|
İÇİNDEKİLER
İÇİNDEKİLER ~ Cilt 1
Önsöz
Terim Karşılıkları
Bölüm 1. Yapay Zeka Mühendisliği Temeli ve Kavramları – Editör
1.1. Yapay Zeka Mühendisliği Kapsamı 22
1.2. Yapay Zekayı Yakından İlgilendiren Disiplinler 24
1.3. Doğal Zeka Yapısal Özelliği 23
1.4. Yapay Zeka Mühendisliğinin Temel Bileşenleri 25
1.5. Yapay Zeka Üzerine Özel Algoritmalar 26
1.6. Yapay Öğrenme 28
1.6.1. Makine Öğrenmesi 28
1.6.2. Derin Öğrenme ve Yapay Sinir Ağları 29
1.7. Yapay Zeka Uygulaması Gerçekleştirme Adımları 31
1.8. Yapay Zeka Mühendisi 32
1.8.1. Yapay Zeka Mühendisliği Bölüm Öğretim Çıktıları 33
1.8.2. Yapay Zeka Mühendisliği Meslek Etiği ve Sorumluluğu 35
1.8.3. Yapay Zeka Mühendisi için Öne Çıkan Matematik Konuları 35
1.9. Yapay Zeka ve Felsefe 37
1.10. Bulut Bilişim ve Yapay Zeka 36
1.11. Yapay Zeka Tarihçesi
Bölüm 2. Veri Bilimi ve Veri Mühendisliği Gülşen AKMAN ~ Prof. Dr.
2.1. Veri Bilimi
2.1.1. Veri Bilimi Süreci 43
2.1.2. Veri Biliminin Temel Alanları 44
2.1.3.Veri Bilimi Uygulama Alanları 45
2.1.4. Veri Biliminde Kullanılan Araçlar 46
2.2. Veri Mühendisliği 46
2.2.1. Veri Mühendisliği Süreci 47
2.2.2. Veri Mühendisliği Araçları 48
2.3. Veri Bilimi ve Veri Mühendisliği
2.4. Çalışma Sorular
Bölüm 3. Yapay Zekada Matematiksel Temeller ve Ayrık Matematik Süleyman EKEN ~ Doç. Dr.
3.1. Yapay Zeka için Temel Matematik
3.1.1. Doğrusal Cebir 54
3.1.1.1. Temel Veri Depolama Alanları 54
3.1.1.2. Temel Vektör İşlemleri 56
3.1.1.3. Temel Matris İşlemleri 58
3.1.2. Kalkülüs 62
3.1.2.1. Türev 62
3.1.2.2. İntegral 66
3.2. Ayrık (Discrete) Matematik 67
3.2.1. Mantık, Boole Cebri ve İspat Yöntemleri 67
3.2.2. Kümeler 70
3.2.3. Kombinatorik 71
3.2.4. Olasılık ve İstatistik 73
3.2.5. Diğer Ayrık Yapılar 74
3.3. Özet
3.4. Çalışma Soruları
Bölüm 4. Yapay Zeka Veri Yapıları ve Algoritmalar Toros Rifat ÇÖLKESEN ~ Prof. Dr.
4.1. Veri Modelleri ve Veriler–arasındaki İlişkilerin İfadesi
4.1.1. Liste (Vektör) ve Bağlantılı Liste Veri Modeli 81
4.1.2. Ağaç Veri Modeli ve Hiyerarşik İlişkiler 83
4.1.3. Graf Veri Modeli ve Düğümler–arası İlişkiler Yumağı 85
4.1.4. Durum Makinası Veri Modeli ve Davranış Modelleme 87
4.1.5. Veritabanı İlişkisel Veri Modeli 88
4.1.6. Ağ Bağlantı Veri Modeli 89
4.2. Yapay Zekada Veri Yapısı 90
4.3. Yapay Zeka Uygulamalarında Algoritma Konusu 91
.3.1. Yapay Zeka Üzerine Özel Algoritmalar 91
4.3.2. Yapay Zeka Üzerine Geliştirilmiş Kütüphaneler 92
4.3.3. Algoritmaların Zaman ve Alan Karmaşıklığı 93
4.3.4. Rekürsif Algoritma Tasarımı 96
4.4. Özet
4.5. Çalışma Soruları
Bölüm 5. Biçimsel Diller ve Özdevinirler Mehmet KARAKÖSE ~ Prof. Dr.
