https://www.fatihyildirim.tr  
  Yapay Zeka - AI           
  Yapay Zeka Nedir?
  Yapay Zeka Türleri:
  Yapay Zeka Teknikleri ve Alt Alanları:
  Yapay zeka modelleri ve makine öğrenimi
  8 uzmanlaşmış Yapay Zeka Modeli
  Yapay zekanın çalışma prensipleri
  Yapay Zeka AI Platformları
  Günlük Hayatta Yapay Zeka Örnekleri:
  Avantajlar:
  Zorluklar ve Etik Konular:
 
               
  Son Güncelleme: 11.05.2026 r.01.01
 
  Yapay zeka (YZ), bilgisayar sistemlerinin insan benzeri zekâ gerektiren görevleri yerine getirme yeteneğidir.
 
Yapay Zeka Nedir? 🔝
  Yapay zeka, makinelerin öğrenme, akıl yürütme, problem çözme, algılama, dil anlama gibi zihinsel becerileri sergilemesini sağlayan bilgisayar bilimi dalıdır.
 
Yapay Zeka Türleri: 🔝
  1. Dar Yapay Zeka (Zayıf YZ): Belirli görevler için tasarlanır (ör. yüz tanıma, sesli asistanlar, satranç oynayan programlar). Günümüzde kullanılan tüm YZ sistemleri bu kategoriye girer.
  2. Genel Yapay Zeka (Güçlü YZ): İnsan gibi herhangi bir entelektüel görevi yapabilen sistem. Henüz mevcut değil.
  3. Süper Yapay Zeka: İnsan zekasını her alanda aşan hipotetik sistem.
 
Yapay Zeka Teknikleri ve Alt Alanları: 🔝
  - Makine Öğrenmesi (ML): Veriden öğrenen algoritmalar. Denetimli, denetimsiz ve pekiştirmeli öğrenme gibi türleri vardır.
  - Derin Öğrenme: Yapay sinir ağlarıyla çalışan gelişmiş ML alt dalı.
  - Doğal Dil İşleme (NLP): Metin ve konuşma anlama/üretme (ör. ChatGPT, çeviri uygulamaları).
  - Bilgisayarlı Görme: Görüntü/video işleme ve nesne tanıma.
  - Uzman Sistemler: Belirli bir alanda insan uzmanın kararlarını taklit eden kurallara dayalı sistemler.
 
