<?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 Tulay Cetin on Medium]]></title>
        <description><![CDATA[Stories by Tulay Cetin on Medium]]></description>
        <link>https://medium.com/@tulayctn73?source=rss-5ee5dc009b66------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*dbSsHd6fOirN2-oJKxRxhA.jpeg</url>
            <title>Stories by Tulay Cetin on Medium</title>
            <link>https://medium.com/@tulayctn73?source=rss-5ee5dc009b66------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 16:46:25 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@tulayctn73/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[ Yapay Zekânın Geleceğe Dokunuşu]]></title>
            <link>https://medium.com/@tulayctn73/yapay-zek%C3%A2n%C4%B1n-gelece%C4%9Fe-dokunu%C5%9Fu-f73a7cf2773a?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/f73a7cf2773a</guid>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <category><![CDATA[yapay-zeka-geleceği]]></category>
            <category><![CDATA[yapayzeka-insa]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Wed, 29 Oct 2025 12:59:38 GMT</pubDate>
            <atom:updated>2025-10-29T12:59:38.359Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lobhH8_KgBIUX9r5_Pei2w.png" /></figure><p>Yapay zekâ, geleceğin yalnızca teknolojik değil, <strong>insani yönünü de yeniden tanımlayacak</strong> bir güç olacak. Bu dönüşüm, kendini geliştirmeyen ve değişimin öncüsü olamayan birçok mesleğin sonunu getirebilir. Ancak bu süreci bir tehdit değil, <strong>bir fırsat</strong> olarak gören; öğrenmeyi, uyum sağlamayı ve yeniliklerle birlikte büyümeyi seçen bireyler için <strong>yeni kapılar</strong> aralayacaktır.</p><p>Gelecekte yapay zekâ, insanın yerini almak için değil; <strong>insanı daha üretken, daha yaratıcı ve daha etkili kılmak</strong> için yanında olacak. Kendi bilgi birikimini yapay zekânın üretkenliğiyle birleştiren bireyler, yalnızca işleri hızlandırmakla kalmayacak, <strong>ekiplerin potansiyelini büyütecek</strong>. Bu yeni dönemde insan zekâsı ile yapay zekâ arasındaki iş birliği, tek bir kişinin bile bir ekibin sınırlarını aşan verimliliğe ulaşmasını mümkün kılacak.</p><p>Günlük yaşamda da yapay zekâ bizi <strong>zamanın zincirlerinden kurtaracak</strong>. Rutin işler otomatikleşirken, insanlar düşünmeye, üretmeye ve yaşamın özüne dönmeye daha fazla zaman bulacak. Sabah 8, akşam 6 arası sıkışmış çalışma düzeni; yerini <strong>daha esnek, daha insancıl bir sisteme</strong> bırakacak.<br> 7/24 çalışan sistemler, insanların yerine değil — <strong>onların yanında</strong> çalışacak. Böylece bireyler kendilerine, ailelerine ve hayata daha çok vakit ayırabilecekler.</p><p>Aslında yapay zekâ, insanı geride bırakmak için değil; <strong>ona yeniden alan açmak</strong> için var. Zamanla yarışmayan, üretirken tükenmeyen, düşünen, hisseden, gelişen bir toplumun kapılarını aralayacak.<br> Ve belki de en güzeli, bu değişimin merkezinde yine <strong>insan</strong> olacak — düşünen, üreten ve umutla geleceğe bakan insan… 🌿</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f73a7cf2773a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Madenciliği]]></title>
            <link>https://medium.com/@tulayctn73/veri-madencili%C4%9Finin-ilk-ad%C4%B1m%C4%B1-olan-tan%C4%B1mlay%C4%B1c%C4%B1-veri-%C3%B6zetleme-konusuna-odaklan%C4%B1yoruz-42f9c7b9c2e4?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/42f9c7b9c2e4</guid>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Fri, 17 Oct 2025 12:17:28 GMT</pubDate>
            <atom:updated>2025-10-17T13:08:31.181Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Tanımlayıcı veri özetleme (descriptive data summarization)</strong></p><p>Günümüzde kurumlar ve araştırmacılar, büyük miktarda veriden anlamlı bilgi elde edebilmek için <strong>veri madenciliği (data mining)</strong> yöntemlerine başvurmaktadır. Veri madenciliği, ham verilerden gizli kalmış örüntüleri, ilişkileri ve eğilimleri ortaya çıkararak karar verme süreçlerine destek sağlayan önemli bir analiz alanıdır. Ancak, bu sürecin başarılı olabilmesi için verilerin doğru şekilde hazırlanması, temizlenmesi ve özetlenmesi gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/1*i_dFGkI81a0DZCLLAmKcJw.png" /></figure><p>Veri madenciliği sürecinin ilk aşaması olan <strong>veri önişleme (data preprocessing)</strong>, ham verilerin analiz için uygun hâle getirilmesini sağlar. Bu aşamanın temelini ise <strong>tanımlayıcı veri özetleme (descriptive data summarization)</strong> oluşturur. Tanımlayıcı veri özetleme, verilerin genel yapısını, merkezi eğilimlerini ve dağılım özelliklerini istatistiksel ölçütlerle analiz ederek veri hakkında ilk izlenimi oluşturur. Bu sayede, veri setinin kalitesi değerlendirilir ve sonraki aşamalarda yapılacak analizler için sağlam bir temel atılmış olur.</p><h3><strong>Tanımlayıcı veri Özetleme</strong></h3><p><em>Verinin merkezi eğilimi</em></p><p>Veri madenciliğinin ilk adımı olan Tanımlayıcı Veri Özetleme konusuna odaklanıyoruz. Bu, aslında veri önişleme sürecinin temelini oluşturur. Verilerin hangi değer etrafında toplandığını gösterir. Burada üç temel ölçüt kullanırız:</p><ol><li><strong>Ortalama (Mean):</strong> Tüm değerlerin toplamının veri sayısına bölünmesiyle bulunur. Mesela, bir sınıftaki notların ortalaması gibi.</li><li><strong>Ortanca (Median):</strong> Veriler küçükten büyüğe sıralandığında tam ortada kalan değerdir. Aykırı değerlerden (çok büyük veya çok küçük değerler) daha az etkilenir.</li><li><strong>Mod (Mode):</strong> Veri setinde en sık tekrar eden değerdir.</li></ol><h4><strong>Verinin dağılımı</strong></h4><p>Verilerin ne kadar yayıldığını, yani merkezi eğilimden ne kadar uzaklaştığını gösterir. Burada da önemli istatistiksel araçlar devreye girer:</p><ul><li><strong>Çeyreklikler (Quartiles):</strong> Veri setini dört eşit parçaya bölen noktalardır.</li><li><strong>IQR (Interquartile Range):</strong> Üçüncü çeyreklik ile birinci çeyreklik arasındaki farktır. Bu, verinin orta %50&#39;sinin ne kadar geniş bir alana yayıldığını gösterir.</li><li><strong>Varyans (Variance):</strong> Veri noktalarının ortalamadan ne kadar uzaklaştığını ölçer.</li><li><strong>Kutu Grafikleri (Boxplots):</strong> Bu çeyreklik ve IQR değerlerini görselleştiren grafiklerdir.</li></ul><p>Şöyle düşünün, bir sınavda öğrencilerin notlarının sadece ortalamasına bakmak yetmez; notların en düşükten en yükseğe nasıl yayıldığını görmek için bu dağılım ölçütlerini kullanırız.</p><h3><strong>Ortalama</strong></h3><p>Ortalama, bir veri setinin merkezi eğilimini gösteren en yaygın ölçüdür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/596/1*gxyqMfO48lAZdBksephczQ.png" /></figure><p><strong>Örnekleme Ortalaması</strong> (xˉ): Eğer elimizdeki veri, büyük bir grubun sadece bir alt kümesi, yani bir örneklem ise, ortalamayı <em>x</em>ˉ sembolüyle gösteririz. Şöyle düşünün, bir sınıftaki 30 öğrencinin not ortalamasını hesaplıyorsunuz; bu bir örnekleme ortalamasıdır.</p><p><strong>Popülasyon Ortalaması</strong> (<em>μ</em>): Eğer elimizdeki veri, ilgilendiğimiz grubun tamamını, yani popülasyonu temsil ediyorsa, ortalamayı Yunanca mü harfi (μ) ile gösteririz. Mesela, Türkiye’deki tüm üniversite öğrencilerinin yaş ortalamasını hesaplıyorsanız, bu popülasyon ortalamasıdır.</p><p><strong>Ağırlıklı Ortalama:</strong> Bazen veri setindeki her bir elemanın önemi eşit olmayabilir. Bu durumda, her bir değere (<em>xi</em>​) bir ağırlık (<em>wi</em>​) atarız. Mesela, üniversitede ders notu hesaplarken vizenin %40, finalin %60 etkili olması durumu ağırlıklı ortalamaya bir örnektir.</p><h3>Ortanca (Median)</h3><p>Ortanca, bir veri setindeki tam ortadaki değeri ifade eder. Eğer veri setindeki eleman sayısı tek ise, ortanca tam ortada kalan tek değerdir. Şöyle düşünelim, 7 kişilik bir grupta boy sırasına girerseniz, 4. sıradaki kişinin boyu ortancadır.</p><p>Gruplanmış verilerde, yani verilerin frekans tablolarında toplandığı durumlarda, ortancayı bulmak için <em>interpolasyon</em> denilen bir yöntem kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/862/1*siilTBZSgE6BMqKlKejLHA.png" /><figcaption>formül kullanılarak ortanca 16.9 olarak hesaplanmıştır. Bu, verilerin yaklaşık yarısının 16.9 yaşından küçük, yarısının ise büyük olduğu anlamına gelir.</figcaption></figure><p>Bu, kabaca, ortancanın hangi aralığa düştüğünü bulduktan sonra o aralık içinde tam olarak nerede olduğunu tahmin etme işlemidir.</p><h3><strong>Verinin Dağılımı</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/1*xwndr4sGg6ZXlY36WMly7g.png" /></figure><blockquote><strong>Çeyrekler</strong> (Quartiles)</blockquote><p>Çeyrekler, veri setini dört eşit parçaya bölen değerlerdir. <em>Q</em>1​ birinci çeyrektir ve verinin %25&#39;ini temsil eder, yani 25. yüzdeliktir. <em>Q</em>3​ ise üçüncü çeyrektir ve verinin %75&#39;ini temsil eder, yani 75. yüzdeliktir. Ortanca (Median), yani <em>M</em>, aslında ikinci çeyrektir (<em>Q</em>2​), verinin tam ortasıdır.</p><blockquote><strong>Çeyrekler Arası Aralık</strong> (Inter-quartile range)</blockquote><p><strong>IQR</strong> kavramı geliyor. IQR, <em>Q</em>3​ ile <em>Q</em>1​ arasındaki farktır: IQR=Q3−Q1​. Bu aralık, verinin orta %50&#39;sinin ne kadar yayıldığını gösterir.</p><blockquote><strong>Beş Sayılık Özet</strong> (Five number summary)</blockquote><p>Bir veri setinin dağılımını tanımlayan beş temel değerden oluşur: minimum değer (<em>min</em>), birinci çeyrek (<em>Q</em>1​), medyan (<em>M</em>), üçüncü çeyrek (<em>Q</em>3​) ve maksimum değer (<em>max</em>). Bu beş sayılık özeti görselleştirmek için <strong>Kutu Grafiği</strong> (Boxplot) kullanılır.</p><p>Son olarak, <strong>Sapan Veri</strong> (Outlier) kavramı önemlidir. Sapan veri, veri setindeki diğer değerlerden çok farklı olan, aşırı yüksek veya aşırı düşük değerlerdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/876/1*rl8FzLsryDDLRs7J1tjRpw.png" /></figure><h4>Verinin dağılımı Varyans ve standart sapma (örnekleme:s,populasyon: σ)</h4><p>Varyans, verilerin ortalamadan ne kadar uzaklaştığının karesel ortalamasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/682/1*q9V12Ycz2hR5RIHwE2rlGg.png" /><figcaption>Standart sapma s (veya σ) varyansın kare kökü</figcaption></figure><p>Eğer elimizdeki veri seti bir popülasyonun tamamını temsil ediyorsa, varyansı σ2<em>σ</em>2 (sigma kare) ile gösteririz. Eğer veri seti popülasyondan alınmış bir örneklem ise, varyansı s2<em>s</em>2 ile gösteririz.</p><p>Son olarak, standart sapma ise varyansın kareköküdür. Standart sapma, verilerin ortalamadan ne kadar saptığını, yani yayılımını, orijinal veri birimi cinsinden ifade eder. Örneklem için <em>s</em>, popülasyon için <em>σ</em> kullanılır.</p><h4>Sonuç</h4><p>Tanımlayıcı veri özetleme, veri madenciliği sürecinin temel taşıdır. Bu adımda verinin merkezi eğilimi, dağılımı ve yayılımı analiz edilerek, veri setinin genel yapısı hakkında kapsamlı bir bakış elde edilir. Ortalama, ortanca ve mod değerleri verinin merkezini tanımlarken; çeyrekler, IQR, varyans ve standart sapma gibi ölçütler verinin ne kadar homojen ya da heterojen olduğunu ortaya koyar.</p><p>Bu özetleme işlemleri sayesinde, verideki olası hatalar, sapan değerler veya dengesizlikler daha erken fark edilir. Böylece, bir sonraki aşama olan <strong>veri temizleme (data cleaning)</strong> ve <strong>veri dönüştürme (data transformation)</strong> adımları daha bilinçli bir şekilde yürütülür.</p><p>Kısacası, <strong>tanımlayıcı veri özetleme</strong>, veri madenciliğinde yalnızca bir ön hazırlık değil, aynı zamanda verinin kalitesini anlamanın ve doğru modelleme adımlarına zemin hazırlamanın ilk ve en kritik adımıdır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=42f9c7b9c2e4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri azaltma (Data Reduction) Yöntemleri]]></title>
            <link>https://medium.com/@tulayctn73/veri-azaltma-data-reduction-y%C3%B6ntemleri-30d76b859b2d?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/30d76b859b2d</guid>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Thu, 08 May 2025 12:05:37 GMT</pubDate>
            <atom:updated>2025-09-12T18:42:46.168Z</atom:updated>
