<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Sedanur Ateş on Medium]]></title>
        <description><![CDATA[Stories by Sedanur Ateş on Medium]]></description>
        <link>https://medium.com/@atessedanur4?source=rss-4e8cf0f4e387------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*3km5511k3l4iVOsf1BcCtw.jpeg</url>
            <title>Stories by Sedanur Ateş on Medium</title>
            <link>https://medium.com/@atessedanur4?source=rss-4e8cf0f4e387------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 11:15:37 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@atessedanur4/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Agentic AI: Yapay Zeka Artık Sadece Cevap Vermiyor, İş Yapıyor]]></title>
            <link>https://medium.com/@atessedanur4/agentic-ai-yapay-zeka-art%C4%B1k-sadece-cevap-vermiyor-i%CC%87%C5%9F-yap%C4%B1yor-2c35112e9eb2?source=rss-4e8cf0f4e387------2</link>
            <guid isPermaLink="false">https://medium.com/p/2c35112e9eb2</guid>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <dc:creator><![CDATA[Sedanur Ateş]]></dc:creator>
            <pubDate>Sun, 10 May 2026 20:09:40 GMT</pubDate>
            <atom:updated>2026-05-10T20:09:40.345Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4ipHvNGHz8-SRcOhIPvfGQ.png" /></figure><p>Patronuna rapor vermek yerine raporun kendisi çalışıyor olsaydı ne olurdu?</p><p>Kulağa bilim kurgu gibi geliyor. Ama bu, tam olarak şu anda yaşanan şey.</p><p>Son birkaç yılda hızla ilerleyen yapay zeka teknolojilerinde yeni bir yaklaşımla karşı karşıyayız. Kendi başına karar verebilen, plan yapabilen ve görev yönetebilen bu yaklaşımın adı: Agentic AI.</p><p><strong>Agentic AI nedir?</strong></p><p>Bu soruyu yanıtlamadan önce yapay zekanın başlangıcından günümüze nasıl geldiğine bakalım.</p><p>İlk yapay zeka neslinde her şey kurallara dayanıyordu. Sistemler önceden tanımlanmış çerçevenin dışına çıkamazdı; öğrenme diye bir şey yoktu.</p><p>Daha sonra devrim niteliğindeki makine öğrenmesi ile birlikte bilgisayarlara “şu olursa bunu yap” demek yerine örnek veriler üzerinden sistemin kendi kendine öğrenmesi mümkün oldu. Spam filtrelerini bu devrime örnek verebiliriz. Ama bu sistemlerin tek bir işe odaklanmış olması, başka bir iş yapamamaları anlamına geliyordu.</p><p>Ardından derin öğrenme ve büyük dil modelleri dönemi, yani ChatGPT dönemi başladı. Artık yapay zeka metni anlıyor, üretiyor, soruları yanıtlıyor, kod yazıyor, çeviri yapıyor. Tek bir model çok farklı şeyler yapabiliyor. Ancak bu noktada bile sistem, sen harekete geçirmeden bir adım atamıyordu.</p><p>Ve şimdi o eşik aşıldı.</p><p>Artık yapay zekaya her adımı söylemek zorunda değilsin. Ona bir hedef veriyorsun — <em>“Bu konuda rekabet analizi yap ve rapor hazırla”</em> — ve sistem bunu kendi başına alt görevlere bölüyor, adım adım ilerliyor, araçları kullanıyor, sonuçları değerlendiriyor ve sana nihai çıktıyı sunuyor.</p><p>İşte bu şekilde çalışan sisteme Agentic AI deniyor:</p><blockquote><em>Bir hedefe ulaşmak için kendi başına plan kurabilen, araç kullanan, stratejisini değiştirebilen yapay zeka sistemleri. Kullanıcının yalnızca nihai hedefi belirtmesi yeterli; sistem tüm adımları planlar ve uygular.