Yapay zeka modelleri ve makine öğrenimi 🔝
  Yapay zekâ modelleri karar verme süreçlerini otomatikleştirebilir, ancak yalnızca makine öğrenimi (ML) yeteneğine sahip modeller zaman içinde performanslarını otonom olarak optimize edebilir.
  Tüm makine öğrenimi modelleri yapay zekâ olsa da, tüm yapay zekâlar makine öğrenimi içermez. En temel yapay zekâ modelleri, veri bilimcisi tarafından açıkça programlanmış kurallara sahip bir dizi "eğer-o zaman-aksi takdirde" ifadesinden oluşur. Bu tür modeller alternatif olarak kural motorları, uzman sistemler , bilgi grafikleri veya sembolik yapay zekâ olarak adlandırılır .
  Makine öğrenimi modelleri, sembolik yapay zeka yerine istatistiksel yapay zeka kullanır . Kural tabanlı yapay zeka modelleri açıkça programlanmalıdır, oysa makine öğrenimi modelleri, veri noktaları modelin gelecekteki gerçek dünya tahminlerinin temelini oluşturan örnek bir veri kümesine matematiksel çerçevelerini uygulayarak "eğitilir".
  Makine öğrenimi modelleme teknikleri genel olarak üç geniş kategoriye ayrılabilir: denetimli öğrenme , denetimsiz öğrenme ve pekiştirmeli öğrenme .
  * Denetimli öğrenme : "Klasik" makine öğrenmesi olarak da bilinen denetimli öğrenme, eğitim verilerini etiketlemek için bir insan uzmanına ihtiyaç duyar. Köpekleri ve kedileri tanımak için bir görüntü tanıma modeli eğiten bir veri bilimcisi, örnek görüntüleri "köpek" veya "kedi" olarak etiketlemeli ve bu birincil etiketleri bilgilendiren boyut, şekil veya tüy gibi temel özellikleri de belirtmelidir. Model daha sonra eğitim sırasında bu etiketleri kullanarak "köpek" ve "kedi"ye özgü görsel özellikleri çıkarabilir.
  * Denetimsiz öğrenme : Denetimli öğrenme tekniklerinin aksine, denetimsiz öğrenme "doğru" veya "yanlış" cevapların dışsal varlığını varsaymaz ve bu nedenle etiketleme gerektirmez. Bu algoritmalar, veri kümelerindeki doğal kalıpları tespit ederek veri noktalarını gruplara ayırır ve tahminleri destekler. Örneğin, Amazon gibi e-ticaret işletmeleri,öneri motorlarını desteklemek için denetimsiz ilişkilendirme modelleri kullanır.
  * Pekiştirmeli öğrenme: Pekiştirmeli öğrenmede, bir model doğru çıktının sistematik olarak ödüllendirilmesi (veya yanlış çıktının cezalandırılması) yoluyla deneme yanılma yöntemiyle bütünsel olarak öğrenir. Pekiştirmeli öğrenme modelleri, sosyal medya önerilerini, algoritmik borsa işlemlerini ve hatta sürücüsüz araçları bilgilendirmek için kullanılır.
  Derin öğrenme, sinir ağlarının yapısı insan beyninin yapısını taklit etmeye çalışan, denetimsiz öğrenmenin daha da gelişmiş bir alt kümesidir. Birbirine bağlı düğümlerin çoklu katmanları, verileri kademeli olarak alır, temel özellikleri çıkarır, ilişkileri belirler ve ileri yayılım adı verilen bir süreçte kararları iyileştirir. Geri yayılım adı verilen başka bir süreç ise hataları hesaplayan ve sistemin ağırlıklarını ve sapmalarını buna göre ayarlayan modelleri uygular. Modern sohbet botlarına güç veren büyük dil modelleri (LLM'ler) gibi en gelişmiş yapay zeka uygulamalarının çoğu derin öğrenmeyi kullanır. Bu, muazzam hesaplama kaynakları gerektirir.
  https://www.ibm.com/think/topics/ai-model
 
8 uzmanlaşmış Yapay Zeka Modeli 🔝
 
  LLM Büyük Dil Modeli - (Large Language Model)
  LLM'ler, metinleri analiz ederek öğrenir, genelleme yaparak anlam üretir.
  Milyarlarca kelimeyle eğitilir, Dilin Kurallarını öğrenir, Yeni cümleler oluşturabilir.
  LLM'ler özbağlanımlı dil modelleri olarak, bir giriş metnini alıp bir sonraki belirteci veya sözcüğü tekrar tekrar tahmin ederek çalışır. 2020 yılına kadar, bir modelin belirli görevleri gerçekleştirebilmesi için uyarlanmasının tek yolu ince ayardı. Ancak günümümüzde GPT-3 gibi popüler olan daha büyük ölçekli modeller, benzer sonuçlar elde etmek için sufle mühendisliğini kullanacak şekilde tasarlanmaya başlandı. LLM'lerin, insan dili derleminde bulunan sözdizimi, anlambilim ve ontoloji hakkında somut bilgi edinebilmenin yanı sıra, aynı zamanda derlemde yer alan hataları ve önyargıları da öğrendikleri düşünülmektedir.
  Kaynak: https://tr.wikipedia.org/wiki/B%C3%BCy%C3%BCk_dil_modeli
  Large Language Model(LLM). Bu makalede, LLM'lerin ne ...
 
 
 
 
 
 
 
 
 
 
 
  LCM Büyük Kavramsal Model - (Large Concept Model)
  LAM Büyük Eylem Modeller - (Large Action Models)
  MoE (Mixture of Experts)
  Bir problem alanını homojen bölgelere ayırmak için birden fazla uzman ağının [multiple expert networks] (öğrenicinin) kullanıldığı bir makine öğrenme tekniğidir. MoE, bir topluluk öğrenme [ensemble learning] biçimini temsil eder . Bunlara ayrıca komite makineleri [committee machines] de deniyordu .     https://en.wikipedia.org/wiki/Mixture_of_experts
  VLM Görsel Dil Modeli (Vision Languange Model)
  Görsel dil modeli, büyük bir dil modelinin (LLM) bir görsel kodlayıcıyla birleştirilmesiyle oluşturulan ve LLM'ye "görme" yeteneği kazandıran bir yapay zeka sistemidir .
  Bu yetenek sayesinde, VLM'ler, verilen video, görüntü ve metin girdilerini işleyebilir ve gelişmiş bir anlayış sağlayarak metin yanıtları oluşturabilir.    https://www.nvidia.com/en-us/glossary/vision-language-models/
 
