Yeni
9786253815073
401236
https://www.legalkitabevi.com/ozel-sebetci/yapay-zekayi-kodlamak-.htm
Yapay Zekayı Kodlamak
641.25
Özel SEBETCİ
İÇİNDEKİLER
İçindekiler
İkinci Baskıya Önsöz
5
Önsöz
7
Yazar Hakkında
9
Resimler Listesi
21
Şekiller Listesi
29
Tablolar Listesi
33
1. GİRİŞ
35
2. YAPAY ZEKÂ (ARTIFICIAL INTELLIGENCE – AI)
39
2.1. Yapay Zekâ Nedir?
39
2.2. Yapay Zekâ Uygulamaları ve Alanları
40
2.3. Türkiye ve Yapay Zekâ
43
2.4. Metaverse ve Yapay Zekâ
45
2.5. Yapay Zekâyı Kodlama
47
2.6. Büyük Dil Modelleri (LLM) ve Mimarileri
49
2.7. ChatGPT, Claude, LLaMA, Mistral, GPT–5 ve Diğer Önde Gelen LLM’ler: Kullanım Alanları
52
2.8. Yapay Zekâ Etiği ve Hukuki Düzenlemeler (AB AI Act vb.)
54
3. PYTHON
57
3.1. Python Kurulumu
60
3.2. Anaconda
61
3.3. Spyder
64
3.4. Jupyter Notebook ve JupyterLab
64
3.5. Sanal Ortam
68
3.5.1. Windows Komut İstemcisinden Sanal Ortam Oluşturma
69
3.5.2. Anaconda ile Sanal Ortam Oluşturma
70
3.6. Kaggle
74
3.7. Google Colaboratory
76
3.8. PIP ve Conda ile Yeni Modüller Eklemek
78
3.8.1. Pip ile Yeni Modüller Eklemek
78
3.8.2. Conda ile Yeni Modüller Eklemek
78
3.9. Python Dili Sözdizimi
80
3.9.1. Değişkenler
81
3.9.2. Stack Memory vs. Heap Memory
82
3.9.3. Operatörler
85
3.9.4. Veri Tipleri
87
3.9.5. Koşul Yapıları
92
3.9.5.1. If
92
3.9.5.2. Else
93
3.9.5.3. Elif
93
3.9.5.4. İç İçe If İfadesi
94
3.9.6. Döngüler
95
3.9.6.1. While Döngüsü
95
3.9.6.2. For Döngüsü
96
3.9.7. İç İçe Döngüler
97
3.9.8. Fonksiyonlar
98
3.9.9. Global ve Yerel (Lokal) Değişkenler
101
3.9.10. Gömülü Fonksiyonlar (Built–in)
102
3.9.11. String Methodları
107
3.9.12. Kullanıcı Tarafından Oluşturulan Fonksiyonlar
112
3.9.13. Lambda İfadeleri ve Comprehension Tanımlamaları
114
3.9.14. Özyinelemeli Fonksiyonlar
115
3.10. Python Veri Yapıları
116
3.10.1. Listeler – List
117
3.10.2. Diziler – Array
122
3.10.3. Demetler – Tuple
123
3.10.4. Kümeler – Set
124
3.10.5. Sözlükler – Dictionary
126
3.10.6. Range, Enumerate ve Comprehension Yapıları
129
3.11. Python Web and Desktop Uygulamaları
130
3.11.1. Django
130
3.11.2. Flask
130
3.11.3. Bottle
131
3.11.4. Tornado
131
3.11.5. Pyramid
131
3.11.6. Tkinter
131
3.11.7. PyQT
132
3.11.8. Kivy
132
3.11.9. WxPython
132
3.12. Python 3.12 ve 3.13 Yenilikleri ve Modern Sözdizimleri (Type Hinting, Pattern Matching)
