Ana içeriğe geç

Kitap 08

Yapay Zekâ ve Makine Öğrenmesi

Makine öğrenmesi, büyük dil modelleri ve yapay zekâ destekli uygulamalar için temel kavramlar.

İçindekiler

  1. 01Agent2Agent Protokolü1Agent2Agent (A2A), farklı ekiplerin ya da şirketlerin yaptığı yapay zekâ ajanlarının birbirini bulup görev devretmesini sağlayan açık bir standarttır.
  2. 02AGI2AGI (yapay genel zekâ), yalnızca dar bir alanda değil, bir insanın yapabildiği her zihinsel işi öğrenip yapabilecek varsayımsal bir yapay zekâ sistemidir.
  3. 03Anlamsal Arama3Anlamsal arama, sonuçları birebir anahtar kelimelere değil anlama göre, genellikle sorgu ve belge embedding'lerini karşılaştırarak bulan arama tekniğidir.
  4. 04Aşırı Öğrenme4Aşırı öğrenme, bir modelin eğitim verisini gürültüsüyle birlikte fazla yakından öğrenip yeni, görülmemiş verilerde kötü performans göstermesidir.
  5. 05Attention Mekanizması5Attention mekanizması, modelin her token için girdinin hangi bölümlerinin en önemli olduğuna karar verip onlara odaklanmasını sağlayan sinir ağı tekniğidir.
  6. 06Bağlam Penceresi6Bağlam penceresi, bir LLM'nin prompt, konuşma geçmişi ve kendi yanıtı dahil aynı anda dikkate alabildiği, token cinsinden en fazla metin miktarıdır.
  7. 07Bilgisayarlı Görü7Bilgisayarlı görü, bilgisayarların nesneleri tanıma, metin okuma ya da yüz algılama gibi işlerle görüntü ve videoyu yorumlamasını sağlayan yapay zekâ alanıdır.
  8. 08Chain-of-Thought8Chain-of-thought prompting, bir LLM'den nihai yanıttan önce ara adımlarla akıl yürütmesini isteyen ve karmaşık görevlerde doğruluğu artıran bir tekniktir.
  9. 09Chatbot9Chatbot, insanlarla yazılı ya da sesli sohbet edip soruları yanıtlayan veya işlere yardım eden, senaryolu kurallarla ya da dil modeliyle çalışan programdır.
  10. 10ChatGPT10ChatGPT, OpenAI'ın GPT modelleri üzerine kurulu yapay zekâ asistanıdır: soruları yanıtlar, yazar, dosyaları analiz eder, webde arar ve görsel üretir.
  11. 11Chunking11Chunking, uzun belgeleri embedding'e çevrilip saklanmadan önce küçük parçalara böler; böylece bir RAG sistemi yalnızca ilgili kısımları bulup modele iletebilir.
  12. 12Claude12Claude, Anthropic'in yapay zekâ asistanı ve arkasındaki dil modeli ailesidir; sohbet uygulamaları, Claude API ve Claude Code gibi araçlarla kullanılır.
  13. 13Claude Code13Claude Code, Anthropic'in yapay zekâ kodlama ajanıdır: kodunuzu okur, dosyaları düzenler, komut çalıştırır; terminalde, IDE'de ve tarayıcıda çalışır.
  14. 14Context Engineering14Context engineering, işi güvenilir biçimde yapabilsin diye LLM'in her çağrıda ne gördüğünü (talimatlar, belgeler, araç sonuçları, geçmiş) seçme pratiğidir.
  15. 15Cursor15Cursor, VS Code tabanlı bir yapay zekâ kod editörüdür: otomatik tamamlama, sohbet ve birçok dosyayı düzenleyebilen, farklı modeller kullanan ajanlar sunar.
  16. 16Çok Modlu Yapay Zekâ16Çok modlu yapay zekâ, metin, görüntü, ses ve video gibi birden çok veri türünü tek bir modelde anlayabilen veya üretebilen yapay zekâdır.