</em></blockquote><p>Örneğin kullanıcı “Yapay zeka geliştirme için uygun fiyatlı bir dizüstü bilgisayar bul” dediğinde bir Agentic AI sistemi:</p><ul><li>İhtiyaç analizi yapabilir,</li><li>İnternetten modelleri araştırabilir,</li><li>Teknik özellikleri karşılaştırabilir,</li><li>Fiyat analizi yapabilir,</li><li>Uygun seçenekleri sıralayabilir,</li><li>Hatta fiyat düştüğünde bildirim bile gönderebilir.</li></ul><p>Yani sadece cevap üretmez; süreci yönetir.</p><p><strong>Agentic AI nasıl çalışır?</strong></p><p>Ajan sistemlerin çoğu şu döngüyle çalışır:</p><p><strong>Düşün → Hareket et → Gözlemle → Tekrar düşün</strong></p><p>Bir ajana “Türkiye’deki en büyük 10 e-ticaret şirketinin son çeyrek gelirlerini bul ve karşılaştır” görevi verildiğinde şu adımları izler:</p><ul><li>Düşün: “Önce hangi şirketlerin büyük olduğunu bulmam lazım.”</li><li>Hareket et: İnternette arama yap — <em>“Türkiye en büyük e-ticaret şirketleri 2026”</em></li><li>Gözlemle: Sonuçları oku, listeyi çıkar.</li><li>Düşün: “Şimdi her birinin gelirine bakmam lazım.”</li><li>Hareket et: Her şirket için ayrı arama yap, mali raporlara bak.</li><li>Gözlemle: Verileri topla.</li><li>Düşün: “Artık karşılaştırma tablosunu oluşturabilirim.”</li><li>Hareket et<strong>:</strong> Tabloyu oluştur, raporu yaz.</li></ul><p>Bu döngü hedefe ulaşana kadar devam eder. Bazen onlarca adım atılır.</p><p><strong>Temel özellikler:</strong></p><ul><li>Sürekli kullanıcı yönlendirmesine ihtiyaç duymaz; kendi başına ilerleyebilir.</li><li>Büyük görevleri alt adımlara bölerek yönetebilir.</li><li>API’ler, veritabanları, internet tarayıcıları, terminal ve dosya yönetimi gibi araçlarla etkileşime girebilir.</li><li>Önceki adımları hatırlayarak daha tutarlı kararlar verir.</li><li>Bir yöntem başarısız olduğunda alternatif çözüm yolları geliştirebilir.</li></ul><p><strong>Yazılım dünyasında Agentic AI’ın yeri ne?</strong></p><p>Yazılım sektöründe Agentic AI büyük ilgi görüyor çünkü:</p><ul><li>Kod yazabilir,</li><li>Hata ayıklayabilir,</li><li>Test senaryoları oluşturabilir,</li><li>Sistemleri analiz edebilir,</li><li>Dağıtım süreçlerini yönetebilir.</li></ul><p>Örneğin bir geliştirici “Bana kullanıcı giriş sistemi geliştir” dediğinde Agentic AI:</p><ul><li>Arka uç kodunu yazar,</li><li>Veritabanı şemasını oluşturur,</li><li>JWT tabanlı kimlik doğrulama sistemi kurar,</li><li>Ön uç arayüzünü geliştirir,</li><li>Güvenlik kontrollerini uygular.</li></ul><p>Bu nedenle yazılım geliştiricilerin çalışma biçimlerinin ciddi şekilde değişeceği düşünülüyor. Önemli bir not: Bu, geliştiricilerin işsiz kalacağı anlamına gelmiyor. Ama neyi geliştirdiklerinden çok neyi yönettiklerine odaklandıkları bir döneme geçiliyor. Kod yazan değil, kodu denetleyen, yönlendiren ve mimariyi tasarlayan profiller öne çıkacak.</p><p><strong>Diğer sektörlerdeki yeri ne?