Makine_Öğrenmesi___GenAI_Çağında_Hala_Neden_Önemli_.pdf

Transcript

1. I E E E B E Y K E N T Makine Öğrenmesi. Neden hala kullanıyoruz? Göker Güner Mayıs 2026
2. ChatGPT* her şeyi çözebiliyor mu? Bu sunumun varoluş sebebi bu soru. B İ R S O R U *Hala dünyadaki günlük kullanımın büyük bir bölümü ChatGPT'ye ait 02 / 45
3. GenAI bunları çok iyi yapıyor Hakkını verelim — işimizi biraz elimizden aldı 1 Metin Üretimi Yaratıcı yazı, özetleme, çeviri, taslak çıkarma. Bir copywriter'ın saatlerini dakikaya indiriyor. 2 Kod Yardımcısı Boilerplate, refactoring, açıklama, dokümantasyon. Mühendisin yardımcısı, yerini alanı değil. 3 Sohbet Arayüzleri Müşteri desteği, dahili asistanlar, sıkça sorulanlar. Doğal dil bir UI primitive'ine dönüştü. Göker Güner — Makine Öğrenmesi 03 / 45
4. GenAI'ın çözemediği 4 problem Ve bu yüzden bir ML mühendisine hala ihtiyacımız var. ₺ Maliyet Saniye başına dolar. Milyonlarca istek hacminde ekonomik olarak ölçeklenmiyor — basit bir XGBoost yüzlerce kat az fatura çıkarır ⚡ Latency Anlık karar gereken sistemlerde — fraud, recommendation, ad bidding — saniyeler değil milisaniyeler gerek. ◎ Hassasiyet Tablo verisinde bir ML modelinin doğruluğu daha hassastır. Sayılarla LLM'lerin arası iyi değil. ⚿ Veri Mahremiyeti Hassas sağlık, finans, devlet verisini 3. parti API'a göndermek her zaman mümkün değil — bazen yasaktır. Göker Güner — Makine Öğrenmesi 04 / 45
5. Vaka: Bir e-ticaret sitesinin öneri sistemi Aynı problem, iki yaklaşım. Rakamlar gerçek vakalardan. Kriter GPT ile Klasik ML ile Maliyet (1M istek) ~$3,000+ ~$5 (sunucu) Yanıt süresi 1–3 saniye 10–50 ms Doğruluk Orta (kişiselleştirme zayıf) Yüksek (kullanıcı geçmişine dayalı) Doğru araç, doğru problem için. Göker Güner — Makine Öğrenmesi 05 / 45
6. “ Her problem GenAI ile çözülmez. Her problem GenAI ile çözülmemelidir. ML mühendisleri, hangi aracın hangi probleme uyduğunu bilir(bilmelidir). Bu sunum sizi o noktaya götürmek için. Göker Güner — Makine Öğrenmesi 06 / 45
7. Bugün konuşacaklarımız Altı bölüm, yaklaşık bir saat. 01 ML nedir? Temel kavramlar ~12 dk 02 ML'in alt dalları ~10 dk 03 Gerçek hayat uygulamaları ~6 dk 04 ML geliştirme süreci ~4 dk 05 Nereden ve nasıl öğrenmeliyim? ~8 dk 06 Kariyer yol haritası & Q&A ~15 dk Göker Güner — Makine Öğrenmesi 07 / 45
8. Ben Göker. → Technical Co-Founder, Viza ◯ Kurucu, Türkiye Yapay Zeka Topluluğu ✓ Google Certified Professional ML Engineer ★ 7+ yıl Startup deneyimi Türkiye Yapay Zeka Topluluğu M E R H A B A Göker Güner — Makine Öğrenmesi 08 / 45
9. Sunum sonunda ✓ ML'in ne olduğunu ve neden hala ihtiyacımız olduğunu ✓ Hangi problemde hangi yaklaşımı kullanmanız gerektiğini ✓ Sıfırdan ML öğrenmek için somut bir yol haritası ✓ İlk projenize başlamak için ihtiyacınız olan kaynakları Göker Güner — Makine Öğrenmesi 09 / 45
10. 01 B Ö L Ü M Makine öğrenmesi nedir?
