma olmaya devam etmektedir.
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.
Calibration (Model Kalibrasyonu)
Kalibrasyon (Model Calibration), bir makine öğrenimi modelinin ürettiği olasılık tahminlerinin gerçek olayların gözlemlenen sıklığıyla ne ölçüde örtüştüğünü ifade eden bir güvenilirlik kavramıdır. İyi kalibre edilmiş bir model, %80 olasılık verdiği örneklerin yaklaşık %80'inde gerçekten doğru sonuç üretir; %95 dediği durumların da büyük bölümünde haklı çıkar. Bu özellik doğruluk (accuracy) metriğinden bağımsızdır: yüksek doğruluklu bir model, güven skorlarını sistematik biçimde abartıyorsa zayıf kalibre edilmiş sayılır. Tıbbi teşhis, kredi riski değerlendirmesi ve özerk sistemler gibi kararların olasılık eşiklerine bağlandığı uygulamalarda kalibrasyon, tahmin doğruluğu kadar kritik bir öneme sahiptir. Kalibrasyon kalitesini ölçmek için en yaygın metrik Beklenen Kalibrasyon Hatası'dır (Expected Calibration Error, ECE). Bu metrik, güven aralıklarına (confidence bins) bölünmüş örneklerde ortalama güven ile ortalama doğruluk arasındaki mutlak farkı, her kutudaki örnek sayısıyla ağırlıklandırarak tek bir sayıya indirger. Maximum Calibration Error (MCE) ise en kötü kutudaki sapmayı raporlar ve güvenlik açısından hassas senaryolarda tercih edilir. Reliability diagram (güvenilirlik diyagramı) görsel değerlendirme aracıdır: yatay eksende tahmin güveni, dikey eksende gözlemlenen doğruluk yer alır ve ideal kalibrasyon 45 derecelik köşegen çizgiyle temsil edilir. Modelin eğrisi bu çizginin altında kalıyorsa, yani gözlemlenen doğruluk beyan edilen güvenden düşükse model aşırı güvenli (overconfident); üzerindeyse düşük güvenli (underconfident) demektir. Kalibrasyon bozukluğunu gidermek için modeli yeniden eğitmeyen post-hoc yöntemler kullanılır. Platt Scaling, ham skorları lojistik regresyonla olasılığa dönüştürür; Temperature Scaling, softmax girdisi olan logitleri tek bir skaler parametreye (T) bölerek dağılımı yumuşatır ya da keskinleştirir ve çoğu derin ağda daha basit olmasına rağmen daha iyi genelleşir; Isotonic Regression ise parametrik varsayım yapmadan monoton bir eşleme öğrenir. Bu yöntemlerin tümü küçük bir doğrulama kümesi üzerinde dakikalar içinde uygulanabildiğinden üretim ortamında yaygın biçimde tercih edilir. Büyük dil modellerinde kalibrasyon, modelin kendi bilgisizliğini ne kadar dürüst temsil ettiğiyle ilgilidir; yanlış bilgiyi yüksek kesinlikle sunan bir model halüsinasyon riskini büyütür. Bu nedenle kalibrasyon ölçümü, LLM değerlendirme protokollerinde ve seçici tahmin (selective prediction) gibi 'bilmiyorum' deme mekanizmalarının tasarımında temel araçlardan biridir.
Causal AI (Nedensellik Tabanlı Yapay Zeka)
Nedensel AI (Causal AI), geleneksel makine ogrenimi sistemlerinin korelasyon kaliplarini ogrenme otesine gecip degiskenler arasindaki gercek neden-sonuc iliskilerini modellemeyi hedefleyen bir yapay zeka yaklasimidur. Temel sorusu "X, Y ile ne kadar iliskili?" degil, "X degistirdigimde Y ne olur?" veya "X olmasaydı Y ne olurdu?"dur. Judea Pearl'un nedensel merdiveni (causal ladder / ladder of causation), bu alandaki temel kavramsal cercevedir. Birinci basamak gozlemdir: veri analizi, korelasyon ve tahmin bu duzeydir; standart ML burada kalmaktadir. Ikinci basamak mudahaledir (intervention): do() operatoru ile bir degiskene mudahale ettigimizde ne olur sorusu sorulur; bu duzey RCT ve politika degerlendirmesi icin kritiktir. Ucuncu ve en guclu basamak karsi-olgusaldur (counterfactual): "Tedaviyi alsaydim ne olurdu?" veya "Bu terori olmasaydı X kac canı kurtardi?" gibi tanimsallik gerektiren sorular bu duzeydir. Yapisal Nedensel Model (Structural Causal Model - SCM), degiskenler arasindaki iliskileri Yonlu Asiklik Graf (DAG) ile temsil eder. Grafin her ok, nedensel bir iliskiyi ifade eder. d-ayrima ve arka kapi (backdoor) kriterleri, gozlemsel veri uzerinde hangi degiskenlerin kontrol edilip edilmemesi gerektigini belirler. Bu matematiksel kesinlik, nedensel cikarimi soyut yorumlamanin otesinde tutar. Saglik alaninda nedensel AI ozellikle kritik uygulamalar sunar. Bireysel Tedavi Etkisi (Individual Treatment Effect - ITE) hesaplamasi, belirli bir hastanin tedaviden fayda gorip gormeyecegini tahmin eder; ayni tedavi biri icin etkili diger biri icin etkisiz veya zararli olabilir. Standart RCT ortalamalari bu heterojenlik bilgisini gizler. Adil AI perspektifinden nedensel yaklasilm, hangi yollarin ayrimciliga yol actigini ayirt edebilir: hem dogrudan etkiler hem de dolayimi yollar modellenir. Bu, neden-sonuc tabanli bir adalet tanimina olanak tanir. **Sik Sorulan Sorular** **Nedensel AI ile klasik makine ogrenimi arasindaki temel fark nedir?** Klasik ML istatistiksel korelasyona dayali tahmin yapar; dagılım degistiginde (distribution shift) bozulabilir. Nedensel AI neden-sonuc iliskilerini modeller; mudahale sonuclarini onceden tahmin edip yeni senaryolara genelleme yapar. **Nedensel AI pratik sistemlerde kullanılıyor mu?** Evet. Amazon ve Meta A/B testi motoru gelistirilerinde nedensel cikarim teknikleri kullanmaktadir. Saglik alaninda kisisellestirilmis tedavi oneri sistemleri ITE modellemesini uygulamaktadir. **Buyuk dil modelleri nedensel akil yurutme yapabilir mi?** LLM'ler nedensel dil kaliplari ogrenerek bazi nedensel sorulari cevaplayabilir; ancak gercek yapisal nedensel akil yurutme gerceklestirdikleri tartismalıdır. Bunun icin genellikle dis bir DAG veya nedensel model katmani gerekir. **Nedensel AI ogrenmeye nereden baslarim?** Judea Pearl'un "The Book of Why" popular bilim kitabi ve "Causal Inference: The Mixtape" (Scott Cunningham) ucretsiz onlline erisislebilir iyi baslangic kaynaklaridur.
Causal Discovery (Nedensel Keşif)
Nedensel keşif, yalnızca gözlemsel veriye bakarak değişkenler arasındaki nedensel ilişkilerin yapısını ortaya çıkarmaya çalışan bir makine öğrenmesi ve istatistik alanıdır. Temel çıktı genellikle yönlü döngüsüz bir çizge (DAG) biçimindedir; bu çizgede düğümler değişkenleri, oklar ise nedensel yönü temsil eder. Alanın köklü algoritmaları arasında PC algoritması (Peter-Clark) yer alır: koşullu bağımsızlık testleri yaparak önce bir iskelet çizgesi kurar, ardından v-yapılarını yönlendirerek Markov denklik sınıfını temsil eden bir kısmi yönlü döngüsüz çizgeye (CPDAG) ulaşır. FCI (Fast Causal Inference) algoritması ise gizli ortak nedenler bulunduğunda PC'nin yetersiz kaldığı durumlarda kullanılır ve gizli karıştırıcıları modelleyebilen PAG (Partial Ancestral Graph) yapılarını üretir. LiNGAM (Linear Non-Gaussian Acyclic Model), değişkenler arasındaki ilişkilerin doğrusal ve gürültünün Gauss dışı olduğunu varsayarak tek bir DAG'ı tanımlayabilir; bu varsayım, Gauss durumundaki tanımlanamama sorununu çözer. GES (Greedy Equivalence Search) denklik sınıfları üzerinde aç gözlü bir arama yürüterek skoru en çoklaştıran yapıyı bulur. 2019'da önerilen NOTEARS ise DAG'ı öğrenmeyi sürekli optimizasyon problemine dönüştürerek gradyan tabanlı yöntemlerle çözüme olanak tanır ve büyük ölçekli veri kümelerinde avantaj sunar. Nedensel keşif, nedensel çıkarımdan (causal inference) farklı bir problemi çözer: nedensel çıkarım yapı bilindiğinde belirli bir müdahalenin etkisini tahmin ederken, nedensel keşif o yapının kendisini veriden öğrenmeye çalışır. İkisi çoğu zaman birlikte kullanılır: önce keşif, sonra çıkarım. Uygulama alanları oldukça geniştir. Genomide gen düzenleyici ağları aydınlatmak, epidemiyolojide hastalık risk faktörlerini ayırt etmek, ekonomide politika etkilerini modellemek ve yapay zeka adalet çalışmalarında karar sistemlerindeki önyargı kaynaklarını tespit etmek bu alanların başında gelir. Alanın temel güçlükleri şunlardır: Markov denklik sınıfı problemi, yani birden fazla DAG'ın aynı gözlemsel dağılımı üretebilmesi; ölçülmemiş karıştırıcıların (confounders) varlığı; ve yeterli örneklem olmadığında koşullu bağımsızlık testlerinin güvenilirliğinin düşmesi. Tanımlanabilirlik (identifiability) kısıtlamaları hangi koşullar altında gerçek nedensel grafın kurtarılabileceğini belirler ve bu kısıtlamalar her durumda sağlanamaz.
Causal Inference (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.
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.
Concept Drift Detection (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.
Continual Learning (Sürekli (Ömür Boyu) Öğrenme)
Sürekli Öğrenme (Continual Learning / Lifelong Learning), bir yapay zeka modelinin art arda gelen görevleri zamanla öğrenirken önceki görevlerdeki performansını koruyabilmesini hedefleyen araştırma alanıdır. Bu alandaki temel zorluk "yıkıcı unutma" (catastrophic forgetting) olgusudur: standart sinir ağları yeni bir göreve ince ayarlandığında önceki görev için öğrenilmiş ağırlıklar üzerine yazar, bu durum eski bilginin silinmesine neden olur. İnsan beyninin nöroplastisitesi, yeni bilgiyi eski bilgiyi bozmadan entegre etme kapasitesi, sürekli öğrenme araştırmalarının biyolojik ilham kaynağıdır. Çözüm yaklaşımları üç temel kategoride toplanır. Regülasyon tabanlı yöntemler (EWC — Elastic Weight Consolidation), önceki görevler için kritik ağırlıklara yüksek esneklik kısıtı uygulayarak değişimlerini yavaşlatır. Bellek tekrar yöntemleri (Memory Replay), geçmiş görevlerden örnek tamponuna alınan verilerle veya bunları taklit eden üretici modellerle güncel eğitimi destekler. Mimari genişleme yöntemleri ise her yeni görev için ağa yeni nöron veya katman kapasitesi ekleyerek eski ağırlıklara dokunmadan büyümeyi sağlar. Pratik uygulamalar açısından sürekli öğrenme özellikle sürüklenme gösteren veri dağılımlarında (concept drift) kritiktir. Gerçek zamanlı anomali tespiti, kişiselleştirilmiş öneri sistemleri ve giyilebilir sağlık cihazları gibi alanlarda model yeniden eğitimi masraflı ve sık gereklidir; sürekli öğrenme bu süreçleri daha verimli kılar. Türkiye'de fintech şirketlerinin dolandırıcılık tespit modelleri ve e-ticaret kişiselleştirme sistemleri değişen kullanıcı davranışlarına uyum sağlama ihtiyacıyla sürekli öğrenme alanına ilgi duymaktadır. Akademik açıdan ise bu alan, yapay genel zekanın (AGI) vazgeçilmez koşullarından biri olarak kabul görmektedir. Federated continual learning, hem merkezi olmayan eğitim hem de zamanla değişen görevleri birleştirerek aygıt başına modellerin kişiselleşmesine olanak tanıyan ileri düzey bir paradigmadır. Class-incremental, task-incremental ve domain-incremental olmak üzere üç temel senaryo türü, sürekli öğrenme yöntemlerinin hangi koşullar altında karşılaştırılacağını belirleyen standart ölçüt çerçevesi haline gelmiştir.
Contrastive Learning (Karşıtlıklı Öğrenme)
Karşıtlıklı öğrenme, bir modelin benzer örnekleri birbirine yakın, farklı örnekleri ise birbirinden uzak temsil etmeyi öğrendiği bir öz-denetimli makine öğrenimi paradigmasıdır. Temel fikir, aynı verinin farklı görünümlerini (augmentasyonlarını) pozitif çift olarak, rastgele seçilen farklı örnekleri ise negatif çift olarak kullanmaktır. Model, pozitif çiftlerin gömme vektörlerini uzayda birbirine yaklaştırırken negatif çiftleri uzaklaştıracak şekilde eğitilir. Bu yöntem, etiketli veriye olan bağımlılığı azaltarak büyük miktarda etiketsiz veriden anlamlı özellikler öğrenmeyi mümkün kılar. Kayıp fonksiyonu olarak genellikle InfoNCE veya NT-Xent kullanılır; bu formüller pozitif çiftin benzerliğini maksimize ederken negatif çiftlerin benzerliğini minimize eder. Sıcaklık (temperature) parametresi, öğrenmenin ne kadar sert veya yumuşak olacağını kontrol eder. Büyük batch boyutu kullanmak daha fazla negatif örnek anlamına geldiğinden doğrudan performansı etkiler. Önde gelen çerçeveler farklı yöntemler kullanır. SimCLR, büyük batch boyutu ve projeksiyon başlığıyla yüksek performans elde eder. MoCo, momentum kontrast yöntemi ve hafıza kuyruğuyla daha küçük batch boyutlarında çalışır. BYOL negatif örneklere gerek duymadan online ve target ağ mimarisini kullanır; bu yaklaşım negatif çift seçimindeki önyargıdan kaynaklanan hataları ortadan kaldırır. CLIP, görüntü-metin çiftleriyle eğitilerek sıfır-atımlı sınıflandırma ve çapraz modal arama görevlerinde çığır açmıştır. Uygulama alanları son derece geniştir: tıbbi görüntü analizi, ses tanıma, moleküler biyoloji, öneri sistemleri ve grafik verileri üzerinde çalışan modeller karşıtlıklı öğrenme tekniklerinden yararlanır. Büyük dil modellerinin ve görüntü-dil modellerinin ön-eğitiminde kritik bir rol oynamaktadır. Negatif çift sayısı modelin ayırt edici özellikler öğrenme kalitesini doğrudan etkiler; daha fazla negatif örnek genellikle daha iyi temsil öğrenimiyle sonuçlanır. Karşıtlıklı öğrenme, etiketleme maliyeti yüksek alanlarda yarı-denetimli öğrenmeyle birleştirildiğinde güçlü sonuçlar üretmektedir. Bu yöntemin gücü, modelin veri içindeki yapıyı ve anlam ilişkilerini insan etiketlemesi gerektirmeden keşfedebilmesinden kaynaklanmaktadır.
