Yapay Zekâ Terimleri Sözlüğü

1) Temel Kavramlar

1. Yapay Zekâ (Artificial Intelligence, AI): İnsan benzeri algılama, öğrenme, akıl yürütme ve karar verme yeteneklerini bilgisayar sistemlerine kazandırmayı amaçlayan disiplin.
2. Zayıf Yapay Zekâ (Narrow AI): Belirli bir görev için tasarlanmış sistemler (ses tanıma, öneri motoru).
3. Genel Yapay Zekâ (Artificial General Intelligence, AGI): İnsan seviyesinde çok yönlü bilişsel yeteneklere sahip, henüz teorik olan AI.
4. Akıllı Ajan (Intelligent Agent): Çevresini algılayıp hedefe yönelik eylem seçen sistem.
5. Otonomi (Autonomy): İnsan müdahalesi olmadan karar alabilme ve hareket edebilme derecesi.

2) Makine Öğrenmesi (ML)

1. Makine Öğrenmesi (Machine Learning, ML): Veriden örüntü öğrenerek açıkça programlanmadan tahmin/karar üreten yöntemler.
2. Denetimli Öğrenme (Supervised Learning): Etiketli veriyle öğrenme (sınıflandırma, regresyon).
3. Denetimsiz Öğrenme (Unsupervised Learning): Etiketsiz veride yapı keşfi (kümeleme, boyut indirgeme).
4. Yarı Denetimli Öğrenme (Semi-supervised Learning): Az etiketli, çok etiketsiz veriyle öğrenme.
5. Pekiştirmeli Öğrenme (Reinforcement Learning, RL): Ödül-ceza geri bildirimiyle politika öğrenme.

3) Veri, Özellik ve Ön İşleme

1. Veri (Data): Öğrenmenin hammaddesi; sayısal, metin, görüntü, ses olabilir.
2. Özellik (Feature): Modele giren ölçülebilir nitelik.
3. Özellik Mühendisliği (Feature Engineering): Ham veriden anlamlı özellikler üretme süreci.
4. Ölçekleme (Scaling): Özellikleri benzer aralıklara getirme (Standardization, Normalization).
5. Eksik Veri (Missing Data): Ölçülememiş veya kayıp değerler; doldurma (imputation) gerekebilir.
6. Gürültü (Noise): Ölçüm hatası veya rastlantısal dalgalanma.
7. Aykırı Değer (Outlier): Dağılımdan belirgin şekilde uzak gözlem.
8. Veri Bölme (Train/Validation/Test Split): Genelleme performansını ölçmek için ayrım.

4) Modeller ve Algoritmalar (Klasik ML)

1. Regresyon (Regression): Sürekli hedef değişken tahmini.
2. Sınıflandırma (Classification): Ayrık sınıflara atama.
3. Doğrusal Regresyon (Linear Regression): Doğrusal ilişki varsayımıyla tahmin.
4. Lojistik Regresyon (Logistic Regression): Olasılık temelli sınıflandırma.
5. Karar Ağacı (Decision Tree): Kurallarla bölme yapan ağaç yapı.
6. Rastgele Orman (Random Forest): Birden çok ağacın topluluğu (ensemble).
7. Destek Vektör Makineleri (Support Vector Machines, SVM): Marjini maksimize eden ayırıcı.
8. k-En Yakın Komşu (k-NN): Benzerlik temelli tahmin.
9. Naive Bayes: Bayes teoremi ve bağımsızlık varsayımıyla sınıflandırma.

5) Derin Öğrenme (DL)

1. Derin Öğrenme (Deep Learning): Çok katmanlı sinir ağlarıyla temsil öğrenimi.
2. Yapay Sinir Ağı (Artificial Neural Network, ANN): Nöronlardan oluşan bağlantılı yapı.
3. Girdi/Çıkış Katmanı (Input/Output Layer): Verinin girdiği ve sonucun üretildiği katmanlar.
4. Gizli Katman (Hidden Layer): Ara temsilleri öğrenen katmanlar.
5. Ağırlık (Weight): Bağlantıların öğrenilen parametreleri.
6. Bias (Bias): Aktivasyon eşiğini kaydıran parametre.
7. Aktivasyon Fonksiyonu (Activation Function): Doğrusal olmayanlık katar (ReLU, Sigmoid).
8. Kayıp Fonksiyonu (Loss Function): Tahmin hatasını ölçer.
9. Geriye Yayılım (Backpropagation): Gradyanların hesaplanmasıyla öğrenme.
10. Optimizasyon Algoritması (Optimizer): Parametre güncelleme kuralı (SGD, Adam).

6) Özel DL Mimarileri

1. CNN (Convolutional Neural Network): Görüntü ve uzamsal veriler için evrişimli ağlar.
2. RNN (Recurrent Neural Network): Sıralı veriler için geri beslemeli ağlar.
3. LSTM (Long Short-Term Memory): Uzun bağımlılıkları öğrenen RNN türü.
4. GRU (Gated Recurrent Unit): LSTM’in daha sade alternatifi.
5. Transformer: Dikkat (attention) mekanizmasıyla paralel öğrenme.
6. Attention Mechanism: Girdinin önemli kısımlarına odaklanma.
7. Encoder–Decoder: Girdi temsili ve çıktı üretimi mimarisi.