132
4. NESNE YÖNELİMLİ PROGRAMLAMA (OOP)
137
4.1. Nesneler ve Sınıflar
138
4.1.1. Sınıf ve Nesne Tanımlama
138
4.1.2. Sınıflar ve Örnekler
140
4.2. Kalıtım (Inheritance)
142
4.3. Kapsülleme (Encapsulation)
143
4.4. Polimorfizm (Polymorphism)
146
4.5. Örnek Metotlar
147
4.6. OOP Prensipler
147
4.7. Program Hatalarının Yönetimi
148
5. MODÜLLER, KÜTÜPHANELER VE ARAÇLAR
153
5.1. Genel Bakış
153
5.1.1. Python Packages
156
5.1.2. Python Libraries
158
5.1.3. Python Frameworks
160
5.1.4. Math Modülü
160
5.1.5. Statistics Modülü
162
5.1.6. Random Modülü
163
5.1.7. Datetime Modülü
164
5.1.8. CSV Modülü
164
5.2. NumPy Kütüphanesi
168
5.2.1. NumPy Kurulumu
168
5.2.2. Numpy’ın Kalbi
169
5.2.3. Dizi Oluşturma
171
5.2.4. NumPy Tarafından Desteklenen Veri Türleri
173
5.2.5. Slicing
177
5.2.6. Shape Manipulation
179
5.3. Pandas Kütüphanesi
180
5.3.1. Pandas Kurulumu ve Veri Yapıları
181
5.3.2. Series
181
5.3.3. Dataframe
186
5.4. SciKit Learn Kütüphanesi
189
5.4.1. Sınıflandırma
190
5.4.2. Regresyon
190
5.4.3. Kümeleme
191
5.4.4. Boyutsal küçülme
191
5.4.5. Model seçimi
192
5.4.6. Ön İşleme
192
5.5. Matplotlib Kütüphanesi
193
5.5.1. Kurulumu
194
5.5.2. pylab and pyplot
197
5.5.3. Matplotlib Uygulamaları
200
5.6. Web Scraping (Kazıma)
210
5.7. Hugging Face Ekosistemi ve Transformers
212
5.8. LangChain ile AI Agent Geliştirme
213
5.9. Polars ile Yüksek Hızlı Veri İşleme
214
6. TENSORFLOW VE KERAS KÜTÜPHANELERİ
217
6.1. Theano Kütüphanesi
219
6.2. PyTorch Framework
219
6.3. NLTK Kütüphanesi
221
6.4. Scipy Kütüphanesi
221
6.5. Seaborn Kütüphanesi
222
6.6. Plotly Kütüphanesi
222
6.7. Bokeh Kütüphanesi
223
6.8. PyTorch 2.0 Yenilikleri
223
6.9. Transfer Learning ve Fine–Tuning Örnekleri (Hugging Face Model Hub)
224
7. VERİ BİLİMİ
227
7.1. Veri Bilimcisi Kimdir?
230
7.1.1. Veri Bilimi ve İş Zekâsı Arasındaki Farklar
231
7.1.2. Veri Biliminin Yaşam Döngüsü
232
7.1.3. Veri Biliminin Artıları Eksileri
235
7.2. Veri Bilimi için Gerekli Araçlar
237
7.3. Veri Biliminin Uygulanması
239
7.3.1. Risk ve Dolandırıcılık Tespiti
239
7.3.2. Sağlık Hizmeti
239
7.3.3. Genetik ve Genomik
239
7.3.4. İlaç Geliştirme
239
7.3.5. İnternet Araması
240
7.3.6. Web Sitesi Önerileri
240
7.3.7. Gelişmiş Görüntü Tanıma
240
7.3.8. Sanal Asistan
240