            <content:encoded><![CDATA[<h3>🔹Veri Azaltmanın Tanımı</h3><p>Veri madenciliği ve makine öğrenmesi gibi veri odaklı alanlarda, büyük ve karmaşık veri kümeleriyle çalışmak çoğu zaman kaçınılmazdır. Ancak bu verilerin tümünü doğrudan analiz etmek, zaman ve kaynak açısından oldukça maliyetli olabilir. İşte tam bu noktada <strong>veri azaltma</strong> devreye girer.</p><p><strong>Veri azaltma</strong>, büyük boyutlu veri kümelerinden daha küçük, ancak bilgi açısından zengin ve anlamlı bir temsil elde etmeyi amaçlayan bir tekniktir. Bu süreçte, verilerdeki <strong>gereksiz örnekler</strong> veya <strong>önemsiz özellikler</strong> elenir; böylece verinin hacmi azaltılırken, içerdiği önemli bilgiler korunmaya çalışılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/902/1*lpmtmhoSrIptWXzGbkfFnw.png" /></figure><h3>🔹 Veri Azaltmanın Gereksinimi (Neden Gerekli?)</h3><p>Veri azaltmanın kullanılmasının başlıca sebepleri şunlardır:</p><p>🔹 <strong>Büyük veriyle başa çıkma</strong>: Modern veri kaynakları çok büyük hacimlerde veri üretir. Bu verilerin tamamıyla çalışmak pratik değildir; azaltma, yönetilebilir veri kümeleri oluşturur.</p><p>🔹 <strong>Verimlilik ve hız</strong>: Azaltılmış veri setleri, analiz ve modelleme süreçlerini hem hızlandırır hem de daha az işlemci gücü ve bellek kullanımı gerektirir.</p><p>🔹 <strong>Depolama tasarrufu</strong>: Daha az veri, daha az depolama alanı demektir. Özellikle büyük sistemlerde bu, maliyet ve performans açısından büyük avantaj sağlar.</p><p>🔹 <strong>Gürültüden arındırma</strong>: Ham verilerde sıklıkla gereksiz ya da hatalı bilgiler (gürültü) bulunur. Veri azaltma, bu unsurları filtreleyerek daha temiz bir analiz ortamı sunar.</p><p>🔹 <strong>Daha iyi modelleme</strong>: Özellikle makine öğrenmesi uygulamalarında, az ve anlamlı özelliklerle eğitilen modeller daha genellenebilir olur ve aşırı öğrenmenin (overfitting) önüne geçilir.</p><p>🔹 <strong>Görselleştirme kolaylığı</strong>: Yüksek boyutlu veriler görsel olarak analiz edilemezken, veri azaltma sayesinde bu tür veriler daha anlamlı görselleştirmelere dönüştürülebilir.</p><p>Veri azaltma, yalnızca veri hacmini küçültmekle kalmaz; aynı zamanda verinin daha etkili kullanılabilmesini sağlar. Bu da hem karar alma süreçlerini hızlandırır hem de modelleme doğruluğunu artırır. Bu yüzden veri madenciliği projelerinde veri azaltma adımı, vazgeçilmez bir ön hazırlık süreci olarak görülür.</p><blockquote>Veri Azaltma Yöntemleri</blockquote><h3><strong>A) BOYUTSALLIK AZALTMA YÖNTEMLERİ</strong></h3><p><strong>Boyutsallık Azaltma</strong>, verilerin sahip olduğu değişken sayısını (boyutu) azaltarak hem görselleştirmeyi kolaylaştırmak hem de algoritmaların etkinliğini artırmak için kullanılır.<br> Bu yöntem, veri kümesinin seyrekliğini azaltır ve özellikle <strong>kümeleme, aykırı değer tespiti, görselleştirme</strong> gibi işlemlerde önemlidir.</p><p>Boyutsallık azaltmanın sık kullanılan üç yöntemi:</p><ul><li>Wavelet Transform (Dalgacık Dönüşümü)</li><li>Principal Component Analysis (PCA)</li><li>Linear Discriminant Analysis (LDA)</li><li>t-SNE (t-Distributed Stochastic Neighbor Embedding)</li></ul><h3>🌀 WAVELET TRANSFORM</h3><h3>📌 Dalgacık Dönüşümü Nedir?</h3><ul><li><strong>Veri dönüşümü yapar:</strong> Bir veri vektörünü, aynı uzunlukta başka bir vektöre dönüştürür. Ancak bu dönüşüm sırasında bazı küçük veriler (düşük öneme sahip bileşenler) göz ardı edilebilir, bu nedenle dönüşüm <strong>kayıplı</strong> kabul edilir.</li></ul><h3>🎯 Boyut İndirgeme İçin Kullanımı</h3><ul><li>Elde edilen yeni vektördeki <strong>önemsiz bileşenler sıfırlanarak</strong> ya da çıkarılarak verinin <strong>boyutu azaltılabilir</strong>.</li><li>Böylece daha az yer kaplayan ve daha hızlı işlenebilen bir temsil elde edilir.</li></ul><h3>🧩 Hangi Veriler İçin Uygundur?</h3><ul><li><strong>Veri küpleri</strong>: Yani çok boyutlu veri yapıları (örneğin 3D görüntüler).</li><li><strong>Seyrek veriler</strong>: Çok azı sıfırdan farklı değerler içeren veri setleri.</li><li><strong>Çarpık yapılı veriler</strong>: Düzensiz, dengesiz veya belirli yönlerde aşırı değişim gösteren veriler.</li></ul><h3>🖼️ Uygulama Alanları</h3><ul><li><strong>Görüntü sıkıştırma</strong>: JPEG2000 gibi modern görüntü formatlarında kullanılır.</li><li><strong>Sinyal sıkıştırma</strong>: Ses, EEG, EKG gibi sinyallerin verimli depolanması ve iletimi için uygundur.</li><li>Gürültü giderme ve özellik çıkarımı gibi <strong>ön işleme</strong> adımlarında da tercih edilir.</li></ul><h3>🌀 CWT vs DWT — Dalgacık Dönüşümleri Karşılaştırması</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/582/1*xxD9sumz0z4qE4_sIfAXNA.png" /></figure><h3>📌 Özetle:</h3><ul><li><strong>CWT</strong>: Sinyalin her noktasında, her ölçekte analiz → daha <strong>detaylı</strong>, ama <strong>daha yavaş ve maliyetli</strong>.</li><li><strong>DWT</strong>: Sinyali sadece belirli noktalarda, belirli ölçeklerde analiz eder → daha <strong>verimli ve pratik</strong>, ama <strong>daha sınırlı çözünürlük</strong> sağlar.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/752/1*aRl1od2wS_CVwUXq77Rh4w.png" /></figure><h3><strong>Principal Component Analysis (PCA) Nedir?</strong></h3><p>Principal Component Analysis (PCA), Türkçesiyle <strong>Temel Bileşenler Analizi</strong>, yüksek boyutlu veri setlerindeki değişken sayısını azaltarak verinin temel yapısını korumayı amaçlayan istatistiksel bir tekniktir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/662/1*CJUo-L0Typ-eVx8hMWjosw.png" /></figure><p>PCA şu şekilde işler:</p><ol><li><strong>Varyansın Maksimize Edilmesi</strong></li></ol><ul><li>PCA, orijinal değişkenlerin doğrusal birleşimlerinden oluşan yeni “bileşenler” (component) oluşturur.</li><li>Birinci bileşen, verideki toplam varyansı en fazla açıklayan yöndür; ikinci bileşen ise birinciye dik olacak şekilde kalan varyansı en çok açıklayan yöndür.</li></ul><p><strong>2. Boyut İndirgeme</strong></p><ul><li>Oluşturulan bileşenler, açıklanan varyans miktarına göre sıralanır.</li><li>İlk birkaç bileşen, verideki en anlamlı bilgiyi taşır; daha sonraki bileşenler ise çoğunlukla gürültü veya popülasyona dair az bilgi içerir</li><li>İhtiyaç duyulan bileşen sayısı seçilerek (örneğin ilk 2–3 bileşen), veri boyutu düşürülür.</li></ul><p><strong>3. Veri Sıkıştırma ve Gürültü Azaltma</strong></p><ul><li>Boyut indirgeme sayesinde depolama ve hesaplama maliyeti azalır.</li><li>Az önemli bileşenlerin atılması, düşük-varyanslı gürültüyü de otomatik olarak ortadan kaldırır.</li></ul><p><strong>4. Uygulama Alanları</strong></p><ul><li><strong>Görselleştirme:</strong> Yüksek boyutlu veriyi 2 veya 3 bileşende projekte ederek kolayca grafiksel inceleme.</li><li><strong>Sınıflandırma/Regresyon Öncesi Ön İşleme:</strong> Modeli hızlandırır, aşırı öğrenmeyi (overfitting) azaltır.</li><li><strong>Görüntü/Sinyal Sıkıştırma:</strong> Önemli özellikleri tutup fazlalıkları atarak veri hacmini küçültür.</li></ul><h3>LİNEER AYRIŞTIRMA ANALİZİ ( LDA)</h3><p><strong>Linear Discriminant Analysis (LDA)</strong>, etiketli (supervised) veri setlerinde sınıflar arasındaki ayrımı maksimize ederek boyut indirgeme yapan bir tekniktir. Temel amaç, birden fazla sınıfa ait veriyi, sınıflar arası farkı en üst düzeye çıkaracak şekilde daha düşük boyutlu bir uzaya projekte etmektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/753/1*cQZy2YsW0znIi9AD9MwnOQ.png" /></figure><h3>Nasıl Çalışır?</h3><ol><li><strong>Sınıf İçi ve Sınıflar Arası Dağılımı Hesaplama</strong></li></ol><ul><li>Her bir sınıfın ortalaması ve tüm veri setinin ortalaması bulunur.</li><li>Sınıf içi scatter (dağılım) matrisi SWS_W ve sınıflar arası scatter matrisi SBS_B oluşturulur.</li></ul><p><strong>2. Optimum Dönüşüm Yönünün Belirlenmesi</strong></p><ul><li>Amaç, SBS_B matrisindeki varyansı artırırken SWS_W matrisindeki varyansı azaltmaktır.</li><li>Bu, özdeğer probleminin çözülmesiyle elde edilir: SW−1SBS_W^{-1} S_B matrisinin en büyük özdeğerine karşılık gelen özvektör, veriyi ayırmada en etkili çizgiyi verir.</li></ul><p><strong>3. Projeksiyon</strong></p><ul><li>Seçilen bir veya birden çok özvektör, orijinal veriye uygulanarak yeni, düşük boyutlu temsiller elde edilir.</li></ul><h3>t‑Distributed Stochastic Neighbor Embedding (t‑SNE) Nedir?</h3><p><strong>t‑SNE</strong>, yüksek boyutlu veri noktalarını düşük boyutlu bir uzaya gömme (embedding) yöntemi olup, veri içindeki yerel yapıyı ve kümelenmeleri korumaya odaklanır. Genellikle 2D veya 3D görselleştirme amaçlı kullanılır.</p><h4>Temel Fikir</h4><ul><li>Yüksek boyutlu alanda “komşuluk” ilişkisi — hangi noktaların birbirine yakın olduğu — bir olasılık dağılımı ile modellenir.</li><li>Aynı veri, düşük boyutlu alanda başka bir olasılık dağılımı ile temsil edilir.</li><li>t‑SNE, bu iki dağılım arasındaki <strong>Kullback–Leibler (KL) uzaklığını</strong> minimize edecek şekilde noktaları yerleştirir.</li></ul><h3><strong>Non-Negative Matrix Factorization (NMF)</strong></h3><ul><li>NMF, özellikle boyut indirgeme, örüntü keşfi ve özellik çıkarımı gibi alanlarda sıkça kullanılan güçlü bir tekniktir.<br>• Tüm değerleri negatif olmayan (pozitif veya sıfır) bir veri matrisini, iki daha küçük negatif olmayan matrisin çarpımı olarak ifade etmeye çalışır.<br>• Bu yöntemin temel avantajı, elde edilen alt matrislerin daha yorumlanabilir olmasıdır; çünkü negatif değerler içermediğinden, bileşenler genellikle “parça-toplam” ilişkisiyle anlamlandırılabilir.<br>• NMF, veri içindeki örtük örüntüleri pozitif bileşenler aracılığıyla açıklarken, veri sıkıştırması gibi görevlerde de etkili sonuçlar verir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/660/0*_umAdwy8i05Qupfq.png" /></figure><h3><strong>B) BOYUT DEĞİŞTİRMEDEN VERİ İNDİRGEME YÖNTEMLERİ</strong></h3><p>•Boyut değiştirmeden veri indirgeme yöntemleri, veri setinin boyutunu azaltırken, verinin temsilini değiştirmeden daha az sayıda özniteliği korumayı hedefler.<br>• Bu yöntemler, veri setindeki bilgi kaybını minimize etmeye çalışırken, orijinal verinin yapısını ve özelliklerini korumayı amaçlar.</p><h4><strong>1) Veri Agregasyonu(Data Aggregation)</strong></h4><p>•Veri agregasyonu, veri setindeki örneklerin veya değişkenlerin belirli kurallar doğrultusunda gruplandırılması veya birleştirilmesi işlemidir.<br>• Bu yöntemle, örneğin ortalama değerlerin hesaplanması ya da verilerin boy, kilo gibi benzer özelliklere göre gruplandırılması sağlanabilir.<br>• Böylece, veri setindeki örnek ya da değişken sayısı azaltılırken, temel bilgiyi temsil eden yapılar korunmuş olur.<br>• Bu işlem, hem veri boyutunu küçültmek hem de analiz sürecini sadeleştirmek amacıyla kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/718/1*CYx4gPkDwo7fxawWRiheBw.png" /></figure><h4><strong>2) ÖZNİTELİK SEÇİMİ (FEATURE SELECTION)</strong></h4><p>• Öznitelik seçimi, veri setindeki en önemli öznitelikleri belirleyerek diğer öznitelikleri çıkarmayı içerir.<br>• Bu yöntemde, özniteliklerin önemini değerlendirmek için filtre yöntemleri (korelasyon, bilgi kazancı, vb.) veya sarmal yöntemleri (geriye doğru eleme, ileriye seçim, vb.) kullanılabilir.<br>• Öznitelik seçimi, veri setindeki gereksiz veya tekrarlayan bilgileri çıkararak boyutu azaltırken,önemli özniteliklerin korunmasını sağlar.</p><h4>ÖZELLİK SEÇME İŞLEMİNİN AVANTAJLARI</h4><p>-Özellik sayısının azaltılması analiz sürecinde uygulamacıya birçok avantaj sağlamaktadır.<br>Bunlar;<br>• Özellik kümesinin boyutunu düşürür ve algoritma hızını arttırır,<br>• İlgili olmayan ve gürültülü veriyi ortadan kaldırır,<br>• Veri kalitesini geliştirir,<br>• Veri kümesini daha basit bir şekilde tanımlanabilir, görselleştirilebilir ve anlaşılabilir hale getirir,<br>• Veri kümesini oluşturmak için gerekli olan veri toplama işleminde kaynak tasarrufu sağlar,<br>• Veri depolamak için gerekli olan hafıza miktarını azaltır,<br>• Elde edilen modelin başarısını arttırır.</p><h4><strong>ÇEŞİTLİ FİLTRELEME YÖNTEMLERİ:</strong></h4><h4><strong><em>1 ) Information Gain (Bilgi Kazancı):</em></strong></h4><p>•Bilgi kazancı, bir özniteliğin belirli bir hedef değişkenini ne kadar iyi açıkladığını ölçer.<br>• Karar ağaçları gibi algoritmalarla kullanılır.<br>• Bilgi kazancı, özniteliklerin ayrım gücünü değerlendirir ve en yüksek kazancı sağlayan öznitelikleri seçer.</p><p>Örnek: Eğitim kurumunda öğrencilerin sınavı geçip geçememesiyle ilgili verimiz var. Biz “çalıştı mı?” özelliğini kullanarak bu sınıflandırmayı yapmak istiyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/569/1*_OyUwjBiiHBhIIC-M0zO1g.png" /></figure><ol><li>Adım:Başlangıç Entropisini (Veri Karışıklığı) Hesaplama</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/692/1*ehbjPlcXMH-poKaIGfbQ4Q.png" /></figure><p>2. Adım: Veriyi Özelliğe Göre Böl ve Her Alt Kümenin Entropisini Hesapla</p><ul><li>“Çalıştı mı?” özelliğine göre bölüyoruz:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*gUPtQQYe5Oeu5-_Jb0PzrQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/695/1*6lnyQbAeVG3gS-HoBbteqw.png" /></figure><ul><li>Sonuç: “Çalıştı mı?” özelliğin bilgi kazancı 0.421 olarak hesaplandı.</li><li>Özellik sınıfları ayırmada fena değil, kullanılabilir.</li></ul><h4><em>2) Mutual Information(Karşılıklı Bilgi):</em></h4><ul><li>Karşılıklı bilgi, bir özniteliğin hedef değişkeni ile olan bağımlılığını ölçer.</li><li>Özniteliklerin hedef degişkeni ile olan ilişkisini hesaplar ve en yüksek karşılıklı bilgiye sahip öznitelikleri seçer.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/589/1*c5tUQH873Q3m33PyEEhX7Q.png" /></figure><h4><strong>3. Öznitelik Çıkarma (Feature Extraction)</strong></h4><p>Öznitelik çıkarma, orijinal ham özelliklerden (sütunlardan) yeni, daha düşük boyutlu fakat bilgi açısından zengin özellikler (latent bileşenler) üretme sürecidir. Orijinal verinin dönüştürülmüş bir temsili elde edilir.</p><h3>Neden Öznitelik Çıkarma?</h3><ul><li><strong>Boyut indirgeme</strong>: Yüksek boyutlu verideki gürültüyü azaltır, hesap yükünü düşürür.</li><li><strong>Görselleştirme</strong>: 100‑dim veriyi 2D/3D’ye indirip küme yapısını keşfetmeyi sağlar.</li><li><strong>Model performansı</strong>: Alttaki temel yapıyı yakalayarak aşırı öğrenmeyi (overfitting) engeller.</li><li><strong>Yorumlanabilirlik</strong>: Bileşenler üzerinden veri ilişkilerini inceleyebilirsiniz.</li></ul><p><strong>🔹 Özet ve Sonuç</strong></p><p>Veri azaltma, hem boyut indirgeme hem de boyut değiştirmeden yöntemlerle, büyük ve karmaşık veri kümelerini daha yönetilebilir hâle getirir. Boyut indirgeme yöntemleri (PCA, LDA, t‑SNE, Wavelet, NMF vb.), verinin içindeki temel yapıyı koruyarak değişken sayısını düşürür; böylece görselleştirme, modelleme ve gürültüden arındırma süreçleri hızlanır ve doğruluk artar. Boyut değiştirmeden yöntemler (agregasyon, öznitelik seçimi, bilgi kazancı, karşılıklı bilgi vb.) ise orijinal özellik setinden en değerli bilgiyi seçip gereksizleri eler; bu sayede hem depolama hem de hesaplama maliyetleri azalır.</p><p><strong>Ana faydalar</strong></p><ul><li><strong>Hız ve Verimlilik</strong>: Azaltılmış veri setleri, hem eğitim hem de tahmin aşamalarında kayda değer hız kazanımı sağlar.</li><li><strong>Daha Temiz Veri</strong>: Gürültü ve aykırı değerlerin etkisi azalır, modelin genellenebilirliği artar.</li><li><strong>Depolama ve Kaynak Tasarrufu</strong>: Daha az bellek ve disk kullanımı, bulut/yerel altyapı maliyetlerini düşürür.</li><li><strong>Yorumlanabilirlik ve Görselleştirme</strong>: Yüksek boyutlu veriler 2–3 boyuta indirgenerek kolayca analiz edilebilir ve sunulabilir.</li></ul><p><strong>Doğru Yöntemi Seçmek</strong></p><ul><li>Eğer veriniz etiketli ve sınıflar arası ayrımı maksimize etmek istiyorsanız → LDA.</li><li>Varyans odaklı, genel amaçlı indirgeme için → PCA.</li><li>Lokal komşuluk yapısını koruyarak görselleştirme istiyorsanız → t‑SNE.</li><li>Sinyal/görüntü verisinde sıkıştırma ve gürültü giderme amaçlı → Wavelet Transform.</li><li>Parça-toplam ilişkileriyle yorumlanabilir bileşenler elde etmek isterseniz → NMF.</li><li>Orijinal boyutları koruyarak gereksiz özellikleri elmek isterseniz → Feature Selection (Information Gain, Mutual Information vb.) veya Aggregation.</li></ul><p>Sonuç olarak, veri azaltma adımı; veri madenciliği ve makine öğrenmesi projelerinin başarısını belirleyen kritik bir ön hazırlık sürecidir. Hangi yöntemin kullanılacağı; veri tipi, problem tanımı ve hedefe bağlı olarak değişir. Uygun veri azaltma stratejisiyle, hem işlem maliyetlerini düşürür hem de modellerinizin performans ve genellenebilirliğini en üst düzeye çıkarırsınız. Böylece, büyük veri çağında hem zamandan hem de kaynaktan tasarruf ederek daha sağlam ve anlaşılır sonuçlar elde etmiş olursunuz.</p><blockquote>📂 Uygulamalı örnekler ve kodlar için GitHub deposuna göz atabilirsiniz:<em><br></em>V<a href="https://github.com/tulaycetin/Veri_Azaltma_Yontemleri">eri_Azaltma_Yöntemleri.ipynb</a></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=30d76b859b2d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Imputation — Eksik Değerlerin İşlenmesi]]></title>