7) Üretken Yapay Zekâ (Generative AI)

1. Üretken Yapay Zekâ (Generative AI): Yeni içerik (metin, görsel, ses, kod) üreten modeller.
2. Dil Modeli (Language Model): Metin olasılıklarını öğrenen model.
3. Büyük Dil Modeli (Large Language Model, LLM): Çok büyük veri ve parametrelerle eğitilmiş dil modeli.
4. Prompt: Modelden çıktı almak için verilen talimat/girdi.
5. Prompt Engineering: Daha iyi çıktı için istem tasarımı.
6. İnce Ayar (Fine-tuning): Önceden eğitilmiş modeli özel veriyle uyarlama.
7. Ön Eğitim (Pretraining): Büyük genel veri üzerinde başlangıç eğitimi.
8. Token: Metnin modele giriş birimi.
9. Sıcaklık (Temperature): Çıktı rastgeleliğini kontrol eden parametre.

8) Model Değerlendirme ve Performans

1. Genelleme (Generalization): Yeni veride iyi performans gösterme.
2. Aşırı Uyum (Overfitting): Eğitime aşırı uyum, testte zayıf performans.
3. Eksik Uyum (Underfitting): Modelin yeterince öğrenememesi.
4. Doğruluk (Accuracy): Doğru tahmin oranı.
5. Hassasiyet (Precision): Pozitif tahminlerin doğruluğu.
6. Duyarlılık (Recall): Gerçek pozitifleri yakalama oranı.
7. F1 Skoru: Precision–Recall dengesi.
8. ROC–AUC: Sınıflandırma ayırt edicilik ölçüsü.
9. Çapraz Doğrulama (Cross-Validation): Sağlam performans tahmini.

9) Öğrenme Süreci ve Hiperparametreler

1. Hiperparametre (Hyperparameter): Eğitimden önce ayarlanan değer (learning rate).
2. Öğrenme Oranı (Learning Rate): Güncelleme adım büyüklüğü.
3. Batch Size: Her güncellemede kullanılan örnek sayısı.
4. Epoch: Tüm veri üzerinden bir eğitim turu.
5. Erken Durdurma (Early Stopping): Aşırı uyumu önlemek için eğitimi durdurma.
6. Düzenlileştirme (Regularization): Karmaşıklığı cezalandırma (L1/L2, Dropout).
7. Dropout: Rastgele nöron kapatma ile genelleme artırma.

10) Pekiştirmeli Öğrenme (RL)

1. Ajan (Agent): Eylem seçen öğrenen varlık.
2. Çevre (Environment): Ajanın etkileştiği sistem.
3. Durum (State): Çevrenin temsili.
4. Eylem (Action): Ajanın seçimi.
5. Ödül (Reward): Geri bildirim sinyali.
6. Politika (Policy): Durumdan eyleme haritalama.
7. Değer Fonksiyonu (Value Function): Uzun vadeli ödül beklentisi.

11) Etik, Güvenilirlik ve Yönetişim

1. AI Etiği (AI Ethics): Adalet, şeffaflık, güvenlik ilkeleri.
2. Önyargı (Bias): Veri/model kaynaklı adaletsiz sonuçlar.
3. Açıklanabilir Yapay Zekâ (Explainable AI, XAI): Kararların yorumlanabilirliği.
4. Şeffaflık (Transparency): Model ve süreçlerin anlaşılabilir olması.
5. Gizlilik (Privacy): Kişisel verilerin korunması.
6. Federated Learning: Veriyi merkezileştirmeden ortak öğrenme.
7. Model Drift: Zamanla veri dağılımının değişmesi.

12) Dağıtım, Operasyon ve Yaşam Döngüsü

1. Model Dağıtımı (Model Deployment): Modelin üretim ortamına alınması.
2. MLOps: ML yaşam döngüsünün otomasyonu ve yönetimi.
3. Versiyonlama (Versioning): Model/veri sürümlerinin izlenmesi.
4. İzleme (Monitoring): Performans ve sapma takibi.
5. Güncelleme (Retraining): Yeni veriyle yeniden eğitim.
6. Gecikme (Latency): Yanıt süresi.
7. Ölçeklenebilirlik (Scalability): Yük artışına uyum.

13) Ek Kritik Kavramlar

1. Bilgi Grafiği (Knowledge Graph): Varlıklar ve ilişkiler ağı.
2. Embedding: Veriyi vektör uzayında temsil etme.
3. Benzerlik Ölçümü (Similarity): Vektörler arası yakınlık (cosine).
4. Arama ve Getirme (Retrieval): İlgili bilgiyi bulma.
5. RAG (Retrieval-Augmented Generation): Getirme + üretim birleşimi.
6. Hallucination: Modelin uydurma ama ikna edici çıktı üretmesi.
7. Token Limit: Girdi/çıktı uzunluğu sınırı.
8. Inference: Eğitilmiş modelle tahmin üretme.
9. Edge AI: Modelin uç cihazlarda çalışması.
10. Human-in-the-Loop: İnsan geri bildirimiyle öğrenme/denetim.