7.3.9. Konuşma Tanıma
241
7.3.10. Uçaklar için Rota Planlama
241
7.3.11. Oyun
241
7.3.12. Arttırılmış Gerçeklik
241
7.4. Veri Bilimi Modellerine Matematik Uygulaması
242
7.5. Veri Seti ve Veri Analizindeki Yeri
243
7.6. Veri Temizleme
245
7.7. Veri Doğrulama
246
7.8. Veri Keşfi
247
7.9. Veri Madenciliği
247
7.10. Veri Toplama Yöntemleri
251
7.10.1. Gözlem
251
7.10.2. Anketler
251
7.10.3. Röportajlar
252
7.10.4. Odak Grup Tartışmaları
252
7.11. Kaggle Tanıtımı
253
7.12. Git ve Github
257
7.12.1. Github
257
7.12.2. GİT
259
7.13. Verinin Görselleştirilmesi
277
7.14. Büyük Veri
283
7.15. Gerçek Zamanlı Veri Akışı (Kafka, Spark Streaming)
284
8. MATEMATİK, İSTATİSTİK VE YAPAY ZEKÂ
287
8.1. Doğrusal Cebir (Linear Algebra)
288
8.2. Vektörler ve Matrisler
289
8.3. Olasılık ve Dağılım
291
8.4. Optimizasyon
297
8.5. Graflar (Computation Graph)
300
8.6. Veri Bilimi İstatistikleri
301
8.7. Tanımlayıcı İstatistik
301
8.8. Çıkarımsal İstatistik
305
8.9. Diğer Test Yöntemleri
308
8.10. Lineer Regresyon
308
8.11. Çoklu Lineer Regresyon
314
8.12. Regresyon Analizi
318
8.13. Ajanlar ve Ortamlar
321
8.14. Arama Problemleri, Durum Uzayı ve Başlangıç Durum
327
8.15. Geleneksel Arama Algoritmaları
328
8.16. Genetik Algoritmalar
333
9. MAKİNE ÖĞRENMESİ
335
9.1. Öğrenme
336
9.1.1. Fiziksel (Kinestetik) Öğrenme
338
9.1.2. Görsel (Mekansal) Öğrenme
339
9.1.3. İşitsel Öğrenme
339
9.1.4. Sözel (Okuma/Yazma) Öğrenme
340
9.1.5. Mantıksal (Matematiksel) Öğrenme
340
9.1.6. Müzikal Öğrenme
340
9.1.7. Doğa Bilimcileri
341
9.1.8. Dilsel Öğrenenler
341
9.1.9. Kişilerarası (Sosyal) Öğrenenler
342
9.1.10. Kişi İçi (Yalnız) Öğrenciler
342
9.2. Bilgisayarlı Öğrenme ve Karar Verme
343
9.3. Veri Ön İşleme ve Model Tasarımı
345
9.3.1. Veri Ön İşleme
346
9.3.2. Veri Önişleme için Örnek
352
9.3.3. Model Planlama
358
9.3.4. Model Oluşturma
359
9.3.5. Modelin Eğitilmesi
359
9.3.6. Modelin Test Edilmesi
359
9.3.7. Modelin İyileştirilmesi
360
9.4. Makine Öğrenmesi Yaklaşımları
360
9.5. Gözetimli Öğrenme (Denetimli–Supervised Learning)
362
9.5.1. Regresyon
362
9.5.1.1. Lineer Regresyon
363
9.5.1.2. Polinomial Regresyon
364
9.5.1.3. Lojistik Regresyon
365
9.5.1.4. Gradyan Azaltma
367
9.5.1.5. Neural Network Regresyon
368
9.5.1.6. Support Vektor Regresyon
369