Curriculum Learning (Müfredat Öğrenmesi)
Müfredat öğrenmesi (Curriculum Learning), makine öğrenmesi modellerini eğitirken örnekleri rastgele değil, kolaydan zora doğru sıralayarak sunan bir eğitim stratejisidir. İnsanların öğrenme biçiminden ilham alan bu yaklaşım, Yoshua Bengio ve ekibinin 2009 yılındaki seminal çalışmasıyla literatüre girmiştir. Temel fikir basittir: bir model önce kolay ve net örnekler üzerinde temel kavramları kavrar, ardından kademeli olarak daha karmaşık ve gürültülü verilere geçer. Bu düzenleme, modelin kayıp yüzeyinde daha düzgün bir yolda ilerlemesine ve yerel minimumlardan kaçınmasına yardımcı olur. Zorluk ölçütü belirlemek bu yaklaşımın kritik adımıdır. Metin sınıflandırmada cümle uzunluğu veya kelime sıklığı, nesne tanımada görüntü karmaşıklığı ya da arka plan gürültüsü, konuşma tanımada sinyal-gürültü oranı birer zorluk göstergesi olarak kullanılabilir. Bunların yanı sıra öğretmen modellerinin tahmin güveni de kademeli zorluk sıralaması için bir referans noktası işlevi görür. Öz-hızlı öğrenme (Self-Paced Learning) bu fikrin doğal bir uzantısıdır: modelin kendi kayıp değerlerine bakarak hangi örneklerin henüz hazır, hangilerinin erken olduğuna karar verdiği dinamik bir varyantdır. Çekişmeli müfredat (Adversarial Curriculum) ise bir üretici ağın eğitim sürecini zorlaştıracak örnekler ürettiği rekabetçi bir yapı kurar. Uygulamada curriculum learning; nesne algılama, makine çevirisi, diyalog sistemleri ve pekiştirmeli öğrenme görevlerinde kayda değer başarı artışları kaydetmiştir. Özellikle veri kalitesi heterojen olan büyük ölçekli veri kümelerinde aşırı öğrenmeyi azaltırken yakınsama hızını da iyileştirmektedir. Karşılaştırmalı çalışmalar, iyi tasarlanmış bir müfredat stratejisinin eğitim adım sayısını yüzde otuz ila elli oranında azaltabildiğini göstermektedir. Yöntemin sınırlılıklarına da dikkat etmek gerekir: zorluk sıralamasını tasarlamak alan uzmanlığı gerektirir ve yanlış sıralama, modeli önyargılı bir başlangıç noktasına sürükleyebilir. Ayrıca dinamik veri karıştırma (shuffling) mekanizmalarıyla uyumsuzluk sorunları ortaya çıkabilir. Buna karşın, özellikle veri etiketlemenin maliyetli olduğu senaryolarda az etiketli örnekle yüksek performans elde etmenin en sistematik yollarından biri olmaya devam etmektedir.
Data Wrangling (Veri Düzenleme)
Data wrangling (veri düzenleme ya da veri mücadelesi olarak da bilinir), ham ve dağınık veri kümelerini analiz ve makine öğrenimi modellerine uygun biçimde kullanılabilir hale getirmek amacıyla uygulanan temizleme, dönüştürme ve birleştirme sürecini ifade eder. Gerçek dünya verilerinin büyük çoğunluğu eksik değerler, yanlış biçimler, tutarsız kodlamalar ve aykırı gözlemler içerdiğinden bu süreç, başarılı bir veri bilimi projesinin temel taşını oluşturur. Data wrangling süreci tipik olarak birkaç kritik adımı kapsar. İlk adımda veriler farklı kaynaklardan (CSV dosyaları, API yanıtları, veritabanı sorguları, web scraping çıktıları) bir araya getirilir. Keşif aşamasında verinin genel yapısı, sütun türleri ve özet istatistikler incelenir; sorunlu alanlar tespit edilir. Temizleme adımında eksik değerler imputation yöntemleriyle doldurulur ya da ilgili satırlar çıkarılır, yinelenen kayıtlar kaldırılır, hatalı biçimler düzeltilir ve uç değerler ayıklanır. Dönüştürme aşamasında tarih-saat formatları standartlaştırılır, kategorik değişkenler one-hot encoding veya label encoding ile sayısallaştırılır ve sayısal sütunlar normalizasyon ya da standardizasyon ile ölçeklenir. Son olarak birden fazla tablo ya da kaynak JOIN/merge işlemleriyle birleştirilerek nihai analiz veri kümesi oluşturulur. Araştırmalar, veri bilimcilerin zamanının yaklaşık yüzde altmış ile seksen arasını modelleme ve görselleştirme yerine veri hazırlama adımlarına harcadığını ortaya koymaktadır. Python ekosisteminde Pandas ve Polars en yaygın kullanılan kütüphanelerdir. Büyük ölçekli projelerde Apache Spark veya dbt gibi araçlar tercih edilirken düşük kod araçları (OpenRefine, Alteryx, Trifacta) teknik geçmişi olmayan kullanıcılara da wrangling imkânı sunar. Makine öğrenimi bağlamında data wrangling, özellik mühendisliği (feature engineering) ile birlikte anılır; ancak ikisi farklı kavramlardır: wrangling ham veriyi temizleyip yapılandırır, feature engineering ise bu temiz veriden yeni anlamlı öznitelikler türetir. Temiz ve iyi yapılandırılmış veri olmadan hiçbir model istenen performansa ulaşamaz; bu nedenle data wrangling hem pratikte hem teoride yapay zeka projelerinin en kritik adımlarından biri olarak kabul edilir.
Digital Twin (Dijital İkiz)
Dijital ikiz (Digital Twin), fiziksel bir nesnenin, sistemin veya sürecin gerçek zamanlı veri akışıyla beslenen ve sürekli güncellenen sanal temsilidir. Terim, NASA'nın 2010 yılında uzay araçlarını izlemek için geliştirdiği simülasyon yaklaşımına dayanır; sonraki on yılda endüstriyel IoT ve yapay zekayla birleşerek farklı sektörlere yayıldı. Dijital ikizin üç katmanı bulunur: **Fiziksel varlık**, üzerindeki sensörler ve aktuatörler aracılığıyla çevresel verileri üretir. **Veri ve iletişim katmanı**, IoT protokolleri (MQTT, OPC-UA) ile bu verileri buluta veya yerel sunuculara aktarır. **Dijital model**, aldığı anlık verileri fizik tabanlı ya da makine öğrenimi tabanlı simülasyonlarla işleyerek öngörü ve optimizasyon üretir. Kullanım alanları son derece geniştir: **Üretim ve endüstri 4.0**, makinelerin arıza tahminini (predictive maintenance) ve üretim hattı optimizasyonunu kapsar; Siemens ve GE bu alanda öncü uygulamalara sahiptir. **Şehir planlaması**, trafik akışı, enerji tüketimi ve acil durum senaryolarını sanal ortamda test eder — Singapur ve Helsinki dijital ikiz altyapısı kuran öncü şehirler arasındadır. **Sağlık**, kişiselleştirilmiş tedavi planlaması ve organ simülasyonları için araştırma aşamasındadır. **İnşaat ve gayrimenkul**, BIM (Building Information Modeling) modellerinin sensör verileriyle yaşayan dijital ikize dönüşmesini tanımlar. Yapay zeka ile entegrasyon, dijital ikizlerin tahmin doğruluğunu önemli ölçüde artırır: makine öğrenimi modelleri sensör gürültüsünü filtreler, anomali tespiti yapar ve ne zaman bakım yapılacağını öngörür. NVIDIA Omniverse gibi platformlar dijital ikiz geliştirme altyapısı olarak öne çıkmaktadır. Başlıca zorluklar şunlardır: yüksek başlangıç maliyeti ve karmaşık entegrasyon, sensör verisi kalitesi ve güvenilirliği, siber güvenlik (gerçek sisteme saldırı kapısı açılabilir), model ile gerçek sistem arasındaki sapma (model drift) ve veri gizliliği endişeleri. Piyasa ekosistemi açısından Microsoft Azure Digital Twins, AWS IoT TwinMaker, PTC ThingWorx ve Siemens Xcelerator öne çıkan kurumsal platformlardır. Açık kaynak tarafında Eclipse Ditto ve FIWARE bağlam yöneticisi küçük ölçekli projelere kapı aralamaktadır.
Eğitim Verisi (Eğitim Verisi)
Eğitim verisi (training data), bir makine öğrenmesi modelinin öğrenme sürecinde kullandığı, girdi-çıktı çiftlerinden ya da ham örneklerden oluşan veri kümesidir. Model, bu veri üzerinden parametrelerini ayarlar ve gerçek dünya dağılımına ilişkin örüntüleri çıkarır. Bir modelin kalitesi büyük ölçüde eğitim verisinin kalitesine, miktarına ve çeşitliliğine bağlıdır; 'çöp girer, çöp çıkar' ilkesi makine öğrenmesinde her zaman geçerlidir. Eğitim verisi türleri birkaç eksen boyunca sınıflandırılır. Etiketli veri (labeled data), insan etiketleyicilerin her örneğe doğru çıktıyı atadığı; denetimli öğrenme görevlerinin temelidir. Etiketsiz veri (unlabeled data), ham metin, görüntü veya ses olup öz-denetimli öğrenme ile büyük ön-eğitim modellerinde (GPT, BERT vb.) kullanılır. Sentetik veri, gerçek veriyi taklit eden yapay örneklerdir; nadir senaryoları temsil etmek ve gizlilik kısıtlamalarını aşmak için idealdir. Yarı otomatik etiketleme ise mevcut model çıktıları veya kural tabanlı sistemlerle üretilen etiketlerle insan emeği maliyetini önemli ölçüde düşürür ve büyük ölçekli veri kümelerinin hızla hazırlanmasını mümkün kılar. Veri hazırlama aşamaları projenin başarısını doğrudan etkiler: temizleme (duplikat, aykırı değer ve hatalı etiket kaldırma), veri artırma (görüntüde kırpma/döndürme, metinde parafraz), eğitim/doğrulama/test bölümlemesi ve dengesiz sınıfların yeniden örneklenmesi (SMOTE, undersampling). Modern ML projelerinde mühendislik zamanının büyük bölümü bu veri mühendisliği adımlarına ayrılmaktadır. Veri önyargısı (data bias) kritik bir risktir: eğitim seti belirli grupları yeterince temsil etmiyorsa model bu eksikliği öğrenir ve gerçek dünya dağıtımında adaletsiz çıktılar üretir. Transfer öğrenme ve az örnekli öğrenme teknikleri gereken etiketli veri miktarını önemli ölçüde azaltır. Veri kalitesini izlemek için DVC ve MLflow gibi sürümleme araçları ile Label Studio ve Scale AI gibi etiketleme platformları yaygın biçimde kullanılmaktadır. Veri kalitesi, model performansının belirleyici bir bileşeni olmaya devam etmektedir.
Ensemble Learning (Topluluk Öğrenmesi)
Ensemble learning (topluluk ogrenme), birden fazla makine ogrenimi modelinin tahminlerini akilli bir yontemle birlestirerek tek bir modelden daha yuksek dogruluk, dayaniklilik ve genelleme kapasitesi elde etme stratejisidir. Temel fikir klasik bir bilgeliktir: farkli bakis acilarina sahip cok sayida uzmanin degerlendirmesi, tek bir uzmanin kararindan genellikle daha guvenilirdir. Ensemble yontemleri uc ana kategoride incelenir. Bagging (Bootstrap Aggregating), egitim verisinin rastgele alt kumelerinde ayni model turunu bagimsiz olarak egitir; tahminleri ortalama (regresyon) veya cogluk oylama (siniflandirma) ile birlestirir. Random Forest, karar agaclari uzerinde bagging uygulayan en bilinen ornektir: hem veri ornekleme hem de ozellik ornekleme randomizasyonu, agaclari birbirinden bagimsiz kildigi icin ciktilarinin ortalamasini guclu bir model olusturur. Boosting, zayif ogrenecileri sirali bir sekilde birlestirerek guclendirme yontemidir. Her yeni model, onceki modelin yanlis siniflandirdigi orneklere daha buyuk agirlik vererek egitilir; bu seri yapı giderek iyilesen bir sistem olusturur. XGBoost, LightGBM ve CatBoost bu yaklasimin en guclu implementasyonlaridir ve onlarca veri bilimi yarismmasinin galibi olarak tarihe gecmistir. Stacking (istiflemme), farkli turdeki modellerin (Random Forest, SVM, derin aglar) tahminlerini bir ust duzey meta-model ile birlestiren bir yaklasimdur. Meta-model, her temel modelin ne zaman haklı ne zaman yanlis oldugunu ogrenip en uygun agirliklandirmayi bulur. Varyans ve yas duzenlemesi arasindaki denge ensemble'in gucunu aciklar. Yuksek varyansli tek bir model (derin karar agaci) overfitting egilimindeyken cok sayida bu tur modelin ortalamasi, bireysel hatalar birbirini iptal ettiginden cok daha guvenilirdir. **Sik Sorulan Sorular** **Bagging mi yoksa boosting mi secmeli?** Overfitting sorunu varsa bagging (Random Forest) tercih edilir; az dogruluk yasaniyorsa boosting (XGBoost) genellikle daha iyi sonu verir. Derin ogrenme projelerinde ise dropout ve model averaging yaygindır. **Ensemble ne kadar hesaplama maliyeti getirir?** N model egitmek ve N tahmin yapmak maliyeti yaklasik N kat arttirir. Bununla birlikte tahminler paralellestirilmis calistirabilir ve bircok durumda maliyet-performans dengesi kabul edilebilirdir. **Stacking ne zaman mantiklidur?** Bircok farkli algoritma kullanildiginda ve birinin guclu oldugu yer digerinin zayif oldugu durumlarda stacking ek kazanim saglar. Kucuk veri kumelerinde meta-model overfitting yaparsa daha sade ensemble yeterli olabilir. **Kaggle'da neden ensemble bu kadar sik kullanilir?** Yarismmalarda performansin son yuzde biri kritik olur; ensemble sistematik olarak o yuzdeyi saglar. Gercek dunyada ise yorumlanabilirlik veya bakım kolayligi tercih edildiginde tek model secimi daha pratik olabilir.
Feature Engineering (Öznitelik / Özellik Mühendisliği)
Özellik mühendisliği (feature engineering), ham veriden makine öğrenmesi modellerinin daha iyi öğrenebileceği bilgilendirici özellikler türetme sürecidir. Algoritmalar veriyi olduğu gibi değil, sunulan özellikler aracılığıyla öğrenir; bu nedenle hangi özelliğin nasıl temsil edildiği model performansını doğrudan belirler. Özellik mühendisliği birçok alt görevden oluşur. Özellik oluşturma, mevcut sütunları birleştirerek veya dönüştürerek yeni değişkenler üretir: bir e-ticaret veri setinde kullanıcının gün içi sipariş yoğunluğu 'sabah', 'öğleden sonra', 'gece' gibi zaman dilimi etiketlerine dönüştürülebilir. Özellik seçimi ise gürültülü veya gereksiz değişkenleri elemek için korelasyon analizi, karşılıklı bilgi skoru veya özellik önem skorlarını kullanır. Kategorik değişkenlerin sayısal temsillere dönüştürülmesi temel mühendislik adımlarından biridir. One-hot encoding ikili sütunlar üretirken, hedef kodlama (target encoding) kategorileri hedef değişkenin ortalamasıyla temsil eder. Yüksek kardinaliteli sütunlarda embedding tabanlı yaklaşımlar bilgiyi daha kompakt biçimde saklar. Sayısal özellikler için normalizasyon (min-max ölçekleme) ve standardizasyon (z-skoru dönüşümü) kritik ön işleme adımlarıdır. Mesafe tabanlı algoritmalar (k-NN, SVM) bu ölçeklemeye duyarlıdır; ölçekleme yapılmadan büyük değer aralıklı özellikler küçük aralıklıları gölgede bırakır. Zaman serisi verisinde gecikme özellikleri (lag features), hareketli ortalama ve mevsimsel bileşenler gibi mühendislik dönüşümleri modellerin zamansal örüntüleri kavramasını sağlar. Metin verisinde TF-IDF ve n-gram özellikleri, görüntü verisinde ise histogram eşitleme ve kenar çıkarımı klasik özellik mühendisliği adımlarıdır. Derin öğrenme bu adımların bir kısmını otomasyona taşımış olsa da yapısal ve tablolu veri içeren birçok endüstriyel görevde manuel özellik mühendisliği, model performansını belirleyici biçimde etkileyen kritik ayrımcı etken olmayı sürdürmektedir. Kaggle gibi rekabetçi veri bilimi platformlarında üst sıralardaki çözümlerin ortak özelliği, algoritma seçiminden çok üretken ve yenilikçi özellik mühendisliği stratejisine dayanmalarıdır. Featuretools gibi otomatik mühendislik kütüphaneleri süreci hızlandırırken, alan uzmanlığı en değerli özellik kaynaklarını belirleme konusunda belirleyici rolünü korur.
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.