</strong></p><p>Finans</p><p>Bankalar ve fintech şirketleri Agentic AI’ı şu anda aktif olarak kullanıyor:</p><p><em>Dolandırıcılık tespiti:</em> Ajan, işlemleri sürekli gerçek zamanlı olarak inceliyor. Şüpheli bir durum görüldüğünde yalnızca alarm vermekle kalmıyor — ilgili hesabı geçici olarak engelliyor, müşteriyle iletişime geçiyor ve insan onayını bekliyor. Tüm bu süreç dakikalar içinde tamamlanıyor; eskiden saatler alıyordu.</p><p><em>Kredi değerlendirmesi:</em> Geleneksel yöntemde kredi başvurusu günlerce sürerdi. Ajan; gelir geçmişini, harcama örüntülerini, piyasa koşullarını ve sektör risklerini bir arada değerlendirerek kapsamlı bir risk raporu sunuyor. Uzman insan bu raporu inceleyip nihai kararını veriyor.</p><p>Hukuk ve Danışmanlık</p><p>Hukuki uyuşmazlıklarda bir davaya hazırlık süreci binlerce sayfa belge incelemeyi gerektirebilir. Ajan sistemleri bu belgeleri tarayıp risk unsurlarını işaretliyor, karşılaştırmalı analizler ortaya çıkarıyor. Avukat masanın başında — ama belge okumak için değil, stratejiyi sonuçlandırmak için.</p><p>Müşteri Hizmetleri</p><p>Standart chatbot: “Faturamı göremiyorum” — “Sizi bir müşteri temsilcisine bağlıyorum.”</p><p>Agentic sistem: “Faturamı göremiyorum” dendiğinde sistem hesabı inceliyor, son faturaları çekiyor, teknik bir sorun varsa tespit edip gideriyor ve “Faturanız artık erişilebilir durumda, sorun düzeltildi” yanıtını veriyor. Hiçbir temsilcinin devreye girmesine gerek kalmıyor.</p><p>İnsan Kaynakları</p><p>Büyük şirketlerde açık pozisyonlara binlerce başvuru geliyor. Ajan sistemleri bu başvuruları inceliyor, pozisyon gerekliliklerine göre değerlendiriyor, ön eleme yapıyor, uygun adaylara otomatik mesaj gönderiyor, mülakatları planlıyor. İK ekibi yalnızca nihai görüşmelere odaklanıyor.</p><p><strong>Peki ya hatalar? Sorumluluk kime ait?</strong></p><p>Klasik yazılımda bir hata olduğunda sistem çöküyor, hata açıkça kendini gösteriyor, fark etmek kolay. Ama Agentic AI’da sistem yanlış bir kararı sessiz sedasız hayata geçirebilir. Bu nedenle “insan denetimi” meselesi kritik önem taşıyor.</p><p>Hangi kararlar tamamen ajana bırakılabilir? Hangileri mutlaka insan onayından geçmeli? Bu sınırı her şirketin kendi iş yapısına göre çizmesi gerekiyor.</p><p>Bir diğer önemli husus veri kalitesi. Sisteme eksik ya da yanlış veri verirsen sistem yanlış sonuçlar üretir. “Çöp girdi, çöp çıktı” derler; ajan sistemlerinde bu kural çok daha kritik bir hal alıyor. Şirketlerin bu sistemlere yatırım yapmadan önce veri altyapılarını düzenlemeleri gerekiyor. Aksi halde hızlı çalışan ama yanlış sonuçlar üreten bir sistem ortaya çıkıyor.</p><p>Bir de etik boyut var. Ajan kendi başına bir karar verdiğinde sorumluluğu kime ait? Şirkete mi, geliştiriciye mi, ajana mı? Bu sorular henüz net cevap bulamamış durumda. Regülasyon dünyası teknolojinin çok gerisinde kalıyor ve bu sistemler büyüdükçe riskler de büyüyor.</p><p><strong>Peki sen ne yapmalısın?</strong></p><p>Bu gelişmeleri takip etmek artık yalnızca teknoloji meraklılarının işi değil.</p><p>Yazılım geliştirici isen: Ajan sistemlerinin nasıl çalıştığını, hangi araçları kullandığını ve nasıl denetlendiğini anlamak gerekiyor. Kod üretimi giderek daha az ayrıştırıcı bir beceri haline gelecek; mimari tasarım ve sistemi yönlendirme öne çıkacak.