9.5.1.7. Gaussian process regression (GPR):
370
9.5.2. Sınıflandırma
370
9.5.2.1. Naive Bayes Sınıflandırması
371
9.5.2.2. SVM Sınıflandırması
374
9.5.2.3. Karar Ağaçları
377
9.5.2.4. k–NN Algoritması
381
9.5.2.5. Random Forest
385
9.6. Gözetimsiz Öğrenme (Denetimsiz–Unsupervised Learning)
390
9.6.1. Kümeleme
390
9.6.2. Hiyerarşik Kümeleme
393
9.7. Denetimli vs Denetimsiz Öğrenme
400
9.8. Yarı Denetimli Öğrenme
401
9.9. Pekiştirmeli Öğrenme
403
9.9.1. Model Bağımsız RL
405
9.9.2. Model Tabanlı RL
406
9.10. AutoML (Otomatik Model Seçimi)
408
9.11. Derin Pekiştirmeli Öğrenme (Deep RL)
408
10. YAPAY SİNİR AĞLARI
411
10.1. Nöron ve Ağ Yapısı
413
10.2. Aktivasyon Fonksiyonu
414
10.3. Tek Katmanlı Sinir Ağları (Perceptronlar)
416
10.4. İki Katmanlı Sinir Ağları
417
10.5. Çok Katmanlı Sinir Ağları (L–Layer NN)
418
10.6. İleri Yayılımlı Öğrenme
419
10.7. Kayıp (Loss) ve Maliyet (Cost) Fonksiyonları
419
10.8. Geri Yayılımlı Öğrenme
419
10.9. Evrişimli Sinir Ağı Mimarileri
419
10.9.1. LeNet
420
10.9.2. AlexNet
421
10.9.3. ZFNet
422
10.9.4. GoogLeNet
423
10.9.5. VGGNet
423
10.10. Tekrarlayan Sinir Ağları (Recurrent Neural Networks – RNN)
424
10.11. NLP
425
10.12. Sequence Models
426
10.13. Uzun Kısa Dönemli Bellek Ağları (LSTM)
426
10.14. Tekrarlayan ve Evrişimli Sinir Ağlarının Birleşimi
427
10.15. Derin İnanç Ağları
427
10.16. Kısıtlı Boltzmann Makinesi
428
10.17. Transformers ve Self–Attention Mekanizması
428
10.18. BERT, GPT, T5 Modelleri
429
11. DERİN ÖĞRENME
431
11.1. Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN)
432
11.2. Normalizasyon ve Label Encoding
432
11.3. Batch ve Epoch
433
11.4. Data Augmentation
433
11.5. Katmanlar ve Bağlantılar
433
11.6. Diffusion Modelleri (Stable Diffusion)
436
11.7. Multimodal Modeller
437
12. UYGULAMALAR
439
12.1. Hesap Makinesi Projesi
439
12.2. Araç Kiralama Projesi
440
12.3. Sıcaklık Dönüşümleri Uygulaması
441
12.4. Instagram Profil Resimleri İndirme Uygulaması
442
12.5. Lojistik Regresyon Python Çalışması
443
12.6. ANN Python Çalışması
445
13. MLOps ve Model Dağıtımı
447
13.1. MLOps’un Tanımı ve Önemi
447
13.2. Model Yaşam Döngüsü (ML Lifecycle)
447
13.3. Sürekli Entegrasyon ve Sürekli Dağıtım (CI/CD) için MLOps
448
13.4. Model Dağıtım Stratejileri
448
13.5. İzleme ve Modelin Sağlamlığı (Monitoring)
