|
İÇİNDEKİLER
İçindekiler
İkinci Baskıya Önsöz 5
Önsöz 7
Yazar Hakkında 9
Resimler Listesi 21
Şekiller Listesi 29
Tablolar Listesi 33
1. GİRİŞ 35
2. YAPAY ZEKÂ (ARTIFICIAL INTELLIGENCE – AI) 39
2.1. Yapay Zekâ Nedir? 39
2.2. Yapay Zekâ Uygulamaları ve Alanları 40
2.3. Türkiye ve Yapay Zekâ 43
2.4. Metaverse ve Yapay Zekâ 45
2.5. Yapay Zekâyı Kodlama 47
2.6. Büyük Dil Modelleri (LLM) ve Mimarileri 49
2.7. ChatGPT, Claude, LLaMA, Mistral, GPT–5 ve Diğer Önde Gelen LLM’ler: Kullanım Alanları 52
2.8. Yapay Zekâ Etiği ve Hukuki Düzenlemeler (AB AI Act vb.) 54
3. PYTHON 57
3.1. Python Kurulumu 60
3.2. Anaconda 61
3.3. Spyder 64
3.4. Jupyter Notebook ve JupyterLab 64
3.5. Sanal Ortam 68
3.5.1. Windows Komut İstemcisinden Sanal Ortam Oluşturma 69
3.5.2. Anaconda ile Sanal Ortam Oluşturma 70
3.6. Kaggle 74
3.7. Google Colaboratory 76
3.8. PIP ve Conda ile Yeni Modüller Eklemek 78
3.8.1. Pip ile Yeni Modüller Eklemek 78
3.8.2. Conda ile Yeni Modüller Eklemek 78
3.9. Python Dili Sözdizimi 80
3.9.1. Değişkenler 81
3.9.2. Stack Memory vs. Heap Memory 82
3.9.3. Operatörler 85
3.9.4. Veri Tipleri 87
3.9.5. Koşul Yapıları 92
3.9.5.1. If 92
3.9.5.2. Else 93
3.9.5.3. Elif 93
3.9.5.4. İç İçe If İfadesi 94
3.9.6. Döngüler 95
3.9.6.1. While Döngüsü 95
3.9.6.2. For Döngüsü 96
3.9.7. İç İçe Döngüler 97
3.9.8. Fonksiyonlar 98
3.9.9. Global ve Yerel (Lokal) Değişkenler 101
3.9.10. Gömülü Fonksiyonlar (Built–in) 102
3.9.11. String Methodları 107
3.9.12. Kullanıcı Tarafından Oluşturulan Fonksiyonlar 112
3.9.13. Lambda İfadeleri ve Comprehension Tanımlamaları 114
3.9.14. Özyinelemeli Fonksiyonlar 115
3.10. Python Veri Yapıları 116
3.10.1. Listeler – List 117
3.10.2. Diziler – Array 122
3.10.3. Demetler – Tuple 123
3.10.4. Kümeler – Set 124
3.10.5. Sözlükler – Dictionary 126
3.10.6. Range, Enumerate ve Comprehension Yapıları 129
3.11. Python Web and Desktop Uygulamaları 130
3.11.1. Django 130
3.11.2. Flask 130
3.11.3. Bottle 131
3.11.4. Tornado 131
3.11.5. Pyramid 131
3.11.6. Tkinter 131
3.11.7. PyQT 132
3.11.8. Kivy 132
3.11.9. WxPython 132
3.12. Python 3.12 ve 3.13 Yenilikleri ve Modern Sözdizimleri (Type Hinting, Pattern Matching) 132
4. NESNE YÖNELİMLİ PROGRAMLAMA (OOP) 137
4.1. Nesneler ve Sınıflar 138
4.1.1. Sınıf ve Nesne Tanımlama 138
4.1.2. Sınıflar ve Örnekler 140
4.2. Kalıtım (Inheritance) 142
4.3. Kapsülleme (Encapsulation) 143
4.4. Polimorfizm (Polymorphism) 146
4.5. Örnek Metotlar 147
4.6. OOP Prensipler 147
4.7. Program Hatalarının Yönetimi 148
5. MODÜLLER, KÜTÜPHANELER VE ARAÇLAR 153
5.1. Genel Bakış 153
5.1.1. Python Packages 156
5.1.2. Python Libraries 158
5.1.3. Python Frameworks 160
5.1.4. Math Modülü 160
5.1.5. Statistics Modülü 162
5.1.6. Random Modülü 163
5.1.7. Datetime Modülü 164
5.1.8. CSV Modülü 164
5.2. NumPy Kütüphanesi 168
5.2.1. NumPy Kurulumu 168
5.2.2. Numpy’ın Kalbi 169
5.2.3. Dizi Oluşturma 171
5.2.4. NumPy Tarafından Desteklenen Veri Türleri 173
5.2.5. Slicing 177
5.2.6. Shape Manipulation 179
5.3. Pandas Kütüphanesi 180
5.3.1. Pandas Kurulumu ve Veri Yapıları 181
5.3.2. Series 181
5.3.3. Dataframe 186
5.4. SciKit Learn Kütüphanesi 189
5.4.1. Sınıflandırma 190