            <link>https://medium.com/@tulayctn73/imputation-eksik-de%C4%9Ferlerin-i%CC%87%C5%9Flenmesi-7fa4abb6a052?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/7fa4abb6a052</guid>
            <category><![CDATA[data-imputation]]></category>
            <category><![CDATA[missing-data]]></category>
            <category><![CDATA[eksik-veri]]></category>
            <category><![CDATA[verianalizi]]></category>
            <category><![CDATA[veri-önişleme]]></category>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Fri, 02 May 2025 20:31:54 GMT</pubDate>
            <atom:updated>2025-05-02T21:11:37.634Z</atom:updated>
            <content:encoded><![CDATA[<h4>Veri Ön İşleme Teknikleri</h4><h3>Imputation — <strong><em>Eksik Değerlerin İşlenmesi</em></strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*Nv-k-tpED1AyabhAmD61KA.png" /></figure><p>Eksik veri, bir veri kümesindeki gözlemlerden bazılarının beklenen değerleri taşımaması durumudur. İstatistiksel analiz ve makine öğrenmesi modelleri, tam veri üzerine kuruludur; eksiklikler doğrudan çıkarım kalitesini ve model performansını düşürür. <strong>Imputation</strong> ise, bu boşlukları akıllı tahmin yöntemleriyle doldurma sürecidir.</p><blockquote><strong>Neden Gereklidir?</strong></blockquote><ul><li>Eksik veriler tümceleme (listwise deletion) gibi basit yöntemlerle kaldırıldığında, örneklem küçülür ve sonuçlar yanlı hale gelebilir.</li><li>İyi seçilmiş bir doldurma stratejisi, verinin yapısını koruyarak analiz gücünü ve genelleme yeteneğini artırır.</li></ul><blockquote><strong>Nasıl Çalışır?</strong></blockquote><ul><li><strong>Basit Imputation:</strong> Aritmetik ortalama, medyan veya mod değerleriyle doldurma. Hızlı ve anlaşılır, ancak dağılımı bozmaya meyilli.</li><li><strong>Model Tabanlı Imputation:</strong> Eksik değeri, diğer değişkenleri girdiler olarak kullanan regresyon veya sınıflandırma modelleriyle tahmin etme. Daha esnek ama hesaplama yükü yüksek</li><li><strong>İleri Düzey Yöntemler:</strong></li><li><strong>Expectation Maximization (EM):</strong> Veri dağılımını modelleyip tekrarlı güncellemelerle eksikleri tahmin eder.</li><li><strong>Multiple Imputation (MI &amp; MICE):</strong> Eksik veriye birden çok tahmin uygulayıp nihai çıktıyı birleştirir; belirsizliği ölçmeye olanak tanır.</li></ul><h4>Imputation Yöntemleri</h4><ul><li>Mean substitution</li><li>Imputation by regression</li><li>Hot deck imputation</li><li>Cold deck imputation</li><li>Expectation maximization (EM)</li><li>Maximum likelihood</li><li>Multiple imputations</li><li>Bayesian analysis</li></ul><p>MEAN SUBSTITUTION (YERINE ORTALAMAYı KOYMA)</p><ul><li>Bu yöntem, veri setinde kayıp verinin olduğu alandaki diğer verilerin ortalamasını alarak kayıp olan verilerin yerine bu değeri yazarak doldurmaya yarayan yöntemdir.</li><li>Veri aralığı düşük olan verilerde kullanıldığında yararlı olabilir.</li><li>Aksi halde çok değişkenli veri setinde hata oranını arttırır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/769/1*gKJv7YIeoG_N6KnXQ9EJhA.png" /></figure><p><strong>Regresyonla Tamamlama (Imputation by Regression)</strong>,</p><p>Eksik değerleri veri içindeki diğer değişkenlerle kurulan çoklu regresyon modeli aracılığıyla tahmin etme yöntemidir. Öncelikle, eksik gözlemler içermeyen veriler kullanılarak, eksik değeri bağımlı değişken kabul eden bir regresyon denklemi oluşturulur. Bu denklemde; bağımsız değişkenler, eksik değerin yerine geçecek tahminin temelini oluşturan özelliklerdir. Örneğin, bir tablodaki “X” sütunu eksik gözlemler içeriyorsa, “X” diğer sütunlardaki bilgiler kullanılarak;</p><blockquote>X=β0+β1Z1+β2Z2+⋯+βpZp+ε</blockquote><p>formunda bir model kurulur. Burada Z1,Z2,…,Zp, eksiksiz gözlemler sunan bağımsız değişkenler; β katsayıları ise en küçük kareler yöntemiyle tahmin edilen parametrelerdir.</p><p>Model kurulduktan sonra, eksik olan her bir “X” değeri için ilgili satırdaki Zdeğerleri modele sokularak X^tahminleri elde edilir ve bu tahmini değerler eksik hücrelere yerleştirilir. Bu şekilde, eksik gözlemler “veri tabanlı” bir yaklaşımla doldurulmuş olur.</p><p>Bu yöntemin güvenilir çalışabilmesi için iki temel koşul vardır:</p><ol><li><strong>Eksiklik mekanizması</strong> MCAR (tamamen rastgele) veya MAR (rastgele) olmalıdır; yani eksiklik, diğer gözlemlerle açıklanabilecek biçimde ortaya çıkmalıdır.</li><li><strong>Bağımsız değişkenlerin açıklayıcılık gücü</strong> güçlü olmalıdır; zira zayıf korelasyon, eksik veriyi kötü tahmin eden bir modele yol açar.</li></ol><blockquote>Avantaj olarak, regresyonla tamamlama, basit ortalama veya medyan doldurmaya kıyasla veri içindeki ilişkileri korur ve model performansını iyileştirme potansiyeline sahiptir.</blockquote><blockquote>Dezavantajı ise, model kurulumu ve hesaplama maliyetinin yüksek olmasıdır; ayrıca doğru değişken seçilmediğinde ya da eksikliğin kendisiyle ilişkili olduğu MNAR (rastgele değil) durumlarda tutarsız sonuçlar üretebilir. Bu nedenle, regresyonla imputation uygulamadan önce eksiklik türünü incelemek ve güçlü açıklayıcı değişkenleri belirlemek kritik öneme sahiptir.</blockquote><p>HOT DECK IMPUTATION</p><ul><li>Hot Deck Imputation ile eksik veri değerlerini doldururken benzerlik tahmininde bulunmak için k-en yakın komşu yöntemi en çok tercih edilen metodudur.</li><li>Diğer bir deyişle eksik veri bulunduran satır ile tamamlanmış satır arasındaki uzaklık hesabı için k-en yakın komşu metodu mantığı kullanılabilir.</li></ul><blockquote>Bunun için aşağıdaki adımlar uygulanır.</blockquote><p>1.) Veriler tamamlanmış ve tamamlanmamış (eksik) veri kümeleri olmak üzere ikiye bölünür.</p><p>2.) Xi tamamlanmış veri kümesinin matrisi ve n değişken sayısıdır. Xij tamamlanmış veri kümesi içindeki i. gözlem ve j. değişkendir. Ykj eksik veri içeren veri kümesi içindeki k. gözlem ve j. değişken</p><p>3.) Her eksik veri içeren satır için öklid uzaklığı hesaplanır.</p><blockquote>Örnek:</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/729/1*uszCE-mdin81GW7X7S1eaw.png" /></figure><p>COLD DECK IMPUTATION</p><p><strong>Cold Deck Imputation</strong>, eksik değerlerin doldurulmasında dış kaynaklardan veya önceki çalışmalardan elde edilen sabit bir değerin kullanıldığı bir yöntemdir. Bu yaklaşımda, eksik gözlemler içeren değişkene, aynı çalışmanın önceki uygulamalarından ya da literatürde yayımlanmış benzer veri setlerinden alınan ortalama, medyan ya da başka bir merkezi eğilim ölçüsü gibi önceden belirlenmiş bir değer atanır. Araştırmacı, bu değerin eldeki verilerden hesaplanacak bir ortalamadan ya da medyandan daha geçerli ve tutarlı olduğuna ikna olmalıdır; aksi takdirde imputasyon sonucu yanıltıcı olabilir.</p><p>Örneğin, bir hastanede uygulanan hasta memnuniyeti anketinde beş katılımcı “tedavi memnuniyeti” maddesini boş bıraktıysa, aynı hastanede daha önce yapılan benzer bir ankette bu maddeye verilen ortalama puan, cold deck imputasyonuyla eksik yanıtların yerine geçirilebilir. Bu yöntem, veri toplama fırsatlarının sınırlı olduğu veya mevcut verideki eksikliklerin modellerde yaratacağı sapmayı minimize etmek istediğiniz durumlarda hızlı ve pratik bir çözüm sunar. Ancak unutulmamalıdır ki, cold deck imputasyon sabit bir değer atadığı için verinin doğal varyansını ve özgün örüntülerini yansıtmayabilir.</p><p>EXPECTATION MAXIMIZATION (EM) BEKLENTI MAKSIMIZASYONU</p><p>Expectation Maximization (EM), eksik veri sorununun üstesinden gelmek için kullanılan güçlü bir istatistiksel yöntemdir. İki aşamalı, tekrarlı (iteratif) bir süreçtir ve hem eksik verileri tahmin etmek hem de model parametrelerini ortak olarak güncellemek üzere tasarlanmıştır.</p><ol><li><strong>Beklenti Adımı (E–Step)</strong><br> Bu aşamada, elimizdeki mevcut model parametreleri θ(t) kullanılarak eksik veri noktalarının beklenen değerleri hesaplanır. Başka bir deyişle, eksik gözlemlere doğrudan değer atamak yerine, bu değerler altındaki olası dağılımın beklenen değeri bulunur:</li><li><strong>Maksimizasyon Adımı (M–Step)</strong><br> Beklenti adımında elde edilen bu güncellenmiş log-benzerlik fonksiyonu üzerinden, parametreler yeniden tahmin edilir. Amaç, Q(θ∣θ(t)) yu maksimize eden yeni parametre θ(t+1) bulmaktır.Böylece model, eksik verilerin olası en iyi tahminleriyle uyumlu olacak şekilde parametrelerini günceller.</li><li><strong>İterasyon ve Durdurma Kriteri</strong><br> E–Step ve M–Step adımları, log-benzerlik değerindeki artış çok küçük bir eşik değerinin altına düşünceye veya parametrelerdeki değişim önemsizleşinceye dek tekrarlanır. Bu sayede model, hem parametreler hem de eksik veri imputasyon tahminleri bakımından yakınsama sağlar.</li></ol><p>Maximum Likelihood (ML) ile Eksik Veri Tamamlama</p><p>Maximum Likelihood yönteminde amaç, elimizdeki eksiksiz (gözlenen) veriye dayanarak veri setinin geçerli dağılım parametrelerini tahmin etmek ve ardından eksik gözlemleri bu parametrelerle en yüksek olasılığa sahip değerler olarak tamamlamaktır. Tipik bir uygulama adımları şunlardır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/663/1*Dl2bhTfq8Z1r-c4PVmMCNA.png" /></figure><p>MULTIPLE IMPUTATIONS (MI) — Çoklu Atama Yöntemi</p><p><strong>Multiple Imputation (MI) — Çoklu Atama Yöntemi</strong></p><p>Multiple Imputation, eksik değerleri tek bir dolgu yerine birden fazla dolgu senaryosuyla tahmin ederek belirsizliği de modele katan bir yaklaşımdır. Süreç üç aşamada işler:</p><ol><li><strong>Birden Çok Veri Seti Oluşturma:</strong> Eksik değerler, farklı atama yöntemleri veya rastgelelik içeren modeller kullanılarak mm kez doldurulur ve her biri eksik gözlemler için ayrı tahminlere sahip mm tam veri seti üretilir.</li></ol><p><strong>2. Ayrı Ayrı Analiz:</strong> Bu mm veri seti, planlanan istatistiksel model veya analiz prosedürü (örneğin regresyon, sınıflandırma) için teker teker çalıştırılır ve her analizden birer sonuç (parametre tahminleri, kovaryanslar vb.) elde edilir.</p><p><strong>3. Sonuçların Birleştirilmesi (Pooling):</strong> mm farklı analiz çıktısı, Rubin’in kuralları çerçevesinde ortalama ve varyans katkılarını hesaba katarak tek bir nihai tahmin ve güven aralıkları üretmek üzere birleştirilir.</p><p>Bu yöntemle elde edilen “karma kestirim” — bir tekniğin değil, farklı tahminlerin birleşiminin — hem model belirsizliğini hem de eksik veri belirsizliğini yansıtır. Multiple Imputation’ın en önemli avantajları şunlardır:</p><ul><li>Eksik veriye ilişkin belirsizliği modelleme imkânı, tek dolgu yöntemlerine göre daha güvenilir ve gerçeğe yakın sonuçlar üretir.</li><li>Veriyi tamamen silmek yerine, tüm gözlemleri kullanarak istatistiksel gücü korur.</li><li>Normal dağılımı ya da değişkenler arası ilişkiyi ihlal eden durumlarda bile görece sağlam tahminler sunar.</li></ul><p>Dezavantajı ise hesaplama açısından maliyetli olması ve birden çok analiz çalıştırmayı gerektirmesidir. Ancak yüksek doğruluk ve belirsizlik yönetimi sağladığı için, kritik uygulamalarda MI tercih edilen yöntemlerden biridir.</p><p>MULTIPLE IMPUTATION BY CHAINED EQUATIONS (MICE)</p><p><strong>Multiple Imputation by Chained Equations (MICE)</strong>, eksik veri doldurmada en esnek ve yaygın kullanılan yöntemlerden biridir. Temel olarak, her bir değişkenin eksik değerlerini, diğer değişkenleri girdi olarak kullanan ayrı bir regresyon modeline dayalı olarak ardışık (chained) biçimde tahmin eder.</p><p>1. Tekli atama yöntemlerinden birisiyle (Ör: Ortalama değer ataması) eksik veriler tamamlanır. Bu değerler geçici olarak atanmış değerlerdir.</p><p>2. Geçici değerlerden biri seçilir ve tekrar “eksik veri” olarak işaretlenir. Bu değişkene temsili olarak “var” ismini verelim.