449
13.6. Popüler MLOps Araçları ve Platformları
449
13.7. Gerçek Dünya Uygulamaları
449
14. Prompt Engineering ve İleri Teknikler
451
14.1. Prompt Engineering Nedir?
451
14.2. İyi Prompt’un Temel İlkeleri
451
14.3. İleri Teknikler
452
14.4. Görsel, Kod ve Multimodal Prompting
452
14.5. Prompt Engineering’in Geleceği
452
14.6. Prompt Engineering’de Dikkat Edilmesi Gerekenler
454
Kaynakça
455
Kavram Dizini
461
Özel SEBETCİ
İÇİNDEKİLER
İçindekiler
İkinci Baskıya Önsöz
5
Önsöz
7
Yazar Hakkında
9
Resimler Listesi
21
Şekiller Listesi
29
Tablolar Listesi
33
1. GİRİŞ
35
2. YAPAY ZEKÂ (ARTIFICIAL INTELLIGENCE – AI)
39
2.1. Yapay Zekâ Nedir?
39
2.2. Yapay Zekâ Uygulamaları ve Alanları
40
2.3. Türkiye ve Yapay Zekâ
43
2.4. Metaverse ve Yapay Zekâ
45
2.5. Yapay Zekâyı Kodlama
47
2.6. Büyük Dil Modelleri (LLM) ve Mimarileri
49
2.7. ChatGPT, Claude, LLaMA, Mistral, GPT–5 ve Diğer Önde Gelen LLM’ler: Kullanım Alanları
52
2.8. Yapay Zekâ Etiği ve Hukuki Düzenlemeler (AB AI Act vb.)
54
3. PYTHON
57
3.1. Python Kurulumu
60
3.2. Anaconda
61
3.3. Spyder
64
3.4. Jupyter Notebook ve JupyterLab
64
3.5. Sanal Ortam
68
3.5.1. Windows Komut İstemcisinden Sanal Ortam Oluşturma
69
3.5.2. Anaconda ile Sanal Ortam Oluşturma
70
3.6. Kaggle
74
3.7. Google Colaboratory
76
3.8. PIP ve Conda ile Yeni Modüller Eklemek
78
3.8.1. Pip ile Yeni Modüller Eklemek
78
3.8.2. Conda ile Yeni Modüller Eklemek
78
3.9. Python Dili Sözdizimi
80
3.9.1. Değişkenler
81
3.9.2. Stack Memory vs. Heap Memory
82
3.9.3. Operatörler
85
3.9.4. Veri Tipleri
87
3.9.5. Koşul Yapıları
92
3.9.5.1. If
92
3.9.5.2. Else
93
3.9.5.3. Elif
93
3.9.5.4. İç İçe If İfadesi
94
3.9.6. Döngüler
95
3.9.6.1. While Döngüsü
95
3.9.6.2. For Döngüsü
96
3.9.7. İç İçe Döngüler
97
3.9.8. Fonksiyonlar
98
3.9.9. Global ve Yerel (Lokal) Değişkenler
101
3.9.10. Gömülü Fonksiyonlar (Built–in)
102
3.9.11. String Methodları
107
3.9.12. Kullanıcı Tarafından Oluşturulan Fonksiyonlar
112
3.9.13. Lambda İfadeleri ve Comprehension Tanımlamaları
114
3.9.14. Özyinelemeli Fonksiyonlar
115
3.10. Python Veri Yapıları
116
3.10.1. Listeler – List
117
3.10.2. Diziler – Array
122
3.10.3. Demetler – Tuple
123
3.10.4. Kümeler – Set
124
3.10.5. Sözlükler – Dictionary
126
3.10.6. Range, Enumerate ve Comprehension Yapıları
129
3.11. Python Web and Desktop Uygulamaları
130
3.11.1. Django
130
3.11.2. Flask
130
3.11.3. Bottle
131
3.11.4. Tornado
131
3.11.5. Pyramid
131
3.11.6. Tkinter
131
3.11.7. PyQT
132
3.11.8. Kivy
132
3.11.9. WxPython
132
3.12. Python 3.12 ve 3.13 Yenilikleri ve Modern Sözdizimleri (Type Hinting, Pattern Matching)
132
4. NESNE YÖNELİMLİ PROGRAMLAMA (OOP)
137
4.1. Nesneler ve Sınıflar