5.4.2. Regresyon 190
5.4.3. Kümeleme 191
5.4.4. Boyutsal küçülme 191
5.4.5. Model seçimi 192
5.4.6. Ön İşleme 192
5.5. Matplotlib Kütüphanesi 193
5.5.1. Kurulumu 194
5.5.2. pylab and pyplot 197
5.5.3. Matplotlib Uygulamaları 200
5.6. Web Scraping (Kazıma) 210
5.7. Hugging Face Ekosistemi ve Transformers 212
5.8. LangChain ile AI Agent Geliştirme 213
5.9. Polars ile Yüksek Hızlı Veri İşleme 214
6. TENSORFLOW VE KERAS KÜTÜPHANELERİ 217
6.1. Theano Kütüphanesi 219
6.2. PyTorch Framework 219
6.3. NLTK Kütüphanesi 221
6.4. Scipy Kütüphanesi 221
6.5. Seaborn Kütüphanesi 222
6.6. Plotly Kütüphanesi 222
6.7. Bokeh Kütüphanesi 223
6.8. PyTorch 2.0 Yenilikleri 223
6.9. Transfer Learning ve Fine–Tuning Örnekleri (Hugging Face Model Hub) 224
7. VERİ BİLİMİ 227
7.1. Veri Bilimcisi Kimdir? 230
7.1.1. Veri Bilimi ve İş Zekâsı Arasındaki Farklar 231
7.1.2. Veri Biliminin Yaşam Döngüsü 232
7.1.3. Veri Biliminin Artıları Eksileri 235
7.2. Veri Bilimi için Gerekli Araçlar 237
7.3. Veri Biliminin Uygulanması 239
7.3.1. Risk ve Dolandırıcılık Tespiti 239
7.3.2. Sağlık Hizmeti 239
7.3.3. Genetik ve Genomik 239
7.3.4. İlaç Geliştirme 239
7.3.5. İnternet Araması 240
7.3.6. Web Sitesi Önerileri 240
7.3.7. Gelişmiş Görüntü Tanıma 240
7.3.8. Sanal Asistan 240
7.3.9. Konuşma Tanıma 241
7.3.10. Uçaklar için Rota Planlama 241
7.3.11. Oyun 241
7.3.12. Arttırılmış Gerçeklik 241
7.4. Veri Bilimi Modellerine Matematik Uygulaması 242
7.5. Veri Seti ve Veri Analizindeki Yeri 243
7.6. Veri Temizleme 245
7.7. Veri Doğrulama 246
7.8. Veri Keşfi 247
7.9. Veri Madenciliği 247
7.10. Veri Toplama Yöntemleri 251
7.10.1. Gözlem 251
7.10.2. Anketler 251
7.10.3. Röportajlar 252
7.10.4. Odak Grup Tartışmaları 252
7.11. Kaggle Tanıtımı 253
7.12. Git ve Github 257
7.12.1. Github 257
7.12.2. GİT 259
7.13. Verinin Görselleştirilmesi 277
7.14. Büyük Veri 283
7.15. Gerçek Zamanlı Veri Akışı (Kafka, Spark Streaming) 284
8. MATEMATİK, İSTATİSTİK VE YAPAY ZEKÂ 287
8.1. Doğrusal Cebir (Linear Algebra) 288
8.2. Vektörler ve Matrisler 289
8.3. Olasılık ve Dağılım 291
8.4. Optimizasyon 297
8.5. Graflar (Computation Graph) 300
8.6. Veri Bilimi İstatistikleri 301
8.7. Tanımlayıcı İstatistik 301
8.8. Çıkarımsal İstatistik 305
8.9. Diğer Test Yöntemleri 308
8.10. Lineer Regresyon 308
8.11. Çoklu Lineer Regresyon 314
8.12. Regresyon Analizi 318
8.13. Ajanlar ve Ortamlar 321
8.14. Arama Problemleri, Durum Uzayı ve Başlangıç Durum 327
8.15. Geleneksel Arama Algoritmaları 328
8.16. Genetik Algoritmalar 333
9. MAKİNE ÖĞRENMESİ 335
9.1. Öğrenme 336
9.1.1. Fiziksel (Kinestetik) Öğrenme 338
9.1.2. Görsel (Mekansal) Öğrenme 339
9.1.3. İşitsel Öğrenme 339
9.1.4. Sözel (Okuma/Yazma) Öğrenme 340
9.1.5. Mantıksal (Matematiksel) Öğrenme 340
9.1.6. Müzikal Öğrenme 340
9.1.7. Doğa Bilimcileri 341
9.1.8. Dilsel Öğrenenler 341
9.1.9. Kişilerarası (Sosyal) Öğrenenler 342
9.1.10. Kişi İçi (Yalnız) Öğrenciler 342
9.2. Bilgisayarlı Öğrenme ve Karar Verme 343
9.3. Veri Ön İşleme ve Model Tasarımı 345
9.3.1. Veri Ön İşleme 346
9.3.2. Veri Önişleme için Örnek 352
9.3.3. Model Planlama 358
9.3.4. Model Oluşturma 359
9.3.5. Modelin Eğitilmesi 359