</p><p>3. “var” değişkeni bir regresyon modelinde bağımlı değişken ve geriye kalan diğer tüm değişkenler bağımsız olarak işaretlenir.</p><p>4. “var” değişkenine dair eksik gözlem, regresyon modeli ile tahmin edilir.</p><p>5. Bu yöntem, sırasıyla eksik veriye sahip diğer değişkenler için de uygulanır. Bir turun ardından, 1. adımda tekli atama yöntemi ile atanan geçici veriler, regresyon modeli ile tahmin edilen yeni değerler ile değiştirilir.</p><p>6. 2, 3 ve 4. adım tutarlı bir değer elde edene kadar belirli bir sayıda tekrar edilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/858/1*bVZr6zTi0fWtkpG7OC-_mw.png" /></figure><p>NAIVE BAYESIAN IMPUTATION (NBI)</p><p><strong>Naive Bayes Imputation (NBI)</strong>, kategorik özelliklerde eksik değerleri doldurmak için Naive Bayes sınıflandırıcısının gücünden yararlanan bir yöntemdir. Aşağıda yöntemin mantığını ve üç yaygın stratejisini metinsel olarak özetliyorum.</p><blockquote>Naive Bayes Imputation’ın Mantığı</blockquote><ol><li><strong>Temel Varsayım:</strong><br> Naive Bayes, her sınıfın (örneğin bir kategori değerin) diğer özelliklerden bağımsız olarak geldiği varsayımına dayanır.</li><li><strong>Model Eğitimi:</strong></li></ol><ul><li>Eksik olmayan gözlemlerden kurulan bir eğitim seti oluşturulur.</li><li>Eksik değer içeren her bir özellik (atribüt) için ayrı bir Naive Bayes sınıflandırıcısı eğitilir; bu model, diğer özelliklerin değerlerine bakarak eksik kategoriyi tahmin eder.</li></ul><p><strong>3. Eksik Değerlerin Doldurulması:</strong></p><ul><li>İlgili özellikte eksik gözlem olduğunda, o gözlemin diğer (tam) özellikleri modele beslenir ve en yüksek posterior olasılığa sahip kategori ataması yapılır.</li></ul><p>Bu akış, eksik verilerin model tarafından “sınıflandırılarak” akıllıca yerleştirilmesini sağlar; dolayısıyla kategorik tutarlılık korunur ve basit mod/ortanca doldurmadan daha zengin bir yaklaşım sunar.</p><h3>Üç Farklı NBI Stratejisi</h3><ol><li><strong>Sıralı (Sequential) Imputation</strong></li></ol><ul><li>Eksik değerlere sahip özellikler belirli bir sırada ele alınır (örneğin en az eksik veriden en çok eksik veriye doğru).</li><li>İlk özellik için Naive Bayes sınıflayıcısı eğitilir ve o özelliğin eksikleri doldurulur.</li><li>Güncellenmiş veri setiyle bir sonraki özellik işlenir.</li></ul><blockquote>Avantaj: Sırayla ilerlediği için hesaplama basittir;</blockquote><blockquote>Dezavantaj: Erken atamalar sonraki tahminleri etkileyebilir.</blockquote><p><strong>2. İteratif (Iterative) Imputation</strong></p><ul><li>Tüm eksik gözlemler önce basit (mod, ortanca veya rastgele seçim) bir atama ile doldurulur.</li><li>Ardından tüm özellikler üzerinde döngü başlatılır: her bir özellik “hedef” kabul edilip diğerleri kullanılarak tekrar sınıflandırılır ve tahminler güncellenir.</li><li>Döngü, atamalardaki değişim çok küçük kalana dek (veya önceden belirlenen tur sayısına dek) sürdürülür.</li></ul><blockquote>Avantaj: Daha tutarlı, belirsizliği azaltır;</blockquote><blockquote>Dezavantaj: Hesaplama yükü artar.</blockquote><p><strong>3. Toplu (Joint-Model) Imputation</strong></p><ul><li>Eksik değerlere sahip tüm kategorik değişkenler aynı anda “çoklu çıktı” veren bir Naive Bayes modeline dönüştürülür.</li><li>Model, bir gözlemin diğer tüm özelliklerinden hem hedef değişken hem de diğer eksik değişkenler için ortak tahminler yapar.</li><li>Böylece değişkenler arası olası bağımlılıklar dolaylı da olsa yakalanmaya çalışılır.</li></ul><blockquote>Avantaj: Özellikler arası etkileşimleri daha bütünsel kapsar;</blockquote><blockquote>Dezavantaj: Model yapısı karmaşıklaşır, her eksik kombinasyonu için sınıf uzayı büyür.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/563/1*j9wQNxCfALoAzaIzRHVPLw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/981/1*bblzi5Uo7_y3nGUdoVm8MA.png" /></figure><blockquote>📂 Uygulamalı örnekler ve kodlar için GitHub reposuna göz atabilirsiniz:<br> <a href="https://github.com/tulaycetin/Eksik_Versi_Temizleme/blob/main/Veri%C3%96ni%C5%9Fleme_Eksikveri.ipynb">VeriÖnişleme_Eksikveri.ipynb</a></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7fa4abb6a052" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Linner Regresyon Hata Metrikleri]]></title>
            <link>https://medium.com/@tulayctn73/linner-regresyon-hata-metrikleri-c0c7b56d34b9?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/c0c7b56d34b9</guid>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[veri-madenciliği]]></category>
            <category><![CDATA[lineer-regresyon]]></category>
            <category><![CDATA[hata-metrikleri]]></category>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Sat, 15 Feb 2025 08:46:58 GMT</pubDate>
            <atom:updated>2025-02-21T18:48:59.495Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>1.</strong> <strong>VERİ MADENCİLİĞİ NEDİR?</strong></h3><p>Veri madenciliği (data mining), büyük veri setlerinden anlamlı bilgiler elde etmek ve kullanışlı desenler keşfetmek amacıyla kullanılan süreçler bütünüdür. Veri madenciliği, ham verilerden değerli bilgiler çıkarmak için istatistik, yapay zeka, makine öğrenimi ve veri tabanı yönetim sistemlerini bir araya getirir.</p><p>Veri madenciliğinin temel amacı elimizde bulunan veriden gizli kalmış örüntüleri çıkarmak, verinin değerini arttırmak ve veriyi bilgiye dönüştürmektir</p><blockquote><strong>1.1.Veri Madenciliğinde Bilgi Keşfi Başlar</strong></blockquote><p>Veri Madenciliği, veri temizleme, veri dönüştürme, örüntü tanımlama ve bilgi sunma aşamalarından oluşur.</p><p>· <strong><em>Veri Temizleme:</em></strong> Gürültülü ve tutarsız verileri çıkarma.</p><p>· <strong><em>Veri Bütünleştirme</em>:</strong> Birden fazla veri kaynağını birleştirme.</p><p>· <strong><em>Veri Seçme:</em></strong> Yapılacak analizle ilgili verileri belirleme.</p><p>· <strong><em>Veri Dönüşümü:</em></strong> Veriyi madencilik için uygun hale getirme.</p><p>· <strong><em>Veri Madenciliği:</em></strong> Veri örüntülerini belirlemek için çeşitli algoritmalar uygulama.</p><p>· <strong><em>Örüntü Değerlendirme</em>:</strong> Elde edilen bilgileri analiz etme.</p><p>· <strong><em>Bilgi Sunumu:</em></strong> Kullanıcıya anlamlı bilgiler sunma.</p><h3><strong>2.</strong> <strong>VERİ MADENCİLİĞİNDE KULLANILAN MODELLER</strong></h3><p>Veri madenciliğinde uygulamalar denetimli ve denetimsiz öğrenme olarak iki ana grupta yapılmaktadır.</p><blockquote>2.1. Denetimli Öğrenme (Supervised Learning)</blockquote><p>Denetimli öğrenme, modelin etiketlenmiş veri ile eğitildiği bir yöntemdir. Bu süreçte model, her bir veri örneğine ait doğru cevabı (etiketi) öğrenir ve bu doğrultuda tahminler yapmayı öğrenir. Tahmin edici modellerden olan Sınıflandırma ve Regresyon problemlerini çözmek için kullanılır.</p><blockquote>2.2. Denetimsiz Öğrenme (Unsupervised Learning)</blockquote><p>Denetimsiz öğrenme, etiketlenmiş veriler olmadan modelin veri setindeki gizli örüntüleri keşfetmesini sağlar. Tanımlayıcı modellerden Kümeleme ve boyut indirgeme gibi teknikler bu türde yaygın olarak kullanılır. Bu öğrenme tipi, veriler arasında anlamlı gruplar veya ilişkiler bulmaya yöneliktir.</p><h3><strong>3.</strong> <strong>Teknik Ve Yöntemler?</strong></h3><figure><img alt="Şekil1.Veri Madenciliği Teknik Yöntemler" src="https://cdn-images-1.medium.com/max/552/1*C0uK_KtHKyRKhTffnDZmAg.png" /><figcaption><strong>Şekil1</strong>.Veri Madenciliği Teknik Yöntemler</figcaption></figure><h3><strong>3.1. Tahmin Edici Modeller</strong></h3><p><em>3.1.Sınıflandırma</em></p><p>Sınıflandırma modelleri, bir öğenin belirli bir kategoriye ait olup olmadığını tahmin eder. Regresyon modellerinin aksine sınıflandırma modelleri sayısal bir çıktı yerine kategorik bir değer döndürür.</p><p><em>3.2.</em>.<em>Regresyon</em></p><p>Regresyon modeli, sayısal bir değeri tahmin eder. Örneğin, yağmur miktarı inç veya milimetre cinsinden tahmin eden bir hava durumu modeli regresyon modelidir.</p><p>3.2.1. Doğrusal Regresyon:</p><p>Sürekli çıktıları tahmin etmek için kullanılır. Giriş özellikleri ile hedef değişken arasındaki doğrusal ilişkiyi modeller.</p><p><strong>3.2.2.</strong> <strong>Lojistik Regresyon:</strong></p><p>Sınıflandırma problemlerinde kullanılır. Bir veri noktasının belirli bir kategoriye ait olma olasılığını tahmin eder.</p><blockquote><strong>3.2. Tanımlayıcı Modeller</strong></blockquote><p>a. Kümeleme(Clustering):</p><p>Kümeleme, veri noktalarını benzerliklerine göre gruplara ayırma işlemidir.</p><p>b. Birliktelik Kuralları</p><p>Veri madenciliğinde, büyük veri setleri içindeki öğeler arasındaki ilişki ve bağıntıları keşfetmek için kullanılan bir tekniktir.</p><h3>4. LİNEER REGRESYON HATA METRİKLERİ</h3><p>Regresyon analizi bağımlı değişken ile bağımsız değişkenler arasındaki i ilişkiyi incelemek için kullanılan istatistiksel analiz yöntemidir. (Ezgi Güler1*) Neden sonuç ilişkilerini ortaya koymayı amaçlayan bu analiz türü bağımsız değişkenlerin bağımlı değişkenleri pozitif veya negatif yönde nasıl etkilediğini ortaya da koymaktadır.</p><p>Örneğin bir dersten başarılı olmanın hangi değişkenlere bağlı olduğu ya da bir işyerinde çalışan kişinin aldığı ücreti hangi değişkenlerin etkilediği regresyon analizi ile belirlenebilmektedir. Yine örnek verilirse bu yöntemle yapılan modeller ile araba fiyat tahmini, alınacak ücret tahmini ya da ürünler için stok tahmini yapılabilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/424/1*nqnSimYGiiymiadn_LICKw.png" /><figcaption><strong>Şekil2</strong>.Lineer Regresyon Formulü</figcaption></figure><ul><li>Y: Bağımlı değişken (Gerçek, gözlenen değer)</li><li>Y^: Tahmin edilen Bağımlı değişken değeri</li><li>X: Bağımsız değişken(ler)</li><li>ϵϵ: Hata terimi, rezidüel</li></ul><p><em>— -Değişken Seçimi:</em></p><p>Regresyon analizi ile uydurulacak modelde yer alacak bağımsız değişkenlerin seçimi çalışmanın ilk adımıdır. Burada dikkat edilecek en önemli hususlar; bağımlı değişkenin (Y) doğru seçilmesi, bağımlı değişken ile bağımsız değişken veya değişkenler (X) arasında doğrusal bir sebep-sonuç ilişkisi bulunması, modele sadece ilgili bağımsız değişkenlerin dahil edilmesidir</p><h3><em>4.</em> <strong>Tahmin Modeli Değerlendirme Metrikleri</strong></h3><blockquote><strong>H<em>ata Ölçütlerinin Tanımı ve Önemi</em></strong></blockquote><ul><li><strong>Neden Önemlidir?</strong> Hata ölçütleri, modelin tahmin performansını ve doğruluğunu değerlendirmek için kullanılır.</li><li><strong>Temel Hata Ölçütleri:</strong> Ortalama Mutlak Hata (MAE), Ortalama Kare Hata (MSE) ve R-kare (R²) gibi ölçütler bulunur.</li><li>Bu metrikler, modelin ne kadar iyi çalıştığını anlamak için kullanılır ve modelin iyileştirilmesi gereken alanları belirlemeye yardımcı olur.</li></ul><blockquote><strong><em>5.1.</em></strong> <strong><em>Ortalama Mutlak Hata (MAE)</em></strong></blockquote><p>· <strong>Tanım:</strong> MAE, iki sürekli değişken arasındaki farkın ölçüsüdür. Gerçek ve tahmini değerler arasındaki farkların mutlak değerlerinin toplamıdır. Toplam hata mutlak değerinin gözlem miktarına bölünmesiyle elde edilmektedir (Ezgi Güler1*)</p><p>· <strong>Diğer İsimleri:</strong> L1 normu veya Manhattan mesafesi.</p><p>· <strong>Özellikler:</strong></p><ul><li>Tüm hatalara büyüklüklerinden bağımsız olarak eşit ağırlık verir.</li><li>Aykırı değerlere ve gürültüye karşı daha dayanıklıdır.</li><li>Büyük hataların etkisini olduğundan az gösterebilir.</li><li>Ortalama mutlak hata değeri 0’dan ∞’a kadar değişebilmektedir.</li></ul><p>· <strong>Kullanım:</strong> Hataların boyutundan çok yönü ve tutarlılığıyla ilgilendiğimizde kullanırız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/312/1*UXK7AzymthZ3p2C2rL0O7w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/278/1*tY9h_-vnyjHOwS4JDyoJeg.png" /><figcaption><strong>Şekil3. </strong>MAE Formul ve Grafiği</figcaption></figure><p>· Yukarıdaki şekilde mavi noktalar veri setindeki değerler, yeşil çizgide regresyon çizgisidir. arasındaki farktan kasıt mavi nokta ile yeşil çizgi arasındaki mesafedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/523/1*EZPN1zzxKi7YdG0TxCSH2A.png" /><figcaption><strong>Şekil4. </strong>MAE ile eğitilen bir model, aykırı değerlerden daha uzaktır.</figcaption></figure><p>· <strong>MAE</strong>. Model, aykırı değerlerden daha uzakta ancak diğer veri noktalarının çoğuna daha yakındı</p><blockquote><strong>5.2.</strong> <strong><em>Ortalama Kare Hata (MSE)</em></strong></blockquote><p>·<em> </em><strong><em>Tanım</em></strong><em>:</em> Tahmin edilen (Y^) ve gerçek değerler (Y) arasındaki hataların karelerinin ortalamasıdır. Gerçek ve tahmini değer arasındaki fark ne kadar az ise o oranda iyi bir tahmin yapılmış olur. (Ezgi Güler1*)</p><p>· <strong><em>Diğer İsimleri</em></strong><em>:</em> L2 normu veya Öklidyen mesafesi.</p><p><em>· </em><strong><em>Özellikler</em></strong><em>:</em></p><p>· Hataların büyüklüğüne orantılı olarak ağırlık verir.</p><p>· Büyük hataların etkisini artırır ve bu nedenle aykırı değerlere karşı daha duyarlıdır.</p><p>· Gürültüye karşı daha az dayanıklıdır.</p><p>· MSE değeri 0’a yaklaşırsa tahmin o oranda iyidir</p><p>· <strong>Kullanım</strong>: Modelin performansını değerlendirmek ve büyük hataların önemini vurgulamak istediğimiz durumlarda kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/269/1*UUiKyQwJZFpS68ufpOnzIg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/298/1*KytYCs86VmU3UoyC-NR8wg.png" /><figcaption><strong>Şekil5.</strong>. MSE Formul ve Grafiği</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/1*2eDd6MJjWvugJ2d9kIbxMw.png" /><figcaption><strong>Şekil6. </strong>MSE ile eğitilen bir model, modelin aykırı değerlere yakınlaştır.