138
4.1.1. Sınıf ve Nesne Tanımlama
138
4.1.2. Sınıflar ve Örnekler
140
4.2. Kalıtım (Inheritance)
142
4.3. Kapsülleme (Encapsulation)
143
4.4. Polimorfizm (Polymorphism)
146
4.5. Örnek Metotlar
147
4.6. OOP Prensipler
147
4.7. Program Hatalarının Yönetimi
148
5. MODÜLLER, KÜTÜPHANELER VE ARAÇLAR
153
5.1. Genel Bakış
153
5.1.1. Python Packages
156
5.1.2. Python Libraries
158
5.1.3. Python Frameworks
160
5.1.4. Math Modülü
160
5.1.5. Statistics Modülü
162
5.1.6. Random Modülü
163
5.1.7. Datetime Modülü
164
5.1.8. CSV Modülü
164
5.2. NumPy Kütüphanesi
168
5.2.1. NumPy Kurulumu
168
5.2.2. Numpy’ın Kalbi
169
5.2.3. Dizi Oluşturma
171
5.2.4. NumPy Tarafından Desteklenen Veri Türleri
173
5.2.5. Slicing
177
5.2.6. Shape Manipulation
179
5.3. Pandas Kütüphanesi
180
5.3.1. Pandas Kurulumu ve Veri Yapıları
181
5.3.2. Series
181
5.3.3. Dataframe
186
5.4. SciKit Learn Kütüphanesi
189
5.4.1. Sınıflandırma
190
5.4.2. Regresyon
190
5.4.3. Kümeleme
191
5.4.4. Boyutsal küçülme
191
5.4.5. Model seçimi
192
5.4.6. Ön İşleme
192
5.5. Matplotlib Kütüphanesi
193
5.5.1. Kurulumu
194
5.5.2. pylab and pyplot
197
5.5.3. Matplotlib Uygulamaları
200
5.6. Web Scraping (Kazıma)
210
5.7. Hugging Face Ekosistemi ve Transformers
212
5.8. LangChain ile AI Agent Geliştirme
213
5.9. Polars ile Yüksek Hızlı Veri İşleme
214
6. TENSORFLOW VE KERAS KÜTÜPHANELERİ
217
6.1. Theano Kütüphanesi
219
6.2. PyTorch Framework
219
6.3. NLTK Kütüphanesi
221
6.4. Scipy Kütüphanesi
221
6.5. Seaborn Kütüphanesi
222
6.6. Plotly Kütüphanesi
222
6.7. Bokeh Kütüphanesi
223
6.8. PyTorch 2.0 Yenilikleri
223
6.9. Transfer Learning ve Fine–Tuning Örnekleri (Hugging Face Model Hub)
224
7. VERİ BİLİMİ
227
7.1. Veri Bilimcisi Kimdir?
230
7.1.1. Veri Bilimi ve İş Zekâsı Arasındaki Farklar
231
7.1.2. Veri Biliminin Yaşam Döngüsü
232
7.1.3. Veri Biliminin Artıları Eksileri
235
7.2. Veri Bilimi için Gerekli Araçlar
237
7.3. Veri Biliminin Uygulanması
239
7.3.1. Risk ve Dolandırıcılık Tespiti
239
7.3.2. Sağlık Hizmeti
239
7.3.3. Genetik ve Genomik
239
7.3.4. İlaç Geliştirme
239
7.3.5. İnternet Araması
240
7.3.6. Web Sitesi Önerileri
240
7.3.7. Gelişmiş Görüntü Tanıma
240
7.3.8. Sanal Asistan
240
7.3.9. Konuşma Tanıma
241
7.3.10. Uçaklar için Rota Planlama
241
7.3.11. Oyun
241
7.3.12. Arttırılmış Gerçeklik
241
7.4. Veri Bilimi Modellerine Matematik Uygulaması
242
7.5. Veri Seti ve Veri Analizindeki Yeri
243
7.6. Veri Temizleme
245
7.7. Veri Doğrulama
246
7.8. Veri Keşfi
247
7.9. Veri Madenciliği
247
7.10. Veri Toplama Yöntemleri
251
7.10.1. Gözlem
251
7.10.2. Anketler
251
7.10.3. Röportajlar
252
7.10.4. Odak Grup Tartışmaları
252
7.11. Kaggle Tanıtımı