 
 
     
     
     
     
     
     
     
     
  Görsel dil modelleri için kullanım örnekleri
  SLM Küçük Dil Modeli (Small Languange Model)
  Küçük dil modelleri veya kompakt dil modelleri, dil ve metin üretimi de dahil olmak üzere insan doğal dil işleme için tasarlanmış yapay zeka dil modelleridir. Büyük dil modellerine göre daha küçük ölçekli ve daha küçük kapsamlıdırlar.
  MLM Maskeli Dil Modeli (Masked Language Model.)
  Sürekli gelişen Doğal Dil İşleme (NLP) alanında, Maskeli Dil Modelleri (MLM) hem bir keşif hem de bir kilit nokta görevi görmektedir. Bu modeller sıradan metin üreteçleri değildir; benzersiz eğitim mekanizmaları ve yaygın uygulamalarıyla ün kazanmışlardır.
  SAM (Segment Anything Model)
 
 
 
 
 
 
 
 
 
 
 
 
 
Yapay zekanın çalışma prensipleri 🔝
  Yapay zekanın çalışma prensipleri, temelde insanın öğrenme, akıl yürütme ve karar verme süreçlerini taklit etmeye dayanır. Ancak bu, tek bir yöntemden ziyade farklı tekniklerin bir kombinasyonudur. İşte yapay zekanın temel çalışma prensipleri:
 
   1. Veriye Dayalı Öğrenme (Data-Driven Learning)
  - YZ sistemleri, kurallarla değil, örneklerden öğrenir.
  - Sistem, binlerce/yüzbinlerce veri noktası (resim, metin, sayı) ile eğitilir.
  - Örnek: El yazısı tanıyan bir YZ, milyonlarca el yazısı örneği görerek "A" harfini tanımayı öğrenir.
 
   2. Model Oluşturma (Model Building)
  - YZ, verideki desenleri, ilişkileri ve kuralları matematiksel bir model olarak özetler.
  - Bu model, daha önce görmediği yeni veriler hakkında tahmin yapabilir.
  - Örnek: Ev fiyatlarını tahmin eden bir model, metrekare, oda sayısı, konum gibi girdilerle fiyat arasındaki ilişkiyi öğrenir.
 
   3. Hata Minimizasyonu (Error Minimization)
  - Öğrenme sırasında sistem, tahminlerini gerçek sonuçlarla karşılaştırır.
  - Hata fonksiyonu (Loss function) dediğimiz matematiksel formülle hatayı hesaplar.
  - Algoritma, bu hatayı en aza indirecek şekilde model parametrelerini günceller.
  - Örnek: Bir YZ, "kedi" resmini "köpek" olarak tahmin ederse, bu hatayı düzeltecek şekilde içsel ayarlarını değiştirir.
 
   4. Geri Yayılım (Backpropagation) – Derin Öğrenmede
  - Yapay sinir ağlarında hata sinyali, ağın katmanları boyunca geriye doğru iletilir.
  - Her nöron, hataya katkısı oranında güncellenir.
  - Temel fikir: Hatanın sorumluluğunu katmanlara dağıtmak.
 
   5. Özellik Çıkarımı (Feature Extraction)
  - Ham veriden anlamlı özelliklerin otomatik veya manuel olarak çıkarılması.
  - Geleneksel YZ: Mühendis özellikleri manuel belirler (ör. bir nesnenin uzunluğu, rengi).
  - Derin Öğrenme: Özellikleri kendi kendine öğrenir 
  (ör. bir resimde kenarlar → basit şekiller → karmaşık desenler → yüz).
 