11. Makine öğrenmesi nedir? İki tanım — biri akademik, biri pratik. AKADEMİK "Veriden örüntü çıkararak, açıkça programlanmadan belirli görevlerde performansını artıran sistemlerdir." — Arthur Samuel, 1959 PRATİK "Kuralları sen yazmazsın — kuralları makineye, veriden öğrenmesini sağlarsın." — Sunumun benim tercih ettiğim hali Göker Güner — Makine Öğrenmesi 11 / 45
12. Programlama mı, öğrenme mi? Aynı sonuca giden iki ters paradigma. GELENEKSEL PROGRAMLAMA Veri + Kurallar → Sonuç Spam yakalamak için bin farklı kural yazarsın. Yeni bir spam türü çıkınca yeni kural eklersin. Sonsuza kadar. MAKİNE ÖĞRENMESİ Veri + Sonuç → Kurallar Modele yeterli bir miktar örnek gösterirsin — "bu spam, bu değil". Kuralları model kendi çıkarır. Yeni spam türünü ekstra örneklerle öğrenir. Göker Güner — Makine Öğrenmesi 12 / 45
13. Bir ML sisteminin üç bileşeni Bu üçü olmadan ML yok. Hepsi eşit derecede kritik. 1 Veri Model bundan öğrenir. Sayısal kolonlar, görüntüler, metin, ses — fark etmez. Çöp girerse çöp çıkar. 2 Model Veriden örüntü çıkaran matematiksel yapı. Lineer regresyondan derin sinir ağına — birçok seçenek var. 3 Hedef / Ölçüm Loss function. "İyi mi kötü mü yaptın?" diyen kriter. Modelin neye optimize edileceğini bu belirler. Göker Güner — Makine Öğrenmesi 13 / 45
14. Bir model nasıl öğrenir? Beş adımlık bir döngü. Bütün ML'in özü bu. 1 Tahmin yap. Model girdiyi alıp bir çıktı üretir. 2 Hatayı ölç. Gerçek sonuçla karşılaştır — loss function bir sayı verir. 3 Parametreleri güncelle. Hata azalacak yönde ayarla — gradient descent. 4 Tekrarla. Binlerce, milyonlarca kez. Her seferinde biraz daha iyi. 5 Yakınsa. Hata kabul edilebilir seviyeye gelince dur. Model artık eğitilmiş. Göker Güner — Makine Öğrenmesi 14 / 45
15. Bilmen gereken kavramlar — Bölüm 1 Şimdi ezberlemeyin; ilerlerken oturacak. Feature Modele beslediğin her bir veri kolonu. "Öznitelik". Label Tahmin etmesi gereken hedef değer. "Etiket". Dataset Tüm verinin toplamı; train/val/test diye bölünür. Training Modelin veriden öğrenme süreci. Saatler, günler, haftalar. Inference Eğitilmiş modelle tahmin yapma. Production'da en sık görülen iş. Hyperparameter Öğrenmeden önce belirlediğin ayarlar (learning rate, derinlik vs.). Göker Güner — Makine Öğrenmesi 15 / 45
16. Bilmen gereken kavramlar — Bölüm 2 Bunlar, ML mühendisinin günlük dilini oluşturur. Overfitting Modelin eğitim verisini ezberleyip yeni veride başarısız olması. Underfitting Modelin yeterince öğrenememesi — hem train hem test'te kötü. Bias–Variance Modelin önyargı-varyans dengesi. Her zaman bir trade-off vardır. Cross-validation Modeli daha güvenilir test etme tekniği — veriyi K parçaya bölerek. Regularization Overfitting'i engelleme yöntemleri: L1, L2, dropout. Generalization Modelin görmediği veride iyi performans göstermesi. Asıl hedef. Göker Güner — Makine Öğrenmesi 16 / 45
17. Overfitting neye benzer? Aynı noktalar, üç farklı model. Sadece ortadaki yararlı. Underfitting Çok basit — örüntüyü kaçırıyor İyi Fit Trend'i yakalıyor Overfitting Ezberliyor — gürültüyü öğrendi Hedef: Noktaları değil, altta yatan örüntüyü öğrenmek. Göker Güner — Makine Öğrenmesi 17 / 45
18. Veriyi neden bölüyoruz? Modelin gerçekten genelleştirip genelleştirmediğini ölçmek için. 70% 15% Validation 15% Test Training. Model parametreleri buradan öğrenilir. Validation. Hyperparameter ayarı ve model seçimi için. Test. Final değerlendirme için — ASLA dokunma. ⚠ Test setini eğitimde kullanmak = Kendini kandırmak. Modeli ezberleten kişi, sonunda kendini ezberletmiş olur. Training — model bundan öğrenir Göker Güner — Makine Öğrenmesi 18 / 45