5.1. Genel Kavramlara Bir Bakış
5.2. Biçimsel Diller 104
5.2.1. Dil Bilgisi ve Diller 104
5.3. Özdevinirler 108
5.3.1. Sonlu Otomatalar 109
5.3.1.1. Mealy ve Moore Makineleri 109
5.3.1.2. Deterministik Sonlu Otomata (DFA) 110
5.3.1.3. Deterministik Olmayan Sonlu Otomatalar (NFA) 113
5.3.2. Yığıtlı Otomatalar (PDA – Push Down Automata) 115
5.3.3. Turing Makineler 118
5.3.4. Bulanık ve Öğrenen Özdevinirler 121
5.4. Biçimsel Diller ve Özdevinirler için Simülatörler 122
5.4.1. Otomata Simülatörlerinin Önemi 123
5.4.2. Otomata Simülatörlerinin Sınıflandırılması 123
5.4.3. Litaratürde Yer Alan Otomata Simülatörleri 124
5.5. Biçimsel ve Doğal Dil. Entegrasyonu ve Büyük Dil Modelleri (LLM) 127
5.5.1. LLM Tabanlı Araçlar 127
5.5.2. Bağlamdan Bağımsız Dilbilgisi ile İlişkileri 128
5.5.3. Yığıtlı Özdevinir ile İlişkisi 131
5.6. Özet
5.7. Çalışma Soruları
Bölüm 6. Makine Öğrenmesi Konusu Hüseyin ÇAKIR ~ Doç. Dr.
6.1. Makine Öğrenmesi Çalışma Süreci
6.2. Makine Öğrenmesi Türleri 138
6.2.1. Denetimli Makine Öğrenmesi 139
6.2.1.1. Sınıflandırma 140
6.2.1.2. Regresyon 141
6.2.2. Denetimsiz Makine Öğrenmesi 142
6.2.2.1. Kümeleme 143
6.2.2.2. Birliktelik 143
6.2.2.3. Boyut İndirgeme 144
6.2.3. Yarı Denetimli Makine Öğrenmesi 144
6.2.4. Takviyeli Makine Öğrenmesi 144
6.3. Makine Öğrenmesi Algoritmaları 146
6.3.1. Doğrusal Regresyon 146
6.3.2. Lojistik Regresyon 148
6.3.3. Karar Ağacı ve Rastgele Ormanlar 150
6.3.4. Naive Bayes Modeli 152
6.3.5. K–Ortalamalar Kümelemesi 153
6.3.6. Hiyerarşik Kümeleme 155
6.3.7. Yapay Sinir Ağları 157
6.3.8. K–En Yakın Komşu Algoritması 159
6.3.9. Destek Vektör Makineleri 161
6.4. Özet
6.5. Çalışma Sorular
Bölüm 7. Veri Madenciliği Konusu Seniye Ümit FIRAT ~ Prof. Dr.
7.1. Veri Madenciliği Alanında Genel Terminoloji ve Tanımlar
7.2. Bilgi Keşfi Süreci 168
7.3. Veri Madenciliğinin Yapısı 170
7.4. Veri Madenciliği ve İş Zekası İlişkisi 171
7.5. Web Arama Motorlarında Veri Madenciliği 172
7.6. Veri Madenciliği Modelleri ile Yapılan İşler 173
7.6.1. Analiz Algoritmaları Bakımından Veri Madenciliği İşleri 174
7.6.2. Keşfedici Veri Analizi ve Görsel Veri Madenciliği 175
7.7. Veri Madenciliği Döngüsü 176
7.8. Veri Madenciliği Teknikleri ve Algoritmaları 178
7.8.1. Sınıflandırma – Tahmin 178
7.8.2. Kümeleme Analizi 181
7.8.3. Birliktelik Kuralı Analizi 185
7.9. Veri Madenciliği için Yazılım Araçları ve Programlama Dilleri 186
7.10. Özet
7.11. Çalışma Soruları
Bölüm 8. Derin Öğrenme Konusu Sami EKİCİ ~ Prof. Dr.
8.1. Derin Öğrenmenin Tanımı ve İfadesi 192
8.1.1. Derin Öğrenmenin Çalışma İlkesi 193
8.2. Derin Öğrenme Uygulamaları 194
8.3. Derin Öğrenmenin Kısa Tarihçesi 196
8.4. Derin Öğrenme Kütüphaneleri 197
8.4.1. TensorFlow 197
8.4.2. Keras 197
8.4.3. PyTorch 198
8.4.4. Theano 198
8.4.5. Deeplearning4j (DL4J) 198
8.4.6. Caffe 198
8.5. Derin Öğrenme Algoritmaları 198
8.5.1. Evrişimsel Sinir Ağları (CNN'ler) 199
8.5.2. Yinelemeli Sinir Ağları (RNN'ler) 199
8.5.3. Üretken Rekabet Ağları (GAN'lar) 200
8.5.4. Dönüştürücü Ağlar 201
8.5.5. Otomatik Kodlayıcılar 202
8.5.6. Derin İnanç Ağları (DBN’ler) 203
8.6. Evrişimsel Sinir Ağları (CNN’ler) 203
8.6.1. Evrişim Katmanı 205
8.6.2. Havuzlama Katmanı 209
8.6.3. Düzeltilmiş Doğrusal Birim Fonksiyonu (ReLU) 210
8.6.4. Tam Bağlantılı Katman 210
8.6.5. Çıkış Katmanı 211
8.6.6. İleri Besleme 211
8.6.7. Geri Yayılım 212
8.7. Özet
8.8. Çalışma Soruları
Bölüm 9. Yapay Öğrenme Atınç YILMAZ ~ Doç. Dr.