</figcaption></figure><p>· <strong>MSE</strong>. Model, aykırı değerlere daha yakın ancak diğer veri noktalarının çoğundan daha uzaktır.</p><blockquote><strong><em>5.3.</em></strong> <strong><em>MAPE (Ortalama Mutlak Yüzde Hata)</em></strong></blockquote><p><em>· </em><strong><em>Tanım</em></strong><em>:</em> Gerçek ve tahmini değerler arasındaki yüzde hatayı temsil eden bir hata metriğidir Tahmini değerler gerçek değerleri yansıtmadığında veya örtüşmediğinde MAPE değeri yüksektir. (Ezgi Güler1*)</p><p>·<em> </em><strong><em>Özellikler</em></strong><em>:</em></p><p>· Tahmini değerler gerçek değerleri yansıtmadığında MAPE değeri yüksektir.</p><p>· MAPE değeri %10&#39;un altında olduğunda tahmin modelinin doğruluğu çok yüksek olarak belirtilmektedir (Gönültaş vd., 2020).</p><p>· Yüzde hata analizi yapılmasını sağlar.</p><p>· Veriler arasında karşılaştırma yapmayı kolaylaştırır.</p><p>· <strong><em>Kullanım</em></strong><em>:</em> Modelin doğruluğunu değerlendirmek ve tahminlerin doğruluk oranlarını belirlemek için kullanılır..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/597/1*VRCN0P5v5wROUP_r0rj5Nw.png" /><figcaption><strong>Şekil7.</strong>. MAPE FORMÜLÜ</figcaption></figure><p>· N, toplam veri noktası sayısını,</p><p>· Y, gerçek değeri,</p><p>· Y^, tahmin edilen değeri,</p><p>· ∑\sum, tüm veri noktaları boyunca toplamı temsil eder.</p><blockquote><strong><em>5.4.</em> <em>R2 (Determinasyon Katsayısı)</em></strong></blockquote><p><em>· </em><strong><em>Tanım</em></strong><em>:</em> Gerçek ve tahmini değerler arasındaki yüzde hatayı temsil eden bir hata metriğidir (Özkaya vd., 2022). Tahmini değerler gerçek değerleri yansıtmadığında veya örtüşmediğinde MAPE değeri yüksektir. (Ezgi Güler1*, 2022)</p><p><em>· </em><strong><em>Özellikler</em></strong><em>:</em></p><p>· R² değeri 0 ile 1 arasında değişir.</p><p>· 1&#39;e yakın bir R² değeri, modelin veriyi iyi açıkladığını gösterir.</p><p>· 0&#39;a yakın bir R² değeri, modelin veriyi iyi açıklayamadığını gösterir.</p><p>· Negatif R² değeri, modelin tahminlerinin ortalama modelden daha kötü olduğunu gösterir.</p><p>· Modelin doğrusal bir eğri sağlayarak gerçek değerleri ne kadar iyi açıkladığını belirler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/323/1*KQW0PVeequlpfxGjevJcTQ.png" /><figcaption><strong>Şekil8.R² </strong>Formülü</figcaption></figure><p>· Yi, gerçek değeri,</p><p>· Y^i, tahmin edilen değeri,</p><p>· Yˉ, gerçek değerlerin ortalamasını,</p><p>· ∑sum, tüm veri noktaları boyunca toplamı temsil eder.</p><p><strong>6. Peki Hangi Metrik Daha Önemli?</strong></p><p>Hangi hata metriğinin önemli ölçüde güncellendiği en güzel cevap, modelin kullanım özelliklerine ve veri setinin özelliklerine göre bu durumun değişkenlik gösterebileceğidir. Örneğin amacımız, ev fiyatlarını mümkün olan en doğru şekilde tahmin etmekse, RMSE metriği bizim için önemli olacaktır. Öte yandan modelimiz bir yatırım stratejisi için kullanılacaksa, R-Kare metriği bizim için önemli olabilir çünkü bu, modelimizin verileri ne karar kadar iyi açıkladığını gösterir ve yatırımlarımızı bu güçlere göre alabiliriz. Aynı şekilde, MAE özellikle aykırı değerlerin olduğu veri setlerinde daha iyi model performansının sağlanmasında faydalı iken, MSE ise MAE nin aksine bozuk kayıtlı olmayan veri setlerinde modelimizin performansını değerlendirmede faydalı olabilir.</p><h3>Kaynakça</h3><p>«Doğrusal regresyon.» tarih yok. 02 2025. &lt;https://developers.google.com/machine-learning/crash-course/linear-regression/gradient-descent?hl=tr&gt;.</p><p>Erdoğan, Mustafa. 13 Şubat 2025. <em>Medium.</em> &lt;https://medium.com/academy-team/makine-%C3%B6%C4%9Frenmesi-regresyon-modellerindeki-hata-metriklerine-g%C3%BCncel-bak%C4%B1%C5%9F-mae-mse-rmse-r-kare-d1ab758c5759&gt;.</p><p>Ezgi Güler1*, Süheyla Yerel Kandemir2. «Lineer ve Kübik Regresyon Analizleri Kullanılarak OECD.» (2022). &lt;https://dergipark.org.tr/en/download/article-file/2275459&gt;.</p><p>Gültepe, Yasemin. «Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine.» <em>Avrupa Bilim ve Teknoloji Dergisi</em> (2019). 14 02 2025. &lt;https://dergipark.org.tr/tr/download/article-file/764199?ref=hackernoon.com&gt;.</p><p>GÜNEL, Alptekin. «REGRESYON DENKLEMİNİN BAŞARISINI ÖLÇMEDE.» (2003). &lt;https://dergipark.org.tr/en/download/article-file/2151806&gt;.</p><p>Karaderili, Sengul. tarih yok. 12 02 2025. &lt;https://hackernoon.com/my-notes-on-mae-vs-mse-error-metrics&gt;.</p><p>«Regresyon analizleri: Giriş ve Doğrusal Regresyon.» (tarih yok). &lt;https://rpubs.com/ihtanboga/1045735&gt;.</p><p>Taner ERSÖZ*1, Öniz TOKTAMIŞ. «Açıklayıcı Değişkenlerde Hata Olması Durumunda Regresyon Modellerinin İncelenmesi.» (2017). 13 02 2025. &lt;https://dergipark.org.tr/tr/download/article-file/437587&gt;.</p><p>Yazar: Tülay ÖETİN</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c0c7b56d34b9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Üretken Yapay Zekâ (Generative AI)]]></title>
            <link>https://medium.com/@tulayctn73/%C3%BCretken-yapay-zek%C3%A2-generative-ai-8653fc853e5c?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/8653fc853e5c</guid>
            <category><![CDATA[generative-ai-tools]]></category>
            <category><![CDATA[üretken-yapay-zeka]]></category>
            <category><![CDATA[gans]]></category>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Sun, 09 Feb 2025 19:02:21 GMT</pubDate>
            <atom:updated>2025-02-09T19:39:36.861Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/724/1*TCAxBGeqQqjopZnzE-bJcQ.png" /></figure><p>Üretken yapay zekâ, makinelerin yeni ve özgün içerikler üretebilmesini sağlayan gelişmiş bir yapay zekâ teknolojisidir. Bu teknoloji, büyük veri kümeleri üzerinde eğitilerek öğrendiği kalıpları analiz eder ve metin, görsel, ses veya video gibi çeşitli formatlarda yeni içerikler oluşturabilir. Derin öğrenme algoritmaları ve sinir ağlarıyla desteklenen üretken yapay zekâ modelleri, insan yaratıcılığını taklit ederek bağlamsal ve anlamlı çıktılar sunabilir.</p><p>Temel amacı, makinelerin insan benzeri üretkenlik sergilemesini sağlamak ve farklı alanlarda yaratıcı süreçlere destek olmaktır.</p><p>Örneğin, ChatGPT doğal dil işleme yetenekleriyle insan gibi metin üretebilirken, DALL·E verilen tanımlara uygun görseller oluşturabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/225/1*WqT_a_F-3CVOpFiCUWDGHA.jpeg" /></figure><blockquote>Üretken Yapay Zeka Türleri Nelerdir?</blockquote><h3><strong><em>1. Dil Üretimi Modelleri(NLP — Doğal Dil İşleme)</em></strong></h3><p>Bu modeller, insan benzeri metinler oluşturabilir, yazıları özetleyebilir veya çeviri yapabilir.</p><blockquote><strong>ChatGPT (OpenAI)</strong></blockquote><ul><li>OpenAI tarafından geliştirilen büyük bir dil modeli (LLM) olup insanlarla doğal dilde sohbet edebilir, metin üretebilir ve farklı konularda soruları yanıtlayabilir.</li><li>Uygulama alanları: Sohbet botları, metin üretimi, kod yazma, soru-cevap sistemleri.</li></ul><blockquote><strong>Google BERT (Bidirectional Encoder Representations from Transformers)</strong></blockquote><ul><li>Google tarafından geliştirilen ve kelimeleri bağlam içinde anlamaya odaklanan bir dil modelidir.</li><li>Çift yönlü (bidirectional) çalışma prensibi sayesinde, bir kelimenin anlamını belirlerken sadece önceki kelimelere değil, sonraki kelimelere de bakarak daha doğru anlam çıkarmaya yardımcı olur.</li><li>Uygulama alanları: Arama motorları, dil anlama, metin sınıflandırma, duygu analizi.</li></ul><blockquote><strong>T5 (Text-to-Text Transfer Transformer)</strong></blockquote><ul><li>Özetleme, çeviri, soru-cevap, duygu analizi gibi birçok farklı NLP görevinde kullanılabilir.</li><li>Transformer tabanlı olup farklı dil işleme görevlerinde güçlü sonuçlar verir.</li><li>Uygulama alanları: Metin özetleme, dil çevirisi, soru-cevap, metin oluşturma.</li></ul><h3><strong>2. Görsel Üreten Yapay Zekâ (AI Görüntü Üretimi)</strong></h3><p>Bu modeller, verilen bir açıklamaya (prompt) göre yeni görseller çizer veya mevcut görselleri değiştirir.</p><blockquote><strong>DALL·E (OpenAI)</strong></blockquote><ul><li>OpenAI tarafından geliştirilen bir yapay zeka modelidir ve verilen metin açıklamalarına (promptlara) göre görseller oluşturur.</li><li>GPT-3 ve GPT-4 gibi metin tabanlı modellerle aynı temel prensiplere dayanır, ancak görüntü üretimi üzerine eğitilmiştir</li></ul><blockquote><strong>Stable Diffusion</strong></blockquote><ul><li>Stability AI tarafından geliştirilen açık kaynaklı bir metinden-görüntüye üretim modelidir.</li><li>Kullanıcıların sadece metin komutlarıyla resimler oluşturmasına olanak tanır ve aynı zamanda mevcut görseller üzerinde düzenlemeler yapabilir.</li></ul><blockquote><strong>StyleGAN (NVIDIA)</strong></blockquote><ul><li>VIDIA tarafından geliştirilen bir yapay sinir ağı modelidir ve özellikle gerçekçi insan yüzleri üretmek için kullanılır.</li><li>Generative Adversarial Network (GAN) mimarisine dayanır ve sahte ama gerçekçi görünen yüzler oluşturabilir.</li></ul><blockquote>GenAI Modelleri ve Çalışma Prensipleri</blockquote><p>GenAI, büyük veri kümeleri üzerinde eğitilmiş yapay zeka modelleri kullanarak yeni ve özgün içerikler üreten bir sistemdir. Farklı mimarilere dayalı çeşitli modeller geliştirilmiştir ve en yaygın kullanılan modeller şunlardır:</p><h3><strong>1. Üretken Karşıt Ağlar (GAN’lar)</strong></h3><p><strong>Temel Yapı ve İşleyiş:</strong></p><ul><li><strong>İki Ağdan Oluşur:</strong> GAN mimarisinin temelinde “Üreteç” (Generator) ve “Ayrımcı” (Discriminator) adlı iki yapay sinir ağı bulunur.</li><li><strong>Rekabetçi Öğrenme Süreci:</strong></li></ul><blockquote><strong>Üreteç:</strong> Rastgele girdiler (genellikle gürültü) alarak, eğitim verilerine benzer yeni veriler üretir. Hedefi, ürettiği örneklerin gerçek verilerden ayırt edilemeyecek kadar inandırıcı olmasını sağlamaktır.</blockquote><blockquote><strong>Ayrımcı:</strong> Hem gerçek verileri hem de üretecin oluşturduğu verileri değerlendirir ve hangi verinin gerçek, hangisinin yapay olduğunu ayırt etmeye çalışır.</blockquote><ul><li><strong>Sürekli İyileşme:</strong> Bu iki ağ arasında gerçekleşen “oyun” benzeri rekabet, her iki modelin de sürekli olarak kendini geliştirmesine olanak tanır. Sonuç olarak, üretilen içerikler zamanla daha gerçekçi ve kaliteli hale gelir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9uRAPYoJwMDwQ5B7jAnKSA.png" /></figure><h3>2. Değişken Otomatik Kodlayıcılar (VAE’ler)</h3><p><strong>Temel Yapı ve İşleyiş:</strong></p><ul><li><strong>Verinin Kodlanması:</strong> VAE’ler, girdi verilerini daha düşük boyutlu ve anlamlı bir temsile (latent space) dönüştürmek için bir “kodlayıcı” (encoder) kullanır.</li><li><strong>Yeniden Oluşturma:</strong> Bu düşük boyutlu temsil üzerinden, verinin temel özelliklerini yakalayan “dekodlayıcı” (decoder) yardımıyla orijinal veriye benzer yeni örnekler oluşturulur.</li><li><strong>Veri Dağılımının Öğrenilmesi:</strong> VAE’ler, verinin dağılımını modelleyerek hem sıkıştırma hem de yeni veri üretimi yapar. Bu sayede, örneğin benzer özelliklere sahip ancak tamamen aynı olmayan veriler üretebilir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yjljTyveOl0kWbsYgIDzEA.png" /></figure><h3>3. Dönüştürücü Modeller (Transformers)</h3><p><strong>Temel Yapı ve İşleyiş:</strong></p><ul><li><strong>Özellik:</strong> Dönüştürücü modeller, özellikle doğal dil işleme (NLP) alanında devrim yaratan bir mimaridir.</li><li><strong>Self-Attention Mekanizması:</strong> Bu modeller, verinin farklı parçaları arasındaki ilişkiyi anlamak için “attention” (dikkat) mekanizmasını kullanır. Böylece, model her bir kelimenin ya da verinin diğer bileşenlere göre önemini değerlendirebilir.</li><li><strong>Büyük Veri Kümesi Üzerinde Eğitim:</strong> Örneğin, GPT (Generative Pre-trained Transformer) modelleri, devasa metin veri kümeleri üzerinde eğitilerek, bağlamı ve anlamı kavrayan yanıtlar üretebilir.</li><li><strong>Görsel İçerik Üretimi:</strong> Dönüştürücü mimarisinin esnekliği, metin açıklamalarından görsel içerikler üreten modellere de (örneğin, DALL·E ve Stable Diffusion) uygulanmıştır. Bu modeller, verilen metinsel tanımlamalara dayanarak yaratıcı ve gerçekçi görüntüler oluşturabilir.</li></ul><blockquote>Üretken Yapay Zeka Kullanım Alanları Nelerdir?</blockquote><ul><li><strong>Sağlık:</strong> Medikal görüntü analizi, teşhis ve ilaç keşfi süreçlerini destekler.</li><li><strong>Finans:</strong> Risk analizi ve dolandırıcılık tespitiyle finansal güvenliği artırır.</li><li><strong>Otomotiv:</strong> Araç tasarımı, mühendislik simülasyonları ve verimlilik optimizasyonu sağlar.</li><li><strong>Eğitim:</strong> Kişiselleştirilmiş öğrenme materyalleri ve dijital asistanlarla eğitim deneyimini geliştirir.</li><li><strong>Pazarlama:</strong> Otomatik içerik üretimi ve kişiye özel kampanyalarla müşteri etkileşimini yükseltir.</li><li><strong>Hukuk:</strong> Belge ve sözleşme oluşturma, özetleme gibi hukuki süreçleri otomatikleştirir.</li><li><strong>Sanat:</strong> Yaratıcı görsel, müzik ve edebi içeriklerin üretilmesinde destek sunar.</li><li><strong>Perakende:</strong> Sanal deneme uygulamaları ve kişisel alışveriş asistanlarıyla müşteri deneyimini zenginleştirir.</li><li><strong>Enerji:</strong> Ekipman izleme ve önleyici bakım çözümleriyle enerji verimliliğini artırır.</li></ul><blockquote>Geleneksel AL vs Üretken AL Farkları</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sCNSJRGSGFTd6hNrbkafxQ.png" /></figure><blockquote>Üretken Yapay Zeka’da Etik Ve Önyargı Nelerdir?</blockquote><p><em>Üretken yapay zekada etik</em>, sistemin kullandığı verilerin, algoritmaların ve oluşturduğu içeriklerin şeffaflık, adalet, sorumluluk, gizlilik gibi ahlaki prensiplere uygun olarak yönetilmesini ifade eder. Bu, geliştiricilerin ve kullanıcıların, oluşturulan çıktılar üzerinden hesap verebilirlik sağlayarak telif hakkı, manipülasyon veya zarar verici içerik üretiminde dikkatli olmalarını gerektirir.</p><p><em>Önyargı ise</em>, eğitim verilerinde bulunan dengesizlikler, eksik temsil ya da kalıp yargıların algoritmaya yansıması sonucu ortaya çıkar. Üretken yapay zeka, bu yanlı verilerden öğrenerek toplumsal cinsiyet, ırk veya diğer ayrımcılık unsurlarını içeren adaletsiz sonuçlar üretebilir. Bu nedenle, üretken yapay zeka sistemlerinin geliştirilme ve kullanım süreçlerinde önyargının tespit edilmesi, azaltılması ve sürekli denetlenmesi kritik öneme sahiptir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8653fc853e5c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zeka Türleri Nelerdir ?]]></title>