9.3.6. Modelin Test Edilmesi 359
9.3.7. Modelin İyileştirilmesi 360
9.4. Makine Öğrenmesi Yaklaşımları 360
9.5. Gözetimli Öğrenme (Denetimli–Supervised Learning) 362
9.5.1. Regresyon 362
9.5.1.1. Lineer Regresyon 363
9.5.1.2. Polinomial Regresyon 364
9.5.1.3. Lojistik Regresyon 365
9.5.1.4. Gradyan Azaltma 367
9.5.1.5. Neural Network Regresyon 368
9.5.1.6. Support Vektor Regresyon 369
9.5.1.7. Gaussian process regression (GPR): 370
9.5.2. Sınıflandırma 370
9.5.2.1. Naive Bayes Sınıflandırması 371
9.5.2.2. SVM Sınıflandırması 374
9.5.2.3. Karar Ağaçları 377
9.5.2.4. k–NN Algoritması 381
9.5.2.5. Random Forest 385
9.6. Gözetimsiz Öğrenme (Denetimsiz–Unsupervised Learning) 390
9.6.1. Kümeleme 390
9.6.2. Hiyerarşik Kümeleme 393
9.7. Denetimli vs Denetimsiz Öğrenme 400
9.8. Yarı Denetimli Öğrenme 401
9.9. Pekiştirmeli Öğrenme 403
9.9.1. Model Bağımsız RL 405
9.9.2. Model Tabanlı RL 406
9.10. AutoML (Otomatik Model Seçimi) 408
9.11. Derin Pekiştirmeli Öğrenme (Deep RL) 408
10. YAPAY SİNİR AĞLARI 411
10.1. Nöron ve Ağ Yapısı 413
10.2. Aktivasyon Fonksiyonu 414
10.3. Tek Katmanlı Sinir Ağları (Perceptronlar) 416
10.4. İki Katmanlı Sinir Ağları 417
10.5. Çok Katmanlı Sinir Ağları (L–Layer NN) 418
10.6. İleri Yayılımlı Öğrenme 419
10.7. Kayıp (Loss) ve Maliyet (Cost) Fonksiyonları 419
10.8. Geri Yayılımlı Öğrenme 419
10.9. Evrişimli Sinir Ağı Mimarileri 419
10.9.1. LeNet 420
10.9.2. AlexNet 421
10.9.3. ZFNet 422
10.9.4. GoogLeNet 423
10.9.5. VGGNet 423
10.10. Tekrarlayan Sinir Ağları (Recurrent Neural Networks – RNN) 424
10.11. NLP 425
10.12. Sequence Models 426
10.13. Uzun Kısa Dönemli Bellek Ağları (LSTM) 426
10.14. Tekrarlayan ve Evrişimli Sinir Ağlarının Birleşimi 427
10.15. Derin İnanç Ağları 427
10.16. Kısıtlı Boltzmann Makinesi 428
10.17. Transformers ve Self–Attention Mekanizması 428
10.18. BERT, GPT, T5 Modelleri 429
11. DERİN ÖĞRENME 431
11.1. Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN) 432
11.2. Normalizasyon ve Label Encoding 432
11.3. Batch ve Epoch 433
11.4. Data Augmentation 433
11.5. Katmanlar ve Bağlantılar 433
11.6. Diffusion Modelleri (Stable Diffusion) 436
11.7. Multimodal Modeller 437
12. UYGULAMALAR 439
12.1. Hesap Makinesi Projesi 439
12.2. Araç Kiralama Projesi 440
12.3. Sıcaklık Dönüşümleri Uygulaması 441
12.4. Instagram Profil Resimleri İndirme Uygulaması 442
12.5. Lojistik Regresyon Python Çalışması 443
12.6. ANN Python Çalışması 445
13. MLOps ve Model Dağıtımı 447
13.1. MLOps’un Tanımı ve Önemi 447
13.2. Model Yaşam Döngüsü (ML Lifecycle) 447
13.3. Sürekli Entegrasyon ve Sürekli Dağıtım (CI/CD) için MLOps 448
13.4. Model Dağıtım Stratejileri 448
13.5. İzleme ve Modelin Sağlamlığı (Monitoring) 449
13.6. Popüler MLOps Araçları ve Platformları 449
13.7. Gerçek Dünya Uygulamaları 449
14. Prompt Engineering ve İleri Teknikler 451
14.1. Prompt Engineering Nedir? 451
14.2. İyi Prompt’un Temel İlkeleri 451
14.3. İleri Teknikler 452
14.4. Görsel, Kod ve Multimodal Prompting 452
14.5. Prompt Engineering’in Geleceği 452
14.6. Prompt Engineering’de Dikkat Edilmesi Gerekenler 454
Kaynakça 455
Kavram Dizini 461 |
Bilgisayar, Teknoloji Kitapları 