19. Performans metrikleri Hangi metriği seçtiğin, hangi hatayı önemsediğine bağlı — felsefi bir tercih. SINIFLANDIRMA Accuracy Precision Recall F1 AUC-ROC "Kanseri olan kaç hastayı kaçırdım?" Recall önemli. "Spam dedim ama değildi" — precision önemli. REGRESYON MSE RMSE MAE R² Büyük hataları daha çok cezalandırmak istiyorsan MSE. Outlier'lara dirençli olmak istiyorsan MAE. Accuracy yetmez. Dengesiz veri setinde %99 accuracy aslında "her şeye hayır de" demek olabilir. Göker Güner — Makine Öğrenmesi 19 / 45
20. ML için matematik — korkmaya gerek var mı? Hayır. Ama dört alanı kademeli olarak öğreneceksin. ∑ Lineer Cebir Vektörler, matrisler. Tüm modellerin temeli. P Olasılık & İstatistik Bayes, dağılımlar. Belirsizliği modellemek. ∂ Kalkülüs Türev, gradient. Modelin nasıl öğrendiği. ∇ Optimizasyon Gradient descent, convex. Anladığında her şey yerine oturur. → Önce kütüphaneyi kullan, sonra altındaki matematiği anla. Tersi seni boğar. Göker Güner — Makine Öğrenmesi 20 / 45
21. Bir ML projesi nasıl ilerler? Yedi adım — ama zamanın çoğu üç tanesinde geçer. 01 Problem Tanımı 02 Veri Toplama 03 Temizleme & Feature Eng. 04 Model Seçimi 05 Eğitim 06 Değerlendirme 07 Deployment & Monitoring ◆ Gerçekte: Zamanın %80'i sarı çerçeveli kutularda (02–03 ve 07) geçer. Model seçimi işin sadece bir parçası. Göker Güner — Makine Öğrenmesi 21 / 45
22. 02 B Ö L Ü M Makine öğrenmesinin alt dalları
23. ML'in manzarası Üç ana paradigma, bir kesişen mimari. Machine Learning DL Deep Learning, bu dalların hepsine entegre olabilen kendine özgü bir paradigma — alt dal değil, transversal bir teknik. Supervised Classification Regression Unsupervised Clustering Dim. Reduction Anomaly Detection Reinforcement Game AI Robotics RLHF Self / Semi-Sup. Pretraining Foundation models Göker Güner — Makine Öğrenmesi 23 / 45
24. Supervised Learning "Hem soruyu hem doğru cevabı gördüğün öğrenme." CLASSİFİCATİON "Hangi kategoride?" Spam mı, değil mi? Bu hasta diyabet mi? Bu görüntü kedi mi köpek mi? REGRESSİON "Ne kadar?" Bu ev kaça satılır? Bu müşteri ne kadar harcayacak? Yarın hava kaç derece? ALGORİTMALAR Linear Regression Logistic Regression Decision Tree Random Forest XGBoost SVM Neural Networks A LT D A L — 0 1 Göker Güner — Makine Öğrenmesi 24 / 45
25. Supervised Learning nerede? Bugün kullandığınız her dijital ürünün arkasında bir tane var. $ Bankacılık Kredi skorlama, fraud detection, risk hesaplama. Milyarlarca dolar bu kararlardan döner. + Sağlık Hastalık teşhisi, radyoloji görüntü tanı, ilaç keşfi. Bazı alanlarda radyologu seviyesinde. ✉ E-mail Spam filtresi — ML'in ilk büyük başarısı. Gmail bunu 20 yıldır iyileştiriyor. ↻ E-ticaret Müşteri churn tahmini, fiyat optimizasyonu, talep tahmini. CFO'nun en yakın arkadaşı. Göker Güner — Makine Öğrenmesi 25 / 45
26. Unsupervised Learning "Sadece veri var, doğru cevap yok. Yapı arıyorsun." CLUSTERİNG "Doğal gruplar bul" Müşteri segmentasyonu, makale konuları, kullanıcı profilleri. DİM. REDUCTİON "Önemli bilgiyi koru" PCA, t-SNE, UMAP. Yüksek boyutlu veriyi görselleştirme ve sıkıştırma. ANOMALY DET. "Normal olmayan ne?" Fraud tespiti, ağ saldırıları, üretim hatları, makine arızaları. ALGORİTMALAR K-Means DBSCAN PCA Autoencoders Isolation Forest UMAP A LT D A L — 0 2 Göker Güner — Makine Öğrenmesi 26 / 45
