[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"blog-post-denetimli-ve-denetimsiz-ogrenme-kavramlar-ve-uygulama-ornekleri":3},{"dataItem":4,"heading":36,"metaData":38,"schema":81},["Reactive",5],{"id":6,"title":7,"summary":8,"content":9,"seo_title":10,"seo_description":11,"seo_keywords":12,"slug":13,"createdAt":14,"updatedAt":14,"blog_categories":15,"authors":19,"image":24,"thumb":25,"image_webp":26,"thumb_webp":27,"rating":28,"heading_title":7,"heading_sub_title":17,"readingTime":29,"url":34,"comments":35,"meta_cover":24},33368,"Denetimli ve Denetimsiz Öğrenme: Kavramlar ve Uygulama Örnekleri","Bu makale, denetimli ve denetimsiz öğrenmenin temel kavramlarını, aralarındaki farkları ve gerçek dünya uygulama örneklerini pratik rehberlerle açıklar.","\u003Ch2>Giriş\u003C/h2>\n\u003Cp>Makine öğrenimi alanında en sık karşılaşılan iki yaklaşım denetimli (supervised) ve denetimsiz (unsupervised) öğrenmedir. Her iki yöntem de veri içindeki desenleri yakalamaya çalışır, ancak veri ve hedef tanımı bakımından farklılık gösterir. Bu yazı, her iki yöntemin ne olduğunu, nasıl çalıştığını, hangi durumlarda tercih edilmesi gerektiğini ve pratik uygulama örneklerini adım adım açıklar.\u003C/p>\n\n\u003Ch2>Temel kavramlar\u003C/h2>\n\u003Cp>\u003Cstrong>Denetimli öğrenme\u003C/strong>: Modelin, girdilerle (özellikler) birlikte etiketlenmiş çıktılar (hedef değişken) kullanılarak eğitildiği yaklaşımdır. Bu sayede model, yeni gelen girdiler için çıktı tahminleri yapabilir. Denetimli öğrenmenin tanımı ve uygulama örnekleri için bkz. \u003Ca href=\"https://www.codenected.com/tr/makale/denetimli-ve-denetimsiz-ogrenme-arasindaki-farklar\">Codenected — Denetimli ve Denetimsiz Öğrenme Arasındaki Farklar\u003C/a>.\u003C/p>\n\u003Cp>\u003Cstrong>Denetimsiz öğrenme\u003C/strong>: Etiketlenmemiş veri üzerinde gizli yapıları, kümeleri veya boyutsal ilişkileri keşfetmeyi amaçlar. Hedef doğrudan bir tahmin değil, veri içindeki örüntülerin çıkarılmasıdır. Denetimsiz öğrenme ve uygulama alanları hakkında bilgi için bkz. \u003Ca href=\"https://www.flowhunt.io/tr/sozluk/unsupervised-learning/\">FlowHunt — Denetimsiz Öğrenme\u003C/a>.\u003C/p>\n\n\u003Ch2>Denetimli öğrenme: nasıl çalışır?\u003C/h2>\n\u003Cp>Denetimli öğrenmenin tipik iş akışı şu adımları içerir:\u003C/p>\n\u003Cul>\n  \u003Cli>Veri toplama ve etiketleme: Girdiler (özellikler) ile hedef etiketlerin hazırlanması.\u003C/li>\n  \u003Cli>Özellik mühendisliği: Ham veriden anlamlı sayısal özelliklerin çıkarılması.\u003C/li>\n  \u003Cli>Veri bölme: Eğitim, doğrulama ve test kümelerine ayırma.\u003C/li>\n  \u003Cli>Model seçimi ve eğitim: Uygun algoritmanın seçilmesi ve eğitim verisiyle parametrelerin öğrenilmesi.\u003C/li>\n  \u003Cli>Değerlendirme: Sınıflandırma için doğruluk, hassasiyet, duyarlılık (precision/recall), F1; regresyon için MAE, RMSE gibi metriklerle performans ölçülür.\u003C/li>\n  \u003Cli>İyileştirme ve dağıtım: Hiperparametre ayarı, model sadeleştirme ve üretime alma.\u003C/li>\n\u003C/ul>\n\u003Cp>Denetimli öğrenmeye örnek olarak e-posta kutularında istenmeyen iletileri ayırt eden filtreler veya kredi risk modellemeleri verilebilir; bu uygulamalar, etiketli geçmiş veriye dayanır ve yeni örnekler için tahmin üretir (\u003Ca href=\"https://www.codenected.com/tr/makale/denetimli-ve-denetimsiz-ogrenme-arasindaki-farklar\">kaynak\u003C/a>).\u003C/p>\n\n\u003Ch3>Algoritma örnekleri (sınıflandırma ve regresyon)\u003C/h3>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Logistic Regression\u003C/strong> — ikili sınıflandırma problemlerinde temel ve yorumlanabilir bir yöntem.