  17. 17Denetimli Öğrenme17Denetimli öğrenme, modelin etiketli örneklerden, yani doğru cevaplarla eşleştirilmiş girdilerden öğrenip yeni veride çıktı tahmin ettiği makine öğrenmesidir.
  18. 18Denetimsiz Öğrenme18Denetimsiz öğrenme, bir modelin doğru cevaplar verilmeden etiketsiz verilerdeki örüntüleri, grupları veya yapıyı bulduğu makine öğrenmesidir.
  19. 19Derin Öğrenme19Derin öğrenme, görüntü ve metin gibi ham verilerden karmaşık örüntüleri öğrenmek için çok katmanlı sinir ağları kullanan bir makine öğrenmesi alt kümesidir.
  20. 20Difüzyon Modeli20Difüzyon modeli, rastgele gürültüden başlayıp onu adım adım temizleyerek görüntü, ses ya da video üreten bir üretken yapay zekâ modelidir.
  21. 21Doğal Dil İşleme21Doğal dil işleme, bilgisayarlara insan dilini metin ya da konuşma biçiminde okumayı, anlamayı ve üretmeyi öğreten yapay zekâ alanıdır.
  22. 22Eğitim Verisi22Eğitim verisi, bir makine öğrenmesi modelinin öğrendiği örnekler kümesidir; kalitesi, boyutu ve kapsamı modelin ne kadar iyi çalışacağını büyük ölçüde belirler.
  23. 23Embedding23Embedding, metin, görüntü ya da başka verilerin anlamını vektör denen bir sayı listesiyle temsil eden ve benzer öğeleri birbirine yakın konumlandıran yapıdır.
  24. 24Evals24Evals, yapay zekâ testleridir: beklenen sonucu ya da puanlama kuralı olan girdilerle her değişiklikten sonra bir modelin ya da prompt'un başarısını ölçer.
  25. 25Few-Shot Learning25Few-shot learning, bir yapay zekâ modelinin yalnızca birkaç örnekle, çoğunlukla prompt'a birkaç örnek girdi ve çıktı koyarak bir görevi yapmasını sağlamaktır.
  26. 26Fine-tuning26Fine-tuning, önceden eğitilmiş bir makine öğrenmesi modelini tek bir göreve uyarlamak için daha küçük ve özel bir veri kümesiyle ek olarak eğitme sürecidir.
  27. 27Gemini CLI27Gemini CLI, Google'ın Gemini modelleriyle çalışan açık kaynak terminal ajanıdır; bireysel kullanıcıların çoğu için Haziran 2026'da yerini Antigravity CLI aldı.
  28. 28Geri Yayılım28Geri yayılım (backpropagation), her ağırlığın hataya katkısını ölçüp her ağırlığı hatayı azaltan yönde biraz ayarlayarak sinir ağlarını eğiten algoritmadır.
  29. 29GitHub Copilot29GitHub Copilot, GitHub'ın yapay zekâ kodlama asistanıdır: yazarken kod önerir, sohbette soruları yanıtlar ve ajan olarak issue'ları pull request'e çevirir.
  30. 30GPT30GPT (Generative Pre-trained Transformer), bir sonraki token'ı tahmin ederek metin üreten, OpenAI'a ait bir büyük dil modeli ailesidir.
  31. 31Gradyan İnişi31Gradyan inişi, makine öğrenmesi modellerinin parametrelerini hatayı azaltan yönde tekrar tekrar hafifçe iterek modelleri eğiten bir optimizasyon algoritmasıdır.
  32. 32Guardrails32Guardrails, bir yapay zekâ modelinin girdisini ve çıktısını denetleyip güvensiz, konu dışı ya da bozuk biçimli istek ve cevapları engelleyen kontrollerdir.
  33. 33Halüsinasyon33Halüsinasyon, bir LLM gibi yapay zekâ modelinin kendinden emin bir şekilde kulağa makul gelen ama yanlış, uydurma ya da kaynaksız bilgi üretmesidir.
  34. 34Inference34Inference, eğitilmiş bir makine öğrenmesi modelinin, öğrendiklerini değiştirmeden yeni verilerden tahmin ya da çıktı üretmek için kullanıldığı aşamadır.