</p><p>Bir şirkette karar verici isen: Hangi kararların otomasyona uygun olduğunu, hangilerinin insan denetimine ihtiyaç duyduğunu ve veri altyapının bu yüke hazır olup olmadığını sorgulamaya başlamalısın.</p><p>Kariyerini şekillendiriyorsan<strong>:</strong> Ajan sistemlerinin kolayca ikame edemeyeceği alanlara yönel — eleştirel düşünme, etik değerlendirme, insan ilişkileri, yaratıcı strateji. Bunlar, makinenin henüz tam olarak giremediği bölgeler.</p><p><strong>Sonuç</strong></p><p>Google, Microsoft, OpenAI, Anthropic, Amazon — büyük teknoloji şirketlerinin tamamı ya ajanlarını piyasaya sürdü ya da aktif olarak geliştiriyor. Kurumsal dünyada pilot projeler hızla gerçek operasyonlara dönüşüyor.</p><p>Agentic AI, klasik sistemlerden farklı olarak yalnızca verilen komutları yerine getirmiyor; hedefe ulaşmak için plan kuruyor, araç kullanıyor, karar veriyor ve süreci yönetiyor. Yazılım geliştirmeden sağlığa, finanstan hukuka kadar pek çok alanda köklü değişimler yaratma potansiyeline sahip.</p><p>Soru şu değil: Agentic AI geliyor mu?</p><p><strong>Soru şu: Geldiğinde sen nerede olacaksın?</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2c35112e9eb2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Büyük Değil, Akıllı: Yapay Zekada Veri Kalitesi]]></title>
            <link>https://medium.com/@atessedanur4/b%C3%BCy%C3%BCk-de%C4%9Fil-ak%C4%B1ll%C4%B1-yapay-zekada-veri-kalitesi-4b148ed4f805?source=rss-4e8cf0f4e387------2</link>
            <guid isPermaLink="false">https://medium.com/p/4b148ed4f805</guid>
            <category><![CDATA[data-quality]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[mls]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Sedanur Ateş]]></dc:creator>
            <pubDate>Mon, 06 Apr 2026 13:38:43 GMT</pubDate>
            <atom:updated>2026-04-06T13:38:43.167Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JbesFRe1SWxpa6fBX3q_Mg.jpeg" /></figure><p>Bugüne kadar yapay zeka üzerine yapılan tartışmalara baktığımızda, ilginin büyük bir kısmının model büyüklüğü etrafında döndüğünü görüyoruz. “Ne kadar çok parametre, o kadar zeka” algısı uzun süre sektörü yönetti.</p><p>Bu tartışmaların gölgesinde, internette neredeyse sınırsız miktarda veri birikmeye devam ediyor. Ancak bir sorunumuz var: <strong>Bu verinin devasa bir kısmı gürültülü, hatalı veya düşük kaliteli.</strong></p><p>Modern yapay zeka sistemlerinde artık veri toplamak kadar, hangi veriyi kullanmamak gerektiğini bilmek de kritik bir öneme sahip oldu. Çünkü artık biliyoruz ki; modelin kapasitesini arttırmak, verideki kirliliği telafi etmiyor; aksine o kirliliği daha büyük bir ölçekte ezberlemesine neden oluyor.</p><h3>İyi Veri Ne Demek? 6 Boyutu Nedir?</h3><p>Veri kalitesi; bir veri kümesinin doğruluk, eksiksizlik, geçerlilik, tutarlılık, benzersizlik, güncellik ve amaca uygunluk kriterlerini ne kadar iyi karşıladığını ölçer. Peki bu 6 boyut nedir?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q4UVUYk93yH7aPrilSVLdg.png" /><figcaption>VERİ KALİTESİ BOYUTLARI</figcaption></figure><ol><li><strong>Doğruluk (Accuracy):</strong> Veri gerçek dünyayı ne kadar yansıtıyor? Eğer sensörden gelen sıcaklık verisi bir anda 500 derece oluyorsa, orada fiziksel bir imkânsızlık vardır. Model bu aykırı değeri gerçek sanırsa bütün eğitim bozulur.