Yapay zekâ terimleri: 20 temel kavramın hızlı sözlüğü

Giriş

Bu hızlı sözlük, yapay zekâ (YZ) alanında sık kullanılan 20 temel terimi kısa, anlaşılır tanımları ve pratik örnekleriyle bir araya getirir. Tanımlar hem akademik hem de uygulamalı perspektifleri yansıtmaya çalışır; yapay zekâ genel çerçevesi için Bilim Terimleri Sözlüğü ve akademik kaynaklara başvurulmuştur. Temel tanımlar için örnek kaynaklar: Bilim Terimleri Sözlüğü, Özyeğin Üniversitesi – AI ve sorumlu yapay zekâyla ilgili ilkeler için Google Developers.

20 temel yapay zekâ terimi

1. Yapay zekâ (AI)

Bilgi işlem sistemlerinin insan benzeri görevleri yerine getirme yeteneği. Bu görevler öğrenme, muhakeme, algılama ve dil işleme gibi işlevleri içerir. Temel tanımlar için kaynak: Bilim Terimleri Sözlüğü.

2. Makine öğrenimi (Machine Learning)

Bilgisayarların açıkça programlanmadan veriden örüntü ve kurallar öğrenmesini sağlayan yöntemler bütünü. Model, örnek verilerden öğrenir ve yeni veriler üzerinde tahmin yapar. Genel tanım kaynak: Grupanda.

3. Denetimli öğrenme (Supervised Learning)

Girdi ve doğru çıktı (etiket) çiftleri kullanılarak modelin eğitildiği öğrenme türü. Sınıflandırma ve regresyon problemleri çoğunlukla denetimli öğrenme çerçevesinde ele alınır. Örnek: e-posta spam sınıflandırması.

4. Denetimsiz öğrenme (Unsupervised Learning)

Etiketli veri olmadan örüntüleri, kümeleri veya gizli yapıları keşfetmeyi amaçlayan yöntemler. Kümeleme ve boyut indirgeme sık kullanılan uygulamalardır. Örnek: müşteri segmentasyonu.

5. Pekiştirmeli öğrenme (Reinforcement Learning)

Bir ajanın bir ortam içinde aksiyonlar alıp ödül/ceza sinyallerine göre öğrenmesi. Oyun oynama, robotik kontrol gibi alanlarda kullanılır. Ajanın hedefi toplam ödülü maksimize etmektir.

6. Derin öğrenme (Deep Learning)

Çok katmanlı sinir ağları kullanan makine öğrenimi alt alanı. Özellikle büyük veri ve hesaplama ile görüntü, ses ve dil görevlerinde yüksek performans gösterir. Derin öğrenme hakkında genel çerçeveye Grupanda kaynaklarında göz atılabilir.

7. Yapay sinir ağı (Neural Network)

Biyolojik sinir sisteminden esinlenen düğümler (nöronlar) ve bağlantılardan oluşan hesaplama modeli. Katmanlar aracılığıyla girdiden çıktıya dönüşüm öğrenilir; çok katmanlı yapılar derin öğrenmenin temelini oluşturur. Daha fazla bilgi için: Özyeğin Üniversitesi – AI.

8. Konvolüsyonel sinir ağı (CNN)

Görüntü ve uzamsal veriler için tasarlanmış sinir ağı türü; konvolüsyon katmanları aracılığıyla yerel özellikleri yakalar. Görüntü sınıflandırma ve nesne tanıma uygulamalarında yaygındır.

9. Transformer

Özellikle dil görevlerinde başarılı olan, dikkat (attention) mekanizmasına dayanan bir model mimarisi. Paralel hesaplama ve uzun bağlam ilişkilerini yakalama kapasitesi ile öne çıkar; modern dil modellerinin temel yapı taşlarından biridir.

10. Doğal dil işleme (NLP)

Bilgisayarların insan dilini analiz etmesi, anlaması ve üretmesiyle ilgilenen alan. Metin sınıflandırma, makine çevirisi, metin özetleme gibi uygulamaları kapsar. Tanım ve uygulama örnekleri için kaynak: Özyeğin Üniversitesi – AI.

11. Gömülü gösterimler (Embeddings)

Kelime, cümle veya öğeleri vektörlere dönüştüren temsil yöntemleri; semantik benzerlikleri sayısal alanda yakalayarak arama, sınıflandırma ve kümeleme gibi görevlerde kullanılır.