\u003C/li>\n  \u003Cli>\u003Cstrong>Decision Trees / Random Forest\u003C/strong> — hem sınıflandırma hem regresyon için kullanılır, değişken önemini verir.\u003C/li>\n  \u003Cli>\u003Cstrong>Support Vector Machines (SVM)\u003C/strong> — sınıflandırmada etkin; küçük-orta ölçekli veri için uygundur.\u003C/li>\n  \u003Cli>\u003Cstrong>Neural Networks\u003C/strong> — karmaşık ilişkileri yakalamada güçlüdür; büyük veri ve hesaplama gerektirir.\u003C/li>\n\u003C/ul>\n\n\u003Ch2>Denetimsiz öğrenme: nasıl çalışır?\u003C/h2>\n\u003Cp>Denetimsiz öğrenmede hedef doğrudan bir etiket tahmini yapmak değil, veri içindeki gizli yapıları keşfetmektir. Bu yaklaşım özellikle etiketlenmiş veri yoksa veya keşfe dayalı analiz gereken durumlarda faydalıdır. Denetimsiz yöntemler; veri keşfi, müşteri segmentasyonu, ilişkisel örüntü bulma gibi alanlarda kullanılır (\u003Ca href=\"https://www.flowhunt.io/tr/sozluk/unsupervised-learning/\">kaynak\u003C/a>).\u003C/p>\n\n\u003Ch3>Algoritma örnekleri (kümeleme ve boyut indirgeme)\u003C/h3>\n\u003Cul>\n  \u003Cli>\u003Cstrong>K-means\u003C/strong> — küme merkezlerine dayalı hızlı bir kümeleme yöntemidir.\u003C/li>\n  \u003Cli>\u003Cstrong>Hierarchical Clustering\u003C/strong> — hiyerarşik ağaç yapılarıyla kümeler oluşturur.\u003C/li>\n  \u003Cli>\u003Cstrong>DBSCAN\u003C/strong> — yoğunluk tabanlı kümeleme; farklı yoğunluklardaki kümeleri algılar.\u003C/li>\n  \u003Cli>\u003Cstrong>PCA (Principal Component Analysis)\u003C/strong> — boyut indirgeme ve görselleştirme için kullanılır.\u003C/li>\n  \u003Cli>\u003Cstrong>Association Rules (Apriori gibi)\u003C/strong> — market-basket analizi ve sıklıkla görülen öğe birlikteliklerini bulma.\u003C/li>\n\u003C/ul>\n\n\u003Ch2>Gerçek dünya uygulama örnekleri\u003C/h2>\n\u003Ch3>1) İstenmeyen e-posta filtresi (Denetimli)\u003C/h3>\n\u003Cp>Açıklama: Önceden etiketlenmiş e-posta örnekleri (istenmeyen / istenen) kullanılarak bir sınıflandırıcı eğitilir. Adımlar kısa olarak:\u003C/p>\n\u003Cul>\n  \u003Cli>Metin temizleme ve özellik çıkarma (TF-IDF veya word embeddings).\u003C/li>\n  \u003Cli>Veriyi eğitim/doğrulama/test olarak ayırma.\u003C/li>\n  \u003Cli>Basit bir model (ör. logistic regression) ile başlangıç, daha sonra karar ağaçları veya ensembler ile iyileştirme.\u003C/li>\n  \u003Cli>Modeli, yanlış pozitif/negatif etkilerini ölçerek dikkatle değerlendirip üretime alma.\u003C/li>\n\u003C/ul>\n\n\u003Ch3>2) Kredi riski değerlendirmesi (Denetimli)\u003C/h3>\n\u003Cp>Kredi geçmişi etiketleriyle (temerrüt/taksit gecikmesi gibi) modeller eğitilerek müşteri risk skoru üretilir. Özellikle veri dengesizse sınıf ağırlıklandırma veya örnekleme yöntemleri düşünülmelidir.\u003C/p>\n\n\u003Ch3>3) Müşteri segmentasyonu (Denetimsiz)\u003C/h3>\n\u003Cp>Müşteri davranışlarına göre (satın alma sıklığı, harcama tutarı vb.) kümeler oluşturularak benzer kullanıcı grupları tespit edilir. Bu segmente dayalı pazarlama stratejileri daha hedefli kampanyalara olanak tanır.\u003C/p>\n\n\u003Ch3>4) Pazar sepeti analizi (Denetimsiz)\u003C/h3>\n\u003Cp>Mağaza veri setlerinde birlikte satın alınan ürün grupları bulunarak ürün yerleşimi ve çapraz satış teklifler geliştirilebilir. Bu tür birliktelik kuralları, etiket gerektirmeyen denetimsiz yöntemlerle elde edilir.\u003C/p>\n\n\u003Ch2>Denetimli model eğitimi için adım adım pratik rehber\u003C/h2>\n\u003Cul>\n  \u003Cli>1) Problemi net tanımlayın: sınıflandırma mı, regresyon mu?