</li><li><strong>Tamlık (Completeness):</strong> Veri ne kadar eksiksiz? “Null” değerlerle karşılaşmamız büyük bir sorun. Bir veri setinin %40’ı boşsa, o sütunu modele sokmak sadece gürültü yaratır.</li><li><strong>Tutarlılık (Consistency):</strong> Veri farklı kaynaklarda da olsa aynı şeyi mi söylüyor? Bir tabloda kullanıcı “aktif” görünüp, diğerinde “silinmiş” görünüyorsa modelin kafası karışır. Verinin her yerde aynı dili konuşması şart.</li><li><strong>Geçerlilik (Validity):</strong> Veri belirlenen kurallara uygun mu? E-posta kısmında sadece “abc” yazıyorsa, tarih formatı yanlışsa veri geçersizdir. Modelin bir şey öğrenmesi mümkün değildir.</li><li><strong>Benzersizlik (Uniqueness):</strong> Veri tekrar ediyor mu? Aynı verinin beş kere girilmesi, modelin o veriye gereğinden fazla ağırlık (bias) vermesine sebep olur.</li><li><strong>Zamanlılık (Timeliness):</strong> Veri ne kadar taze? 2010 yılının tüketim alışkanlıklarıyla 2026&#39;nın herhangi bir konuda örneğin enerjide optimizasyonunu yapamazsın. Veri eskidikçe doğruluğunu yitirir.</li></ol><h3>Veri Kalitesi Sadece Temizlemek Değildir</h3><p>Peki nedir veri kalitesi? Burada önemli bir nokta var: Veri kalitesini arttırmak sadece hatalı satırları silmek değildir. Veri bilimi, sürekli devam eden bir süreçtir:Hataların analiz edilmesi,doğru veri seçimi,iyileştirme ve güncellemeden oluşur.</p><blockquote><strong><em>Unutmayın:</em></strong><em> Malzeme kötüyse, dünyanın en iyi şefi de olsanız o yemekten tat alamazsınız.</em></blockquote><p>Daha fazla parametre daha iyi model demek değildir. Modelin öğrenebileceği en iyi şey, ona öğretilen doğrudur. Veri biliminde durum da tam olarak böyledir.</p><h3>KÜÇÜK DİL MODELLERİ (SLM): Son Dönem Trendi</h3><p>Son dönemde ortaya çıkan küçük dil modelleriyle, milyarlarca parametreye sahip verilerden oluşmuş modellerin aksine; az parametre ile yüksek kaliteden oluşan eğitilmiş modellerin daha iyi sonuç verdiği görüldü.</p><p>Başta Microsoft’un <strong>Phi</strong> serisi veya <strong>Mistral</strong> gibi modeller olmak üzere çıkan modeller ezberleri bozdu. Bu modellerin ortak özelliği; sadece yüksek kaliteli verileri okumaları.</p><p><strong>SLM neden bu kadar önemli?</strong></p><ul><li><strong>Verimlilik:</strong> Milyarlarca parametreden oluşan modellerin çalışması çok güç gerektirirken, SLM ile bu modeli telefondan çalıştırmak bile mümkün hale geliyor.</li><li><strong>Özelleştirilebilirlik:</strong> Belirli bir konu ya da alan hakkında uzmanlaştırmak daha mümkün.</li><li><strong>Tutarlılık:</strong> Model artık temiz kaynaklardan beslendiği için bize daha tutarlı sonuçlar vermiş oluyor.</li></ul><p>Kısaca şunu diyebiliriz: Elimizde ne kadar veri olduğu önemli değil, önemli olan o verinin ne kadarını gerçekten bilgiye dönüştürebildiğimizdir.</p><p>Kısaca şunu diyebiliriz: Elimizde ne kadar veri olduğu önemli değil, önemli olan o verinin ne kadarını gerçekten bilgiye dönüştürebildiğimizdir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4b148ed4f805" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesi Dünyasında Yolunuzu Kaybetmeyin: Doğru Model Nasıl Seçilir?]]></title>