12. Büyük Dil Modelleri (Large Language Models, LLM)

Büyük metin kütüphaneleri üzerinde eğitilen ve doğal dil üretimi, tamamlama ya da soruları cevaplama gibi görevlerde yüksek performans gösteren modeller. Genellikle transformer mimarisi üzerine kuruludur.

13. Transfer öğrenme (Transfer Learning)

Önceden eğitilmiş bir modelin, yeni fakat ilişkili bir görev için yeniden kullanılması. Küçük veriyle iyi sonuç almak veya eğitim maliyetini düşürmek için yaygın bir yöntemdir.

14. İnce ayar (Fine-tuning)

Önceden eğitilmiş bir modelin, hedef görev için ek eğitimle uyarlanması. Transfer öğrenmenin uygulamalı bir biçimidir; modelin son katmanları veya tüm ağı yeniden eğitilebilir.

15. Aşırı uyum (Overfitting)

Modelin eğitim verisine çok iyi uyum sağlayıp yeni verilere genelleme yapamaması durumu. Düzenleme (regularization), daha fazla veri veya erken durdurma gibi tekniklerle azaltılabilir.

16. Hiperparametre

Eğitim sürecinin dışında, modelin öğrenme davranışını etkileyen ayarlar (ör. öğrenme hızı, katman sayısı, düzenleme katsayısı). Hiperparametre optimizasyonu model performansı için önemlidir.

17. Eğitim ve çıkarım (Training vs Inference)

Eğitim: model parametrelerinin veriyle öğrenildiği süreç. Çıkarım (inference): eğitilmiş modelin yeni veriler üzerinde tahmin yaptığı aşama. Eğitim genellikle daha fazla hesaplama gerektirir.

18. Üretici modeller (Generative Models)

Yeni veri örnekleri oluşturabilen modeller (ör. görüntü, metin üretimi). Variational Autoencoders (VAE), Generative Adversarial Networks (GAN) ve bazı transformer tabanlı yaklaşımlar bu sınıfa girer.

19. Model değerlendirme ve metrikler

Doğruluk, precision, recall, F1-score, ROC-AUC gibi ölçütler model performansını değerlendirir. Doğru metrik seçimi görev tipine (sınıflandırma, regresyon vb.) bağlıdır.

20. Yapay zekâ etiği

YZ sistemlerinin adillik, şeffaflık, veri gizliliği ve hesap verebilirlik gibi ilkeler doğrultusunda geliştirilmesi. Sorumlu YZ uygulamaları, önyargıların tespit edilmesi, model açıklanabilirliği ve kullanıcı mahremiyetine odaklanır. Önemli ilkeler ve rehberler için: Google Developers – Responsible AI.

Hızlı öğrenme ve uygulama rehberi (5 adım)

Bu terimleri öğrenirken takip edilebilecek pratik bir yol:

1. Temel kuramsal bilgi: Lineer cebir, istatistik ve temel programlama (özellikle Python) öğrenin.
2. Makine öğrenimi temelleri: Denetimli/denetimsiz öğrenme örnekleri çalışın; basit modeller (lojistik regresyon, karar ağaçları) ile başlayın.
3. Derin öğrenme ve araçlar: Bir framework (ör. PyTorch veya TensorFlow) ile CNN veya basit bir Transformer uygulaması yapın.
4. Pratik proje: Küçük bir veri setiyle tam bir pipeline kurun: veri hazırlama, eğitim, değerlendirme, dağıtım (inference).
5. Etik ve sorumluluk: Modelinizi adillik, açıklanabilirlik ve gizlilik açısından değerlendirin; rehberlik için resmi kaynaklara başvurun (Google Developers).

Hızlı kontrol listesi

• Veri kalitesini kontrol edin ve etik izinleri doğrulayın.
• Veriyi eğitim/validasyon/test olarak ayırın.
• Basit modellerle başlayıp giderek karmaşığa geçin.
• Aşırı uyuma karşı düzenleme ve erken durdurma uygulayın.
• Model sonuçlarını uygun metriklerle raporlayın ve açıklayın.

Daha fazla okuma

Tanımların kaynağı ve detaylı açıklamalar için önerilen referanslar: Bilim Terimleri Sözlüğü, Grupanda – Yapay Zeka Tanımları, Özyeğin Üniversitesi – AI Terimleri ve Google Developers – Responsible AI.