  35. 35Kosinüs Benzerliği35Kosinüs benzerliği, iki vektörün benzerliğini aralarındaki açıyla, -1 ile 1 arasında ölçer; semantik aramada embedding'leri karşılaştırmanın olağan yoludur.
  36. 36Küçük Dil Modeli36Küçük dil modeli (SLM), en büyük LLM'lerden çok daha az parametreli, tek bir GPU'da, dizüstünde ya da telefonda çalışacak kadar ucuz ve hızlı dil modelidir.
  37. 37LLM37LLM, çok büyük metin yığınlarıyla eğitilmiş ve bir sonraki en olası metin parçasını tekrar tekrar tahmin ederek dil üreten bir makine öğrenmesi modelidir.
  38. 38LLM Değerlendirmesi38LLM değerlendirmesi (evals), bir dil modelinin ya da yapay zekâ özelliğinin sabit test vakalarında ne kadar iyi çalıştığını ölçüp sürümleri karşılaştırmaktır.
  39. 39LoRA39LoRA, büyük modellere ucuzca ince ayar yapma yöntemidir: ağırlıklar dondurulur, yalnızca eklenen küçük matrisler eğitilir; yeni beceri birkaç megabayta sığar.
  40. 40Makine Öğrenmesi40Makine öğrenmesi, bilgisayarların elle yazılmış kurallar yerine verilerdeki örüntüleri öğrenerek tahmin yaptığı bir yapay zekâ dalıdır.
  41. 41Mixture of Experts41Mixture of experts (MoE), her girdiyi çok sayıda küçük uzman ağdan yalnızca birkaçına gönderen sinir ağı tasarımıdır; devasa bir model çok daha ucuza çalışır.
  42. 42Model Context Protocol42Model Context Protocol, yapay zekâ uygulamalarının dış araçlara, veri kaynaklarına ve prompt'lara ortak bir arayüzle bağlanmasını tanımlayan açık standarttır.
  43. 43Model Parametreleri43Model parametreleri, bir makine öğrenmesi modelinin eğitimde öğrendiği ve girdileri çıktılara dönüştürmek için kullandığı ağırlık ve sapma gibi iç sayılardır.
  44. 44OpenAI Codex44OpenAI Codex, OpenAI'ın yapay zekâ kodlama ajanıdır: komut satırından, IDE'den ya da ChatGPT'den, yerelde veya bulutta kod yazar, düzenler ve inceler.
  45. 45Pekiştirmeli Öğrenme45Pekiştirmeli öğrenme, bir ajanın iyi eylemler için ödül kazanarak deneme yanılmayla karar vermeyi öğrendiği bir makine öğrenmesi türüdür.
  46. 46Prompt46Prompt, bir LLM gibi bir yapay zekâ modeline hangi görevi yapmasını ve nasıl bir yanıt istediğinizi söylemek için verdiğiniz girdi metni ya da yönergelerdir.
  47. 47Prompt Mühendisliği47Prompt mühendisliği, yapay zekâ modelinin doğru, tutarlı ve kullanışlı çıktı üretmesi için verilen yönergeleri tasarlama, test etme ve iyileştirme pratiğidir.
  48. 48Quantization48Quantization, parametreleri 16 yerine 8 ya da 4 gibi daha az bitle saklayarak bir yapay zekâ modelini küçülten, inference'ı hızlandırıp ucuzlatan tekniktir.
  49. 49RAG49RAG, bir LLM'in soru anında getirilen ilgili belgelere dayanarak yanıt vermesini sağlayan ve yanıtları güncel, özel verilere dayandıran bir tekniktir.
  50. 50Reasoning Model50Reasoning model, yanıt vermeden önce problemi adım adım çözmek üzere eğitilmiş, zor işlerde daha iyi sonuç için ek hesaplama harcayan bir dil modelidir.
  51. 51Regresyon51Regresyon, modelin verilen girdiden bir fiyat, sıcaklık ya da teslimat süresi gibi bir sayıyı tahmin ettiği denetimli öğrenme türüdür.
