Yapay Zeka ve Veri Bilimi Uzmanı (AI & Data Science)

YAPAY ZEKA

Lineer cebirden makine öğrenmesine, derin sinir ağlarından üretken yapay zekaya (ChatGPT) uzanan en profesyonel ve eksiksiz AI rotası.

Aşama 1: Matematik ve İstatistik Temelleri

Lineer Cebir, Kalkülüs, İhtimal

Doğrusal Cebir (Linear Algebra): Yapay Zekanın Matrisi

Vektörler, Matrisler, Nokta Çarpım (Dot Product) ve Özdeğerler (Eigenvalues).

Kalkülüs (Calculus): Türev ve Optimizasyon

Kısmi Türev(Partial Derivative), Zincir Kuralı(Chain Rule) ve Gradyan(Gradient) kavramları.

Olasılık ve İstatistik: Belirsizliği Ölçmek

Ortalama(Mean), Varyans, Standart Sapma, Normal Dağılım ve Bayes Teoremi.

Aşama 2: Veri Analizi ve Görselleştirme

Pandas, Matplotlib, Seaborn

Keşifsel Veri Analizi (EDA)

Makineye vermeden önce 1 Milyon satırlık verinin içindeki anormallikleri (Aykırı Değerler/Outliers) tespit etmek.

Pandas İleri Seviye: Kayıp Veriler (Missing Values)

Veritabanında/Excel'de "Boş" bırakılmış yaş veya maaş sütunlarıyla başa çıkma stratejileri.

Matplotlib ve Seaborn (Hikaye Anlatıcılığı)

Sayılardan oluşan sıkıcı Excel satırlarını; Scatter Plot (Dağılım), Histogram ve Isı Haritalarına (Heatmap) çevirme.

Özellik Mühendisliği (Feature Engineering)

Datadaki var olan kolonlardan (Örn: Doğum Tarihi) harmanlayarak, AI için YEPYENİ bir kolon (Örn: EmekliliğeKalanYıl) YARATMAK.

Aşama 3: Makine Öğrenmesi (Core ML)

Regresyon, Sınıflandırma, Scikit-Learn

Gözetimli (Supervised) vs Gözetimsiz (Unsupervised) Öğrenme

Makineye soru sorarken "Cevap Anahtarını" önceden vermek ile, veriyi döküp "İçindeki şablonu sen bul" demek arasındaki fark.

Regresyon (Regression): Gelecekteki Sayıyı Tahmin Etmek

Evlerin oda sayısı ve yaşına bakarak "Evin Fiyatını (Örn: 3.500.000 TL)" net bir sayı olarak tahmin etme makinesi.

Sınıflandırma (Classification): Kategoriyi Tahmin Etmek

Gelen e-mail "Spam mi, Değil mi?" veya resimdeki hayvan "Kedi mi, Köpek mi?" şeklinde Net Kategorileri(Etiketleri) ayıran mantık.

Scikit-Learn (sklearn) Kütüphanesi Mucizesi

Dünyadaki tüm standart Makine Öğrenmesi algoritmalarını tek bir satır kodla (`model.fit()` ve `model.predict()`) çalıştıran standart kütüphane.

Model Değerlendirme (Train-Test Split ve Metrikler)

Verinin tamamını makineye "Ezberletmemek" için %80'iyle Konu Anlatıp, %20'siyle Test Sınavı (Deneme Sınavı) yapma kuralı.

Aşama 4: İleri ML ve Model Optimizasyonu

XGBoost, Hiperparametre Eğitimi

Karar Ağaçları (Decision Trees)

Makinenin tıpkı bir insan gibi "Yaşı 30'dan büyük mü? -> (Evet ise) Maaşı 5 binden fazla mı?" diye sorular(Dallanmalar) sorarak cevaba gitmesi.

Rastgele Ormanlar (Random Forest) ve Topluluk (Ensemble) Doğuşu

Tek bir Karar Ağacına güvenmek yerine, veriyi farklı parçalara bölüp 500 tane farklı Karar Ağacı dikmek ve Kararı "Oylamaya (Çoğunluğa)" sunmak.

Gradient Boosting Algoritmaları (XGBoost, LightGBM)

Ağaçları paralel(Aynı anda) değil de, "Seri" (Biri bitince diğeri) halinde dikerek, bir önceki ağacın YAPTIĞI HATAYI bir sonraki ağaca "Al bunu düzelt" diye verme mantığı.

Aşırı Öğrenme Problemi (Overfitting & Underfitting)

Modelin deneme sınavının sorularını (Eğitim Verisini) Ezberlemesi (Overfit) veya konuyu hiç öğrenemeyecek kadar aptal kalması (Underfit).

Hiperparametre Optimizasyonu (Grid Search & Random Search)

XGBoost'un ağaç derinliği kaç olmalı? Öğrenme Hızı (Learning Rate) kaç olmalı? Bunları elle denemek yerine Makineye Buldurtmak.

Aşama 5: Derin Öğrenme (Deep Learning)

Yapay Sinir Ağları (ANN), PyTorch

Yapay Sinir Ağları (ANN) ve Nöron Mimarisi

Girdi (Gözümüz/Kulağımız), Gizli Katmanlar (Beynimiz) ve Çıktı (Kararımız) şeklinde dizilmiş, insan beyin hücresi (Nöron) taklidi.

Aktivasyon Fonksiyonları (ReLU, Sigmoid, Softmax)

Bir nöronun "Ateşlenip ateşlenmeyeceğine (Bilgiyi bir sonraki hücreye iletip iletmeyeceğine)" karar veren gişeler/kapılar.

Geri Yayılım (Backpropagation): Yapay Zekanın Tanrısı

Ağın bir tahminde bulunup "Hatasını" görmesi ve hatayı azaltmak için SONDAN BAŞA DOĞRU tüm o "Ağırlıkları (Önem derecelerini)" yeniden ayarlaması.