Federated Learning (Birleştirilmiş Öğrenme)
Federated learning (federe öğrenme), makine öğrenmesi modellerinin ham verileri merkezi bir sunucuya göndermek yerine, verilerin bulunduğu cihazlar üzerinde doğrudan eğitilmesini mümkün kılan gizlilik odaklı bir dağıtık öğrenme paradigmasıdır. Google tarafından 2017'de tanıtılan bu yaklaşım, her istemci cihazın kendi yerel verisiyle bir model güncellemesi (gradient veya model ağırlığı değişikliği) hesaplamasını ve yalnızca bu güncellemeyi merkezi bir koordinatöre göndermesini esas alır. Geleneksel makine öğrenmesinde tüm eğitim verisi tek bir merkezi sunucuda toplanır; bu durum hem gizlilik hem de veri sızıntısı riskleri doğurur. Federated learning ise bu problemi yapısal olarak çözer: ham veri hiçbir zaman cihazı terk etmez. Koordinatör sunucu yalnızca anonim gradyanları veya model parametrelerini alır, bunları FedAvg (Federated Averaging) gibi bir toplama algoritmasıyla birleştirir ve güncellenmiş global modeli tüm istemcilere dağıtır. Federated learning'in iki temel çeşidi vardır: yatay federated learning (aynı özellik uzayı, farklı veri örnekleri — örneğin farklı hastanelerden gelen aynı formattaki hasta kayıtları) ve dikey federated learning (farklı özellik uzayları, aynı kullanıcılar — örneğin bir bankanın işlem geçmişi ile bir e-ticaret sitesinin satın alma geçmişinin birleştirilmesi). Bu yapı, GDPR ve HIPAA gibi veri koruma düzenlemelerine uyumu kolaylaştırır. Pratik uygulamalar arasında Google'ın Android klavye tahmini (Gboard), Apple'ın Siri ses tanıma kalitesi iyileştirmesi ve hastane ağlarında tıbbi görüntü analizi öne çıkar. İletişim verimliliği, heterojenik cihaz kapasiteleri (sistem heterojenliği) ve model zehirleme (model poisoning) saldırılarına karşı dayanıklılık, alanın aktif araştırma konularıdır. Diferansiyel gizlilik ve güvenli çok taraflı hesaplama teknikleri ile federated learning'in gizlilik garantisi daha da güçlendirilebilir. Bu kombinasyon, hassas sektörlerde (finans, sağlık, savunma) veri paylaşımı gerektirmeden yüksek kaliteli ortak modeller geliştirmeyi olanaklı kılmakta ve merkezileşme olmaksızın ölçeklenebilir yapay zeka ekosistemlerinin temelini atmaktadır.
Graph Mining (Grafik Veri Madenciliği)
Graph Mining (Grafik Veri Madenciliği), düğümler (varlıklar) ve kenarlar (ilişkiler) ile temsil edilen graf yapısındaki gizli desenleri, toplulukları ve bilgileri keşfeden bir veri madenciliği alt dalıdır. Sosyal ağlar, biyolojik moleküler ağlar, bilgi grafları ve dolandırıcılık tespit sistemleri gibi birbirine bağlı veri kümelerinde yaygın biçimde uygulanır. Matematiksel temeli G = (V, E) formülüyle ifade edilir: V düğümler kümesi (kişiler, proteinler, web sayfaları), E ise bu varlıklar arasındaki ilişkiler kümesidir. Graflarda kenarlar yönlü (tek yönlü atıf, takip) veya yönsüz (karşılıklı arkadaşlık), ağırlıklı (etkileşim sıklığı) ya da ikili (var/yok) olabilir. Temel teknikler arasında sık geçen alt-graf madenciliği öne çıkar. gSpan (2002) algoritması, DFS kodlamasıyla sık tekrar eden yapıları verimli biçimde bulur ve kimyasal bileşik veri tabanlarında geniş uygulama alanı bulur. Topluluk tespitinde Louvain algoritması, modülarite değerini optimize ederek milyarlarca düğümlü ağlarda bile O(n log n) hızıyla çalışır. Bağlantı tahmini, mevcut graftan yeni olası kenarları öngörür; bu teknik öneri sistemleri ve ilaç-hedef etkileşim keşfinde kritik rol oynar. Modern Graph Mining, Graf Sinir Ağları (GNN) ile köklü bir dönüşüm geçirdi. GraphSAGE, Graph Attention Network (GAT) ve Graph Convolutional Network (GCN) gibi mimariler, komşu düğümlerden mesaj geçişi yoluyla bağlam-duyarlı gömmeler üretir. Bu yöntemler geleneksel istatistiksel yaklaşımları geride bırakarak siber güvenlik anomali tespiti, sahte haber yayılım modellemesi ve bilgi grafı tamamlama görevlerinde yeni performans standartları belirlemiştir. Uygulama alanları son derece geniştir: Facebook ve LinkedIn'de topluluk analizi, Google Knowledge Graph'ta varlık ilişki sorgulama, biyoinformatikte protein-protein etkileşim ağı analizi ve bankacılıkta işlem ağı tabanlı dolandırıcılık tespiti öne çıkan örneklerdir. Türkiye'de Kredi Kayıt Bürosu ve bankalar, olağandışı ödeme zincirlerini tespit etmek için graf tabanlı analiz yöntemlerinden yararlanmaktadır.
Grounding (Temellendirme)
Grounding (temellendirme), yapay zeka modellerinin çıktısını doğrulanabilir, gerçek dünyayla uyumlu ve güvenilir bilgiye bağlama sürecidir. Büyük dil modellerinin üretebileceği yanlış, uydurma veya bağlamsız bilgileri (halüsinasyonları) azaltmak için uygulanan teknik ve mimarilerin genel adıdır. Temel grounding yaklaşımları iki ana kategoride incelenir. Veri temelli grounding'da model, yanıt üretirken harici bilgi kaynağına (belge, veri tabanı, web araması) erişir ve yanıtı bu kaynaklara dayandırır. RAG (Retrieval-Augmented Generation) bu kategorinin en yaygın örneğidir; ilgili belgeler vektör benzerlik aramasıyla getirilir, ardından model yalnızca bu bağlama dayanarak yanıt üretir. Bağlam temelli grounding'da ise referans belgeler sistem istemi içinde doğrudan modele verilir; model harici bir arama yapmadan bu bilgilere dayanır. Yer isimleri ve olgular bağlamında grounding, adların gerçek nesnelere veya kavramlara bağlanması anlamına gelir. "Paris" ifadesi, soyut bir karakter yerine gerçekten Fransa'nın başkentine bağlanmalıdır. Bu tür grounding, varlık bağlantılama (entity linking) ve bilgi grafiği entegrasyonu aracılığıyla gerçekleştirilir. Google Gemini, arama motoru entegrasyonuyla gerçek zamanlı web sonuçlarına erişim sunarak yanıt kalitesini artırır. Microsoft Copilot sonuçları kaynak referanslarıyla destekler; böylece kullanıcılar doğrudan kaynak doğrulaması yapabilir. Azure AI Grounding API, kurumsal uygulamalarda modele belirli belge kümelerine erişim sağlayarak denetimli grounding gerçekleştirilmesine olanak tanır. Grounding, halüsinasyonla mücadelenin yanı sıra öz-tutarlılık için de kritiktir: model birbiriyle çelişen yanıtlar verdiğinde hiçbiri güvenilir kabul edilemez. Grounding kalitesini ölçmek için RARR, QAGS ve Attribution Score gibi metrikler kullanılır. Bu metrikler, modelin ürettiği her iddia için kaynak belgede destekleyici kanıt bulunup bulunmadığını değerlendirir. Kurumsal RAG sistemlerinde context faithfulness (bağlam sadakati) skoru, modelin sağlanan belgeye ne ölçüde bağlı kaldığını değerlendirir. Groundedness skoru ise yanıttaki her ifadenin kaynak belgeden türetilebilir olup olmadığını test eder. Bu ölçümler, üretim ortamındaki grounding kalitesini izlemek ve iyileştirmek için temel göstergeler olarak kullanılır.
GRPO (Grup Göreli Politika Optimizasyonu)
GRPO (Group Relative Policy Optimization / Grup Göreli Politika Optimizasyonu), büyük dil modellerini pekiştirmeli öğrenme ile ince ayarlamak için geliştirilmiş verimli bir algoritmadır. İlk olarak DeepSeek'in 2024 tarihli DeepSeekMath makalelerinde tanıtılan bu yöntem, Ocak 2025'te yayımlanan DeepSeek-R1 modeli sayesinde geniş yapay zeka camiasının dikkatini çekti. Geleneksel PPO (Proximal Policy Optimization) yönteminde, ince ayar sürecinde politika modelinin yanı sıra ayrı bir değer (critic) modeli de eğitilir. Bu değer modeli, belirli bir durum için beklenen kümülatif ödülü tahmin eder ve öğrenme sinyalini kararlı kılar. Ancak bu yaklaşım, politika modeli kadar parametre içerebilen ikinci bir modelin GPU belleğine ve hesaplama kaynaklarına sığdırılmasını gerektirir. GRPO, bu değer modelini tamamen ortadan kaldırır ve yerine grup tabanlı bir karşılaştırma mekanizması koyar. GRPO'nun çalışma mekanizması şöyledir: Eğitim sırasında her sorgu için politika modeli birden fazla (genellikle 4 ila 16) bağımsız yanıt örnekler. Her yanıt, kural tabanlı veya model tabanlı bir ödül fonksiyonu tarafından puanlanır; matematik sorularında doğru cevap kontrol edilebilir, kod sorularında birim testleri çalıştırılabilir, biçim uygunluğu değerlendirilebilir. Her yanıtın avantajı, grup içindeki ortalama ödül çıkarılarak ve grubun standart sapmasına bölünerek hesaplanır. Bu normalize edilmiş avantajlar, PPO'nun kırpılmış politika gradyanı güncelleme kuralıyla birleştirilir ve model parametreleri güncellenir. GRPO'nun başlıca avantajları şunlardır: Değer modeli eğitilmediğinden GPU belleği ve hesaplama maliyeti önemli ölçüde azalır; bu da daha büyük politika modelleriyle ya da daha dar bütçelerle çalışmayı mümkün kılar. Grup içi karşılaştırma, modelin kendi üretimlerini birbirleriyle kıyaslamasını sağlar ve daha tutarlı bir öğrenme sinyali oluşturur. Kural tabanlı ödül fonksiyonları kullanıldığında insan etiketine olan bağımlılık azalır. Buna karşın yöntemin sınırlılıkları da vardır: Grup büyüklüğü ve ödül fonksiyonu tasarımı kritik hiperparametrelerdir; hatalı ödüller hızla yayılabilir. GRPO, DeepSeek-R1'in başarısının ardından açık kaynaklı LLM eğitim ekosisteminde hızla benimsenmiş; TRL, Verl ve OpenRLHF gibi kütüphaneler GRPO desteği eklemiştir. Günümüzde bu algoritma, reasoning model eğitiminin standart araç kutusunun bir parçası haline gelmiştir.
Hiperparametre (Hiperparametre)
Hiperparametre, bir makine öğrenimi modelinin eğitim sürecini dışarıdan yöneten ve eğitim başlamadan önce belirlenmesi gereken yapılandırma değişkenidir. Öğrenme hızı (learning rate), katman sayısı, gizli birim sayısı, batch boyutu, dropout oranı ve regularizasyon katsayısı bunun başlıca örnekleridir. Model parametrelerinden temel farkı şudur: parametreler (ağırlıklar, bias değerleri) eğitim sırasında gradyan inişiyle otomatik olarak güncellenir; hiperparametreler ise öğrenme algoritmasının dışındadır ve araştırmacı ya da otomatik bir arama süreci tarafından belirlenir. Yanlış ayarlanmış bir hiperparametre, model ne kadar güçlü olursa olsun yetersiz öğrenmeye (underfitting) veya eğitim verisini ezberlemeye (overfitting) yol açar. Öğrenme hızı çok yüksek ayarlandığında model ıraksar; çok düşük olduğunda ise eğitim aşırı yavaşlar ve yerel minimumlara takılır. Bu nedenle hiperparametre optimizasyonu (HPO), başarılı bir ML projesinin ayrılmaz parçasıdır. Günümüzde Optuna, Ray Tune ve Weights & Biases Sweeps gibi kütüphaneler bu süreci otomatikleştirir. Büyük dil modeli eğitimlerinde hiperparametre seçimi milyarlarca dolarlık hesaplama bütçelerini doğrudan etkiler; bu yüzden küçük proxy modeller üzerinde yapılan HPO denemeleri, maliyeti kısıtlamak için kritik bir strateji haline gelmiştir. Transformer mimarisinde hiperparametre uzayı geleneksel derin öğrenme modellerine kıyasla çok daha geniştir: dikkat başlığı sayısı (num_attention_heads), gömme boyutu (d_model), ileri besleme katmanı genişliği (d_ff) ve bağlam penceresi uzunluğu (context length) birbirine bağlı değerlerdir. Araştırmalar d_model ile num_attention_heads arasındaki 64:1 oranının çoğu görevde iyi bir başlangıç noktası olduğunu göstermektedir. Bu nedenle yalnızca öğrenme hızını optimize etmek yetmez; mimariye özgü değerler de sistematik biçimde keşfedilmelidir. Hiperparametre duyarlılık analizi, hangi değişkenlerin modeli en çok etkilediğini belirlemeye yarar; önemsiz boyutları sabitleyip kritik olanlara odaklanmak arama süresini önemli ölçüde kısaltır. Bütçe kısıtlı projelerde deneyimli pratisyenlerin kullandığı başlangıç değerleri bunun tipik örnekleridir: öğrenme hızı için 3e-4 (yaygın olarak Karpathy sabiti adıyla anılır), weight decay için 0.1, dropout oranı için 0.1. Bu değerlerden başlayıp küçük kapsamlı bir arama ile kendi veri setine göre rafine etmek mühendislik maliyetini minimize eder.
Hyperparameter Tuning (Hiperparametre Optimizasyonu)
Hiperparametre optimizasyonu (Hyperparameter Tuning), makine öğrenimi modelinin eğitim sürecine başlamadan önce araştırmacı veya mühendis tarafından belirlenen kontrol değişkenlerinin — öğrenme hızı (learning rate), ağaç derinliği, katman sayısı, düzenlileştirme katsayısı gibi — en uygun kombinasyonunun sistematik biçimde aranması işlemidir. Makine öğreniminde iki farklı parametre türü bulunur: modelin eğitim verisinden öğrendiği "parametreler" (ağırlıklar, bias değerleri) ve eğitimden önce dışarıdan belirlenen "hiperparametreler". Hiperparametreler model mimarisini ve öğrenme dinamiklerini doğrudan şekillendirir; yanlış seçilen bir hiperparametre seti, en kaliteli veriyle bile zayıf sonuçlar doğurabilir. Başlıca hiperparametre arama yöntemleri şöyle sıralanabilir: Grid Search (Izgara Arama): Belirlenen aralıklar içindeki tüm olası kombinasyonları dener; garanti sonuç verir ancak hesaplama maliyeti kombinasyon sayısıyla katlanarak artar. Az sayıda hiperparametre ve dar aralıklar için uygundur. Random Search (Rasgele Arama): Kombinasyonları rastgele örnekler; Grid Search'e kıyasla genellikle daha kısa sürede benzer kalitede sonuç üretir. Yüksek boyutlu arama uzaylarında tercih edilir. Bayesian Optimization: Önceki denemelerin sonuçlarını kullanarak sonraki adımda hangi kombinasyonu deneyeceğini olasılık modeline göre seçer. Deneme sayısını minimize ederek en iyi hiperparametrelere ulaşmayı hedefler; derin öğrenme gibi maliyetli modellerde yaygındır. Optuna, Ray Tune ve Hyperopt bu yaklaşımı uygulayan popüler kütüphanelerdir. Automated ML (AutoML): Hiperparametre aramasını tamamen otomatikleştirir. Google AutoML, H2O.ai ve Keras Tuner gibi araçlar hem model seçimi hem de parametre optimizasyonunu arka planda yürütür. Hiperparametre optimizasyonu sürecinde çapraz doğrulama (cross-validation) kritik bir rol oynar: her aday kombinasyon, verinin farklı katlarında test edilerek aşırı uyumu (overfitting) önleyecek şekilde değerlendirilir. Özellikle derin sinir ağlarında learning rate, momentum ve batch size değerlerinin doğru ayarlanması, model başarısını belirleyici ölçüde etkiler. Pratik projelerde hiperparametre arama sürecinin toplam eğitim süresinin %30–50'sini oluşturduğu görülmektedir.