27. Unsupervised Learning nerede? Etiket pahalı; o yüzden bu alan giderek daha kritik. ▶ Netflix "Sana benzer izleyiciler" — user clustering ile beğenileri olan kullanıcıları gruplar. ! Bankalar Şüpheli işlem tespiti — anomaly detection ile etiketli veri olmadan da çalışır. # Sosyal Medya Topic modeling — milyonlarca tweetin altında yatan konuları ve trendleri çıkarır. ⌬ Genetik DNA dizi analizi — biyolojik kümelenme, hastalık alt-tipleri keşfi. Göker Güner — Makine Öğrenmesi 27 / 45
28. Reinforcement Learning "Dene-yanıl, ödülle pekiştir. Bir bebeğin yürümeyi öğrenmesi gibi." AGENT Öğrenen ENVIRONMENT Ortam REWARD Ödül ACTION Eylem Ajan ortamla etkileşir. Bir eylem seçer. Ortam ona bir ödül verir. Ajan, ödülü maksimize edecek politikayı öğrenir. ÜNLÜ ÖRNEKLER AlphaGo OpenAI Five RLHF (ChatGPT) Atari Agents A LT D A L — 0 3 Göker Güner — Makine Öğrenmesi 28 / 45
29. Reinforcement Learning nerede? Hype yüksek, production'da seçici. Doğru problemde efsanevi. ⚙ Robotik Boston Dynamics, parmak hareket öğrenimi, robotik kavrama — simülasyonda öğren, gerçekte uygula. ⌖ Otonom Araçlar Sürüş politikası — algılama supervised, karar mekanizması RL ile zenginleştirilir. $ Trading Algoritmik portföy optimizasyonu, market making. Ödül: PnL. Risk: çok yüksek. ★ LLM Hizalama RLHF — modelin yardımsever, dürüst, zararsız davranmasını öğreten süreç. ChatGPT bu sayede ChatGPT. ! RL çok güçlü ama eğitimi zor ve pahalı. Çoğu problemde supervised yeterli; "RL yapacağım" demeden önce iki kez düşün. Göker Güner — Makine Öğrenmesi 29 / 45
30. Deep Learning — ML içinde bir devrim "Çok katmanlı sinir ağlarıyla, ham veriden otomatik feature öğrenme." CNN Convolutional NN Görüntü işleme. ResNet, EfficientNet, ViT. RNN/LSTM Recurrent NN Sıralı veri. Zaman serisi, eski NLP. Transformer Attention-based Modern NLP. GPT, BERT, Claude, Llama. Diffusion Generative models Görsel ve ses üretimi. Stable Diffusion, Sora. Bugün GenAI dediğimiz şeyin tamamı Deep Learning'dir. Transformer mimarisi 2017'de her şeyi değiştirdi — "Attention is All You Need". Göker Güner — Makine Öğrenmesi 30 / 45
31. ML ≠ DL ≠ GenAI: Hiyerarşi İç içe halkalar. Her GenAI Deep Learning'dir; her Deep Learning ML'dir. Tersi doğru değildir. AI Akıllı davranan sistemler — şemsiye terim. Machine Learning Veriden öğrenen AI. Deep Learning Sinir ağlarıyla öğrenen ML. Generative AI İçerik üreten DL modelleri. AI Machine Learning Deep Learning GenAI Göker Güner — Makine Öğrenmesi 31 / 45
32. 03 B Ö L Ü M Pratik hayatta ML & kariyer yol haritası
33. Bir ML mühendisi gerçekte ne yapar? Hollywood'un anlattığı "algoritma bulma" kısmı işin sadece %20'si. 40% — Veri temizleme, EDA, feature engineering 20% — Model deneyleri 15% — Toplantılar, paydaş iletişimi 15% — Deployment, MLOps, monitoring 10% — Araştırma, makale okuma 40% Veri ile boğuşma Göker Güner — Makine Öğrenmesi 33 / 45
34. AI alanındaki pozisyonlar Sadece "AI Engineer" diye tek bir kapı yok. Her birinin profili farklı. Data Analyst Veriyi anlama, raporlama, SQL ağırlıklı. Data Scientist Hipotez kurma, model deneyi, sunum. Geniş bir yelpaze. ML Engineer Modeli optimize etme, ölçeklenebilirlik, performans. MLOps Engineer Pipeline, izleme, deployment otomasyonu, altyapı. Research Scientist Akademik tarz, yeni metot geliştirme, makale yazımı. AI Product Engineer AI ürünleri tasarlama, model benchmark, stratejik karar. Göker Güner — Makine Öğrenmesi 34 / 45