            <link>https://medium.com/@atessedanur4/makine-%C3%B6%C4%9Frenmesi-d%C3%BCnyas%C4%B1nda-yolunuzu-kaybetmeyin-do%C4%9Fru-model-nas%C4%B1l-se%C3%A7ilir-1144ed988297?source=rss-4e8cf0f4e387------2</link>
            <guid isPermaLink="false">https://medium.com/p/1144ed988297</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[classification]]></category>
            <dc:creator><![CDATA[Sedanur Ateş]]></dc:creator>
            <pubDate>Sat, 27 Dec 2025 14:06:09 GMT</pubDate>
            <atom:updated>2025-12-27T14:06:09.806Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*135lGKjg5ko-qRLaBDhImg.jpeg" /></figure><p>Elinizde devasa bir veri seti var. Tahminler yapmanız, verileri gruplandırmanız veya gizli kalıpları tespit etmeniz gerekiyor. Ancak seçenekler o kadar çok ki: Yüzlerce model, binlerce parametre ve sonsuz gibi görünen bir veri yığını… Nereden başlayacağınızı bilmiyor musunuz? Bu karmaşa size tanıdık geliyorsa doğru yerdesiniz.</p><p>Bu yazıda, makine öğrenmesiyle probleminize en uygun modeli nasıl seçeceğinizi adım adım inceleyeceğiz.</p><p><strong>Önce Problem, Sonra Model</strong></p><p>Makine öğrenmesi dünyasına yeni adım atanların yaptığı en yaygın hata, ellerindeki şık bir modele uygun problem aramaktır. Oysa gerçek dünyada süreç tam tersi işler: Önce problemi tanımlarsınız, sonra o problemi çözecek en iyi aracı (modeli) seçersiniz.</p><p>Kendinize şu temel soruyu sorun: “Elimdeki veriyle elde etmek istediğim nihai çıktı nedir?” Bu sorunun cevabı sizi dört temel problem tipinden birine götürecektir:</p><p><strong>Sınıflandırma (Classification)</strong></p><p>Eğer amacınız verileri belirli kategorilere ayırmaksa sınıflandırma yapıyorsunuz demektir. Çıktı bir sayı değil, bir etikettir.</p><p><em>Örnek:</em> Bu e-posta spam mi, değil mi? Bu müşteri bizi terk eder mi? Fotoğraftaki nesne kedi mi köpek mi?</p><p><strong>Regresyon (Regression)</strong></p><p>Cevabınız bir etiket değil de sürekli bir sayısal değer ise regresyon modellerine ihtiyacınız vardır.</p><p><em>Örnek:</em> Yarın hava kaç derece olacak? Bu evin piyasa değeri nedir? Gelecek ayki satış rakamımız ne olur?</p><p><strong>Kümeleme (Clustering)</strong></p><p>Bazen verilerinizin “ne olduğunu” (etiketini) bilmezsiniz. Sadece verilerin kendi içindeki gizli benzerliklerine göre gruplanmasını istersiniz.</p><p><em>Örnek:</em> Müşterileri alışveriş alışkanlıklarına göre segmentlere ayırmak veya benzer haberleri otomatik gruplamak.</p><p><strong>Boyut İndirgeme (Dimensionality Reduction)</strong></p><p>Veri setiniz çok fazla sütun (özellik) içeriyorsa ve bu durum karmaşaya yol açıyorsa, önemli bilgiyi kaybetmeden veriyi sadeleştirmeniz gerekir. Bu yöntem hem modelinizi hızlandırır hem de veriyi görselleştirmenizi sağlar.</p><p><strong>Karar Ağacı: Hangi Yola Gitmelisiniz?