\u003C/li>\n  \u003Cli>2) Veri setinizi toplayın ve etiketlerin kalitesini doğrulayın.\u003C/li>\n  \u003Cli>3) Keşifsel veri analizi (EDA) yapın: dağılımlar, eksik değerler, aykırı gözlemler.\u003C/li>\n  \u003Cli>4) Özellik mühendisliği ve gerekli ölçeklendirmeyi uygulayın.\u003C/li>\n  \u003Cli>5) Basit bir temel model kurun (baseline) ve metrikleri belirleyin.\u003C/li>\n  \u003Cli>6) Hiperparametre optimizasyonu ve çapraz doğrulama ile performansı iyileştirin.\u003C/li>\n  \u003Cli>7) Modeli test verisiyle son olarak değerlendirin ve üretime hazırlayın.\u003C/li>\n\u003C/ul>\n\n\u003Ch2>Denetimsiz öğrenme için pratik adımlar\u003C/h2>\n\u003Cul>\n  \u003Cli>1) Veriyi standartlaştırın; boyut çoksa PCA ile indirgeme düşünün.\u003C/li>\n  \u003Cli>2) Uygun küme sayısını belirlemek için elbow veya silhouette yöntemi kullanın.\u003C/li>\n  \u003Cli>3) K-means gibi hızlı yöntemlerle başlangıç, gerekirse DBSCAN veya hiyerarşik yöntemlerle doğrulama yapın.\u003C/li>\n  \u003Cli>4) Kümelerin iş değeri taşıyıp taşımadığına domain bilgisiyle karar verin; segmentlerin iş aksiyonuna dönüşebilir olması önemlidir.\u003C/li>\n\u003C/ul>\n\n\u003Ch2>Hangi yöntemi ne zaman seçmelisiniz?\u003C/h2>\n\u003Cul>\n  \u003Cli>Eğer hedefiniz açık ve geçmişte o hedefe ait etiketler varsa: denetimli öğrenme uygundur.\u003C/li>\n  \u003Cli>Etiket yoksa veya keşif amaçlı analiz yapılıyorsa: denetimsiz yöntemler tercih edilir.\u003C/li>\n  \u003Cli>Hem etiketli hem etiketlenmemiş büyük miktarda veri varsa yarı-denetimli yaklaşımlar düşünülebilir.\u003C/li>\n\u003C/ul>\n\n\u003Ch2>Veri hazırlığı ve değerlendirme vurguları\u003C/h2>\n\u003Cp>Veri kalitesi, hem denetimli hem denetimsiz yöntemlerin başarısında kritik rol oynar. Eksik veri, aykırı değerler, dengesiz sınıflar veya hatalı etiketler modelleri yanıltabilir. Model değerlendirmesinde hangi metriğin iş hedefleriyle örtüştüğünü belirleyin (ör. yanlış negatiflerin maliyeti yüksekse recall öncelikli olabilir).\u003C/p>\n\n\u003Ch2>Uygulama ipuçları ve yaygın tuzaklar\u003C/h2>\n\u003Cul>\n  \u003Cli>Basitten başlayın ve aşamalı olarak karmaşığa geçin.\u003C/li>\n  \u003Cli>Her zaman bir baseline model kurun; böylece ilerlemenin etkisini ölçebilirsiniz.\u003C/li>\n  \u003Cli>Veri sızıntısına (leakage) dikkat edin: eğitim verisinde hedef değişkenle korelasyon oluşturan bilgilerin yanlışlıkla dahil edilmemesi gerekir.\u003C/li>\n  \u003Cli>Sınıf dengesizliği sorunlarını göz ardı etmeyin; örnekleme veya ağırlıklandırma yöntemleri gerekli olabilir.\u003C/li>\n  \u003Cli>Son kullanıcı ve düzenleyici gereksinimleri (adillik, açıklanabilirlik) proje başında değerlendirin.\u003C/li>\n\u003C/ul>\n\n\u003Ch2>Özet\u003C/h2>\n\u003Cp>Denetimli öğrenme, etiketli veriyle doğrudan tahmin yapmayı amaçlarken; denetimsiz öğrenme etiket olmadan veri içindeki yapıları keşfeder. Hangisinin seçileceği veri, hedef ve iş probleminin niteliğine bağlıdır. Bu yazıda hem kavramsal çerçeve hem de pratik uygulama adımları sağlanmıştır; ayrıntılı uygulamalarda veri hazırlığı ve değerlendirme stratejilerini proje özelinde uyarlamak önemlidir.\u003C/p>\n\n\u003Chr>\n\u003Cp>İleri okumak için kaynaklar: \u003Ca href=\"https://www.codenected.com/tr/makale/denetimli-ve-denetimsiz-ogrenme-arasindaki-farklar\">Codenected — Denetimli ve Denetimsiz Öğrenme Arasındaki Farklar\u003C/a>, \u003Ca href=\"https://www.flowhunt.io/tr/sozluk/unsupervised-learning/\">FlowHunt — Denetimsiz Öğrenme\u003C/a>.