253
7.12. Git ve Github
257
7.12.1. Github
257
7.12.2. GİT
259
7.13. Verinin Görselleştirilmesi
277
7.14. Büyük Veri
283
7.15. Gerçek Zamanlı Veri Akışı (Kafka, Spark Streaming)
284
8. MATEMATİK, İSTATİSTİK VE YAPAY ZEKÂ
287
8.1. Doğrusal Cebir (Linear Algebra)
288
8.2. Vektörler ve Matrisler
289
8.3. Olasılık ve Dağılım
291
8.4. Optimizasyon
297
8.5. Graflar (Computation Graph)
300
8.6. Veri Bilimi İstatistikleri
301
8.7. Tanımlayıcı İstatistik
301
8.8. Çıkarımsal İstatistik
305
8.9. Diğer Test Yöntemleri
308
8.10. Lineer Regresyon
308
8.11. Çoklu Lineer Regresyon
314
8.12. Regresyon Analizi
318
8.13. Ajanlar ve Ortamlar
321
8.14. Arama Problemleri, Durum Uzayı ve Başlangıç Durum
327
8.15. Geleneksel Arama Algoritmaları
328
8.16. Genetik Algoritmalar
333
9. MAKİNE ÖĞRENMESİ
335
9.1. Öğrenme
336
9.1.1. Fiziksel (Kinestetik) Öğrenme
338
9.1.2. Görsel (Mekansal) Öğrenme
339
9.1.3. İşitsel Öğrenme
339
9.1.4. Sözel (Okuma/Yazma) Öğrenme
340
9.1.5. Mantıksal (Matematiksel) Öğrenme
340
9.1.6. Müzikal Öğrenme
340
9.1.7. Doğa Bilimcileri
341
9.1.8. Dilsel Öğrenenler
341
9.1.9. Kişilerarası (Sosyal) Öğrenenler
342
9.1.10. Kişi İçi (Yalnız) Öğrenciler
342
9.2. Bilgisayarlı Öğrenme ve Karar Verme
343
9.3. Veri Ön İşleme ve Model Tasarımı
345
9.3.1. Veri Ön İşleme
346
9.3.2. Veri Önişleme için Örnek
352
9.3.3. Model Planlama
358
9.3.4. Model Oluşturma
359
9.3.5. Modelin Eğitilmesi
359
9.3.6. Modelin Test Edilmesi
359
9.3.7. Modelin İyileştirilmesi
360
9.4. Makine Öğrenmesi Yaklaşımları
360
9.5. Gözetimli Öğrenme (Denetimli–Supervised Learning)
362
9.5.1. Regresyon
362
9.5.1.1. Lineer Regresyon
363
9.5.1.2. Polinomial Regresyon
364
9.5.1.3. Lojistik Regresyon
365
9.5.1.4. Gradyan Azaltma
367
9.5.1.5. Neural Network Regresyon
368
9.5.1.6. Support Vektor Regresyon
369
9.5.1.7. Gaussian process regression (GPR):
370
9.5.2. Sınıflandırma
370
9.5.2.1. Naive Bayes Sınıflandırması
371
9.5.2.2. SVM Sınıflandırması
374
9.5.2.3. Karar Ağaçları
377
9.5.2.4. k–NN Algoritması
381
9.5.2.5. Random Forest
385
9.6. Gözetimsiz Öğrenme (Denetimsiz–Unsupervised Learning)
390
9.6.1. Kümeleme
390
9.6.2. Hiyerarşik Kümeleme
393
9.7. Denetimli vs Denetimsiz Öğrenme
400
9.8. Yarı Denetimli Öğrenme
401
9.9. Pekiştirmeli Öğrenme
403
9.9.1. Model Bağımsız RL
405
9.9.2. Model Tabanlı RL
406
9.10. AutoML (Otomatik Model Seçimi)
408
9.11. Derin Pekiştirmeli Öğrenme (Deep RL)
408
10. YAPAY SİNİR AĞLARI
411
10.1. Nöron ve Ağ Yapısı
413
10.2. Aktivasyon Fonksiyonu
414
10.3. Tek Katmanlı Sinir Ağları (Perceptronlar)
416
10.4. İki Katmanlı Sinir Ağları
417
10.5. Çok Katmanlı Sinir Ağları (L–Layer NN)
418
10.6. İleri Yayılımlı Öğrenme