9.1. Tarihçeye Kısa Bir Bakış 219
9.2. Yapay Öğrenme için Matematiksel İhtiyaçlar 202
9.2.1. Lineer Cebir 220
9.2.2. İstatistik ve Olasılık 221
9.2.3. Optimizasyon 222
9.2.4. Görüntü İşleme için Gerekli Temeller 222
9.2.5. Doğal Dil İşleme için Gerekli Temeller 223
9.3. Üretken Yapay Zeka 223
9.4. Danışmanlı ve Danışmansız Öğrenme 225
9.4.1. Danışmanlı Öğrenme 226
9.4.1.1. Lineer Regresyon 226
9.4.1.2. Lojistik Regresyon 227
9.4.1.3. Destek Vektör Makineleri 227
9.4.1.4. Karar Ağaçları 227
9.4.1.5. Ansambl 228
9.4.1.6. Yapay sinir ağları 229
9.4.2. Danışmansız Öğrenme 230
9.4.2.1. K–Ortalamalar Yöntemi 231
9.4.2.2. Yoğunluk Tabanlı Kümeleme – DBSCAN 231
9.4.2.3. Boyut Azaltma Yöntemleri 232
9.4.2.4. Gizli Markov Yöntemi 233
9.4.2.5. Gizli Dirichlet Dağılımı 233
9.5. Yapay Öğrenme Modellerinin Değerlendirilmesi 233
9.6. Özet
9.7. Çalışma Soruları
Bölüm 10. Yapay Zekada Kullanılan Diller ve Kütüphaneler Turgay Tugay BİLGİN ~ Prof. Dr.
10.1. Python Programlama Dili ve Yapay Zeka 238
10.1.1. Yapay Zeka Uygulamalarında Kullanılan Python Kütüphaneleri 238
10.1.2. Python ile YZ Uygulaması Geliştirmenin Değerlendirilmesi 240
10.1.3. Python ile Yapay Zekâ Uygulaması Örneği 241
10.1.4. Yapay Zeka Alanında Python Dilinin Gelecekteki Önemi 242
10.2. R Programlama Dili ve Yapay Zeka 242
10.2.1. Yapay Zeka Uygulamalarında Kullanılan R Kütüphaneleri 243
10.2.2. R ile Yapay Zeka Uygulaması Geliştirmenin Değerlendirilmesi 244
10.2.3. R ile Yapay Zeka Uygulaması Örneği 244
10.2.4. Yapay Zeka Alanında R Dilinin Gelecekteki Önemi 246
10.3. MATLAB ve Yapay Zeka 246
10.3.1. Yapay Zeka Uygulamaları için MATLAB Kütüphaneleri 247
10.3.2. MATLAB ile YZ Uygulaması Geliştirmenin Değerlendirilmesi 247
10.3.3. MATLAB ile Yapay Zekâ Uygulaması Örneği 248
10.3.4. Yapay Zeka Alanında MATLAB Dilinin Gelecekteki Önemi 249
10.4. Java ve Yapay Zeka 249
10.4.1. Yapay Zeka Uygulamasında Kullanılan Java Kütüphaneleri 249
10.4.2. Java ile Yapay Zeka Uyg. Geliştirmenin Değerlendirmesi 250
10.4.3. Java ile Yapay Zeka Uygulaması Örneği 251
10.4.4. Yapay Zekâ Alanında Java Dilinin Gelecekteki Önemi 253
10.5. Prolog 253
10.5.1. Yapay Zeka Uygulamasında Kullanılan Prolog Kütüphaneleri 254
10.5.2. Prolog ile Yapay Zeka Uyg. Geliştirmenin Değerlendirilmesi 255
10.5.3. Prolog ile Yapay Zeka Uygulaması Örneği 256
10.5.4. Yapay Zeka Alanında Prolog Dilinin Gelecekteki Önemi 258
10.6. Diğer Programlama Dilleri
10.7. Özet
10.8. Çalışma Soruları
Bölüm 11. Robotik Özellikler ve Kontrol Mühendisliği Uygulamaları Ercan KÖSE ~ Doç. Dr.