\u003C/p>","Denetimli ve Denetimsiz Öğrenme — Kavramlar, Farklar ve Örne","Denetimli ve denetimsiz öğrenmenin ne olduğu, temel algoritmaları, hangi senaryoda hangi yöntemin tercih edileceği ve adım adım uygulama rehberleri. Pratik örne","makine öğrenimi terimleri, denetimli öğrenme, denetimsiz öğrenme, kümeleme, regresyon, model eğitimi örnekleri","denetimli-ve-denetimsiz-ogrenme-kavramlar-ve-uygulama-ornekleri","2026-05-10T11:17:53.000Z",{"id":16,"title":17,"slug":18},632,"Makine Öğrenimi Terimleri","makine-ogrenimi-terimleri",{"id":20,"name":21,"nickname":22,"slug":23},160,"Elçin Yavuz","AIExplorer","elcin-yavuz","/media/blog/d7ced6881b111050de53324a6efc710f.jpg","/media/blog/d7ced6881b111050de53324a6efc710f_thumb.jpg","/media/blog/d7ced6881b111050de53324a6efc710f.webp","/media/blog/d7ced6881b111050de53324a6efc710f_thumb.webp",null,{"minutes":30,"wordCount":31,"imageCount":32,"formatted":33},5,869,0,"5 dk okuma süresi","/blog/makine-ogrenimi-terimleri/denetimli-ve-denetimsiz-ogrenme-kavramlar-ve-uygulama-ornekleri",[],["Reactive",37],{"title":7,"subTitle":17,"image":24},["Reactive",39],{"title":10,"meta":40,"link":75},[41,43,45,48,51,54,57,60,63,66,69,71,73],{"hid":42,"name":42,"content":11},"description",{"hid":44,"name":44,"content":12},"keywords",{"hid":46,"name":46,"content":47},"author","Ai Terimler",{"hid":49,"name":49,"content":50},"robots","index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1",{"hid":52,"property":52,"content":53},"og:type","website",{"hid":55,"property":55,"content":56},"og:title","Ai Terimler - Blog Yazarları İçin Güncel Yapay Zeka Terimleri",{"hid":58,"property":58,"content":59},"og:description","Ai Terimler, blog yazarları ve sosyal medya içericileri için güncel yapay zeka terimleri ve açıklamalar sunan rehber bilgi blogudur.",{"hid":61,"property":61,"content":62},"og:image","https://aisozluk.net/media/blog/d7ced6881b111050de53324a6efc710f.jpg",{"hid":64,"property":64,"content":65},"og:url","https://aisozluk.net/blog/makine-ogrenimi-terimleri/denetimli-ve-denetimsiz-ogrenme-kavramlar-ve-uygulama-ornekleri",{"hid":67,"name":67,"content":68},"twitter:card","summary_large_image",{"hid":70,"name":70,"content":56},"twitter:title",{"hid":72,"name":72,"content":59},"twitter:description",{"hid":74,"name":74,"content":62},"twitter:image",[76,78],{"rel":77,"href":65},"canonical",{"rel":79,"href":80},"amphtml","https://amp.aisozluk.net/blog/makine-ogrenimi-terimleri/denetimli-ve-denetimsiz-ogrenme-kavramlar-ve-uygulama-ornekleri",["Reactive",82],{"@context":83,"@graph":84},"https://schema.org",[85,98],{"@type":86,"headline":10,"image":62,"author":87,"publisher":90,"datePublished":14,"dateModified":14,"mainEntityOfPage":96,"description":11},"BlogPosting",{"@type":88,"name":21,"url":89},"Person","https://aisozluk.net/yazarlar/elcin-yavuz",{"@type":91,"name":47,"logo":92},"Organization",{"@type":93,"url":94,"width":95,"height":95},"ImageObject","https://aisozluk.net/img/icons/favicon.png",32,{"@type":97,"@id":65},"WebPage",{"@type":99,"itemListElement":100},"BreadcrumbList",[101,106,110,113],{"@type":102,"position":103,"name":104,"item":105},"ListItem",1,"Ana Sayfa","https://aisozluk.net",{"@type":102,"position":107,"name":108,"item":109},2,"Blog","https://aisozluk.net/blog",{"@type":102,"position":111,"name":17,"item":112},3,"https://aisozluk.net/blog/makine-ogrenimi-terimleri",{"@type":102,"position":114,"name":7,"item":65},4]