  52. 52RLHF52RLHF (insan geri bildirimiyle pekiştirmeli öğrenme), dil modelini insanların yanıtlara dair yargılarıyla daha yardımcı ve güvenli kılan eğitim yöntemidir.
  53. 53Sınıflandırma53Sınıflandırma, modelin her girdi için bir kategori tahmin ettiği denetimli öğrenme türüdür: bir e-postanın spam olup olmadığı ya da fotoğraftaki rakam gibi.
  54. 54System Prompt54System prompt, uygulamanın sohbet başlamadan önce dil modeline verdiği talimatlardır; modelin rolünü, kurallarını, üslubunu ve kullanacağı bilgileri belirler.
  55. 55Temperature55Temperature, bir LLM'nin çıktısının ne kadar rastgele olacağını belirleyen ayardır: düşükken odaklı ve öngörülebilir, yüksekken daha çeşitli ve yaratıcıdır.
  56. 56Token56Token, bir LLM'nin okuduğu ve ürettiği temel metin birimidir; genellikle bir sözcük, sözcük parçası ya da noktalama işaretidir ve sayısal bir kimliğe eşlenir.
  57. 57Tool Calling57Tool calling, modelin uygulamadan yapılandırılmış argümanlarla belirli bir fonksiyonu çalıştırmasını istediği ve sonucu yanıtında kullandığı LLM özelliğidir.
  58. 58TPU58TPU (Tensör İşlem Birimi), Google'ın sinir ağlarının matris hesapları için yaptığı çiptir; yapay zekâ modellerini çoğunlukla Google Cloud'da eğitip çalıştırır.
  59. 59Transformer59Transformer, bir dizideki her token'ın diğerleriyle ilişkisini attention ile tartan ve çoğu modern LLM'e güç veren bir sinir ağı mimarisidir.
  60. 60Üretken Yapay Zekâ60Üretken yapay zekâ, mevcut verilerden öğrenilen örüntülere dayanarak metin, görüntü, kod ya da ses gibi yeni içerik oluşturan yapay zekâdır.
  61. 61Vektör Veritabanı61Vektör veritabanı, embedding'leri saklayıp bir sorguya en benzer vektörleri hızla bulmak için tasarlanmış, anlamsal arama ve RAG'in dayandığı veritabanıdır.
  62. 62Vibe Coding62Vibe coding, istediğinizi bir yapay zekâya anlatıp yazdığı kodu kabul ederek ve sonucu çoğunlukla çalışıyor görünmesine göre değerlendirerek yazılım yapmaktır.
  63. 63Yapay Sinir Ağı63Yapay sinir ağı, bağlantılı yapay nöron katmanlarından oluşan ve sayısal ağırlıkları ayarlayarak verilerden örüntü öğrenen bir makine öğrenmesi modelidir.
  64. 64Yapay Zekâ64Yapay zekâ (AI), normalde insan zekâsı gerektiren işleri yapabilen sistemler kuran bilgisayar bilimi alanıdır.
  65. 65Yapay Zekâ Ajanı65Yapay zekâ ajanı, hangi araçları çağıracağına karar verip sonuçları gözlemleyerek çok adımlı görevleri planlayan ve yürüten, LLM kullanan bir sistemdir.
  66. 66Yapay Zekâ Hizalaması66Yapay zekâ hizalaması, yapay zekânın tasarımcılarının amaçladığı hedef ve değerlere uyup yardımsever, dürüst ve güvenli davranmasını sağlama alanıdır.
  67. 67Yapay Zekâ Kodlama Ajanı67Yapay zekâ kodlama ajanı, bir programlama görevini alıp kodu inceleyen, dosyaları düzenleyen ve iş bitene kadar komut çalıştıran bir yapay zekâ sistemidir.
  68. 68Yetersiz Öğrenme68Yetersiz öğrenme, bir modelin gerçek örüntüyü öğrenemeyecek kadar basit olması ya da kısa eğitilmesi yüzünden eğitim verisinde bile kötü sonuç vermesidir.

Kütüphaneye dönSonraki kitap: Yazılım Mimarisi

Daha fazla

Ayarlar