            <link>https://medium.com/@tulayctn73/1-yeteneklerine-g%C3%B6re-yapay-zeka-t%C3%BCrleri-66885833cfe6?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/66885833cfe6</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[yapay-zeka-türleri]]></category>
            <category><![CDATA[yapay-sinir-ağları]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[derin-ogrenme]]></category>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Wed, 05 Feb 2025 12:37:03 GMT</pubDate>
            <atom:updated>2025-02-09T19:06:57.687Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="Yapay Zeka Türleri" src="https://cdn-images-1.medium.com/max/831/1*R2hu-U3dEPQG3lLvDnt5Ww.png" /><figcaption>Yapay Zeka</figcaption></figure><p>Yapay zeka (AI), yeteneklerine ve fonksiyonlarına göre farklı kategorilere ayrılır. Bu yazıda, yapay zeka türlerini ve makine öğrenmesi konusunu detaylı bir şekilde ele alacağız.</p><h3>1. Yeteneklerine Göre Yapay Zeka Türleri</h3><blockquote>1.1 Dar Yapay Zeka (Narrow AI)</blockquote><p>· <strong>Özellikleri:</strong> Belirli bir görevi yerine getirmek üzere tasarlanmıştır. İnsan zekasından daha iyi performans gösterebilir ancak yalnızca belirlenmiş bir alanda çalışır.</p><p>· <strong>Örnekler:</strong> Sesli asistanlar (Siri, Alexa), oyun oynayan AI (Satranç oynayan AI), spam filtreleri.</p><blockquote>1.2 Genel Yapay Zeka (General AI)</blockquote><p>· <strong>Özellikleri:</strong> İnsan gibi düşünebilir, öğrenebilir ve farklı görevleri yerine getirebilir. Tüm bilişsel yetenekleri insan seviyesinde gerçekleştirebilir.</p><p>· <strong>Durum:</strong> Henüz gerçekleştirilememiştir ve teorik bir kavramdır.</p><blockquote>1.3 Süper Yapay Zeka (Super AI)</blockquote><p>· <strong>Özellikleri:</strong> İnsan zekasını aşarak tüm bilişsel yeteneklerde üstün performans gösterebilir.</p><p>· <strong>Durum:</strong> Bilim kurgu düzeyinde bir kavramdır ve günümüzde gerçekleşmemiştir.</p><h3>2. Fonksiyonlarına Göre Yapay Zeka Türleri</h3><blockquote>2.1 Reaktif Makineler (Reactive Machines)</blockquote><p>· <strong>Özellikleri:</strong> Geçmiş deneyimlerden öğrenme yeteneği yoktur, yalnızca anlık girdilere tepki verir.</p><p>· <strong>Örnek:</strong> IBM’in Deep Blue satranç bilgisayarı.</p><blockquote>2.2 Sınırlı Bellek (Limited Memory)</blockquote><p>· <strong>Özellikleri:</strong> Geçmişte öğrenilen bilgileri toplar ve daha önceden programlanan dünya bilgilerinin üzerine ekler. Doğru kararlar vermek ve uygun eylemler gerçekleştirmek için yeterli tecrübesi ve hafızası vardır.</p><p>· <strong>Örnek:</strong> Kendi kendine sürüş özelliği olan araçlar (Tesla), konum bazlı öneri sistemleri.</p><blockquote>2.3 Zihin Teorisi (Theory of Mind)</blockquote><p>· <strong>Özellikleri:</strong> Üçüncü tür yapay zeka, etrafındaki insanların davranışlarını etkileyen duygu ve düşüncelerini anlayabilir. Bu tür hisleri, niyetleri beklentileri anlayabilir ve sosyal olarak etkileşime girebilir. Henüz üzerinde çalışılan bu tür yapay zekânın geleceği olarak görülüyor.</p><p>· <strong>Örnek:</strong> Star Wars filmindeki C-3PO ve R2-D2 robotları, Ben robot filmindeki Sonny.</p><blockquote>2.4 Öz Farkındalık (Self-Awareness)</blockquote><p>· <strong>Özellikleri:</strong> Kendi varlığının bilincinde olan, duygulara ve iradeye sahip AI sistemleri. Teorik bir kavramdır.</p><p>· <strong>Örnek:</strong> Bilim kurgu filmlerindeki insan benzeri robotlar (<em>Ex Machina</em>).</p><h3>3. Yapay Zeka Alt Dalları</h3><figure><img alt="Yapay Zeka ALt Dalları" src="https://cdn-images-1.medium.com/max/475/1*3c08kONW8TFyWCPWp9XuOA.png" /></figure><p>1. <strong>Makine Öğrenmesi (Machine Learning)</strong>: Verilerden öğrenerek tahmin veya karar verme süreçlerini geliştirir.</p><p>2. <strong>Derin Öğrenme (Deep Learning)</strong>: Çok katmanlı sinir ağları kullanarak büyük veri kümelerinden öğrenir.</p><p>3. <strong>Sinir Ağları (Neural Networks)</strong>: İnsan beynini taklit eden yapılar.</p><p>4. <strong>Doğal Dil İşleme (NLP)</strong>: İnsan dilini anlama ve işleme yeteneği.</p><p>5. <strong>Bilişsel Bilişim (Cognitive Computing)</strong>: İnsan düşünce süreçlerini taklit eder.</p><p>6. <strong>Bilgisayarlı Görü (Computer Vision)</strong>: Görsel verileri anlama ve işleme.</p><p>7. <strong>Robotik (Robotics)</strong>: Otonom cihazların geliştirilmesi.</p><p>8. <strong>Bulanık Mantık (Fuzzy Logic)</strong>: Belirsiz ve eksik verileri işleyerek karar verme</p><h3><strong>Makine Ögrenmesi Nedir?</strong></h3><p>Makine öğrenmesi, bir bilgisayarın veya makinenin veri kullanarak deneyim kazanıp, belirli görevleri daha iyi bir şekilde yapabilmesini sağlayan bir yapay zeka alanıdır.</p><p>Makine öğrenmesindeki “ögrenme” kavramı, modellerin belirli bir görevi gerçekleştirmek için gerekli olan parametrelerin veya ağırlıkların veriye dayalı olarak ayarlanması veya optimize edilmesini ifade eder.</p><p>Temelde üç ana adımda işler:</p><ol><li><strong>Veri Toplama ve Hazırlık</strong></li><li><strong>Model Seçimi ve Eğitimi</strong></li><li><strong>Model Test Etme ve İyileştirme</strong></li></ol><p>Şimdi bu adımları ve denetimli öğrenme algoritmalarını detaylı bir şekilde inceleyelim.</p><blockquote>1. Veri Toplama ve Hazırlık</blockquote><p>Makine öğrenmesi sürecinin ilk adımı, modelin öğrenmesi için gerekli olan verileri toplamak ve hazırlamaktır. Bu aşamada yapılacaklar:</p><p>· <strong>Veri Toplama:</strong> Modelin öğrenmesi için gerekli olan ham veriler toplanır. Bu veriler, çeşitli kaynaklardan (veri tabanları, sensörler, API’lar vb.) elde edilebilir.</p><p>· <strong>Veri Temizleme:</strong> Toplanan veriler genellikle gürültülü, eksik veya tutarsız olabilir. Veri temizleme işlemiyle bu sorunlar giderilir (örneğin, eksik değerler doldurulur, aykırı değerler tespit edilir).</p><p>· <strong>Veri Ön İşleme:</strong> Veriler, modelin işleyebileceği bir forma dönüştürülür. Örneğin, kategorik veriler numerik hale getirilir, ölçeklendirme yapılır veya veriler normalize edilir.</p><p>· <strong>Veri Bölümleme:</strong> Veri seti genellikle eğitim, doğrulama ve test setleri olarak bölünür. Eğitim seti modeli eğitmek, doğrulama seti hiperparametre ayarlamalarını yapmak, test seti ise modelin performansını değerlendirmek için kullanılır.</p><blockquote>2. Model Seçimi ve Eğitimi</blockquote><p>Model, bir yapay zeka sisteminin tahmin yapmak için kullandığı verilerden türetilen matematiksel bir ilişkidir.</p><p>Böylece , verilerle çalışabilecek bir model seçilir ve bu model eğitilir. Makine öğrenmesi, genellikle üç ana öğrenme yöntemini kullanır:</p><figure><img alt="Makine Ögrenmesi" src="https://cdn-images-1.medium.com/max/633/1*GZ_plfO8RS86WjuT65LEZA.png" /></figure><blockquote>2.1. Denetimli Öğrenme (Supervised Learning)</blockquote><p>Denetimli öğrenme, modelin etiketlenmiş veriler üzerinde eğitildiği bir makine öğrenimi yöntemidir. Etiketler, modelin tahmin etmesi gereken hedef değişkenleri temsil eder. Örneğin, ev fiyatlarını tahmin etmek için evlerin özellikleri (metrekare, oda sayısı vb.) ve fiyatları kullanılır.</p><p>Bir başka tanım ise, denetimli öğrenme modelinin doğru yanıtları içeren çok sayıda veriyi görerek, bu verilerdeki doğru yanıtları veren öğeler arasındaki bağlantıları keşfetmesi ve bu bilgileri kullanarak yeni tahminlerde bulunabilmesidir. Bu süreç, geçmiş sınavlardan yararlanarak yeni bilgiler edinen bir öğrenciye benzetilebilir.</p><blockquote>Denetimli Öğrenme Türleri</blockquote><blockquote>— — Regresyon</blockquote><p>Regresyon modeli, sayısal bir değeri tahmin eder. Örneğin, yağmur miktarını inç veya milimetre cinsinden tahmin eden bir hava durumu modeli regresyon modelidir.</p><blockquote>— — Sınıflandırma</blockquote><p>Sınıflandırma modelleri, bir öğenin belirli bir kategoriye ait olup olmadığını tahmin eder. Regresyon modellerinin aksine sınıflandırma modelleri sayısal bir çıktı yerine kategorik bir değer döndürür. Örneğin, bir e-postanın spam olup olmadığını veya bir fotoğrafta bir kedinin bulunup bulunmadığını belirlemek için sınıflandırma modelleri kullanılır.</p><p>Sınıflandırma modelleri iki gruba ayrılır:</p><ul><li><strong>İkili Sınıflandırma:</strong> Model yalnızca iki farklı sınıftan birini döndürür (örneğin, “rain” veya “no rain”).</li><li><strong>Çok Sınıflı Sınıflandırma:</strong> Model, ikiden fazla sınıf arasından birini tahmin eder (örneğin, “rain”, “hail”, “snow” veya “sleet”)</li></ul><blockquote>Yaygın Denetimli Öğrenme Algoritmaları</blockquote><ol><li><strong>Doğrusal Regresyon:</strong> Sürekli çıktıları tahmin etmek için kullanılır. Giriş özellikleri ile hedef değişken arasındaki doğrusal ilişkiyi modeller.</li></ol><p>2. <strong>Lojistik Regresyon:</strong> Sınıflandırma problemlerinde kullanılır. Bir veri noktasının belirli bir kategoriye ait olma olasılığını tahmin eder.</p><p>3. <strong>Karar Ağaçları:</strong> Verileri belirli karar kurallarına göre bölen ve sınıflandırma veya regresyon yapabilen bir algoritmadır.</p><p>4. <strong>Rastgele Ormanlar:</strong> Birden fazla karar ağacının birleşiminden oluşan bir topluluk yöntemidir (ensemble method). Daha doğru ve kararlı sonuçlar üretir.</p><p>5. <strong>Destek Vektör Makineleri (SVM):</strong> Veri noktalarını en iyi şekilde ayıran bir hiper düzlem bulmaya çalışır. Hem sınıflandırma hem de regresyon için kullanılır.</p><p>6. <strong>Naive Bayes:</strong> Olasılığa dayalı bir sınıflandırma algoritmasıdır. Özelliklerin birbirinden bağımsız olduğu varsayımı altında çalışır.</p><p>7. <strong>K-En Yakın Komşu (KNN):</strong> Bir veri noktasını sınıflandırmak veya tahmin yapmak için en yakın komşuların çoğunluğuna dayanır.</p><blockquote>2.2. Denetimsiz Öğrenme (Unsupervised Learning)</blockquote><p>Denetimsiz öğrenme, etiketlenmemiş veriler üzerinde çalışır. Model, veri kümesindeki gizli yapıları veya örüntüleri keşfetmeye çalışır. Bu yöntem, genellikle verilerin doğası hakkında bilgi sahibi olmadığımız durumlarda kullanılır. İki ana teknikle öne çıkar:</p><h4>a. Kümeleme (Clustering)</h4><p>Kümeleme, veri noktalarını benzerliklerine göre gruplara ayırma işlemidir. Amaç, benzer özelliklere sahip verileri aynı kümeye yerleştirmektir. En yaygın kümeleme algoritmaları:</p><p>· <strong>K-Means:</strong> Veri noktalarını belirli sayıda kümeye ayırır. Her küme, bir merkez nokta (centroid) tarafından temsil edilir. Algoritma, veri noktalarını en yakın merkeze atar ve merkezleri iteratif olarak günceller.</p><ul><li>Örnek: Müşterileri alışveriş alışkanlıklarına göre gruplamak.</li></ul><p>· <strong>Hiyerarşik Kümeleme:</strong> Veri noktalarını bir hiyerarşi (ağaç yapısı) içinde gruplar. Küme sayısı önceden belirlemek yerine, veri noktaları arasındaki benzerliklere göre gruplar oluşturur.</p><p>· <strong>DBSCAN:</strong> Yoğunluk temelli bir kümeleme yöntemidir. Benzer veri noktalarını bir araya getirirken aykırı değerleri (outliers) tespit edebilir.</p><h4>b. Boyut Azaltma (Dimensionality Reduction)</h4><p>Yüksek boyutlu verilerde çalışmak zor olabilir. Boyut azaltma yöntemleri, verilerin özellik sayısını azaltırken önemli bilgileri korur. Bu, hem hesaplama maliyetini azaltır hem de verilerin görselleştirilmesini kolaylaştırır.</p><p>· <strong>Temel Bileşen Analizi (PCA):</strong> Verileri en yüksek varyansı koruyarak daha düşük boyutlu bir uzaya taşır. Özellikle görselleştirme ve gürültü azaltma için kullanılır.</p><p>· <strong>t-SNE:</strong> Yüksek boyutlu verileri 2D veya 3D uzayda görselleştirmek için kullanılır. Veri noktaları arasındaki benzerlikleri korur.</p><p>· <strong>Otoenkoderler (Autoencoders):</strong> Derin öğrenme tabanlı bir yöntemdir. Verileri daha düşük bir boyutlu uzaya sıkıştırır ve orijinal verileri yeniden oluşturmaya çalışır.</p><blockquote>Denetimsiz Öğrenme Kullanım Alanları:</blockquote><ul><li>Müşteri segmentasyonu (örneğin, müşterileri alışveriş alışkanlıklarına göre gruplama).</li><li>Anomali tespiti (örneğin, sahte işlemleri tespit etme).</li><li>Veri sıkıştırma ve görselleştirme.</li></ul><blockquote>2.3 Pekiştirmeli Öğrenme (Reinforcement Learning)</blockquote><p>Pekiştirmeli öğrenme, bir ajanın (agent) çevresiyle etkileşime girerek ödüller alarak öğrenmesini sağlayan bir yöntemdir. Diğer öğrenme yöntemlerinden farklı olarak, pekiştirmeli öğrenme bir “deneme-yanılma” süreci içerir. Ajan, belirli bir hedefe ulaşmak için en uygun eylemleri öğrenir.</p><figure><img alt="Pekiştirmeli Öğrenme" src="https://cdn-images-1.medium.com/max/620/1*fSXGj2WSJhKgGy_UGFZJxA.png" /></figure><h4>Temel Bileşenler:</h4><ul><li><strong>Ajan (Agent):</strong> Çevreyle etkileşime giren ve öğrenme sürecini gerçekleştiren varlık.