Yapay Zeka Çalışma Grubu Yol Haritası
Hazırlayanlar: Ece Naz Altuner, Muhammed Arif Dayı, Mehmet Emircan Küllücek
ACM Gazi AR-GE Birimi
1. Genel Tanıtım
Yapay zeka nedir?
Yapay zeka (AI), makinelerin insan benzeri problem çözme görevlerini yerine getirmesini sağlayan dönüştürücü bir teknolojidir. Yapay zeka, görüntüleri tanımaktan ve yaratıcı içerik oluşturmaktan veri odaklı tahminler yapmaya kadar işletmelerin daha akıllı kararlar almasını sağlar.Hangi temel probleme çözüm üretir?
Yapay zekâ, eğitildiği alandaki verilerden örüntüleri öğrenerek benzer problemleri çözme becerisi kazanır. Bu sayede geçmiş deneyimlerden yola çıkarak yeni durumlara uygun çözümler üretebilir. Örneğin tıpta hastalık belirtilerini analiz edebilir veya finans alanında risk tahmini yapabilir. Modelin başarısı, aldığı verinin kalitesi ve çeşitliliğine bağlıdır. Ne kadar iyi eğitilirse, o kadar doğru ve güvenilir sonuçlar üretir. Sonuç olarak yapay zekâ, eğitildiği alanda karmaşık problemleri insanlardan daha hızlı çözebilir.Günümüzdeki önemi ve kullanım alanları nelerdir?
Yapay zeka, sektörleri dönüştüren ve işletmeler için yeni fırsatların kilidini açan geniş kapsamlı bir dizi güçlü teknoloji sunar:- Görüntü oluşturma: Basit metin açıklamalarını saniyeler içinde yüksek kaliteli, gerçekçi görüntülere dönüştürür. Örneğin, “dağların üzerinde bir gün batımı” gibi bir komut istemi girildiğinde, yapay zeka anında çarpıcı görseller üretebilir. Bu çığır açan teknoloji; pazarlama, eğlence ve tasarım gibi yaratıcı sektörlerde devrim yaratıyor ve içerik oluşturma sürecini önemli ölçüde hızlandırıyor.
- Metin oluşturma: Yapay zeka, e-postalar gibi kısa içeriklerden karmaşık raporlara kadar insan benzeri metinleri otomatik olarak oluşturabilir. Müşteri desteği, pazarlama ve içerik oluşturma alanlarında yaygın olarak benimsenen bu teknoloji, yazma sürecini kolaylaştırarak verimliliği artırır ve değerli zamandan tasarruf sağlar.
- Konuşma oluşturma ve tanıma: Yapay zeka destekli konuşma üretimi, doğal, insan benzeri konuşma oluştururken, konuşma tanıma, makinelerin konuşulan kelimeleri anlamasını ve işlemesini sağlar. Bu teknolojiler, Alexa gibi sanal asistanlar aracılığıyla kesintisiz, sesle etkinleştirilen deneyimler sunmanın, müşteri hizmetlerini, akıllı cihazları ve erişilebilirlik çözümlerini geliştirmenin anahtarıdır.
- Çok modlu yapay zeka: Çok modlu yapay zeka, karmaşık içeriklerin daha kapsamlı bir şekilde anlaşılmasını sağlamak için metin, görüntü ve ses verilerini entegre eder. Çok modlu yapay zeka; nesneleri tanıyarak, konuşmayı kopyalayarak ve ekrandaki metni aynı anda yorumlayarak, gerçek zamanlı olarak gelişmiş öngörüler sunar. Bu özellik; video analizi, otonom araçlar ve daha fazlası için yapay zekadan yararlanan sektörler için son derece önemlidir ve daha akıllı, daha hızlı karar verme ve yenilik için yeni olasılıkların kilidini açar.
Bu alt dalın sektördeki konumu nasıldır?
Yapay zekâ, eğitildiği alandaki verilerden örüntüleri öğrenerek karmaşık problemleri çözme becerisi kazanmıştır. Bilgisayar mühendisliği sektöründe ise artık temel bir teknoloji haline gelmiştir. Günümüzde yazılım geliştirme, veri analizi, siber güvenlik ve sistem optimizasyonu gibi birçok alanda yapay zekâ aktif olarak kullanılmaktadır. Bu durum mühendislerin hem üretkenliğini artırmakta hem de yeni nesil çözümler geliştirmelerine olanak sağlamaktadır. Ayrıca yapay zekâ, bilgisayar mühendisliğinde araştırma ve inovasyonun merkezine yerleşmiştir. Kısacası, yapay zekâ artık yalnızca bir araç değil, bilgisayar mühendisliğinin geleceğini şekillendiren temel bir bileşendir.