In-Context Learning (Bağlam İçi Öğrenme)
In-context learning (bağlam içerisinde öğrenme), büyük dil modellerinin ağ ağırlıklarını hiçbir şekilde güncellemeksizin, yalnızca prompt içerisine yerleştirilen girdi-çıktı örneklerinden görevi anlayıp yeni bir girdi için doğru çıktı üretme yetenektir. Geleneksel makine öğrenmesinden kökten farklı bu yetenekte gradient hesaplama, geri yayılım veya ağırlık güncelleme yoktur; model, dikkat mekanizması aracılığıyla prompt'taki örnekleri bir tür acil hafıza gibi kullanır. In-context learning üç alt kategoride incelenir. Zero-shot learning, hiç örnek verilmeden yalnızca görev tanımı veya talimatla çalışır. One-shot learning, tek bir girdi-çıktı örneği ile görevi anlama girişimidir. Few-shot learning ise genellikle üç ila on arasında örnek kullanır ve GPT-3 makalesinin odaklandığı asıl yaklaşımdır. Bu üç durum aslında aynı mekanizmanın örnek sayısına göre özel halleridir. 2020 yılında yayınlanan GPT-3 makalesi, in-context learning'i yapay zeka araştırmasının odak noktalarından birine dönüştürdü. Makale, 175 milyar parametreli GPT-3'ün onlarca görevi örnek görmeksizin veya yalnızca birkaç örnekle gerçekleştirebildiğini sistematik olarak göstermiş; bu sonuç dil modellerinin yetenekleri konusundaki beklentileri kökten değiştirmiştir. Mekanizma sorusu hala tartışmalıdır. Bir yaklaşım, in-context learning'in gizli bir gradient descent gerçekleştirdiğini öne sürer: dikkat mekanizması, örneklerden üstkalık doğrusallık gibi temel kalıpları çıkartmak için fonksiyonel olarak gradyan hesaplamaya benzeyen bir süreç yürütmektedir. Alternatif yorum ise modelin eğitim sırasında on milyarlarca belgede gördüğünden benzer görevlerin farklı biçimlerini öğrenip bunları prompt'taki sinyal üzerine yeniden etkinleştirdiğini öne sürer. Uygulamada in-context learning prompt mühendisliği ile doğrudan bağlantılıdır. Hangi örneklerin seçildiğini, örneklerin sırası, örnek sayısı ve talimatın formatı model performansını onlu ölçekte etkiler. Chain-of-Thought prompting gibi teknikler, bu mekanizma üzerine akıl yürütme adımlarını yerleştirir. **Sık Sorulan Sorular** **In-context learning ile fine-tuning arasındaki fark nedir?** Fine-tuning ağ ağırlıklarını gerçekten günceller ve sürekli öğrenmeyi temsil eder. In-context learning ağırlıksız, çıkarım sırasında gerçekleşir; daha esnek ama daha az kalıcı öğrenme demektir. **Hangi modeller in-context learning'i iyi yapar?** Genel olarak büyük modeller daha iyidir; GPT-4, Claude ve Gemini gibi frontier modeller küçük modellerden belirgin şekilde üst performans gösterir. Model büyüklüğü ile in-context yetenek arasındaki ilişki yaklaşık log-doğrusaldır. **Örnek sırası önemli midir?** Evet, araştırmalar örnek sırasının performansı onlu yüzde kadar etkileyebildiğini göstermiştir. Optimal sıra veri kümesine ve göreve bağımlıdır; genel kural yoktur. **In-context learning'in sınırları nelerdir?** Bağlam penceresi sınırı, örnek sayısını küçük tutar. Çok adımlı akıl yürütme gerektiren veya sık güncellenen veri gerektiren görevlerde fine-tuning tipik olarak daha iyi sonuç verir.
Joint Probability (Ortak Olasılık)
Joint probability (ortak olasılık), iki ya da daha fazla olayın eş zamanlı gerçekleşme olasılığını ifade eden temel bir istatistik kavramıdır. P(A ∩ B) ya da P(A, B) notasyonuyla gösterilir ve olasılık teorisinin, dolayısıyla makine öğrenmesinin köşe taşlarından birini oluşturur. Matematiksel açıdan joint probability, olayların bağımsız olup olmadığına göre iki farklı şekilde hesaplanır. A ve B olayları birbirinden bağımsızsa P(A, B) = P(A) × P(B) eşitliği geçerlidir. Bağımlı olaylar söz konusu olduğunda ise koşullu olasılık devreye girer: P(A, B) = P(A | B) × P(B). Bu ayrım, gerçek dünya verilerinin modellenmesinde kritik önem taşır. Yapay zeka ve makine öğrenmesi alanında joint probability dağılımları, birden fazla rastgele değişken arasındaki ilişkileri yakalamak için kullanılır. Naive Bayes sınıflandırıcıları, değişkenler arası bağımsızlık varsayımını kullanarak joint probability hesaplamalarını basitleştirir ve metin sınıflandırmada başarılı sonuçlar verir. Bayesian ağlar ise değişkenler arasındaki bağımlılık yapısını grafsel modeller aracılığıyla temsil eder ve joint dağılımı verimli biçimde hesaplamayı mümkün kılar. Derin öğrenme modellerinde joint probability, özellikle generatif modellerde merkezi bir rol üstlenir. Variational Autoencoders (VAE) ve Generative Adversarial Networks (GAN), veri dağılımının joint probability'sini öğrenerek gerçekçi örnekler üretir. Dil modellerinde ise P(kelime1, kelime2, ..., kelimenN) biçiminde ifade edilen joint probability, bir cümlenin olasılığını hesaplamak için temel alınır ve bu değer zincir kuralı yardımıyla koşullu olasılıkların çarpımına dönüştürülür. Joint probability'nin pratik uygulamaları geniş bir yelpazeye yayılır: anomali tespiti, öneri sistemleri, doğal dil işleme ve tıbbi tanı sistemleri bunların başında gelir. Gerçek dünya problemlerinde joint dağılımın doğrudan hesaplanması boyutsallık laneti nedeniyle zorlaşır; bu nedenle Markov zincirleri, bağımsızlık varsayımları ve yaklaşık çıkarım yöntemleri (variational inference, Monte Carlo örneklemesi) yaygın olarak kullanılır.
Keşifsel Veri Analizi (EDA) (EDA)
Keşifsel Veri Analizi (Exploratory Data Analysis, EDA), ham veriden anlam çıkarmanın ilk ve en kritik adımıdır. John Tukey'in 1977'de kaleme aldığı aynı adlı eseriyle sistematik bir disiplin hâline gelen EDA, veri bilimcilerin bir veri kümesini modellemeden veya hipotez testine sokmadan önce derinlemesine incelediği keşifsel süreçtir. EDA'nın temel amacı şu soruları yanıtlamaktır: Veri nasıl dağılmış? Hangi değişkenler birbiriyle ilişkili? Aykırı değerler (outlier) var mı ve bunlar gerçek mi yoksa veri giriş hatası mı? Eksik değerler (missing values) hangi örüntüde oluşmuş? Hangi özellikler hedef değişkeni en çok etkiliyor? Bu soruları yanıtlamak için EDA iki temel yöntem sınıfına başvurur. Nicel yöntemler arasında merkezi eğilim ölçüleri (ortalama, medyan, mod), yayılım ölçüleri (standart sapma, varyans, çeyrekler arası aralık), çarpıklık ve basıklık katsayıları yer alır. Nitel/görsel yöntemler ise histogram, kutu grafiği (box plot), yoğunluk grafiği, dağılım matrisi (pair plot) ve korelasyon ısı haritası gibi araçlarla veriyi sezgisel biçimde anlaşılır kılar. Modern veri bilimi ekosisteminde EDA, Python'da Pandas, NumPy, Matplotlib, Seaborn ve Plotly kütüphaneleriyle; R'de ggplot2 ve dplyr ile yürütülür. Pandas Profiling ve ydata-profiling gibi otomatik EDA araçları tek bir komutla kapsamlı raporlar üretir. AutoEDA yaklaşımları büyük veri kümelerinde zaman tasarrufu sağlasa da deneyimli bir veri bilimcinin yorumunun yerini alamaz. EDA sürecinde izlenen tipik adımlar şöyle sıralanabilir: önce veri yapısı incelenir (shape, dtypes, head); ardından betimleyici istatistikler hesaplanır (describe); eksik değer örüntüleri ve oranları belirlenir; tek değişkenli dağılımlar görselleştirilir; iki değişkenli ilişkiler scatter plot ve korelasyon matrisiyle keşfedilir; son olarak çok değişkenli örüntüler ve gruplararası farklılıklar araştırılır. Bu adımlar doğrusal değil yinelemeli bir döngü oluşturur; her bulgu yeni sorular doğurur. EDA, özellik mühendisliği (feature engineering), veri temizleme ve model seçimi kararları üzerinde doğrudan etkilidir. Kötü anlaşılmış veriyle kurulan modeller ne kadar sofistike olursa olsun güvenilmez sonuçlar üretir; bu nedenle EDA 'çöp girer, çöp çıkar' ilkesinin pratikte uygulandığı kalkan katmanıdır. Regresyon, sınıflandırma veya kümeleme modellerinden önce mutlaka gerçekleştirilmesi gereken bu aşama, hem modelin doğruluğunu hem de yorumlanabilirliğini doğrudan şekillendirir.
Knowledge Distillation (Bilgi Damıtma)
Knowledge Distillation (Bilgi Damıtma), büyük ve güçlü bir öğretmen modelin bilgisini daha küçük ve verimli bir öğrenci modele aktarma sürecidir. Öğrenci model, doğrudan ham etiketlerden değil; öğretmenin yumuşak olasılık çıktılarından (soft labels) öğrenerek eğitim veri kümesindeki sinyallerin ötesine geçen genelleme yeteneği kazanır. Tekniğin temeli 2015 yılında Geoffrey Hinton, Oriol Vinyals ve Jeff Dean'in yayımladığı "Distilling the Knowledge in a Neural Network" başlıklı makaledir. Hinton, öğretmenin softmax çıktılarının ham etiketlere kıyasla çok daha zengin bir öğrenme sinyali taşıdığını ortaya koydu: bir görüntü sınıflandırıcısının "kedi" olasılığı %90 iken "köpek" olasılığının %7 olması, modelin sınıflar arasındaki benzerlik yapısını kodladığını gösterir ve öğrenci bu yapıyı devralır. Teknik açıdan distilasyon iki kayıp teriminin ağırlıklı toplamını minimize eder: öğrencinin öğretmen çıktılarına ne kadar yaklaştığını ölçen KL Divergence tabanlı distilasyon kaybı ve standart çapraz entropi kaybı. Sıcaklık (temperature) parametresi softmax dağılımını yumuşatarak sınıflar arası ilişkileri belirginleştirir; tipik değerler 2-5 arasındadır. Pratik uygulamalarda distilasyon, üretim ortamları için belirleyici bir teknik haline gelmiştir. DistilBERT orijinal BERT modelinin %97 performansını %40 daha küçük ve %60 daha hızlı biçimde yeniden üretir. TinyBERT hem öğretmen çıktısından hem de ara katman temsil bilgisinden öğrenir; MobileBERT ise mobil cihaz kısıtları gözetilerek tasarlanmıştır. Distilasyon çeşitleri arasında self-distillation (modelin kendisinden öğrenmesi), multi-teacher distillation (birden fazla öğretmenden bilgi sentezi) ve cross-modal distillation (görüntü modelinin bilgisinin metin modeline aktarılması) sayılabilir. LLM çağında bu teknik, 70B+ büyük modellerin bilgisini 7B veya daha küçük görev-odaklı modellere aktarmak için kritik bir role bürünmüştür. Açık ağırlıklı büyük modeller öğretmen, küçük görev-odaklı modeller öğrenci rolü üstlenir; bu yaklaşım model sıkıştırma, budama (pruning) ve kuantizasyon ile birlikte kullanılarak donanım sınırlı ortamlarda yüksek performans elde etmeye olanak tanır. 2024-2026 döneminde bilgi damıtma, küçük dil modeli (SLM) ekosisteminin merkezine oturdu. Microsoft'un Phi-3-mini'si (3.8 milyar parametre, 2024), GPT-3.5 düzeyinde performansı mobil cihazlara taşıyan ve distilasyon temelli bir veri akışıyla geliştirilen önemli bir açık kaynak modeldir. DeepSeek-R1'in Ocak 2025'te yayımlanan damıtma varyantları, 32 milyar parametreli öğrenci modelin matematik akıl yürütmede OpenAI o1-mini'yi geride bırakmasına zemin hazırladı. Bu süreçte bilgi damıtma, kuantizasyon ve budama teknikleriyle birleştirilerek çıkarım gecikmesi ile bellek tüketimi düşürülmekte; hafif modeller akıllı telefonlar ve gömülü sistemlerde çevrimdışı çalışabilir hale gelmektedir.
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.
LoRA Fine-Tuning
LoRA (Low-Rank Adaptation), büyük dil modellerini (LLM) ve diğer temel modelleri çok daha az hesaplama kaynağıyla belirli görevlere uyarlamak için kullanılan parametre-verimli ince ayar (parameter-efficient fine-tuning — PEFT) tekniğidir. 2021 yılında Microsoft'un Hu ve ark. tarafından tanıtılan bu yöntem, tüm model ağırlıklarını güncellemek yerine her ağırlık matrisine küçük, düşük sıralı matrisler enjekte eder; bu sayede eğitilmesi gereken parametre sayısını yüzde bir ile yüzde onda bire indirger. LoRA'nın temel prensibi, büyük bir ağırlık güncellemesinin ΔW matrisinin düşük sıralı ayrıştırmayla yaklaşık olarak ifade edilebileceği hipotezine dayanır: ΔW ≈ A × B. Burada A ve B, orijinal ağırlık matrisinden çok daha küçük boyutlarda düşük sıralı matrislerdir. Eğitim sırasında orijinal ağırlıklar (W₀) dondurulur; yalnızca A ve B matrisleri eğitilir. Çıkarım sırasında bu matrisler birleştirilerek W₀ + ΔW elde edilir; ek gecikme (latency) yaratmaz. Uygulama açısından LoRA birçok avantaj sunar. Bellek verimliliği: GPT-3 ölçeğinde bir modeli tam ince ayarla eğitmek için gereken GPU belleği LoRA ile yüzde yetmişe kadar azalır. Hızlı değiştirilebilirlik: Farklı görevler için eğitilmiş LoRA adaptörleri tek bir temel modelde kolayca değiştirilerek görev geçişi yapılır. Açık kaynak ekosistemi: Hugging Face PEFT kütüphanesi, Axolotl ve LLaMA-Factory LoRA eğitimini birkaç satır kodla erişilebilir kılar. QLoRA (Quantized LoRA), LoRA'yı dört-bit niceleme (quantization) ile birleştirerek 65B parametreli modellerin tek bir tüketici GPU'sunda (RTX 4090) ince ayar yapılabilmesini mümkün kılan 2023 tarihli bir ilerlmedir. Rank parametresi (r) LoRA'nın kritik hiper parametresidir: r=4 ile 64 arasında değerler yaygındır; küçük r daha az parametreli ancak daha kaba uyarlamayı temsil eder. Türkiye'deki araştırmacılar ve şirketler, BERTurk ve Türkçe LLM'leri sektöre özgü görevlere uyarlarken LoRA'yı birincil yöntem olarak benimsemektedir.