35. Sıfırdan ML'e: 4 aşamalı yol haritası Sıralama önemli — atlayıp Deep Learning'e geçmek seni boğar. 1 Temeller 1–2 ay Python (NumPy, Pandas, Matplotlib). İstatistik temelleri. Lineer cebir özet. 2 Klasik ML 2–3 ay 3 Deep Learning 2–3 ay 4 Production sürekli MLOps, Docker, cloud (GCP/AWS). Uçtan uca bir proje deploy et. Göker Güner — Makine Öğrenmesi 36 / 45
36. Sıfır lira ile başla Para kazanmadan parayla yatırım yapmayın KURSLAR • Andrew Ng — ML Specialization (Coursera) • freecodecamp • Stanford CS229, CS231n (YouTube) KİTAPLAR • "Hands-On ML" — Aurélien Géron • "Dive into Deep Learning" (d2l.ai) • "Pattern Recognition & ML" — Bishop PLATFORMLAR • Kaggle — yarışmalar & datasetler • Google Colab — bedava GPU • Hugging Face — model arşivi Göker Güner — Makine Öğrenmesi 37 / 45
37. Türkçe kaynaklar İngilizce kaynaklar dünya standardı — ama Türkçe topluluk motivasyon için kritik. YOUTUBE BLOGLAR ETKİNLİKLER Meetuplar, kulüpler, hackathon'lar. Türkiye Yapay Zeka Topluluğu Göker Güner — Makine Öğrenmesi 38 / 45
38. İş bulduran portfolio nasıl olur? 01 Uçtan uca 1 proje. Veri toplama → temizleme → model → deployment (basit bir web arayüzü ile). 02 GitHub aktif. README'leri net, kod temiz, commit geçmişi anlatabiliyor. 03 Kaggle profili. En az birkaç yarışmaya katılmış olmak — kümülatif öğrenme sinyali. 04 Teknik blog yazısı. Bir konuyu açıklayan 1–2 detaylı yazı (Medium, Substack, kişisel blog). 05 Domain bilgisi. Sağlık, finans, sürdürülebilirlik gibi bir alanda derinleşmiş olmak — artı puan. 100 model deneyenden daha fazla, 1 modeli production'a alan tercih edilir. Göker Güner — Makine Öğrenmesi 39 / 45
39. Yeni başlayanların 5 klasik hatası Bunlar benim de yaptığım hatalar — sizden önce duyduğunuz iyi olur. ✕ Sürekli kurs izlemek, proje yapmamak. "Tutorial cehennemi" — bir noktada durup elini kirletmen gerek. ✕ Matematiğe çok erken dalmak. Önce kütüphaneyle deneyim, sonra matematik. Tersi seni boğar. ✕ En yeni modelle başlamak. Temel olmadan Transformer öğrenmek havada uçmak gibi. ✕ Kaggle yarışmasını tek hedef yapmak. Production becerileri tamamen ayrı bir dünya. ✕ Tek başına öğrenmek. Topluluk olmadan ilerleme 3 kat yavaş. Göker Güner — Makine Öğrenmesi 40 / 45
40. Sunum bitti. Şimdi ne yapacaksın? Bilgi eyleme dönüşmezse boş laftır. Bu liste yarın başlamak için yeterli. BU HAFTA Python kurmadıysan kur, Colab'da bir notebook aç. BU HAFTA Bir freecodecamp kursuna başla BU AY Bitmiş bir Kaggle yarışmasına bak, veri setlerini ve notebookları incele. BU AY GitHub ve LinkedIn profiline bir çeki düzen ver. Medium'da, Hugging Face'de bir hesap oluştur. SÜREKLİ Haftada en az 1 ML makalesi/postu okuyup incelemeyi alışkanlık haline getir. Göker Güner — Makine Öğrenmesi 41 / 45
41. Bugünden götürmen gereken 5 şey Sadece bunları hatırlasanız bile, çok yol kat etmişsiniz demektir. 01 GenAI ML'in yerini almıyor — ML'in alt kümesi. 02 Doğru aracı doğru probleme uygulamak en büyük beceri. 03 Veri temizleme işin %50'sinden fazlası. 04 Önce pratik, sonra matematik. 05 42 / 45
42. Bağlantıda kalalım Sorularınız için, işbirliği için, ya da sadece selam için. KİŞİSEL HESAPLARIM Göker Güner ↗ goker.ai in / gokerguner X / @gokerguner TOPLULUK Türkiye Yapay Zeka Topluluğu https://turkishai.community ŞİRKET Viza AI https://getviza.ai Göker Güner — Makine Öğrenmesi 44 / 45
43. Teşekkürler. Sorularınız? Göker Güner Mayıs 2026