2. Alt Dallar ve Uzmanlık Alanları
Bu alanın altında yer alan alanlar nelerdir?
| Alt Alan | Kısa Açıklama | Uygulama Örneği |
|---|---|---|
| Makine Öğrenmesi (Machine Learning) | Verilerden öğrenerek tahmin ve sınıflandırma yapan sistemlerdir. | E-posta’larda spam filtreleme. |
| Derin Öğrenme (Deep Learning) | Yapay sinir ağlarıyla karmaşık verilerden anlam çıkaran yöntemdir. | Görüntülerde yüz tanıma. |
| Doğal Dil İşleme (Natural Language Processing – NLP) | Bilgisayarların insan dilini anlamasını ve üretmesini sağlar. | ChatGPT, Google Translate. |
| Computer Vision | Görselleri ve videoları analiz ederek nesne veya yüz tanıyan sistemlerdir. | Trafik kameralarında araç tespiti. |
| Expert Systems | İnsan uzmanların bilgi ve kurallarını kullanarak karar veren yazılımlardır. | Hastalık tanısı yapan tıbbi sistemler. |
| Pekiştirmeli Öğrenme (Reinforcement Learning) | Deneme-yanılma yoluyla en iyi stratejiyi öğrenen yapay zekâ türüdür. | Satranç veya Go oynayan yapay zekâlar. |
| Robotik | Yapay zekâyı kullanarak çevresiyle etkileşime giren akıllı makineler geliştirir. | Otonom temizlik robotları. |
| Bilgi Temsili ve Çıkarım (Knowledge Representation and Reasoning) | Bilgiyi mantıksal yapılarla ifade edip yeni sonuçlar çıkaran sistemlerdir. | Hukuk veya tıp alanında karar destek sistemleri. |
3. Temel Konular ve Kavramlar
Öğrenilmesi gereken temel konular ve açıklamaları:
| Temel Konu | Neden Önemli? | Öğrenme Sırası |
|---|---|---|
| Python Programlama | Yapay zekâ modellerinin geliştirilmesi, test edilmesi ve veriyle etkileşime geçmesini sağlar. | 1 |
| Matematik (Lineer Cebir, Olasılık, Kalkülüs) | Modellerin öğrenme süreçlerinin ve parametre hesaplamalarının anlaşılmasını sağlar. | 2 |
| Veri İşleme ve Analiz (NumPy, Pandas) | Ham verilerin yapay zekâ modellerine uygun hale getirilmesini sağlar. | 3 |
| Veri Görselleştirme (Matplotlib, Seaborn) | Verilerin ve model sonuçlarının görsel olarak analiz edilmesini sağlar. | 4 |
| Makine Öğrenmesi Mantığı | Verilerden öğrenen algoritmaların temellerinin kavranmasını sağlar. | 5 |
| Model Değerlendirme ve Optimizasyon | Eğitilen modellerin doğruluk, kayıp ve performans açısından iyileştirilmesini sağlar. | 6 |
| Sinir Ağı Temelleri (Neural Networks) | Karmaşık verilerin işlenmesi için yapay sinir ağlarının çalışma prensiplerinin öğrenilmesini sağlar. | 7 |
| Veri Seti Yönetimi ve Proje Mantığı | Gerçek yapay zekâ projelerinde veri toplama, ayırma ve test süreçlerinin yönetilmesini sağlar. | 8 |
| Etik, Güvenlik ve Veri Gizliliği | Yapay zekâ sistemlerinin adil, güvenli ve tarafsız biçimde kullanılmasını sağlar. | 9 |
| Model Dağıtımı (Deployment) Temelleri | Eğitilen modellerin gerçek ortamlarda (web, mobil, bulut vb.) kullanılmasını sağlar. | 10 |
4. Ücretsiz Kaynaklar
Videolar, online kurslar, makaleler vb.
| Tür | Link | Not / Öneri |
|---|---|---|
| Makale | https://www.ibm.com/think/topics/artificial-intelligence | Yapay zeka,makine öğrenmesi,derin öğrenme konularına yeniyseniz bu ilk 5 kaynak bu konuları anlamak ve giriş yapmak için iyi olacaktır. |
| Makale | https://www.ibm.com/think/topics/machine-learning | |
| Makale | https://www.ibm.com/think/topics/deep-learning | |
| Video | https://www.youtube.com/watch?v=qYNweeDHiyU | |
| Video | https://www.youtube.com/watch?v=LPZh9BOjkQs | |
| Tutorial | https://www.w3schools.com/python/numpy/numpy_intro.asp | Numpy: Sayısal hesaplamalar ve büyük, çok boyutlu diziler (array) üzerinde hızlı işlem yapmayı sağlar. |
| Tutorial | https://www.w3schools.com/python/pandas/default.asp | Pandas: Verileri tablo (DataFrame) şeklinde düzenleyip analiz etmeye yarar. |
| Tutorial | https://www.w3schools.com/python/numpy/numpy_random_seaborn.asp | Seaborn: Matplotlib üzerine kuruludur, istatistiksel verileri daha estetik grafiklerle görselleştirmeyi kolaylaştırır. |
| Tutorial | https://www.tutorialspoint.com/scikit_learn/index.htm | Scikit-learn: Makine öğrenmesi modelleri (sınıflandırma, regresyon, kümeleme vb.) kurmak ve değerlendirmek için kullanılır. |
| Tutorial | https://docs.pytorch.org/tutorials/beginner/pytorch_with_examples.html | PyTorch: Derin öğrenme (neural network) modelleri oluşturmak ve GPU üzerinde eğitmek için kullanılan güçlü bir kütüphanedir. |
| Video | https://www.youtube.com/watch?v=r-uOLxNrNk8 | Numpy-Pandas-Matplotlib-Seaborn için toplu video. |
| Video | https://www.youtube.com/watch?v=0B5eIE_1vpU | Scikit-learn için video. |
| Video | https://www.youtube.com/watch?v=V_xro1bcAuA | Pytorch için video. |
5. Popüler Teknolojiler, Programlama Dilleri ve Kütüphaneler
Not: Eğer kodlama alanına yeniyseniz, python kütüphanelerine başlamadan önce genel kod bilgisi ve Git-Github kullanımını öğrenmek ve alışmak iyi olacaktır.