Makine Öğrenmesi (Makine Öğrenmesi)
Makine öğrenmesi (Machine Learning, ML), bilgisayar sistemlerinin açıkça programlanmadan verilerden öğrenmesini ve deneyimle performansını artırmasını mümkün kılan yapay zeka alt dalıdır. Terimi 1959'da IBM araştırmacısı Arthur Samuel, dama oynayan programı üzerinde ortaya attı; Tom Mitchell'in 1997 tarihli klasik tanımı ise hâlâ ders kitaplarının standardıdır: bir program, T görevindeki performansı P ölçütüne göre E deneyimiyle artıyorsa öğreniyor demektir. Geleneksel yazılımda kuralları insan yazar: "fiyat 100 TL'nin üzerindeyse indirim uygula" gibi. Makine öğrenmesinde bu ilişki tersine döner; sisteme binlerce girdi-çıktı örneği verilir, kuralları (model parametrelerini) algoritmanın kendisi çıkarır. Bir spam filtresi, milyonlarca etiketli e-postadan hangi kelime ve gönderici kalıplarının spam işareti olduğunu kendi başına öğrenir; hiçbir mühendis "bedava kelimesi geçiyorsa engelle" kuralı yazmaz. Öğrenme üç ana paradigmada gerçekleşir. Denetimli öğrenmede model, etiketli girdi-çıktı çiftleriyle eğitilir; kredi riski skorlama, ev fiyatı tahmini ve tıbbi görüntüde tümör sınıflandırma tipik görevlerdir. Denetimsiz öğrenme etiketsiz verideki gizli yapıyı keşfeder; müşteri segmentasyonu ve anomali tespiti bu sınıfa girer. Pekiştirmeli öğrenmede bir ajan, çevreyle deneme-yanılma yoluyla etkileşerek ödülü maksimize eden politikayı bulur; DeepMind'ın AlphaGo'su (2016) ve modern robotik kontrol sistemleri bu yaklaşımın vitrinidir. Bunlara ek olarak, ChatGPT ve Claude gibi büyük dil modellerinin ön eğitiminde kullanılan öz-denetimli öğrenme, etiketi verinin kendisinden üretir: model, metindeki bir sonraki kelimeyi tahmin ederek trilyonlarca token'dan öğrenir. Algoritma yelpazesi geniştir: doğrusal ve lojistik regresyon, karar ağaçları, rastgele orman, destek vektör makineleri (SVM), k-en yakın komşu, naif Bayes ve XGBoost ile LightGBM gibi gradyan artırma toplulukları klasik ML'in iş yükünü taşır. Derin öğrenme ise çok katmanlı yapay sinir ağlarına dayanan özel bir alt daldır; görüntü, ses ve doğal dil gibi yapılandırılmamış verilerde klasik yöntemleri geride bırakır, ancak tablo verilerinde XGBoost hâlâ birçok Kaggle yarışmasının kazananıdır. Başarılı bir ML projesi model seçiminden fazlasını gerektirir: veri toplama ve temizleme (projelerde zamanın yüzde 60-80'i), özellik mühendisliği, eğitim/doğrulama/test ayrımı (tipik olarak 70/15/15), hiperparametre optimizasyonu ve aşırı uyum (overfitting) ile yetersiz uyum (underfitting) dengesinin kurulması. Model performansı göreve göre farklı metriklerle ölçülür: sınıflandırmada doğruluk, kesinlik, duyarlılık ve F1 skoru; regresyonda ortalama karesel hata (MSE) ve R² öne çıkar. Dengesiz veri setlerinde tek başına doğruluk yanıltıcıdır; dolandırıcılık işlemlerinin yüzde 1'in altında olduğu bir sette her işleme "temiz" diyen model yüzde 99 doğruluk alır ama hiçbir dolandırıcılığı yakalayamaz. Üretime alınan modellerin izlenmesi, veri kayması (data drift) tespiti ve yeniden eğitimi MLOps disiplinini doğurdu; MLflow ve Kubeflow bu alandaki yaygın açık kaynak araçlardır. 2026 itibarıyla scikit-learn, PyTorch ve TensorFlow açık kaynak ekosistemin bel kemiği; Netflix'in öneri motorundan bankaların dolandırıcılık tespitine, Google Çeviri'den otonom araçlara kadar günlük hayatın görünmez altyapısı büyük ölçüde makine öğrenmesiyle çalışır. Fortune 500 şirketlerinin çoğu en az bir ML modelini üretimde kullanıyor; Türkiye'de de e-ticaret, bankacılık ve telekom sektörleri en yoğun uygulayıcılar arasında. Alanın etik boyutu da giderek önem kazanıyor: eğitim verisindeki önyargıların modele taşınması, kararların açıklanabilirliği ve KVKK ile AB Yapay Zeka Yasası gibi düzenlemelere uyum, artık teknik başarı kadar belirleyici kriterler.
Meta-Learning (Meta Öğrenme (Öğrenmeyi Öğrenmek))
Meta-öğrenme (meta-learning veya "öğrenmeyi öğrenmek"), bir yapay zeka modelinin çok sayıda farklı görev üzerinde eğitilerek yeni bir göreve çok az veriyle hızla uyum sağlayabilmesini hedefleyen öğrenme paradigmasıdır. Standart makine öğrenmesinde her yeni görev için sıfırdan eğitim yapılırken meta-öğrenme bu süreci kısaltır; model tek bir göreve özgüleşmek yerine genel bir "öğrenme stratejisi" kazanır. Bu yaklaşım özellikle etiketli verinin nadir, maliyetli veya zaman kısıtlı olduğu alanlarda büyük avantaj sunar. Meta-öğrenmenin üç temel yaklaşımı vardır. Model-tabanlı meta-öğrenme, hızlı güncelleme için tasarlanmış özel mimariler kullanır (Memory-Augmented Neural Networks, Neural Turing Machine). Optimizasyon-tabanlı meta-öğrenme, modeli hızla ince ayar yapılabilecek bir başlangıç noktasına konumlar; MAML (Model-Agnostic Meta-Learning) bu kategorinin öncü algoritmasıdır. Metrik-tabanlı meta-öğrenme ise benzerlik uzayında sınıflandırma yapar; Prototypical Networks ve Siamese Network bu yaklaşımın başlıca temsilcileridir. MAML, iç döngüde her göreve birkaç gradyan adımı atarken dış döngüde tüm görevlerin gradyanlarını birleştirerek modelin genel başlangıç parametrelerini günceller. Bu yapı, modelin herhangi bir yeni göreve birkaç adımla adapte olmasını sağlar. Hesaplama yükünü azaltmak için Reptile (birinci derece yaklaşım), iMAML ve ProtoMAML gibi hafifletilmiş alternatifler geliştirilmiştir. Az kaynaklı dil modelleme, robotik manipülasyon, ilaç keşfi, kişiselleştirilmiş tavsiye sistemleri ve sinir mimarisi araması (Neural Architecture Search) gibi veri kısıtlı alanlarda meta-öğrenme belirgin avantaj sunar. Few-shot öğrenme görevlerinde başarı için en çok başvurulan yöntemler arasındadır. Büyük dil modelleri bağlamında in-context learning, meta-öğrenmenin örtük bir biçimi olarak yorumlanmaktadır. Modeller, ön eğitim sırasında milyarlarca farklı görev örneği gördüğünden bir tür örtük öğrenme stratejisi kazanır; yeni bir göreve yalnızca birkaç prompt örneğiyle adapte olabilir. Modelin ağırlıkları güncellenmeksizin gerçekleşen bu adaptasyon "gizli meta-öğrenme" olarak nitelendirilir.
Model İnversion (Model İnversion Saldırısı)
Model inversion (model ters mühendisliği), bir makine öğrenimi modelinin çıktılarını analiz ederek orijinal eğitim verilerini yeniden oluşturmayı hedefleyen bir mahremiyet saldırısıdır. Saldırgan, güven skorlarını, sınıflandırma olasılıklarını veya gradyanları yinelemeli sorgu stratejileriyle işleyerek eğitim kümesindeki hassas bilgilere yaklaşır. İlk sistematik tanımı 2015 yılında Fredrikson ve ekibi tarafından gerçekleştirilmiştir. Araştırmacılar, bir farmakokinetik modeli tekrar tekrar sorgulayarak hastaya özgü genetik verileri başarıyla yeniden üretmiştir; aynı yöntemle yüz tanıma sistemlerinden bireylerin fotoğrafları sentezlenmiştir. Saldırının iki ana varyantı bulunur. Beyaz kutu (white-box) saldırısında saldırgan model ağırlıklarına ve mimarisine tam erişime sahiptir; gradyan tabanlı optimizasyon doğrudan uygulanarak eğitim verisine en yakın örnekler üretilir. Siyah kutu (black-box) saldırısında ise yalnızca API çıktısı kullanılır; Mirror Attack ve GAN destekli yöntemler yinelemeli sorgu yanıtlarını işleyerek veri dağılımını öğrenir. Yüksek riskli uygulama alanları arasında tıbbi görüntüleme sistemleri, biyometrik tanıma yazılımları ve kredi risk modelleri öne çıkmaktadır. Bu sistemlerde başarılı bir saldırı KVKK ve GDPR kapsamında ciddi ihlallere yol açabilir. Model inversion, üyelik çıkarımı (membership inference) ile sık karıştırılır; ancak temel fark amaçtır — üyelik çıkarımı belirli bir kaydın eğitimde kullanılıp kullanılmadığını doğrularken model inversion o kaydın içeriğini yeniden üretmeye çalışır. Savunma stratejileri dört ana yöntemle özetlenir: (1) Diferansiyel gizlilik — model çıktılarına kalibreli Gaussian gürültüsü eklenerek hassas olasılık değerleri gizlenir; (2) Çıktı kısıtlama — yalnızca en yüksek olasılıklı etiket döndürülür, güven skoru paylaşılmaz; (3) Bilgi damıtma (knowledge distillation) — ham model yerine daha az bilgi sızdıran damıtılmış model servis edilir; (4) Adversarial regularization — eğitim sürecine ters mühendislik direnci eklenebilir. Avrupa Birliği Yapay Zeka Yasası, yüksek riskli AI sistemlerinde model inversion testini düzenleyici çerçeve içine dahil etmiştir.
Model Weights (Model Ağırlıkları)
Model ağırlıkları (model weights), bir yapay sinir ağının eğitim süreci boyunca öğrendiği sayısal parametrelerdir. Her nöron bağlantısına atanan bu ağırlık değerleri, modelin girdi verilerini işleyip çıktı üretmesini sağlayan temel yapı taşlarıdır. Milyonlarca ya da milyarlarca ağırlık içeren büyük dil modellerinde (LLM) bu değerler, dildeki örüntüleri, bağlamı ve anlam ilişkilerini kodlar. Model ağırlıkları, geri yayılım (backpropagation) algoritması ve gradyan inişi (gradient descent) yöntemiyle güncellenir. Eğitim tamamlandığında ağırlıklar dondurulur ve çıkarım (inference) aşamasında sabit kalır. GPT-4, Llama 3 veya Mistral gibi modeller için ağırlık dosyaları genellikle PyTorch (.pt, .bin) veya SafeTensors formatında dağıtılır. Nicemleme (quantization) teknikleri, ağırlıkların temsil hassasiyetini azaltarak (FP32 → FP16 → INT8 → INT4) model boyutunu ve bellek kullanımını düşürür. Örneğin GGUF formatı, Llama.cpp ile yerel çalıştırma için 4-bit nicemleme uygular; bu sayede 70 milyar parametreli bir model, tüketici GPU'larında çalışabilir hale gelir. Model ağırlıklarının boyutu model kapasitesiyle doğrudan ilişkilidir: 7 milyar parametreli bir model FP16 formatında yaklaşık 14 GB, INT4 kuantizasyonla ise yaklaşık 4 GB disk alanı kaplar. Bu nedenle nicemleme, modelleri tüketici donanımında çalıştırmak için kritik bir teknik haline gelmiştir. Açık ağırlıklı modeller (LLaMA, Mistral, Qwen, Gemma) Hugging Face Model Hub üzerinden indirilerek yerel sunucularda veya kişisel bilgisayarlarda çalıştırılabilir. Kapalı modeller (GPT-4, Claude) ise yalnızca API üzerinden erişilebilir. LoRA gibi parametre etkin ince ayar yöntemleri, temel ağırlıkları dondurarak yalnızca küçük adaptör matrislerini eğitir; bu yaklaşım hesaplama maliyetini dramatik biçimde azaltırken yüksek kaliteli özelleştirme sağlar. Ağırlıkların güvenliği de kritik bir konudur: Pickle formatındaki PyTorch dosyaları zararlı kod içerebileceğinden SafeTensors formatı tercih edilmelidir. Hugging Face Hub'ın doğrulama mekanizmaları ve model kartları, ağırlıkların güvenilirliğini ve lisans koşullarını açık biçimde sunar.
Multi-Task Learning (Çok Görevli Öğrenme)
Çok görevli öğrenme (Multi-Task Learning, MTL), bir modelin birden fazla ilgili görevi eş zamanlı olarak öğrenmesini sağlayan makine öğrenimi paradigmasıdır. Her görevi bağımsız modelle çözmek yerine, ortak bir temsil katmanı paylaşılır; böylece bir görevden elde edilen bilgi diğer görevlerin öğrenimini güçlendirir. MTL'nin temel dayanağı, farklı görevlerin örtüşen özellik temsillerinden yararlanabileceği varsayımıdır. Örneğin bir model hem nesne tespiti hem derinlik tahmini yapıyorsa, görsel ön işleme katmanlarını paylaşmak her iki görevi de iyileştirir. Paylaşılan temsiller örtük bir düzenleme (regularization) etkisi yaratır; ek görevler modelin tek bir veri kümesine aşırı uymasını engeller ve genel özelliklerin öğrenilmesini teşvik eder. En yaygın MTL mimarisi sert parametre paylaşımıdır (hard parameter sharing): gövde katmanları tüm görevler arasında ortak tutulurken her görevin kendi çıkış başlığı (task head) bulunur. BERT, GPT ve benzeri büyük dil modelleri örtük MTL ile ön eğitim yapar; maskeli dil modelleme ve sonraki cümle tahmini gibi birden fazla sinyal aynı anda optimize edilir. Yumuşak parametre paylaşımında (soft sharing) ise her görevin ayrı parametreleri vardır ancak görevler arasındaki yakınlık kayıp fonksiyonuyla düzenlenir. MTL'nin uygulama alanları oldukça geniştir: doğal dil işlemede duygu analizi, varlık tanıma ve ilişki çıkarımının birlikte eğitimi; bilgisayarlı görüde nesne tespiti, segmentasyon ve derinlik tahmininin ortak optimizasyonu; otonom araçlarda şerit tespiti, trafik işareti tanıma ve mesafe tahmininin eş zamanlı öğrenilmesi öne çıkan örneklerdir. Negatif transfer, MTL'nin en önemli riskidir: ilgisiz veya çelişen görevler birbirinin öğrenimini olumsuz etkileyebilir. Bu durumu önlemek için görev ilişkisi analizi, gradyan çatışma tespiti (PCGrad, GradVac) ve uyarlanabilir kayıp ağırlıklandırma teknikleri kullanılır. Transfer öğrenme görevleri sıralı öğrenirken MTL eş zamanlı optimize eder; bu fark özellikle kısıtlı etiketli veri durumlarında MTL'yi avantajlı kılar. Doğru görev seçimi ve kayıp dengeleme, MTL'yi tek görevli eğitimden üstün kılan kritik tasarım kararlarıdır.
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) (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.