419
10.7. Kayıp (Loss) ve Maliyet (Cost) Fonksiyonları
419
10.8. Geri Yayılımlı Öğrenme
419
10.9. Evrişimli Sinir Ağı Mimarileri
419
10.9.1. LeNet
420
10.9.2. AlexNet
421
10.9.3. ZFNet
422
10.9.4. GoogLeNet
423
10.9.5. VGGNet
423
10.10. Tekrarlayan Sinir Ağları (Recurrent Neural Networks – RNN)
424
10.11. NLP
425
10.12. Sequence Models
426
10.13. Uzun Kısa Dönemli Bellek Ağları (LSTM)
426
10.14. Tekrarlayan ve Evrişimli Sinir Ağlarının Birleşimi
427
10.15. Derin İnanç Ağları
427
10.16. Kısıtlı Boltzmann Makinesi
428
10.17. Transformers ve Self–Attention Mekanizması
428
10.18. BERT, GPT, T5 Modelleri
429
11. DERİN ÖĞRENME
431
11.1. Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN)
432
11.2. Normalizasyon ve Label Encoding
432
11.3. Batch ve Epoch
433
11.4. Data Augmentation
433
11.5. Katmanlar ve Bağlantılar
433
11.6. Diffusion Modelleri (Stable Diffusion)
436
11.7. Multimodal Modeller
437
12. UYGULAMALAR
439
12.1. Hesap Makinesi Projesi
439
12.2. Araç Kiralama Projesi
440
12.3. Sıcaklık Dönüşümleri Uygulaması
441
12.4. Instagram Profil Resimleri İndirme Uygulaması
442
12.5. Lojistik Regresyon Python Çalışması
443
12.6. ANN Python Çalışması
445
13. MLOps ve Model Dağıtımı
447
13.1. MLOps’un Tanımı ve Önemi
447
13.2. Model Yaşam Döngüsü (ML Lifecycle)
447
13.3. Sürekli Entegrasyon ve Sürekli Dağıtım (CI/CD) için MLOps
448
13.4. Model Dağıtım Stratejileri
448
13.5. İzleme ve Modelin Sağlamlığı (Monitoring)
449
13.6. Popüler MLOps Araçları ve Platformları
449
13.7. Gerçek Dünya Uygulamaları
449
14. Prompt Engineering ve İleri Teknikler
451
14.1. Prompt Engineering Nedir?
451
14.2. İyi Prompt’un Temel İlkeleri
451
14.3. İleri Teknikler
452
14.4. Görsel, Kod ve Multimodal Prompting
452
14.5. Prompt Engineering’in Geleceği
452
14.6. Prompt Engineering’de Dikkat Edilmesi Gerekenler
454
Kaynakça
455
Kavram Dizini
461
Yorum yaz
Bu kitaba henüz yorum yapılmamış.
Bonus Card ( Garanti - Teb - Denizbank - Şekerbank vb. )
| Taksit Sayısı | Taksit tutarı | Genel Toplam |
|---|---|---|
| Tek Çekim | 641,25 | 641,25 |
Cardfinans ( Finansbank )
| Taksit Sayısı | Taksit tutarı | Genel Toplam |
|---|---|---|
| Tek Çekim | 641,25 | 641,25 |
Maximum Card ( İş Bankası - Ziraat Bankası )
| Taksit Sayısı | Taksit tutarı | Genel Toplam |
|---|---|---|
| Tek Çekim | 641,25 | 641,25 |
Worldcard ( YKB - Vakıfbank - Anadolubank - Albaraka )
| Taksit Sayısı | Taksit tutarı | Genel Toplam |
|---|---|---|
| Tek Çekim | 641,25 | 641,25 |
Diğer Kartlar
| Taksit Sayısı | Taksit tutarı | Genel Toplam |
|---|---|---|
| Tek Çekim | 641,25 | 641,25 |
-
-
Yeni-%5
Satışta değil%5İNDİRİM635,00TL 603,25TL