</strong></p><p>Aşağıdaki karar ağacı size doğru yaklaşımı gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mYmCItZmr8985oMVWNgaAA.png" /><figcaption>Makine Öğrenmesi Haritası</figcaption></figure><p><strong>Problem Tipine Göre Model Önerileri</strong></p><p><em>Sınıflandırma Modelleri</em></p><p>Küçük veri setlerinde Logistic Regression veya Naive Bayes gibi basit modeller, hızlı çalışmaları ve düşük overfitting riskleri nedeniyle iyi bir başlangıç noktasıdır.</p><p>Orta büyüklükte veri setlerinde Random Forest veya SVM, daha karmaşık ilişkileri yakalayabilir. Büyük veri setlerinde ise XGBoost ve LightGBM gibi yüksek performanslı ensemble modeller öne çıkar.</p><p>Veri türü de bu noktada belirleyicidir. Metin verilerinde Naive Bayes ve SVM sıkça kullanılırken, görüntü verilerinde CNN tabanlı modeller tercih edilir.</p><p><em>Regresyon Modelleri</em></p><p>Doğrusal ilişkilerin baskın olduğu durumlarda Linear Regression, hem basit hem de yorumlanabilir olmasıyla avantaj sağlar.</p><p>Özellik sayısının fazla olduğu senaryolarda Ridge ve Lasso Regression, düzenlileştirme sayesinde overfitting riskini azaltır.</p><p>Zaman serisi problemlerinde ARIMA veya Prophet gibi zamansal desenleri yakalamaya yönelik modeller kullanılırken, en yüksek performans hedeflendiğinde XGBoost ve LightGBM güçlü alternatifler sunar.</p><p><em>Kümeleme Modelleri</em></p><p>Küme sayısını önceden biliyorsanız K-Means hızlı ve etkili bir çözümdür.</p><p>Küme sayısının bilinmediği durumlarda DBSCAN veya HDBSCAN, otomatik küme yapısı çıkarabilme yetenekleriyle tercih edilir.</p><p>Hiyerarşik yapı gerektiğinde Agglomerative Clustering, olasılıksal bir yaklaşım istendiğinde ise Gaussian Mixture Model kullanılabilir.</p><p><em>Boyut İndirgeme Yöntemleri</em></p><p>Genel amaçlı kullanımda PCA, en yaygın ve hızlı yöntemlerden biridir.</p><p>Görselleştirme amacıyla t-SNE ve UMAP yüksek kaliteli sonuçlar sunar. Etiketli verilerde sınıfları ayırma gücüyle LDA, büyük veri setlerinde ise bellek verimliliğiyle Truncated SVD öne çıkar.</p><p><strong>Seçim Yaparken Göz Ardı Edilmemesi Gerekenler</strong></p><p>Model seçimi sadece en yüksek doğruluk oranını (accuracy) yakalamak değildir. Şu üç faktörü mutlaka göz önünde bulundurmalısınız:</p><p><em>Yorumlanabilirlik:</em> Bir bankada kredi onayı veriyorsanız, modelin neden “red” kararı verdiğini açıklayabilmelisiniz. Bu durumda karmaşık bir Derin Öğrenme modeli yerine bir Karar Ağacı seçmek daha mantıklıdır.</p><p><em>Veri Boyutu ve Zaman:</em> Kısıtlı bir işlemci gücünüz varsa, devasa modeller yerine daha hafif algoritmaları tercih etmelisiniz.</p><p><em>Doğru Metrikler:</em> Veriniz dengesizse (örneğin 1000 işlemden sadece 1&#39;i dolandırıcılıksa), sadece doğruluğa bakmak sizi yanıltır. F1-Score veya ROC-AUC gibi metriklere odaklanın.</p><p><strong>Sonuç</strong></p><p>Makine öğrenmesi bir araçtır, amaç değil. Probleminizi net bir şekilde tanımladığınızda, karmaşık görünen o model listesi bir anda netleşecektir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1144ed988297" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Teknoloji Ve İnovasyonun Gelecekte Yeri]]></title>