Outlier Detection (Aykırı Değer Tespiti)
Aykırı değer tespiti (outlier detection ya da anomaly detection), bir veri seti içinde normal davranıştan anormal biçimde sapan gözlemleri otomatik olarak tanımlayan makine öğrenmesi ve istatistik tekniklerinin bütünüdür. Aykırı değerler üç kaynaktan doğabilir: veri toplama ya da ölçüm hataları; nadir ama gerçek olaylar (dolandırıcılık işlemi, hastalık belirtisi); veya ilginç uç noktalar (pazar fırsatı, keşif). Kaynağı doğru saptamak uygulanacak yöntemi belirler. İstatistiksel yöntemler en basit ve yorumlanabilir yaklaşımlardır. IQR (Interquartile Range) yöntemi, birinci ve üçüncü çeyrekler arasındaki aralığın 1.5 katının dışında kalan değerleri aykırı sayar; tek değişkenli ve normal dağılıma yakın verilerde çalışır. Z-skoru, bir gözlemin ortalamastan standart sapma cinsinden uzaklığını ölçer; |z| > 3 eşiği sıkça kullanılır. Bu yöntemler çok boyutlu veri ve doğrusal olmayan dağılımlarda yetersiz kalır. Yoğunluk tabanlı yöntemler yerel komşuluk ilişkilerini kullanır. LOF (Local Outlier Factor, 2000), bir noktanın yerel yoğunluğunu komşularının yoğunluğuyla karşılaştırır; çevresine kıyasla boşlukta kalan noktalar yüksek LOF skoru alır. DBSCAN (Density-Based Spatial Clustering), minimum komşu sayısını karşılayamayan noktaları "gürültü" yani aykırı değer olarak etiketler; küme şeklini önceden belirtme zorunluluğu yoktur. Makine öğrenmesi tabanlı yöntemler yüksek boyutlu veride öne çıkar. Isolation Forest (Liu ve ark., 2008), rastgele özellik ve bölüm noktaları seçerek veriyi yinelemeli böler; az örnekli aykırı değerler ortalamadan çok daha kısa yolda izole edildiğinden ağaç derinliği kısa olur. Bu basit sezgi ölçeklenebilir ve paralel hesaplamaya uygundur. One-Class SVM, yalnızca normal sınıfın verisinden sıkı bir karar sınırı öğrenir; bu sınırın dışına düşen noktaları anormal kabul eder. Autoencoder tabanlı yöntemler ise giriş verisini düşük boyutlu gizli uzayda yeniden oluşturur; yeniden yapılandırma hatası (reconstruction error) yüksek olan örnekler modelin öğrendiği "normal" desenden uzaklaşmıştır. Uygulama alanları son derece geniştir: bankacılıkta kredi kartı dolandırıcılığı tespiti, endüstriyel IoT'da makine arıza öngörüsü (predictive maintenance), ağ güvenliğinde siber saldırı tespiti, sağlıkta nadir hastalık tanısı ve perakendede envanter sahtekarlığı bu alanların öne çıkanlarıdır. Denetlenmemiş (unsupervised) senaryolarda etiketli veri gerektirmeyen Isolation Forest ve LOF tercih edilirken, az sayıda bilinen anormallik örneği varsa yarı-denetimli (semi-supervised) yaklaşımlar değer katar.
Overfitting (Aşırı Öğrenme / Ezberleme)
Overfitting (aşırı öğrenme ya da ezberleme), bir makine öğrenimi modelinin eğitim verilerine çok fazla odaklanarak o verilerdeki istisnaları, gürültüleri ve hataları ezberlemesi; bu yüzden daha önce hiç görmediği yeni verilerle karşılaştığında genelleme yapamayıp başarısız olması durumudur. Bir öğrencinin sınav sorularının mantığını kavramak yerine cevap şıklarını ezberleyip farklı sorularda sıfır almasına benzer: model, eğitim setinde neredeyse kusursuz sonuçlar verirken gerçek dünya verisinde ciddi biçimde yanılır. Sorunun özü, modelin verideki gerçek örüntü ile rastlantısal gürültüyü ayırt edememesidir. Model gereğinden karmaşıksa (çok fazla parametre içeriyorsa), eğitim verisi azsa veya eğitim gereğinden uzun sürmüşse, model sinyal yerine gürültüyü öğrenmeye başlar. Bu durum istatistikteki bias-variance dengesinin varyans tarafına savrulmak demektir: eğitim hatası düşer, doğrulama hatası yükselir ve iki eğri arasındaki makas açılır. Eğitim kaybı ile doğrulama kaybı arasındaki bu makasın erken fark edilmesi, üretim ortamına gönderilmeden önce modeli düzeltmek için kritik önem taşır. Overfitting'in pratikte önemi büyüktür, çünkü bir modelin gerçek değeri eğitim setindeki skoru değil, görülmemiş veri üzerindeki performansıdır. Kredi riski tahmininden tıbbi teşhise, spam filtresinden öneri sistemlerine kadar her uygulamada ezberlemiş bir model, laboratuvarda parlak görünüp sahada güvenilmez sonuçlar üretir. Bu yüzden makine öğrenimi pratiğinin önemli bir bölümü overfitting'i tespit etmeye ve önlemeye ayrılır. Önleme yöntemleri arasında L1/L2 regularizasyon, dropout, erken durdurma (early stopping), veri artırma (data augmentation) ve daha fazla çeşitli veri toplamak öne çıkar. Tersine durum olan underfitting (eksik öğrenme), modelin veriyi kavrayamayacak kadar basit kalmasıdır; başarılı bir model bu iki uç arasındaki dengeyi tutturur. K-fold cross-validation, overfitting riskini ölçmenin en güvenilir yollarından biridir: katlardaki performans varyansı yüksekse model ezberleme eğilimindedir ve mimari veya regularizasyon ayarları gözden geçirilmelidir.
PEFT (Parameter-Efficient Fine-Tuning) (PEFT (Parametre Verimli İnce Ayar))
PEFT (Parameter-Efficient Fine-Tuning), büyük dil modelleri ve diğer temel modelleri görev odaklı verilere uyarlamak için kullanılan, model parametrelerinin yalnızca küçük bir bölümünü güncelleyen ince ayar yöntemleri ailesinin genel adıdır. Geleneksel tam ince ayarda modelin tüm ağırlıkları yeniden eğitilir; bu yaklaşım on milyarlarca parametreli modeller için son derece yüksek hesaplama ve bellek maliyeti gerektirir. PEFT yöntemleri bu maliyeti bir ila birkaç büyüklük mertebesinde azaltırken görev performansını büyük ölçüde korur. PEFT ailesinin en yaygın yöntemi LoRA'dır (Low-Rank Adaptation). LoRA, dondurulmuş ağırlık matrislerine paralel düşük boyutlu matris çiftleri ekler; asıl parametreler sabit kalırken yalnızca bu küçük adaptör ağırlıkları öğrenilir. QLoRA, LoRA'yı 4-bit niceleme ile birleştirerek tüketici GPU'larında 70B+ modellerin ince ayarını mümkün kılar. Prefix Tuning, modelin giriş dizisinin başına öğrenilebilir "önek" token vektörleri ekler; model ağırlıklarına hiç dokunmaz. Adapter Tuning, transformer katmanları arasına küçük beslemeli ağ modülleri yerleştirir. IA3 ise aktivasyon değerlerini ölçeklendiren öğrenilebilir vektörler kullanarak çok daha az parametre günceller. Bu yöntemlerin pratik avantajları önemlidir. Farklı görevler için eğitilmiş birden fazla PEFT ağırlığı, tek bir temel modelle paylaşılabilir; bu hem depolama hem de servis maliyetlerini düşürür. Hugging Face'in `peft` kütüphanesi, LoRA ve diğer yöntemleri birkaç satır kodla herhangi bir transformer modeline uygulamayı kolaylaştırır. LoRA'nın rank (r) ve alpha (α) hiperparametreleri adaptör kapasitesini kontrol eder: düşük rank daha az parametre ancak daha sınırlı ifade gücü anlamına gelir; tipik değerler 4–64 aralığındadır. Araştırma dünyasında PEFT, LLM'lerin belirli alanlara (hukuk, tıp, kod) veya dillere hızlı adaptasyonu için standart yaklaşım hâline gelmiştir. Türkçe yapay zeka uygulamaları açısından PEFT, büyük İngilizce modellerin Türkçe verilere ince ayarlanmasında tercih edilen maliyet etkin çözümdür; özellikle Llama ve Mistral gibi açık ağırlıklı modellerle birlikte kullanılmaktadır.
Precision-Recall (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.
Prescriptive Analytics (Prescriptif Analitik)
Prescriptif analitik, veri analitiğinin en gelişmiş basamağını temsil eder. Tanımlayıcı analitik 'ne oldu?' sorusunu yanıtlarken, teşhis analitik 'neden oldu?' sorusunu, öngörüsel analitik 'ne olacak?' sorusunu ve prescriptif analitik ise 'ne yapmalıyız?' sorusunu yanıtlar. Bu son basamak, yalnızca geleceği tahmin etmekle kalmaz; aynı zamanda belirlenen hedeflere ulaşmak için optimal eylem planları önerir ve bu önerileri ölçülebilir iş çıktılarına doğrudan bağlar. Prescriptif analitiğin temel mekanizması, optimizasyon algoritmalarını tahmine dayalı modellerle birleştirmektir. Doğrusal programlama ve tamsayılı programlama gibi operasyon araştırması teknikleri, kısıt koşulları altında en iyi çözümü bulmak için kullanılır. Monte Carlo simülasyonu ise olası senaryoları binlerce kez çalıştırarak belirsizlik altında karar almayı destekler. Modern prescriptif sistemler bu klasik yöntemleri pekiştirmeli öğrenme ve büyük dil modelleriyle güçlendirerek dinamik ortamlarda gerçek zamanlı kararlar üretebilmektedir. Prescriptif analitiğin uygulama alanları son derece geniştir. Tedarik zinciri yönetiminde perakende devleri envanter optimizasyonu için prescriptif modellerden yararlanmaktadır. Sağlık sektöründe hastane kaynak planlaması ve ilaç dozaj optimizasyonu bu yaklaşımla yönetilir. Enerji sektöründe yenilenebilir kaynak dağıtımı ve şebeke dengeleme prescriptif modellerle optimize edilir. Finansta portföy optimizasyonu ve risk yönetimi bu tekniğin klasik uygulama alanlarıdır. Prescriptif analitik uygulamalarının başarısı büyük ölçüde veri kalitesine ve kısıt tanımlarının doğruluğuna bağlıdır. Açıklanabilir yapay zeka teknikleri, karar alıcıların güvenini kazanmak için prescriptif sistemlerle giderek daha sık entegre edilmektedir. AB Yapay Zeka Yasası kapsamında yüksek riskli sektörlerdeki otomatik karar sistemleri insan denetimi gerektirmekte olup bu durum prescriptif analitik tasarımını doğrudan etkilemektedir. Kötü tanımlanmış kısıt fonksiyonları veya yetersiz veri, modelin pratikte uygulanamaz öneriler üretmesine yol açabileceğinden pilot projelerle başlamak ve iteratif iyileştirme döngüsü kurmak kritik başarı faktörlerinin başında gelir.
RAFT (Retrieval-Augmented Fine-Tuning) (Geri Getirim Destekli İnce Ayar)
RAFT, 2014 yılında Diego Ongaro ve John Ousterhout tarafından Paxos'a alternatif olarak tasarlanmış, anlaşılırlığı (understandability) birincil tasarım hedefi olarak benimseyen bir dağıtık konsensus algoritmasıdır. Dağıtık sistemlerde birden fazla sunucu birlikte çalışırken ağ bölünmesi veya düğüm arızası durumunda veri tutarsızlığı riski doğabilir; RAFT bu riski üç net alt probleme bölerek çözer: lider seçimi, günlük replikasyonu ve güvenlik garantileri. Lider seçimi mekanizmasında her düğüm başlangıçta izleyici (follower) konumundadır. Belirli bir süre (election timeout) liderden mesaj alamayan düğüm aday (candidate) olur ve diğer düğümlerden oy ister; kendi oyunu da sayarak çoğunluğu alan aday yeni lider olur. Rastgele belirlenen election timeout değerleri aynı anda birden fazla adayın rekabete girmesini önler ve hızlı, belirleyici bir seçim gerçekleşmesini sağlar. Her dönem (term) boyunca en fazla bir lider seçilebilir; bu kural bölünmüş beyin (split-brain) senaryolarına karşı temel güvenlik güvencesidir. Günlük replikasyonunda lider, istemciden bir komut aldığında önce kendi günlüğüne yazar, ardından AppendEntries RPC mesajlarıyla izleyicilere iletir. İzleyiciler tutarlılığı doğrulayıp kabul ederse lider çoğunluk onayını aldıktan sonra girişi commit eder. Commit edilen girişler kalıcıdır: lider değişse bile yeni lider bu girişleri mutlaka taşımak zorundadır; bu özellik günlüğün tüm düğümlerde aynı sırayla büyümesini garanti eder. etcd (Kubernetes'in durum deposu), CockroachDB ve HashiCorp Consul gibi üretim sistemleri RAFT tabanlıdır. Paxos'a kıyasla çok daha anlaşılır olması RAFT'ı modern dağıtık sistemlerin standart konsensus tercihi haline getirmiştir. Güçlü tutarlılık (strong consistency) gerektiren her sistemde RAFT, kanıtlanmış ve güvenilir bir çözüm olarak öne çıkmaktadır. Snapshot mekanizması aracılığıyla büyüyen günlük dosyaları periyodik aralıklarla sıkıştırılabilir; bu özellik uzun ömürlü kümeler için depolama yönetimini önemli ölçüde kolaylaştırır.
Self-Supervised Learning (Öz-Denetimli Öğrenme)
Öz-denetimli öğrenme (self-supervised learning, SSL), modelin etiketsiz verilerden kendi gözetim sinyalini ürettiği bir makine öğrenmesi paradigmasıdır. Veri setinin bir bölümü gizlenerek ya da bozularak yapay bir görev oluşturulur; model bu görevi çözerken verinin iç yapısını, anlamsal ilişkilerini ve temel örüntülerini öğrenir. İnsan etiketlemesine gerek duyulmadan büyük ölçekli veriyle eğitim yapılabilmesi bu yaklaşımı modern yapay zekanın temel taşlarından biri haline getirmektedir. Bu özellik özellikle etiketlemenin maliyetli olduğu tıbbi görüntüleme ve genomik gibi alanlarda kritik bir değer yaratır. Öncül görevler yönteme özgü çeşitlilik gösterir. Metin alanında kelime maskeleme ve sonraki cümle tahmini; görüntü alanında yamaların döndürülmesi, renk kanallarının gizlenmesi ve kontrast öğrenme; ses alanında zaman dilimlerinin karıştırılması veya konuşmacı tanıma görevleri öncül görevlerin başlıca örneklerindendir. Bu görevler aracılığıyla model, downstream görevlere aktarılabilecek zengin ve genelleştirilebilir temsiller öğrenir. Her görev türü modeli farklı soyutlama düzeylerine yönlendirir ve bu çeşitlilik genel amaçlı temsil kalitesini artırır. Öncül görevin seçimi doğrudan downstream performansını belirler. Contrastive öğrenme, öz-denetimli öğrenmenin görüntü alanındaki en etkili kollarından birini oluşturmaktadır. SimCLR, MoCo ve BYOL gibi çerçeveler, aynı görüntünün farklı augmentasyonlarını birbirine yakın, farklı görüntülerin temsillerini ise uzak tutacak biçimde modeli optimize eder. GPT ailesi ise bu paradigmayı dil alanında ileri taşıyarak web ölçekli ham metin üzerinden insan düzeyine yakın akıl yürütme kapasitesi geliştirdi. Öz-denetimli ön eğitim, günümüzde çoklu-modal modellerin de temelini oluşturmakta; görüntü, metin ve ses modalitelerini ortak bir temsil uzayında birleştiren sistemlerin geliştirilmesinde belirleyici rol oynamaktadır. Bu yaklaşımın biyoinformatik, robot öğrenmesi ve iklim modellemesi gibi farklı disiplinlere uyarlanması aktif araştırma konuları arasında yer almaktadır. CLIP gibi çerçeveler öz-denetimli öğrenmenin pratik gücünü açıkça ortaya koymaktadır.