11.1. Yapay Zekanın Robotikte Sağladığı Temel Özellikler 262
11.2. Robotik Sistemler 268
11.3. Yapay Zeka Kontrol Mühendislik Uygulamaları 273
11.3.1. Yapay Zekanın Mühendislik Uygulamalarına Katkısı 274
11.3.2. Yapay Zeka Temelli Kontrol Sistemlerin Tasarımı 274
11.3.3. Yapay Zeka ile Güçlendirilmiş Otomatik Kontrol Sistemleri 275
11.3.4. Yapay Zeka Kullanım Örnekleri 276
11.4. Özet
11.5. Çalışma Soruları
Bölüm 12. Görsel Algı ve Bilgisayarla Görme Emre DANDIL ~ Doç. Dr.
12.1. Görsel Algı 293
12.1.1. Görme Sistemi 294
12.2. Bilgisayarla Görme 295
12.2.1. Görüntü Dönüşümü 299
12.2.2. Görüntü İşleme 304
12.2.3. Özellik Çıkarma 316
12.2.4. Bölütleme 318
12.2.5. Hareket Tespiti ve Takibi 322
12.2.6. Sınıflandırma 323
12.2.7. Nesne Tanıma 325
12.3. Özet
12.4. Çalışma Soruları
Bölüm 13. Yapay Zeka Optimizasyon Algoritmaları Ahmet Cevahir ÇINAR ~ Doç. Dr.
13.1. Klasik Optimizasyon Yöntemleriyle YZOA’nın Kıyaslanması 330
13.1.1. Klasik Optimizasyon Yöntemlerinin Yetersizlikleri 330
13.1.2. YZOA’nın Üstünlükleri 330
13.2. Değişken Türlerine Göre Optimizasyon Problemleri 331
13.2.1. Sürekli Değişkenli Optimizasyon Problemleri 332
13.2.2. Kesikli/Ayrık Değişkenli Optimizasyon Problemleri 332
13.2.3. Karma Değişkenli Optimizasyon Problemleri 332
13.3. YZOA’nın Genel Çerçevesi 333
13.4. Ağaç–Tohum Algoritması 334
3.4.1. Sürekli Ağaç–Tohum Algoritması 334
13.4.2. Kısıtlı Ağaç–Tohum Algoritması 339
13.4.3. İkili Ağaç–Tohum Algoritmaları 339
13.4.3.1. Benzerlik Tabanlı İkili TSA (SimTSA) 340
13.4.3.2. Mantıksal Kapı Tabanlı İkili TSA (LogicTSA) 344
13.4.3.3. Benzerlik ve Man. Kapı Tab. İkili TSA (SimLogicTSA) 345
13.4.4. Kesikli Ağaç–Tohum Algoritması (DTSA) 345
13.4.4.1. Komşuluk Operatörleri 346
13.4.4.1.1. Takas Operatörü 346
13.4.4.1.2. Öteleme Operatörü 346
13.4.4.1.3. Simetri operatörü 347
13.4.4.2. DTSA’nın Algoritmik Çerçevesi 347
13.5. Özet
13.6. Çalışma Soruları
Bölüm 14. Yapay Zekada Olasılık Teorisi ve Stokastik Süreçler Hasan Hüseyin KARAOĞLU ~ Dr., Ender Mete EKŞİOĞLU ~ Prof. Dr. ve Ahmet Hamdi KAYRAN ~ Prof. Dr.
14.1. Olasılık ve Belirsizlik 352
14.1.1. Belirsizlik Türleri 352
14.1.2. Olasılık Modelleri 353
14.1.3. Olasılığın İki Yorumu 354
14.2. Olasılık Teorisi’nin Temel Kavramları 355
14.2.1. Olasılık Uzayı 355
14.2.2. Rastgele Değişken 356
14.2.3. İstatistik ve Kestirim Yöntemleri 364
14.2.3.1. Doğrusal Regresyon 365
14.2.3.2. En Büyük Olabilirlik Kestirimi 366
14.2.3.3. En Büyük Sonsal Kestirimi 367
14.2.3.4. En Küçük Ortalama Hata Kestirimi 368
14.3. Olasılığın Modern Yüzleri 369
14.3.1. Değişimli Otokodlayıcılar 369
14.3.2. Üretici Çekişmeli Ağlar 370
14.3.3. Difüzyon Modelleri 370
14.4. Özet
14.4. Çalışma Soruları |
Bilgisayar, Teknoloji Kitapları 