Eğitim Döngüsü: Epochs, Batch Size ve Loss Functions

Tüm veri setinin Ağdan kaç kere geçeceği (Epoch) ve RAM darbe yememesi için verinin kaça bölüneceği (Batch Size).

PyTorch vs TensorFlow (Keras) Savaşları

Derin öğrenme mimarilerinin inşa edildiği iki devasa Çatı (Framework). Biri Google, diğeri Meta (Facebook) üretimi.

Aşama 6: Bilgisayarlı Görü (Computer Vision)

CNN Mimarileri, Görüntü İşleme

Evrişimli Sinir Ağları (CNN - Convolutional Neural Networks)

Resimleri anlayan, Otonom Araçların gözü olan, Yüzünüzü tanıyan efsanevi görüntü algoritmaları.

Havuzlama (Pooling ve Max Pooling) Katmanları

Sıradan bir cep telefonunun bile çektiği 4000x4000 piksellik bir resmi, içindeki "Anlamı/Objeyi bozmadan" sıkıştırıp ufaltmak.

Transfer Learning (Öğrenme Transferi) ve Hazır Modeller (ResNet, VGG, MobileNet)

Google veya Microsoft'un haftalarca eğitip zeki hale getirdiği modeli alıp, kendi ufak verimizle (Örn: Covid Rontgenleri) harmanlamak.

Görüntü İşleme: Nesne Tespiti (YOLO ve Object Detection)

Resmin Kedi olduğunu söylemekle(Sınıflandırma) kalmayıp, o Kedinin resmin "HANGİ KOORDİNATLARINDA (X,Y)" olduğunu Kutu içine(Bounding Box) alma.

Aşama 7: Doğal Dil İşleme (NLP)

Metin Madenciliği, RNN/LSTM

NLP (Natural Language Processing) Nedir?

Bilgisayarların insan dilini (İngilizce, Türkçe) gramerine, hissine ve anlamına göre "okuma ve anlama" kapasitesi.

Kelime Gömme (Word Embeddings: Word2Vec)

Kelimeleri Müşteri Veritabanı gibi Uzayda noktalar (Vektörler) olarak haritalandıran efsanevi buluş.

Metin Madenciliği: Tokenization ve Lemmatization

Cümleleri kelimelere/hecelere (Token) bölmek ve "Gidiyordum" kelimesinin kökünü "Git" (Lemma) olarak budamak.

Zaman Serisi Ağları: RNN ve LSTM

Geçmişi hatırlayan Sinir Ağları. Cümleyi okurken BAŞTAKİ kelimeyi SONA kadar aklında tutabilen hafızalı nöronlar.

Aşama 8: Üretken AI (Generative AI & LLMs)

Transformer, BERT, Hugging Face

Transformer Mimarisi (Dikkat Mekanizması / Attention)

2017'de Google'ın bulduğu, hafıza sorunu çeken RNN'leri ÇÖPE ATAN ve "Aynı anda tüm cümleye Dikkat kesilen" devrimsel mimari.

LLM (Büyük Dil Modelleri): GPT ve BERT

İnternetteki NEREDEYSE TÜM İNSANLIK METİNLERİNİ okumuş, milyarlarca parametresi (nöron bağlantısı) olan devasa beyinler.

Prompt Engineering (İstem Mühendisliği)

Modelden en zeki ve en yaratıcı cevabı almak için Ona "Nasıl Soru Sorulacağını" bilme sanatı.

RAG (Retrieval-Augmented Generation)

ChatGPT'nin "Bilmediği veya Uydurduğu (Halüsinasyon)" özel şirket verilerini ona Dışarıdan anlık okutarak doğru cevap vermesini sağlamak.

Hugging Face Ekosistemi

Yapay zeka dünyasının GitHub'ı. Dünyadaki tüm Açık Kaynaklı (Open-Source) modellerin, ağırlıkların ve veri setlerinin yurdu.

Aşama 9: MLOps ve API Deployment

Modeli Canlıya Alma (FastAPI/Docker)

MLOps (Machine Learning Operations) Nedir?

DevOps kodları, MLOps ise YZ Modellerini yönetir. Modelin eğitimi, versiyonlanması ve sunucuda izlenmesi kültürünün tamamı.

Model Takibi ve Versiyonlama: MLflow / Weights & Biases

Farklı hiperparametrelerle (XGBoost d.3, d.5, d.7) eğitilmiş 50 farklı modelin Skorunu, Ağırlığını ve Kodunu düzenli loglayan (Kayıt tutan) paneller.

Modeli API Olarak Sunmak: FastAPI Çözümü

Eğitilmiş modeli (`model.predict`), bir Frontend(React) uygulamasının İstek (Http Post) atarak sorgulayabileceği (JSON) bir uca çevirme.

Dockerizasyon ve Bulut (Cloud) Deployment

AI Modeli, FastAPI kodu ve Kütüphaneler (requirements) ile tıka basa dolu ortamı İzole bir Konteynere (Docker) hapsedip AWS/Azure gibi buluta bırakmak.

Bilgi Sorumluluktur

buyoldan.com tarafından sunulan bu yol haritaları, yalnızca öğrenme sürecini kolaylaştırmak amacıyla hazırlanan birer rehber ve tavsiye niteliğindedir. Konular zamanla güncellenebilir, değişebilir veya sınav sistemlerine göre farklılık gösterebilir. Hedefine ulaşırken yalnızca buradaki içeriklerle yetinmemeni, resmi kaynakları ve güncel müfredatları da düzenli olarak araştırmanı şiddetle öneririz. Kendi yolunu çizmek senin elinde!

👀