Statistical Inference (İstatistiksel Çıkarım)
İstatistiksel çıkarım, sınırlı bir veri örnekleminden hareketle daha geniş bir kitle hakkında genellemeler ve tahminler yapma sürecidir. Veri biliminin temel taşlarından biri olan bu disiplin, gözlemlenemeyecek kadar büyük ya da erişimi kısıtlı popülasyonları anlamak için olasılık teorisinden yararlanır. Çıkarımsal istatistik iki ana ekol üzerine inşa edilmiştir. Frekansçı yaklaşım, parametreleri sabit birer değer olarak kabul eder; hipotez testleri ve güven aralıkları aracılığıyla sonuçlara ulaşır. Null hipotez (H0) belirlenerek p-değerine göre reddedilip reddedilmeyeceğine karar verilir: p < 0,05 eşiği, gözlemlerin rastlantısal değil anlamlı olduğuna işaret eder. Bayesçi yaklaşım ise olasılığı bir inanç derecesi olarak tanımlar; alan bilgisini (prior) yeni verilerle birleştirip posterior dağılım üretir. Küçük örneklemlerde ve uzman bilgisinin sürece katılması gereken durumlarda bu yöntem tercih edilir. Veri bilimi ve makine öğrenmesi bağlamında istatistiksel çıkarım birçok kritik görevi üstlenir. Model değerlendirmede çapraz doğrulama skorlarının anlamlı farklılıklar içerip içermediği test edilir. A/B testlerinde iki gruba ait dönüşüm oranı farkının istatistiksel olarak anlamlı olup olmadığı belirlenir. Regresyon analizinde katsayıların sıfırdan farklı olup olmadığını güven aralıkları ortaya koyar. Özellik seçiminde ise chi-kare, ANOVA ve t-testi gibi testler, değişkenlerin bağımlı değişkenle gerçek bir ilişki taşıyıp taşımadığını sınar. Büyük veri döneminde istatistiksel anlamlılık tuzağı önem kazanmıştır: devasa örneklemlerde pratik açıdan önemsiz etkiler bile p < 0,05 değeri üretebilir. Bu nedenle etki büyüklüğü (Cohen d, eta-kare) ve pratik anlamlılık değerlendirmesi vazgeçilmez bir tamamlayıcı hâline gelmiştir. Yapay zeka modellerinin tahminlerindeki belirsizliği ölçmek için de çıkarımsal istatistik kullanılır; konformal tahmin ve Bayesçi derin öğrenme bu alanın güncel uzantılarıdır. Büyük dil modellerinin değerlendirilmesinde iki modelin performans farkının gerçek mi yoksa örnekleme gürültüsünden mi kaynaklandığını anlamak için bootstrap yeniden örnekleme ve McNemar testi yaygın araçlara dönüşmüştür.
Supervised Learning (Denetimli Öğrenme)
Denetimli Öğrenme (Supervised Learning), makine öğrenmesinin temel paradigmalarından biridir. Bu yaklaşımda model, her girdinin (X) karşılığında doğru çıktının (y/etiket) önceden bilindiği ve işaretlendiği bir veri setiyle eğitilir. Model, bu etiketli örneklerden X→y eşlemesini öğrenerek daha önce hiç görmediği yeni verilerde tahmin yapabilir hale gelir. Kavramı anlamak için bir öğretmen-öğrenci analojisi kullanılır: öğretmen (veri seti), öğrenciye (modele) hem soruları hem de cevap anahtarını verir. Öğrenci, hataları analiz ederek zamanla doğru cevapları öğrenir. Gerçek hayatta bu etiketler bir e-postanın spam olup olmadığı, bir tümörün iyi ya da kötü huylu olması ya da bir evin tahmini satış fiyatı olabilir. Denetimli öğrenme iki ana problem türünü kapsar. İlki sınıflandırma (classification): girdi verisini iki veya daha fazla ayrık kategoriye atamak. Spam tespiti, görüntü tanıma ve duygu analizi bu gruba girer. İkincisi regresyon: sürekli sayısal bir değer tahmin etmek. Ev fiyatı tahmini, hava sıcaklığı öngörüsü ve borsa tahmini bu gruba aittir. Algoritma ailesi oldukça geniştir: karar ağaçları, rastgele orman (Random Forest), destek vektör makineleri (SVM), lojistik regresyon, yapay sinir ağları ve derin öğrenme modelleri. Tablo verisi için XGBoost ve LightGBM çoğu yarışmada lider performans gösterirken, görüntü işleme için konvolüsyonel sinir ağları (CNN) ve metin görevleri için BERT gibi transformer modeller tercih edilir. Eğitim süreci; veriyi eğitim, doğrulama ve test kümelerine bölmeyi, bir kayıp fonksiyonu (loss function) tanımlamayı ve gradient descent ile modelin parametrelerini optimize etmeyi içerir. Aşırı öğrenme (overfitting) ve eksik öğrenme (underfitting) risklerine karşı çapraz doğrulama, düzenlileştirme (L1/L2) ve erken durdurma (early stopping) gibi teknikler kullanılır. Denetimli öğrenmenin en büyük kısıtı kaliteli etiketli veriye olan ihtiyacıdır. Manuel etiketleme zaman alıcı ve pahalıdır; ayrıca insan yanlılığı veya hatalarına açıktır. Bu soruna çözüm olarak aktif öğrenme (active learning) ve yarı-denetimli öğrenme (semi-supervised learning) yaklaşımları geliştirilmiştir.
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.
Time Series Forecasting (Zaman Serisi Tahmini)
Zaman serisi tahmini (time series forecasting), kronolojik sırada düzenlenmiş geçmiş veri noktalarını kullanarak gelecekteki değerleri tahmin etme sürecidir. Finans, enerji, sağlık, perakende ve meteoroloji gibi pek çok alanda kararları yönlendiren temel analitik tekniklerden biridir. Zaman serileri dört ana bileşenin üst üste eklenmesinden oluşur: trend (uzun vadeli yöneliş), mevsimsellik (tekrarlayan dönemsel desen), çevrimsellik (ekonomik dalga gibi düzensiz dalgalanmalar) ve gürültü (rastlantısal varyasyon). Bu bileşenler ayrıştırıldıktan sonra her biri ayrı modellenerek tahmin birleştirilir. Klasik istatistiksel yöntemler arasında ARIMA (AutoRegressive Integrated Moving Average), SARIMA (mevsimsel uzantısı) ve Holt-Winters Exponential Smoothing ön sıraya çıkar. Bu modeller doğrusal ilişkilerde çok iyi çalışır; ancak karmaşık doğrusal olmayan dinamikler için yetersiz kalabilir. Makine öğrenimi yaklaşımları, özelliklerin elle tasarlanması (feature engineering) üzerine kuruludur: gecikme değerleri (lag features), hareketli ortalamalar ve mevsimsel göstergeler kullanılır. XGBoost ve LightGBM zaman serisi tahmininde popüler tercih olmuştur. Derin öğrenme yöntemlerinde LSTM ve GRU, sırasal bağımlılıkları yakalamak için tasarlanmıştır; Transformer tabanlı modeller ise uzun dönem bağımlılık ilişkilerini daha etkin biçimde ele alabilmektedir. Facebook (Meta) tarafından geliştirilen Prophet, iş günü, tatil ve mevsimsellik etkilerini kolayca modellemeye izin veren açık kaynak bir kütüphanedir. Amazon Chronos, Google TimesFM ve Nixtla'nın TimeGPT'si ise büyük ölçekte ön eğitilmiş zaman serisi temel modelleri (foundation model) olup sıfır atış veya az atış öğrenme ile kullanılabilmektedir. Hata metrikleri seçimi kritiktir: MAE (Mean Absolute Error) aykırı değerlere dayanıklıdır; RMSE büyük hataları cezalandırır; MAPE yüzdeli yorum sunar ancak sıfıra yakın gerçek değerlerde sorun çıkarır. Probabilistik tahmin yöntemleri, güven aralıkları üreterek belirsizliği sayısal olarak ifade eder ve karar alma süreçlerini zenginleştirir. Çapraz doğrulama için zaman damgasına saygılı walk-forward validation kullanmak zorunludur; standart k-fold yöntemi veri sızıntısına yol açar.
Transfer Learning (Transfer Öğrenme)
Transfer Öğrenme (Transfer Learning), büyük ve kapsamlı veri kümeleriyle önceden eğitilmiş bir modelin öğrendiği bilgiyi, farklı ama ilişkili başka bir göreve aktarma tekniğidir. Geleneksel makine öğrenmesinde her görev için model sıfırdan eğitilirdi; bu yöntem hem milyonlarca etiketli örnek hem de aylarca süren hesaplama gücü gerektiriyordu. Transfer öğrenmede iki temel aşama birbirini tamamlar: ön eğitim (pre-training) ve ince ayar (fine-tuning). Ön eğitim aşamasında model, geniş kapsamlı bir veri kümesiyle genel bilgi edinir. GPT modellerinin internet metinleriyle dil kalıplarını kavraması ya da ResNet'in ImageNet üzerindeki 14 milyon görüntüyle şekil ve doku özelliklerini çıkarması bu aşamaya örnektir. İnce ayar aşamasında ise bu temel model, çok daha küçük ve görev özgü bir veri kümesiyle yeniden optimize edilir; birkaç yüz örnek bile rekabetçi sonuçlar verebilir. Üç ana strateji öne çıkar. Özellik çıkarma (feature extraction) yönteminde ön eğitimli modelin ağırlıkları dondurulur, yalnızca son katman yeni göreve göre eğitilir. Tam ince ayar (full fine-tuning) tüm ağırlıkları günceller ve daha yüksek doğruluk sunar. LoRA ile PEFT ise küçük adaptör matrisleri ekleyerek hesaplama verimliliğini korur; büyük dil modellerinin ince ayarında standart bir yaklaşım haline gelmiştir. Hangi stratejinin seçileceği, mevcut etiketli veri miktarına ve hedef görevin kaynak görevle olan yakınlığına bağlıdır. Günümüzde BERT, RoBERTa ve LLaMA gibi ön eğitimli modeller, Türkçe duygu analizi, tıbbi metin sınıflandırması ve kod üretimi gibi alanlarda az veriyle yüksek başarı oranları sunmaktadır. Kaynak ve hedef görevler arasındaki büyük farklılık "negatif transfer" riskini doğurur; bu nedenle model ve alan seçimi dikkatli yapılmalıdır. Transfer öğrenme, modern yapay zekanın temel bileşenlerinden biri olarak büyük dil modellerinin geniş kitleler tarafından kullanılmasında belirleyici bir rol üstlenmektedir.
Underfitting (Eksik Öğrenme)
Underfitting (yetersiz öğrenme), bir makine öğrenmesi modelinin hem eğitim verisini hem de daha önce hiç görmediği test verisini yeterince iyi öğrenemediği durumu ifade eder. Model, verideki temel örüntüleri ve ilişkileri yakalayacak kapasiteden yoksundur; bu nedenle eğitim hatasının kendisi bile kabul edilemez yüksek kalır. Aşırı öğrenme (overfitting) ile karşılaştırıldığında underfitting daha kolay fark edilir: hem eğitim hem de doğrulama kayıpları yüksek seyreder ve ikisi arasında büyük bir uçurum oluşmaz. Yetersiz öğrenmenin kökeninde çoğunlukla yüksek yanlılık (high bias) yatar. Model, hedef fonksiyonu temsil etmek için gereken matematiksel karmaşıklıktan yoksundur. Doğrusal bir modelle sinüs eğrisini ya da görsel nesne sınıflandırmasını öğrenmek buna tipik örnektir. Bunun yanı sıra fazla agresif L1/L2 düzenlileştirmesi model ağırlıklarını sıfıra iterek öğrenme kapasitesini yok eder. Çok az epoch, çok yüksek öğrenme hızı ya da erken durdurma da benzer sonuçlar üretir. Bias-varyans ikilemi çerçevesinde underfitting, yüksek bias-düşük varyans bölgesine karşılık gelir. Model çok basit olduğundan farklı eğitim kümeleri verseniz bile tahminler tutarlı ama sistematik biçimde yanlış kalır. Öğrenme eğrisi (learning curve) incelendiğinde hem eğitim hem doğrulama kaybının yüksek ve birbirine yakın seyrettiği görülür; daha fazla veri eklemek de bu platoya takılmış performansı iyileştirmez. Teşhis için eğitim kaybını izlemek en güvenilir yöntemdir. Eğitim kaybı tatmin edici bir seviyeye hiç inemiyorsa önce model kapasitesi sorgulanmalıdır. Çözümler arasında mimari karmaşıklığı artırmak (daha fazla katman, nöron veya dikkat başlığı), polinom özellik dönüşümleriyle doğrusal modele zenginlik katmak, düzenlileştirme katsayısını azaltmak, epoch sayısını ve öğrenme oturumunu uzatmak ve alan uzmanlığından yararlanan kapsamlı özellik mühendisliği sayılabilir. Dropout oranı düşürülmeli, erken durdurma kriteri gevşetilmelidir. Modelin karmaşıklığı veri kümesinin büyüklüğüne ve çeşitliliğine orantılı biçimde seçilmelidir; aksi hâlde model hem eğitim hem de test kümesinde yüksek hata oranları sergilemeye devam eder.
Unit Testing (Birim Testi)
Birim testi (unit test), bir yazılım sisteminin en küçük test edilebilir parçasını — genellikle tek bir fonksiyon, metot ya da sınıfı — diğer bileşenlerden bağımsız biçimde doğrulayan otomatik test yöntemidir. Her birim, belirlenmiş giriş değerleri verildiğinde beklenen çıktıyı üretip üretmediği kontrol edilerek onaylanır. Yapay zeka ve makine öğrenmesi projelerinde birim testi, geleneksel yazılımdan daha karmaşık bir hal alır: modeller deterministik değildir ve eğitim süreci rastgelelik içerir. Bu nedenle AI projelerinde birim testinin odağı modelin ağırlıklarını değil; veri ön işleme fonksiyonlarını, özellik mühendisliği adımlarını, normalleştirme dönüşümlerini ve model tahmini sarmalayıcılarını kapsayacak şekilde belirlenir. Python ekosisteminde pytest, unittest ve parametrize edilmiş testler AI projelerinin temel araçlarıdır. Harici bağımlılıklar (veritabanı, OpenAI API, Replicate) mock nesnelerle ikame edilerek testler ağ bağlantısı olmadan deterministik biçimde çalıştırılır. HuggingFace Transformers kütüphanesi, test esnasında gerçek model ağırlıklarını yüklemeden pipeline davranışını doğrulayabilen yardımcı test araçları sunar. Büyük dil modeli uygulamalarında birim testi özellikle değerlidir: RAG pipeline'larının her aşaması — belge yükleyici, metin bölücü (text splitter), gömme motoru, vektör arama ve yanıt sentezi — ayrı birimler olarak test edilebilir. LangChain ve LlamaIndex gibi framework'ler bu izolasyonu kolaylaştıran mock nesneler ve test yardımcı sınıfları sunar. CI/CD pipeline'larına entegre edilen birim testleri, her kod değişikliğinde otomatik çalışarak regression'ları erken aşamada engeller. Test odaklı geliştirme (TDD) yaklaşımında birim testleri koddan önce yazılır; bu yöntem, AI özelliklerini geliştiren ekiplerin beklentileri netleştirmesine ve kod kalitesini artırmasına yardımcı olur. Kod kapsama oranı (test coverage), testlerin kaynak kodun ne kadarını çalıştırdığını gösterir; üretim kalitesindeki AI uygulamaları için yüzde seksen üzeri kapsama endüstri standardı olarak benimsenmektedir. Mutation testing gibi ileri teknikler ise testlerin kalitesini, yani gerçek hataları yakalama kapasitesini ölçer.
Unsupervised Learning (Denetimsiz Öğrenme)
Gözetimsiz öğrenme (unsupervised learning), etiketlenmemiş veriden gizli yapı, örüntü ve ilişkileri keşfeden makine öğrenmesi paradigmasıdır. Denetimli öğrenmeden farklı olarak doğru cevap yoktur; algoritma veriyi anlamlandırmak için kendi iç organizasyonunu geliştirir. Kümeleme (clustering), gözetimsiz öğrenmenin en yaygın uygulamasıdır. K-Means, birbirine benzer örnekleri gruplara ayırır; her grup bir merkoid (centroid) tarafından temsil edilir. Hiyerarşik kümeleme dendogram adı verilen bir ağaç yapısı oluşturarak farklı çözünürlük seviyelerinde gruplar sunar. DBSCAN ise yoğunluk tabanlı bir yaklaşımla düzensiz şekilli kümeler ve aykırı değerleri ayırt edebilir. Boyut azaltma, yüksek boyutlu veriyi anlamlı alt uzaylara projeksiyon yaparak hem görselleştirme hem de hesaplama verimliliğini artıran başka bir gözetimsiz öğrenme alanıdır. PCA (Temel Bileşen Analizi) varyansı maksimize eden ortogonal bileşenler bulurken, t-SNE ve UMAP yerel yapıyı koruyarak 2D veya 3D görselleştirme için idealdir. Üretken modeller de gözetimsiz öğrenme kapsamında değerlendirilebilir. Otokodlayıcılar (autoencoders) veriyi sıkıştıran ve yeniden üreten bir enkoder-dekoder mimarisi kurar; öğrenilen gizli temsil anomali tespiti, gürültü giderme ve özellik çıkarımı için kullanılır. Üretken Çekişmeli Ağlar (GAN) ve Değişimsel Otokodlayıcılar (VAE) gerçekçi yapay veri üretimi için gözetimsiz öğrenmenin ulaştığı doruk noktalardır. Gözetimsiz öğrenme, etiket maliyetinin yüksek olduğu tıbbi görüntü analizi, müşteri segmentasyonu, belge kümeleme ve öneri sistemi gibi alanlarda kritik değer taşır. Ayrıca denetimli öğrenme öncesinde veri keşfi ve ön işleme aşamasında standart bir araç olarak kullanılır. Öz-denetimli öğrenme (self-supervised learning), gözetimsiz öğrenmenin modern bir uzantısı olarak büyük dil modellerinin temelini oluşturur. BERT ve GPT gibi modeller, etiket gerektirmeksizin milyarlarca token üzerinde ön eğitim yaparak dil yapısını içselleştirir. Bu temsiller daha sonra az miktarda etiketli veriyle ince ayar yapılarak aşağı yönlü görevlerde kullanılır; bu yaklaşım günümüz yapay zeka uygulamalarının merkezindedir.