            <link>https://medium.com/@atessedanur4/teknoloji-ve-i%CC%87novasyonun-gelecekte-yeri-981857156bd5?source=rss-4e8cf0f4e387------2</link>
            <guid isPermaLink="false">https://medium.com/p/981857156bd5</guid>
            <category><![CDATA[teknoloji]]></category>
            <category><![CDATA[inovasyon]]></category>
            <category><![CDATA[gelecek]]></category>
            <dc:creator><![CDATA[Sedanur Ateş]]></dc:creator>
            <pubDate>Sun, 23 Apr 2023 19:39:34 GMT</pubDate>
            <atom:updated>2023-04-23T19:39:34.041Z</atom:updated>
            <content:encoded><![CDATA[<p>Teknoloji ve inovasyonun ne olduğunu ve ileride ne şekilde olacağınıgörüyoruz.</p><p>İnovasyon, yenilik anlamına da gelen farklı fikirlerin geliştirilerek ,değiştirilerek ve yenileştirilerek farklı alanlara uygun hizmetler ortaya koymaktır. Bir nevi açıkça belli olan ihtiyaçların çözümüne yönelik sunulmuş çözümlerdir diyebiliriz. Son yıllarda daha da artmakta olan İnovasyon bir toplumun refahı, sürdürülebilir kalkınması ve gelişmesi açısından çok önemli bir unsurdur. Durdurak bilmeden gelişmeye devam eden sağladığı faydalarıyla hayatımızda önemli bir yere sahip olan teknolojinin yerinin yadsınamayacağı bir gerçektir. Günümüzde firmalar arasında rekabette söz konusu olan teknoloji ve inovasyonu birbirini tamamlayan süreçler bütünü olarak görmek gerekmektedir. Çünkü teknolojik bir gelişme olmadan yenilikten bahsetmek mümkün değildir.</p><p>Gelecekte teknolojinin yerine bakarsak Yapay Zeka, Biyoteknoloji, Nesnelerin İnterneti, veri odaklı teknolojiler alanlarında görmek mümkündür. Peki bu alanlarda rolü nasıl olacaktır kısaca buna değinelim.</p><p>Yapay Zeka Teknolojisi: Günümüzde pek çok nesnede kullanılan Yapay Zeka’nın gelecekte de bir çok alanda kullanılması bekleniyor. Bu alanlardan biri olan Sağlık sektöründe kişiye özel ihtiyaçlara yönelik çözümler, hastalık teşhisinde sağladığı kolaylıklar, zorlu ameliyatların gerçekleştirilmesi gibi bir çok sağlayacağı faydaları saymak mümkün değildir.</p><p>Nesnelerin İnterneti :Günlük hayatta kullanılan nesnelerin birbirleriyle veya daha büyük sistemlerle bağlantılı olduğu veri alışverişi yapabilmesini sağlayan teknolojidir .Nesnelerin interneti gelecekte dijital iş gücüne destek sağlayacak ,müşteri hizmetlerinde memnuniyeti oluşturacak yeni fırsatlar sunacak, işletmeler, devletler için iş modeli ve ekonomik büyüme kaynağı olarak işlev görecek, toplumsal ve çevresel sorunlara değinecek . Sağlayacağı faydaları saymak bu alanda da mümkün değildir.</p><p>Blok Zinciri Teknolojisi: Verinin bloklar halinde depolanmasıdır. Başta kripto para olmak üzere pek çok alanda uygulama olanağı bulunmaktadır. Gelecek yıllarda da konuşulmaya devam edecektir.</p><p>Biyoteknoloji: Canlı organizmalara veya biyolojik sistemlere dayalı her türlü teknolojidir. Amacı İnsan hayatının kalitesini arttırmak ve kolaylık sağlamak olan biyoteknoloji gelecekte tanı testleri üretmeye devam edecektir. Tarım ve gıda alanında çözümler sağlamaya devam edecektir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=981857156bd5" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>