   6. Optimizasyon (Optimization)
  - Model parametrelerini iyileştirmek için matematiksel yöntemler (en yaygını Gradyan İnişi).
  - Tepeden inen bir dağcı gibi, hata yüzeyinde en düşük noktayı (minimum hata) bulmaya çalışır.
  - Adım büyüklüğü (learning rate) ne kadar hızlı ineceğini belirler.
 
   7. Genelleme (Generalization)
  - Modelin eğitim verisinde ezberleme yapmadan, yeni/görülmemiş veride de başarılı olması.
  - Aşırı öğrenme (overfitting) problemi: Model eğitim verisini ezberler ama yeni veride başarısız olur.
  - Çözüm: Daha fazla veri, düzenlileştirme (regularization), doğrulama seti kullanımı.
 
   8. Karar Verme Mekanizmaları
  - Sınıflandırma: Girdiyi belirli kategorilere ayırma (ör. spam / spam değil)
  - Regresyon: Sürekli bir değer tahmini (ör. yarınki hava sıcaklığı)
  - Kümeleme: Benzer örnekleri gruplama (ör. müşteri segmentasyonu)
  - Pekiştirmeli öğrenme: Deneyimle, ödül/ceza sistemiyle karar verme (ör. oyun oynayan YZ)
 
  Somut Örnek ile Anlatım:
  Bir elma resmini tanıyan YZ nasıl çalışır?        
  1. Veri: 10.000 elma ve 10.000 elma olmayan resim verilir.    
  2. Özellik çıkarımı: Derin ağ, resimdeki kenarları, renkleri, dokuları öğrenir.  
  3. Model: Ağırlıkları rastgele başlatılmış sinir ağı kurulur.    
  4. Tahmin: Bir elma resmi gösterildiğinde "elma" olasılığını hesaplar (ör. %85).  
  5. Hata hesaplama: Gerçek etiket "elma" olduğu için hata = %15.  
  6. Geri yayılım ve optimizasyon: Bu hata ağ katmanlarına geri iletilir, ağırlıklar güncellenir.
  7. Tekrarla: 10.000 resim boyunca bu işlem defalarca tekrarlanır.    
  8. Sonuç: Yeni/test resimlerinde %95 doğrulukla elma tanıyan bir model elde edilir.  
 
  Temel Felsefe:
  📍  "YZ'ye kuralları söyleme, ona örnekleri göster ve kalıpları kendi başına keşfetmesine izin ver."
 
 
Yapay Zeka AI Platformları 🔝
  Araştırma Gemini
  Görsel Üretme Leonarda AI
  Video Üretme Veo3
  Sunum Hazırlama Gamma
  Animasyon Üretme Animaker
  Seslendirme Elevenlabs
  Matematik Julius AI
  Video Editleme Filmora
  E-Mail Shortwave
  Uygulama Üretme Softr
  Kodlama Claude Code
  Görünür Olma Brantial
 
 
Günlük Hayatta Yapay Zeka Örnekleri: 🔝
  - Sesli asistanlar (Siri, Google Asistan)
  - Öneri sistemleri (Netflix, YouTube, Trendyol)
  - Otonom araçlar
  - Dolandırıcılık tespiti (bankalar)
  - Yüz tanıma (akıllı telefonlar)
  - Chatbotlar (müşteri hizmetleri)
 
Avantajlar: 🔝
  - Hız, tutarlılık, 7/24 çalışabilme
  - Büyük veriden anlam çıkarma
  - Tehlikeli işlerde kullanım (madencilik, uzay keşfi)
 
Zorluklar ve Etik Konular: 🔝
  - İş kaybı endişesi
  - Veri gizliliği ve güvenliği
  - Önyargı / ayrımcılık (yanlı veriyle eğitilmiş sistemler)
  - Sorumluluk (ör. Otonom araç kazalarında)
  - Kontrol ve şeffaflık (kara kutu problemi)
 
  Yapay zeka hızla gelişiyor. Özellikle **üretken yapay zeka** (resim, metin, müzik üreten modeller: ChatGPT, Midjourney, vb.) son dönemde çok popüler.
 
 
ChatGPT'nin düşünme biçimine ne kadar yakınsınız? Harvard University 🔝
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
  #Yapay zeka, #AI, #Yapay zeka modelleri, #Yapay zeka çalışma prensipleri,