Veri Görselleştirme (Data Visualization) (Veri Görselleştirme)
Veri gorsellestirme (data visualization), ham veya islenmis veriyi grafik, harita, panel, animasyon veya infografik gibi gorsel bicimlere donusturme disiplin ve pratikleri butunudur. Insanin gorsel isleme kapasitesi, tablolarla sunulan binlerce veri noktasinin anlasilmasindan cok daha hizli sekilde gorsel kaliplari tanir; bu temel bilissel gercek, veri gorsellestirmeyi analitik sureclerin vazgecilmez bir parcasi yapar. Dogru gorsel secimi mesajin netligini belirler. Kategoriler arasinda karsilastirma yapiliyorsa cubuk grafik anlasilirdir; zaman serisi verisi icin cizgi grafik egilimi daha iyi aktarir; iki degisken arasindaki iliskiyi gostermek icin scatter plot kullanilir; heatmap coklu degisken bilesenlerinin matris biciminde sunumunda idealdir. Pasta grafik kategorilerin toplama oranini gosterir; ancak bes ustu kategoride gormek zor oldugundan dikkatli kullanilmalidir. Edward Tufte, veri gorsellestirme disiplininin en etkili teorisyenlerinden biridir. "Data-ink ratio" (veri-murekkep orani) ilkesi, bir graftaki her grafisel unsurun anlam tasimasi gerektigini ve gorseli karmasiklastiran chartjunk unsurlarin azaltilmasini savunur. Bu ilke minimalist ve aciklamali gorsel tasarim anlayisinin temelini olusturur. Araç ekosistemi genis ve farklilasiktir. Tableau ve Microsoft Power BI is zekasi panolarinda surukle-birak arayuzleriyle hazirlanmis; yonetici raporlari ve KPI panolari icin yaygin tercihtir. D3.js, JavaScript ile guclu ve tamamen ozellestirilebilir interaktif web gorsellestirmeler olusturmak icin referans kutuphanedir. Python ekosisteminde Matplotlib temel gorsel katmanini olusturmakta, Seaborn istatistiksel gorseller icin daha yuksek seviye bir API sunmakta, Plotly ve Vega-Altair ise interaktif gorseller icin tercih edilmektedir. Yaniltici gorsel kurulmasi konusu onemlidir. Kesilmis y ekseni kucuk degisiklikleri buyuk gosterebildigi icin yaniltici olabilir; alan veya kabarcik grafiklerinde yanlis olcekleme algiyi bozar; belirli renk secimi belirli gruplari stigmatize edebilir. Veri okuryazarligi, bu yanlimlari tanima ve elemek etrafında da seklinde insa edilir. **Sik Sorulan Sorular** **Hangisi once gelir: veri analizi mi yoksa gorsellestirme mi?** Ikisi dongusel bir surecte yer alir. Kesfedici veri analizinde gorsellestirme, analizden once kullanilir (kalip arama); aciklayici gorsellestirme ise analiz sonuclarini aktarmak icin kullanilir. Her iki amac farkli gorsel tasarim secimlerine yonlendirir. **Tableau mu Power BI mi secmeliyim?** Tableau gorsel analitik derinligi ve esnekligiyle one cikar; Power BI Microsoft 365 ekosistemiyle entegrasyonu ve ucret avantajiyla tercih edilir. Bircok organizasyon hali hazirda Microsoft ekosistemine sahipse Power BI daha pratik baslangic noktasidir. **Python ile interaktif gorsel nasil yapilir?** Plotly Express veya Vega-Altair hizli ve etkilesimli gorseller icin onerilen seceneklerdir. Daha karmasik interaktif panolar icin Dash (Plotly) veya Streamlit kullanilabilir. **Renk secimi neden bu kadar onemli?** Renk koru bireylerin en yaygin bozuklugu mavi-yesil karisikligidur; kirmizi-yesil kombinasyonu ozellikle sorunludur. ColorBrewer ve Viridis gibi renk paletleri bu kisitlama dikkate alinarak tasarlanmistir.
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.
Veri Tekilleştirme (Data Deduplication) (Veri Tekilleştirme)
Veri tekilleştirme (data deduplication), bir veri kümesindeki yinelenen ya da tekrarlayan kayıtları tanımlayıp kaldıran veri madenciliği sürecidir. Aynı varlığı temsil eden birden fazla kayıt; farklı yazım biçimleri, eksik alanlar veya biçim tutarsızlıkları nedeniyle ortaya çıkabilir. Bu yinelemeler analiz kalitesini düşürür, makine öğrenmesi modellerini yanıltır ve depolama maliyetlerini artırır. Tam eşleşme tespiti (exact match) basit hashing yöntemleriyle yapılır; MinHash ve SimHash algoritmaları ise yakın-yineleme (near-duplicate) tespitinde büyük veri kümelerinde verimli çalışır. Kayıt bağlama (record linkage) tekniği, farklı kaynaklardaki kayıtları blok yöntemi veya sıralı komşuluk algoritması ile karşılaştırarak ikinci dereceden karmaşıklığı azaltır. Makine öğrenmesi tabanlı yaklaşımlar — SVM, Karar Ağacı, Random Forest ve derin öğrenme modelleri — klasik yöntemleri geride bırakmaktadır. Denetimli algoritmalar etiketli eğitim verisiyle yüksek hassasiyette yineleme tespiti yaparken, derin öğrenme Siamese Network mimarileri metin, görsel ve yapısal veriler üzerinde anlam düzeyinde benzerlik ölçümü yaparak karmaşık yinelemeleri de yakalayabilir. LLM eğitim verilerinin hazırlanmasında veri tekilleştirme kritik bir adım haline gelmiştir: yinelenen belgeler modeli ezberlemeye yönlendirir ve genelleme yeteneğini azaltır. C4, The Pile ve FineWeb gibi büyük veri kümelerinde MinHash tabanlı tekilleştirme standart bir ön işleme adımı olarak uygulanmaktadır. Bir tekilleştirme sisteminin kalitesi; kesinlik (precision), duyarlılık (recall) ve her ikisini dengeleyen F1-skoru ile ölçülür. Milyarlarca kayıt içeren sistemlerde aday uzayını daraltmak için önce blocking (benzer kayıtları gruplandırma), ardından ayrıntılı sınıflandırma adımı uygulanır; bu iki aşamalı yapı hesaplama maliyetini köklü biçimde düşürür. Kişisel sağlık ve finans verileriyle çalışan kurumlarda ham kayıtları açık etmeden tekilleştirme yapan gizlilik koruyucu kayıt bağlama (privacy-preserving record linkage) protokolleri tercih edilmektedir; bu protokoller GDPR ve KVKK uyumu açısından da kritik önem taşımaktadır.
XGBoost (Makine Öğrenimi Algoritması)
XGBoost (eXtreme Gradient Boosting), gradyan artırma (gradient boosting) algoritmasının son derece optimize edilmiş, hızlı ve yüksek performanslı bir uygulamasıdır. Tianqi Chen tarafından geliştirilen ve 2016'da yayımlanan makaleyle kamuoyuna sunulan XGBoost, Kaggle ve gerçek dünya veri bilimi projelerinde tablo verisi (tabular data) görevlerinin standart aracı haline gelmiştir. Gradyan artırma, zayıf öğrenenleri (genellikle karar ağaçları) sırayla ekleyen bir topluluk yöntemidir. Her yeni ağaç, önceki ağaçların hatalarını (artıkları) düzeltmeye odaklanır. XGBoost bu prensibi alırken çeşitli özgün yenilikler ekler: ikinci derece Taylor açılımı kullanan kayıp fonksiyonu yaklaşımı, L1/L2 düzenlileştirme, sütun örneklemesi, paralel işlem ve eksik değer yönetimi. XGBoost'un en güçlü özelliklerinden biri düzenlileştirmedir: ağaç derinliğini ve yaprak ağırlıklarını cezalandırarak aşırı uyumu (overfitting) azaltır. Bu özellik, random forest ve standart gradient boosting üzerinde önemli avantaj sunar. Ayrıca eksik değerlere doğal bir yaklaşım sergiler: eğitim sırasında hangi yönde gitmenin daha iyi olduğunu öğrenir. LightGBM (Microsoft) ve CatBoost (Yandex), XGBoost'un başarısı üzerine geliştirilen alternatiflerdir. Büyük veri kümelerinde LightGBM genellikle daha hızlıdır; kategorik özellikler için CatBoost öne çıkabilir. XGBoost, sklearn API uyumluluğu ve geniş dil desteği (Python, R, Java, Scala) ile üretim ortamlarında yaygın tercih olmaya devam etmektedir. SHAP değerleri aracılığıyla tahmin yorumlanabilirliği de XGBoost ekosisteminde olgunlaşmış bir özelliktir; model kararları özellik bazında açıklanabilir. Pratik kullanımda early stopping, n_estimators ve learning_rate üçlüsü en kritik hiperparametrelerdir. Çapraz doğrulama ile birlikte kullanılan early stopping hem aşırı uyumu önler hem de en uygun ağaç sayısını otomatik belirler. GPU hızlandırma (tree_method='gpu_hist') büyük veri kümelerinde eğitim süresini önemli ölçüde kısaltır. Sklearn uyumlu API ile mevcut makine öğrenimi boru hatlarına kolayca entegre edilebilir; XGBClassifier ve XGBRegressor sınıfları standart fit/predict arayüzünü destekler. Özellik önemi (feature importance) ve SHAP değerleri birlikte kullanıldığında hangi değişkenlerin tahminleri ne yönde etkilediği net biçimde ortaya çıkar.
Zaman Serisi Analizi (Zaman Serisi Analizi)
Zaman serisi analizi, belirli zaman aralıklarıyla kaydedilen ardışık veri noktalarını inceleyerek trend, mevsimsellik ve döngüsel kalıpları ortaya çıkaran bir veri bilimi tekniğidir. Hisse fiyatları, hava sıcaklığı, satış rakamları ve IoT sensör verileri bu analizin klasik uygulama alanlarıdır. Bir zaman serisi dört temel bileşene ayrıştırılır: uzun vadeli yönelimi gösteren trend, belirli dönemlerde tekrarlayan mevsimsellik (seasonality), ekonomik konjonktür gibi daha uzun dönemlerde tekrarlayan döngüsellik ve rastlantısal gürültü. Bu bileşenleri ayrıştırmak modellemenin temelidir. İstatistiksel yöntemler açısından ARIMA (AutoRegressive Integrated Moving Average) ve mevsimsel uzantısı SARIMA, durağan (stationary) seriler için standart başlangıç noktasıdır. Durağanlık sağlamak amacıyla fark alma (differencing) uygulanır; Augmented Dickey-Fuller testi durağanlığı doğrular. Üstel düzleştirme (Holt-Winters) mevsimsel verilerde pratik bir alternatiftir. Derin öğrenme mimarileri 2010'ların ortasından itibaren zaman serisi tahmininde hâkim konuma geldi. LSTM (Long Short-Term Memory) ve GRU, kapı mekanizmaları aracılığıyla uzun vadeli bağımlılıkları öğrenir. 2023 itibarıyla Transformer tabanlı modeller öne çıktı: PatchTST giriş serisini sabit uzunluklu yamalara (patch) bölerek dikkat mekanizmasını daha verimli uygular; Temporal Fusion Transformer ise statik kovaryatlar, gözlemlenen girdiler ve bilinen gelecek değişkenleri birleştirerek yorumlanabilir tahminler üretir. 2024'te foundation model yaklaşımı zaman serisi alanına taşındı. Google'ın TimesFM'i ve Amazon'un Chronos'u, sıfır-shot (zero-shot) tahmin yapabilen genel amaçlı modellerdir; görev başına ince ayar gerektirmeden çeşitli alanlarda rekabetçi doğruluk elde eder. Meta'nın Prophet aracı ise tatil efektlerini ve çoklu mevsimselliği otomatik modelleyen, uygulayıcı dostu bir açık kaynak kütüphanesidir. Tahmin kalitesi MAE (Ortalama Mutlak Hata), RMSE (Karekök Ortalama Kare Hata) ve MAPE (Ortalama Mutlak Yüzde Hata) metrikleriyle değerlendirilir. Zaman serisi analizi; fintech, enerji yönetimi, tedarik zinciri optimizasyonu, sağlık ve endüstriyel IoT gibi alanlarda kritik bir analitik araçtır.
Zero-Shot Learning (Sıfır-Çekim Öğrenme)
Zero-Shot Learning (ZSL / Sıfır-Çekim Öğrenme), bir yapay zeka modelinin eğitim aşamasında hiç karşılaşmadığı sınıf veya görevler üzerinde başarılı tahminler yapabilmesi yeteneğidir. Klasik denetimli öğrenmede model, her sınıf için etiketli örneklerle eğitilir; zero-shot öğrenmede ise bu sınıfların örnekleri yoktur — model, sınıflar arasındaki kavramsal ilişkileri anlayarak bilinmeyen kategorilere genelleme yapar. Bu genellemeyi mümkün kılan temel mekanizma semantik bilgidir. Model, görünür (seen) sınıflar üzerinde eğitilirken bunların özelliklerini öğrenir — tüyler, gaga, kanat gibi nitelikleri. Test aşamasında, daha önce hiç görmediği bir kuş türü (görünmez sınıf) için model, "tüyü var + uzun gaga + su birikintisinde yaşar" gibi özelliklerin semantik kılavuzuyla doğru sınıflandırma yapar. Bu özellikler metin açıklamaları, özellik vektörleri veya bilgi grafları biçiminde sağlanabilir. Büyük dil modelleri (GPT, Claude, Gemini), zero-shot yeteneğini farklı bir mekanizma üzerinden gerçekleştirir. Ön eğitim sırasında petabaytlarca metin üzerinde öğrenilen geniş bilgi tabanı, modelin görev açıklamasını okuyarak görevi anlık olarak yürütmesine olanak tanır. "Bu metnin duygu tonunu belirle ve JSON formatında döndür" gibi bir yönerge, herhangi bir fine-tuning gerekmeksizin çalışır. Zero-shot öğrenme üç temel varyanta ayrılır. Standart zero-shot, tamamen yeni sınıflar üzerinde çalışır. Generalized zero-shot, hem görünür hem de görünmez sınıfları bir arada değerlendirerek daha gerçekçi bir senaryo sunar; bu durumda model, bilinen sınıflara aşırı eğilim gösterme (seen class bias) riski taşır. Few-shot learning ise her yeni sınıf için yalnızca birkaç örnek (1-5) kullanır; zero-shot'un doğrudan genellemesiyle kıyaslanınca tipik olarak daha yüksek doğruluk sağlar. CLIP (OpenAI, 2021) zero-shot öğrenmenin çığır açan örneğidir: görüntü ve metin eşleştirmesiyle önceden eğitilen bu model, ImageNet gibi veri setlerinde hiç fine-tuning yapmaksızın rekabetçi sonuçlar elde etmiştir. Benzer şekilde GPT-4 ve Claude, daha önce görmedikleri görevleri (kod çevirme, format dönüştürme, alan terminolojisi) sıfır örneğe dayanarak yürütebilmektedir. Bu yetenek, veri etiketlemenin pahalı veya imkânsız olduğu tıbbi teşhis, az-kaynaklı dil işleme ve endüstriyel anomali tespiti gibi alanlarda kritik pratik değer taşır.