</li><li><strong>Çevre (Environment):</strong> Ajanın içinde bulunduğu ortam. Ajanın eylemlerine göre durum değiştirir.</li><li><strong>Durum (State):</strong> Çevrenin belirli bir andaki tanımı.</li><li><strong>Eylem (Action):</strong> Ajanın çevre üzerinde gerçekleştirdiği hareket.</li><li><strong>Ödül (Reward):</strong> Ajanın eylemi sonucu aldığı geri bildirim. Amaç, toplam ödülü maksimize etmektir.</li></ul><blockquote>Pekiştirmeli Öğrenme Algoritmaları:</blockquote><p>1. <strong>Q-Learning:</strong></p><ul><li>Bir durum-eylem çifti için değerleri (Q-değerleri) öğrenen bir algoritmadır.</li><li>Ajan, her adımda en yüksek Q-değerine sahip eylemi seçer.</li></ul><blockquote>Formül:</blockquote><blockquote>Q(s,a)=Q(s,a)+α[r+γmax⁡Q(s′,a’)−Q(s,a)]Q(s,a)=Q(s,a)+α[r+γmaxQ(s′,a′)−Q(s,a)]</blockquote><ul><li>s<em>s</em>: Mevcut durum, a<em>a</em>: Eylem, r<em>r</em>: Ödül, γ<em>γ</em>: İndirim faktörü, α<em>α</em>: Öğrenme oranı.</li></ul><p>2. <strong>Derin Q-Ağları (Deep Q-Networks, DQN):</strong></p><ul><li>Q-Learning’i derin öğrenme ile birleştirir. Q-değerleri, bir sinir ağı tarafından tahmin edilir.</li><li>Belli bir bellek tamponu (replay buffer) kullanılarak deneyimler yeniden kullanılır.</li></ul><p>3. <strong>Politika Gradyanları (Policy Gradients):</strong></p><ul><li>Politikayı (eylem seçme stratejisi) doğrudan optimize eder. Amaç, beklenen ödülü maksimize eden bir politika bulmaktır.</li><li>Algoritmalar: REINFORCE, A2C (Advantage Actor-Critic), PPO (Proximal Policy Optimization).</li></ul><p>4. <strong>Aktör-Kritik Yöntemler (Actor-Critic Methods):</strong></p><ul><li>Aktör (policy) ve kritik (value function) bileşenlerini birleştirir. Aktör eylemleri seçer, kritik ise eylemleri değerlendirir.</li></ul><blockquote>Pekiştirmeli Öğrenme Kullanım Alanları:</blockquote><ul><li>Oyunlar (örneğin, AlphaGo, OpenAI Five).</li><li>Robotik (örneğin, bir robotun yürümeyi öğrenmesi).</li><li>Otomatik araçlar (örneğin, otonom araçların yolculuk stratejilerini öğrenmesi).</li><li>Kaynak yönetimi (örneğin, enerji tasarrufu optimizasyonu).</li></ul><blockquote>Pekiştirmeli Öğrenme Süreci:</blockquote><ol><li>Ajan, çevreyle etkileşime girerek durumları gözlemler ve eylemler seçer.</li><li>Her eylem sonrası bir ödül alır.</li><li>Ajan, ödülleri maksimize edecek şekilde politikasını günceller.</li><li>Bu süreç, ajan belirli bir performansa ulaşana kadar devam eder.</li></ol><h3><strong>Derin Öğrenme (Deep Learning) Nedir?</strong></h3><p>Derin öğrenme, <strong>makine öğrenmesinin</strong> bir alt dalıdır ve <strong>yapay sinir ağlarını</strong> temel alarak, büyük veri setlerinden yüksek düzeyde öğrenme gerçekleştiren bir yöntemdir. Derin öğrenme, verilerden özellik çıkarımı (feature extraction) yapabilen, verilerdeki karmaşık ilişkileri modelleyebilen ve çok büyük veri kümelemelerinden öğrenebilme yeteneğine sahip, son derece güçlü bir yöntemdir.</p><p>Derin öğrenme terimi, genellikle ağın içinde çok sayıda gizli katman bulunan modelleri tanımlamak için kullanılır. Katmanlar arasındaki bağlantılar (ağırlıklar), modelin veriyi işlerken öğrenilen ve modelin tahminlerinde etkili olan parametrelerdir.</p><blockquote><strong>Derin Öğrenmenin Temeli: Yapay Sinir Ağları</strong></blockquote><p>Derin öğrenme, insan beyninin çalışma biçiminden esinlenerek geliştirilen <strong>yapay sinir ağlarına (YSA)</strong> dayanır. Bu yapılar, girişleri alıp işleyerek belirli bir görevi yerine getiren sistemlerdir. Derin öğrenme modelleri, tipik olarak şu üç temel katmandan oluşur:</p><ol><li><strong>Giriş Katmanı:</strong> Modelin aldığı veriyi temsil eder (örneğin, bir görüntüdeki pikseller veya metindeki kelimeler).</li><li><strong>Gizli Katmanlar:</strong> Birden fazla katmandan oluşur ve verileri işleyerek soyut özellikler çıkarır.</li><li><strong>Çıkış Katmanı:</strong> Modelin kararını veya tahminini üretir (örneğin, bir sınıflandırma probleminde hangi sınıfa ait olduğunu belirler).</li></ol><p>Derin öğrenme modelleri, genellikle çok sayıda gizli katman içermesiyle “derin” olarak adlandırılır. Bu katmanlar arasındaki bağlantılar (ağırlıklar), modelin veriyi işlerken öğrendiği ve tahminlerinde etkili olan parametrelerdir.</p><blockquote><strong>Derin Öğrenme Nasıl Öğrenir?</strong></blockquote><p>Derin öğrenme modeli eğitim sürecinde aşağıdaki adımlardan geçer:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*5Lbc98qFQjkl8X4x25zKmw.png" /></figure><h4>1. Veri Toplama</h4><p>Derin öğrenme modellerinin öğrenmesi için büyük miktarda veriye ihtiyaç vardır. Bu veriler, resimler, metinler, ses dosyaları gibi çeşitli formlarda olabilir. Veri kalitesi ve çeşitliliği, modelin başarısını etkileyen en önemli faktörlerdendir.</p><h4>2. Veri Ön İşleme</h4><p>Ham verilerin modelin öğrenmesi için uygun hale getirilmesi gerekir. Bu aşama şu adımları içerebilir:</p><ul><li>Normalizasyon: Verilerin belirli bir aralığa çekilmesi.</li><li>Etiketleme: Verinin sınıflandırılması (örneğin, görüntülerdeki nesnelerin tanımlanması).</li><li>Veri Artırma: Eğitim verisinin çeşitlendirilmesi için yapay yollarla veri oluşturma (örneğin, görüntü döndürme, ölçeklendirme).</li></ul><h4>3. Model Seçimi</h4><p>Farklı derin öğrenme mimarileri (örneğin, Convolutional Neural Networks — CNN, Recurrent Neural Networks — RNN) farklı görevlerde daha uygundur. Hangi modelin seçileceği, verinin yapısına ve probleme bağlıdır.</p><h4>4. Model Eğitimi</h4><ol><li><strong>İleri Yayılım (Forward Propagation):</strong> Veriler ağın katmanlarında ilerler. Her katman, kendi ağırlıkları ve aktivasyon fonksiyonlarını kullanarak bir çıktı üretir.</li><li><strong>Hata Hesaplama (Loss Calculation)</strong>: Modelin ürettiği çıktı, gerçek değerler ile karşılaştırılır. Bu fark, modelin ne kadar hatalı olduğunu gösteren “hata” ya da “kayıp fonksiyonu” aracılığıyla hesaplanır.</li><li><strong>Geri Yayılım (Backpropagation)</strong>: Hata değeri, ağın geri katmanlarına yayılır. Geri yayılım, ağırlıkların güncellenmesini sağlar. Ağın her bir katmanındaki ağırlıklar, bir optimizasyon algoritması (genellikle gradyan inişi) kullanılarak değiştirildiği için modelin hatası zamanla azalır.</li><li><strong>Tekrar (Iteration)</strong>: Bu işlemler, modelin doğruluğu kabul edilebilir bir seviyeye gelene kadar tekrarlanır. Genellikle, büyük verilerde çok sayıda tekrar gerekir.</li></ol><h4>5. Hiperparametre Ayarlama</h4><p>Modelin performansını artırmak için hiperparametreler (öğrenme oranı, katman sayısı, nöron sayısı vb.) ayarlanabilir. Bu ayarlama süreci genellikle deneme yanılma ile yapılır.</p><h4>6. Model Doğrulama ve Test Etme</h4><p>Modelin doğruluğunu ölçmek için ayrı bir doğrulama seti ve test seti kullanılır. Bu adım, modelin genelleme yeteneğini değerlendirir ve aşırı öğrenmeyi (overfitting) önlemeye yardımcı olur.</p><h4>7. Sonuçların Değerlendirilmesi</h4><p>Elde edilen sonuçlar, çeşitli metrikler (örneğin, doğruluk, hata oranı, F1 skoru) kullanılarak değerlendirilir. Bu aşamada, modelin başarısız olduğu noktalar analiz edilerek iyileştirmeler yapılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/576/1*PmfYxyJkwhU8pgEC4e8Clg.png" /></figure><blockquote><strong>Derin Öğrenmenin Avantajları</strong></blockquote><ul><li><strong>Veri Otomatik Öğrenme Yeteneği</strong>: Derin öğrenme, verilerden anlamlı özellikler çıkarma konusunda güçlüdür. Geleneksel makine öğrenmesi yöntemlerinde genellikle bu özelliklerin manuel olarak seçilmesi gerekirken, derin öğrenme ağları bu işlemi otomatik olarak yapabilir.</li><li><strong>Büyük Veri ile Çalışabilme</strong>: Derin öğrenme, büyük veri setleriyle verimli çalışabilir ve performansını bu veri setlerinden elde ettiği öğretilerle zamanla geliştirir.</li><li><strong>Karmaşık Problemleri Çözme Yeteneği</strong>: Derin öğrenme, geleneksel yöntemlerle çözülmesi zor olan problemleri çözebilecek kapasiteye sahiptir. Özellikle görüntü ve ses tanıma, doğal dil işleme ve sağlık teşhisi gibi alanlarda etkili sonuçlar verir.</li></ul><blockquote><strong>Derin Öğrenme Modelleri</strong></blockquote><p>Farklı türdeki derin öğrenme modelleri çeşitli görevler için özel olarak tasarlanmıştır:</p><ul><li><strong>Evrişimli Sinir Ağları (CNN)</strong>: Görüntü işleme görevlerinde çok başarılıdır. Özellikle nesne tanıma, yüz tanıma, özellik çıkarmaları ve benzeri konularda kullanılır.</li><li><strong>Tekrarlayan Sinir Ağları (RNN)</strong>: Zaman serisi verileri veya sıralı verilerle çalışmak için kullanılır. Örneğin, metin yazma veya dil modelleme.</li><li><strong>Transformer Modelleri</strong>: Doğal dil işleme (NLP) alanında kullanılır. Metin oluşturma, makine çevirisi ve dil anlamı çözümleme gibi işlemlerde yaygındır. GPT ve BERT gibi modeller bunlara örnektir.</li><li><strong>Generative Adversarial Networks (GANs)</strong>: Sahte veri üretme ve veri augmentation işlemleri için kullanılır. GAN’ler, gerçekçi sahte veriler oluşturmak adına iki modelin (üretici ve ayırıcı) rekabeti üzerine çalışır.</li></ul><blockquote><strong>Derin Öğrenmenin Kullanım Alanları</strong></blockquote><ul><li><strong>Bilgisayarla Görü</strong>: Görüntü sınıflandırma, nesne algılama, yüz tanıma gibi alanlarda yaygın olarak kullanılır.</li><li><strong>Doğal Dil İşleme (NLP)</strong>: Metin analizi, makine çevirisi, sohbet botları, duygu analizi, yazı anlamı ve dil modelleme gibi görevlerde derin öğrenmeden yararlanılır.</li><li><strong>Ses ve Konuşma İşleme</strong>: Sesli asistanlar, konuşmadan yazıya dönüşüm (speech-to-text) ve metinden konuşmaya (TTS) gibi uygulamalarda kullanılır.</li><li><strong>Otonom Araçlar</strong>: Otonom araçların çevresini tanıması, doğru kararlar verebilmesi için derin öğrenme algoritmaları kullanılır.</li></ul><blockquote><strong>Derin Öğrenmenin Zorlukları</strong></blockquote><ul><li><strong>Yüksek Hesaplama Gücü</strong>: Derin öğrenme modellerinin eğitilmesi için yüksek hesaplama kapasitesine sahip donanımlar (GPU’lar, TPU’lar) gereklidir.</li><li><strong>Büyük Veri Gereksinimi</strong>: Bu tür modeller genellikle büyük miktarda etiketli veriye ihtiyaç duyar. Etiketlenmiş veri üretmek de bazen zorlu bir süreç olabilir.</li><li><strong>Yoruma Açıklık Sorunu</strong>: Derin öğrenme modellerinin nasıl çalıştığı, her zaman anlaşılabilir değildir ve bazen “kara kutu” olarak adlandırılır.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=66885833cfe6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zeka Nedir ?]]></title>
            <link>https://medium.com/@tulayctn73/yapay-zeka-nedir-8295de86403b?source=rss-5ee5dc009b66------2</link>
            <guid isPermaLink="false">https://medium.com/p/8295de86403b</guid>
            <category><![CDATA[yapay-sinir-ağları]]></category>
            <category><![CDATA[algo]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[yapay-zeka-nedir]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Tulay Cetin]]></dc:creator>
            <pubDate>Fri, 31 Jan 2025 12:48:59 GMT</pubDate>
            <atom:updated>2025-02-05T16:41:43.316Z</atom:updated>
            <content:encoded><![CDATA[<h3>Yapay Zeka Nedir ?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/919/1*szP6LjYzIPn3BL3rgzopfw.png" /></figure><p>Yapay zeka (AI) teknolojileri, pek çok sektörde hızla dönüşüm yaratmakta ve insan yaşamının çeşitli alanlarına girmektedir. Yapay zekanın temel kavramlarını doğru anlamak, bu alandaki gelişmeleri takip etmek için çok önemlidir. Yapay zeka uygulamalarında sıkça kullanılan terimler, özellikle “algoritma,” “model,” “makine öğrenmesi” ve “derin öğrenme” gibi kavramlar, sıklıkla karıştırılmaktadır. Bu yazı, bu kavramların her birini derinlemesine inceleyerek, önemli farklarını ve birbirleriyle ilişkilerini açıklamaktadır.</p><h3>Peki Yapay Zeka Nedir ?</h3><p>Yapay zeka (AI), bilgisayar sistemlerinin insan benzeri zeka özelliklerini sergilemesini sağlayan bir teknolojidir. Bu, makinelerin verileri analiz etme, öğrenme, problem çözme, karar verme, dil işleme ve hatta görsel algılama gibi beceriler kazanmasını içerir. Yapay zeka, temel olarak insan zekasını taklit eder ve bu yetenekleri otomatikleştirerek çeşitli alanlarda kullanılır.</p><p>Günümüzde YZ; sağlık, eğitim, finans, otomotiv, savunma sanayi ve birçok diğer alanda hayatımızı kolaylaştırmakta, yenilikçi çözümler üretmektedir.</p><p>Örnek vermek gerekirse:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*e1jkIi0KE_-3iqlH9l9uZw.png" /></figure><p>Gelecekte, yapay zeka, yalnızca insan kapasitesinin sınırlamalarını aşan değil, daha önce hayal dahi edilemeyen karar verme süreçlerini yöneten otonom sistemler geliştirebilir.</p><h3><strong>Yapay Zeka Geliştirme Süreçleri Nelerdir ?</strong></h3><p>Yapay zeka geliştirme süreci, veri toplamadan modelin eğitilmesine ve öğrenmesine kadar çeşitli aşamaları kapsayan kapsamlı bir süreçtir.Bu sürecin her aşaması, yapay zeka sisteminin doğruluğunu ve etkinliğini doğrudan etkiler.</p><blockquote><strong>Yapay Zeka Ögrenim Süreci</strong></blockquote><h3>A. Veri Toplama</h3><p>Veriler, yapay zeka projelerinin temel yapı taşıdır ve verinin kalitesi modelin başarısını belirler. Veri toplama aşamasında dikkat edilmesi gereken faktörler şunlardır:</p><ol><li><strong>Kaynaklar:</strong> Veriler; sensörler, kullanıcı etkileşimleri, sosyal medya, mobil uygulamalar, IoT cihazları ve mevcut veri setleri gibi çeşitli kaynaklardan toplanabilir.</li><li><strong>Veri Türleri:</strong> Veriler genellikle iki ana kategoriye ayrılır:</li></ol><p><strong>a.Yapılandırılmış Veri:</strong> Sayısal veriler, veritabanları gibi düzenli veri setlerini içerir.</p><p><strong>b. Yapılandırılmamış Veri:</strong> Metin, resim ve ses gibi düzensiz verileri kapsar.