Bu alanda sıklıkla kullanılan teknolojiler:
| Araç / Dil / Kütüphane | Kullanım Amacı |
|---|---|
| Python => NumPy, Pandas | Sayısal işlemler, matris ve vektör hesaplamaları,veri okuma, düzenleme, temizleme |
| Python => Matplotlib, Seaborn | Veriyi görselleştirmek için (grafikler, dağılım diyagramları). |
| Python => Scikit-learn, PyTorch/TensorFlow | Makine öğrenmesi-derin öğrenme kütüphaneleri. Model eğitmek için. |
| NLTK / spaCy / Hugging Face | Doğal dil işleme (NLP) projelerinde metin analizi ve dil modeli uygulamalarının geliştirilmesini sağlar. |
| Jupyter Notebook / Google Colab | Kodun etkileşimli biçimde yazılmasını, test edilmesini ve görselleştirilmesini sağlar. |
| FastAPI / Flask | Eğitilen yapay zekâ modellerinin web uygulamalarına entegre edilmesini sağlar. |
| Git ve GitHub | Proje sürümlerinin yönetilmesini ve ekip çalışmasının kolaylaştırılmasını sağlar. |
| Kaggle | Yapay zeka modelleri eğitilirken gerekli verisetlerini sağlar. |
| Docker | Yapay zekâ projelerinin taşınabilir ve tekrarlanabilir ortamlarda çalıştırılmasını sağlar. |
6. Örnek Projeler
Bu konuyu öğrenirken geliştirilebilecek örnek projeler:
| Zorluk Seviyesi | Proje | Proje Açıklaması | Kullanılacak Teknolojiler |
|---|---|---|---|
| Kolay | Ev Fiyatı Tahmini (Regression) | Ev özelliklerine (metrekare, oda sayısı, konum vs.) göre fiyat tahmini. | Veri: sklearn.datasets içindeki California housing veri seti veya Kaggle’dan. Model: LinearRegression, RandomForestRegressor veya basit bir Keras Dense ağı. |
| Kolay | İris Çiçeği Sınıflandırması (Classification) | Sepal ve petal uzunluklarına göre tür tahmini. | Veri: sklearn.datasets.load_iris(). Model: DecisionTree, LogisticRegression veya Dense ağ (3 çıkış nöronu). |
| Kolay | El Yazısı Rakam Tanıma (MNIST) | Görüntüden (28x28 piksel) 0–9 arası rakam tanıma. | Veri: tensorflow.keras.datasets.mnist. Model: Basit CNN (Conv2D, MaxPooling2D, Flatten, Dense). |
| Orta | Kedi–Köpek Görüntü Sınıflandırıcı | Görselden “kedi mi köpek mi?” tahmini. | Veri: Kaggle “Cats vs Dogs” dataseti. Model: CNN (3–4 convolution bloğu yeterli). |
| Orta | Duygu analizi | Bir yorum pozitif mi negatif mi tahmini. | Veri: IMDB yorum dataseti (tensorflow.keras.datasets.imdb). Model: Basit LSTM veya GRU ağı. |
| Zor | Yüz tanıma / duygu tanıma | İnsan yüzü veya duygu tahmini | Veri: Kaggle: Facial Expression Recognition, FER2013 Model:CNN (Convolutional Neural Network) Conv2D + MaxPooling2D blokları Flatten + Dense (softmax ile çıktı) |
| Zor | Zaman serisi tahmini | Hisse senedi veya hava durumu tahmini | Veri: yfinance, NOAA / Weather APIs Model:LSTM (Long Short-Term Memory) Veri hazırlığı: sliding window (geçmiş n gün → bir sonraki gün tahmini) |