</p><p><strong>3. Veri Kontrolü:</strong> Toplanan veriler eksiklikler, önyargılar ve tutarsızlıklar açısından değerlendirilmeli ve temizlenmelidir.</p><h3>B. Modelleme</h3><p>Verilerin toplanmasının ardından, bu veriler kullanılarak bir model inşa edilir. Modelleme aşaması birkaç adımdan oluşur:</p><ol><li><strong>Algoritma Seçimi</strong>: Verinin doğasına ve problem türüne bağlı olarak uygun algoritmalar belirlenir. Örneğin:</li></ol><ul><li>Görüntü işleme için <strong>Convolutional Neural Networks (CNN)</strong></li><li>Doğal dil işleme görevleri için <strong>Transformer tabanlı modeller</strong> kullanılır.</li></ul><p><strong>2. Özellik Çıkartımı</strong>: Veriden anlamlı ve öngörülebilir özellikler çıkarılır. Örneğin, e-ticaret verisi üzerinden bir kullanıcının alışveriş alışkanlıkları analiz edilebilir</p><p><strong>3.Model Yapısı</strong>: Seçilen algoritmalar doğrultusunda modelin parametreleri belirlenir ve eğitim süreci için hazırlanır.</p><h3>C. Eğitim Süreci</h3><p>Modelin başarı oranını artırmak için verilerle eğitilmesi gerekir. Bu aşama, algoritmaların modelin doğru sonuçlar üretmesini sağlamak için optimize edilmesini içerir:</p><ul><li><strong>İleri Yayılım (Forward Propagation)</strong>: Model, girdileri işleyerek tahminlerde bulunur.</li><li><strong>Geri Yayılım (Backpropagation)</strong>: Hatalı sonuçlarla model güncellenir ve algoritmalar, hataları minimize etmek için modelin parametrelerini optimize eder.</li><li><strong>Optimizasyon</strong>: Modelin performansını artırmak için <strong>Gradient Descent, Adam, RMSProp</strong> gibi optimizasyon teknikleri uygulanır.</li></ul><h3><strong>D. Öğrenme Süreci</strong></h3><p>Yapay zeka modelinin zamanla daha iyi hale gelmesi sağlanır ve model sürekli iyileştirilir:</p><ul><li><strong>İnce Ayar (Fine-Tuning):</strong> Önceden eğitilmiş modeller, yeni görevler için optimize edilir.</li><li><strong>Transfer Öğrenme:</strong> Daha önce eğitilmiş bir model, farklı bir problem için yeniden kullanılır ve uyarlanır.</li><li><strong>Denetimsiz Öğrenme:</strong> Model, etiketlenmemiş verilerdeki örüntüleri öğrenerek içgörüler çıkarır.</li><li><strong>Hiperparametre Optimizasyonu:</strong> Öğrenme oranı, erken durdurma gibi hiperparametreler optimize edilerek modelin genel performansı artırılır.</li></ul><p>Bu aşamalar, başarılı bir yapay zeka modeli geliştirmek için kritik öneme sahiptir. Her aşamanın doğru uygulanması, modelin doğruluğunu ve genel başarısını önemli ölçüde etkileyebilir.</p><h3>Model ve Algoritma Tanımları</h3><p>Yapay zeka süreçlerinde model ve algoritma sıklıkla karıştırılmakla birlikte, aslında farklı rollere sahip iki önemli kavramdır. Bu farkları anlamak, yapay zeka sistemlerini doğru şekilde kavrayabilmek için çok önemlidir.</p><h3>1. Algoritma Nedir?</h3><p>Algoritma, bir modelin eğitilmesini sağlayan süreçtir. Modelin parametrelerini nasıl öğreneceğini, nasıl güncelleyeceğini ve hangi matematiksel işlemleri gerçekleştireceğini belirler. Algoritma, bir anlamda modelin “öğrenme mekanizması” olarak görev yapar.</p><p><strong>Örnek:</strong> Bir sinir ağı eğitilirken kullanılan gradyan inişi algoritması, modelin hata oranını minimize etmek amacıyla ağırlıkları optimize eder.</p><blockquote><strong>Algoritmanın Temel Özellikleri:</strong></blockquote><ul><li><strong>Dinamik Süreç:</strong> Algoritma yalnızca model eğitilme aşamasında aktiftir; eğitim tamamlandıktan sonra kullanılmaz.</li><li><strong>Optimizasyon:</strong> Modelin performansını artırmak için matematiksel hesaplamalar yapar ve hataları minimize etmeyi hedefler.</li><li><strong>Eğitim Yönetimi:</strong> Veriyi analiz eder, model parametrelerini günceller ve öğrenme sürecini yönetir.</li></ul><h3>2. Model Nedir?</h3><p>Model, bir algoritmanın eğittiği ve belirli bir göreve hazır hale getirdiği matematiksel bir yapıdır. Model, verilen bir girdi ile çıktı arasındaki ilişkiyi kurar ve bu ilişkiyi kullanarak tahminlerde bulunur ya da sınıflandırmalar yapar. Eğitim sürecinden sonra model, sabit bir hale gelir ve yeni verilere uygulandığında işlem yapabilir.</p><p><strong>Örnek:</strong> Makine öğrenmesi modelinin eğitildiği sırada algoritma veriyi işler ve modelin parametrelerini günceller. Eğitim sonunda elde edilen model, veriyi analiz etmek ve tahminler yapmak için kullanılabilir.</p><blockquote><strong>Modelin Temel Özellikleri:</strong></blockquote><ul><li><strong>Eğitim Sonucu:</strong> Model, eğitim sürecinde öğrendiği verilerle yeni veriler üzerinde tahminler yapabilir.</li><li><strong>Tahmin Yapma:</strong> Model, verilen girdi verilerinden anlam çıkarır ve belirli bir sonucu üretir.</li><li><strong>Statik Yapı:</strong> Eğitim süreci tamamlandıktan sonra model statik hale gelir ve eğitim sonrasında yeni verilere uygulanabilir.</li></ul><blockquote>Model Ve ALgoritma Arsındaki Teml Farklar</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*nxKZWKVYQ7g9O4J2gnUAlA.png" /></figure><h3>Yapay Zeka Kullanılan Teknolojiler</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/756/1*oqZUes37vV3azGhbfjKrBQ.png" /></figure><h3>Makine Öğrenmesi (ML) Nedir?</h3><p>Makine Öğrenmesi (ML), bilgisayarların verilerden öğrenmesini ve bu verilerden çıkarımlar yaparak kararlar almasını sağlayan bir yapay zeka dalıdır. Geleneksel yazılım geliştirme yöntemlerinde, programcılar belirli algoritmalar yazarak bir problemi çözer. Ancak makine öğrenmesinde, bilgisayarlar verilen verilerden örüntüler keşfederek kendi başlarına öğrenirler. Bu yöntemle oluşturulan sistemler, verilerden edindikleri bilgilerle gelecekteki tahminlerde bulunabilir.</p><blockquote>1. Denetimli Öğrenme (Supervised Learning)</blockquote><p>Denetimli öğrenme, modelin etiketlenmiş veri ile eğitildiği bir yöntemdir. Bu süreçte model, her bir veri örneğine ait doğru cevabı (etiketi) öğrenir ve bu doğrultuda tahminler yapmayı öğrenir. Sınıflandırma ve regrasyon problemlerini çözmek için kullanılır.</p><p>Örneğin, ev fiyatlarını tahmin etmek için mahalle, oda sayısı gibi özellikler ve bu özelliklerin fiyatlarla olan ilişkisi kullanılır.</p><blockquote>2. Denetimsiz Öğrenme (Unsupervised Learning)</blockquote><p>Denetimsiz öğrenme, etiketlenmiş veriler olmadan modelin veri setindeki gizli örüntüleri keşfetmesini sağlar. Kümeleme ve boyut indirgeme gibi teknikler bu türde yaygın olarak kullanılır. Bu öğrenme tipi, veriler arasında anlamlı gruplar veya ilişkiler bulmaya yöneliktir.</p><blockquote>3. Pekiştirmeli Öğrenme (Reinforcement Learning)</blockquote><p>Pekiştirmeli öğrenme, bir ajan (yapay zeka) bir ortamda hareket ederken aldığı ödüller ve cezalarla öğrenmesini sağlayan bir yöntemdir. Ajan, zaman içinde hangi eylemlerin daha yüksek ödüller getirdiğini keşfeder ve bu bilgiyle daha iyi kararlar alır. Genellikle oyunlar ve robotik alanlarında kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/649/1*tsa1-kivQg2-XfR1sLfVWQ.png" /></figure><h3>Derin Öğrenme (Deep Learning) Nedir?</h3><p>Derin Öğrenme, makine öğrenmesinin bir alt kümesi olup, çok katmanlı yapay sinir ağlarını kullanarak büyük veri kümelerinden öğrenme yapabilen bir yöntemdir. İnsan beynindeki nöronları taklit ederek karmaşık görevleri yerine getirebilir. Derin öğrenme, özellikle büyük veri ve güçlü hesaplama kaynaklarına ihtiyaç duyar.</p><h4>Derin Öğrenme Algoritmalarından Bazıları:</h4><ul><li><strong>CNN (Convolutional Neural Networks)</strong>: Görüntü işleme için yaygın olarak kullanılır. Nesne tanıma, yüz tanıma gibi alanlarda başarılıdır.</li><li><strong>RNN (Recurrent Neural Networks)</strong>: Zaman serileri verisiyle çalışırken, metin ve konuşma tanıma gibi görevlerde etkilidir.</li><li><strong>GAN (Generative Adversarial Networks)</strong>: İki ağın karşılıklı çalışarak yaratıcı içerikler üretmesini sağlar. Gerçekçi görüntüler oluşturabilir.</li></ul><h3>Yapay Sinir Ağları (Neural Networks) Nedir?</h3><p>Yapay Sinir Ağları, insan beynindeki nöronların çalışma prensibinden esinlenerek geliştirilen bir yapay zeka öğrenme modelidir. Bu ağlar, çok katmanlı yapıları sayesinde girdiler üzerinde işlem yaparak anlamlı çıktılar üretirler. Derin öğrenme gibi ileri düzey yapay zeka tekniklerinin temelini oluştururlar.</p><p>Sinir ağları genellikle üç ana katmandan oluşur:</p><ol><li><strong>Giriş Katmanı (Input Layer)</strong>: Modelin aldığı ilk veri burada işlenir(örneğin, görüntüdeki piksel verileri).</li><li><strong>Gizli Katmanlar (Hidden Layers)</strong>: Bu katmanlar, çeşitli matematiksel işlemlerle veriyi işler ve anlamlı hale getiri . Verilerin daha derin analizini yapar ve örüntüler çıkarır.</li><li><strong>Çıkış Katmanı (Output Layer)</strong>: Modelin sonucun çıktığı katmandır, tahmin veya sınıflandırma burada yapılır(Örneğin, görüntüdeki nesnenin bir “kedi” olup olmadığı).</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*4jV35kDzQkFhlJUV-6oVMA.png" /></figure><p>Sinir ağları, büyük veri kümelerinden anlamlı sonuçlar çıkarabilme yeteneğiyle görüntü işleme, ses tanıma ve doğal dil işleme gibi alanlarda geniş bir uygulama alanına sahiptir.</p><h3>Sinir Ağlarının Çalışma Prensibi</h3><p>Yapay sinir ağlarının çalışma prensibi, insan beyninin işleyişine benzer şekilde verilerin işlenmesini sağlayan bir yapıdan oluşur. İşte sinir ağlarının temel bileşenleri ve çalışma mantığı:</p><ol><li><strong>Ağırlık ve Bias (Weight and Bias):</strong><br>Her bir bağlantı, bir ağırlık (weight) ile çarpılır ve bu ağırlık, bağlantının önem derecesini belirler. Ayrıca, her nörona eklenen bir “bias” değeri vardır. Bias, modelin tahminlerinin daha doğru olabilmesi için sinir ağındaki nöronların davranışını ayarlamak için kullanılır.</li><li><strong>Aktivasyon Fonksiyonu (Activation Function):</strong><br>Aktivasyon fonksiyonu, her nöronun “ateşlenip ateşlenmeyeceğini” belirler. Yani, nöronun çıktısını belirleyen matematiksel bir fonksiyondur. Aktivasyon fonksiyonu, sinir ağlarının doğrusal olmayan hesaplamalar yapabilmesini sağlar. Yaygın kullanılan aktivasyon fonksiyonlarından bazıları şunlardır:</li></ol><ul><li><strong>ReLU (Rectified Linear Unit):</strong> Genellikle derin öğrenme ağlarında kullanılır, negatif girişleri sıfıra dönüştürür ve pozitif girişleri olduğu gibi geçirir.</li><li><strong>Sigmoid:</strong> Çıktıyı 0 ile 1 arasında sıkıştırır, genellikle binary sınıflandırma problemlerinde kullanılır.</li></ul><p><strong>3. İleri Yayılım (Forward Propagation):</strong><br>İleri yayılım, giriş verisinin sinir ağına verildiği ve çıktının elde edildiği süreçtir. Veriler, giriş katmanından başlayarak her bir katmandan geçer ve nihai çıkışa ulaşır. Bu süreçte her nöron, önceki katmandan gelen veriyi alır, işleme tabi tutar ve aktivasyon fonksiyonuna göre çıktıyı hesaplar.</p><p><strong>4. Geri Yayılım (Backpropagation):</strong><br>Geri yayılım, tahmin ile gerçek değer arasındaki farkı (hata) hesapladıktan sonra, bu hatanın ağın tüm katmanlarına geri yayılmasını sağlar. Bu süreç, ağın ağırlıklarını ve bias değerlerini güncelleyerek modelin doğruluğunu artırır. Hata geri yayılırken, her bir bağlantının öğrenme oranına göre ne kadar değiştirilmesi gerektiği hesaplanır.</p><h3>Doğal Dil İşleme (NLP) Nedir?</h3><p>Doğal Dil İşleme (NLP), bilgisayarların insan dilini anlaması ve işlemesi için geliştirilen bir yapay zeka tekniğidir. İnsan dili, en karmaşık veri türlerinden biridir ve dilin işlenmesi birçok zorluk içerir. NLP, metin sınıflandırma, duygu analizi, dil çevirisi ve otomatik metin üretimi gibi çeşitli uygulamalarda kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/216/1*oLbAmChNRvXU7hnxnHPwpA.jpeg" /></figure><h3>NLP Uygulama Alanları</h3><p>NLP’nin kullanım alanları oldukça geniştir ve günlük hayatımızda pek çok farklı uygulama ile karşımıza çıkar:</p><ol><li><strong>Metin Sınıflandırma:</strong><br>Metinleri belirli kategorilere ayırmak için kullanılır. Örneğin, e-posta spam filtresi, metinlerin “spam” veya “önemli” olarak sınıflandırılmasını sağlar.</li><li><strong>Duygu Analizi:</strong><br>Sosyal medya paylaşımlarını veya müşteri yorumlarını analiz ederek, bir metnin olumlu, olumsuz veya nötr olduğunu belirler. Bu, markaların müşteri geri bildirimlerini analiz etmelerinde yaygın bir şekilde kullanılır.</li><li><strong>Dil Çevirisi:</strong><br>Google Translate gibi araçlar, bir dildeki metni başka bir dile çevirebilir. Bu uygulama, metinlerin hızlı ve doğru bir şekilde farklı diller arasında aktarılmasını sağlar.</li><li><strong>Otomatik Metin Üretimi:</strong><br>NLP, metin oluşturma için kullanılabilir. Örneğin, haber makalelerinin otomatik olarak yazılması veya chatbotların kullanıcılarla etkileşimde bulunması gibi uygulamalar NLP’nin gücünden yararlanır.</li><li><strong>Metin Öneri Sistemleri:</strong><br>Kullanıcıların önceki davranışlarına dayalı olarak içerik önerileri sunar. Örneğin, Netflix veya YouTube, izlediğiniz içeriklere göre yeni video önerileri yapar. Bu tür sistemler, NLP ile kullanıcı tercihlerinden anlam çıkararak öneri yapar.</li></ol><h3>NLP’nin Günlük Hayattaki Örnekleri:</h3><ul><li><strong>Google Translate:</strong> Farklı dillerdeki metinleri anlamak ve çevirmek için kullanılan popüler bir araçtır. NLP sayesinde, farklı diller arasında anlam kaybı olmadan çeviriler yapılabilir.</li><li><strong>Metin Öneri Sistemleri:</strong> Netflix, Spotify, YouTube gibi platformlar, kullanıcıların geçmiş davranışlarına göre içerik önerileri sunar. Bu öneri sistemleri, NLP tekniklerini kullanarak, içeriklerin metinsel veya anlatımsal özelliklerinden anlam çıkarır ve kullanıcıya uygun içerikleri önerir.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8295de86403b" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>