Alanın Haritası
Giriş
Bu Ders Ne Anlatır?
Yapay zekâ ve veriyle ilgili 38 ders her biri bir sunumla tanıtılır. Amaç bu dersleri öğretmek değil, haritasını çıkarmaktır: her ders hangi soruyu sorar, hangi araçları başka derslerle paylaşır, nerede ayrılır?
Bu derste var
- Her dersin temel sorusu ve kavramları
- Kısa tarihçe ve tipik iş akışı
- Ön koşullar ve komşu dersler
- Örtüşme ve ayrışma tabloları
- Uygulama alanları ve araçlar
Bu derste yok
- Ders notu ve kitap
- Kod örnekleri ve ödev
- Formüllerin türetilmesi
- Bir dersin bütün konuları
Giriş
Terimler İç İçe: YZ ⊃ MÖ ⊃ YSA ⊃ DÖ
Her halka bir öncekinin alt alanıdır: her derin öğrenme modeli bir sinir ağıdır, ama her yapay zekâ sistemi öğrenmez. Satranç oynayan bir arama programı yapay zekâdır, makine öğrenmesi değildir.
Yapı
Altı Kısım, 38 Ders
Yapay Zekâ, Makine Öğrenmesi, Yapay Sinir Ağları, Derin Öğrenme
Doğal Dil İşleme, Pekiştirmeli Öğrenme, Örüntü Tanıma, Bulanık Mantık, Evrimsel Optimizasyon, Uzman Sistemler, Olasılıksal Grafik Modeller, Üretken Modeller, Çok Etmenli Sistemler, Açıklanabilir YZ ve Etik
Sayısal Sinyal İşleme, Görüntü İşleme, Bilgisayarlı Görü, Konuşma ve Ses İşleme, Tıbbi Görüntü İşleme, Uzaktan Algılama, Bilgisayar Grafiği, Robotik, Biyometri
Veri Madenciliği, Veri Bilimi, Büyük Veri, Bilgi Erişimi ve Öneri, Zaman Serisi, Sosyal Ağ Analizi
Doğrusal Cebir, Olasılık ve İstatistik, Optimizasyon, Bilgi Kuramı
MLOps, Gömülü YZ, GPU ve Paralel Hesaplama, Siber Güvenlikte YZ, Biyoenformatik
Yapı
Dersler Arası Dört İlişki Türü
Derin Öğrenme → Yapay Sinir Ağları
Bütün kavramları devralır, kendine özgü yenilerini ekler.
Bilgisayarlı Görü → Görüntü İşleme
Öteki ders önce bilinmelidir; bu ders onun üstüne kurulur.
Veri Madenciliği ↔ Makine Öğrenmesi
Aynı araçları kullanırlar ama farklı sorular sorarlar.
Tıbbi Görüntü İşleme → Bilgisayarlı Görü
Öteki dersin yöntemlerini belirli bir alana, kendi kurallarıyla uygular.
Yapı
Dersleri Karşılaştırma Ölçütleri
Dersin tek cümlelik varlık nedeni.
Problemi hangi düşünce biçimiyle ele alır: arama, istatistik, mantık, dönüşüm…
Ders hangi tür veriyle ya da tanımla işe başlar?
Sonunda ne üretilir: karar, model, görüntü, rapor…
Bir çözümün iyi olduğu neye bakılarak söylenir?
Ne kadar ve hangi matematiğe dayanır?
Ne kadar veri gerekir; veri olmadan çalışabilir mi?
Harita
Etkileşimli Harita
Bir derse tıklayın: komşuları renklenir, ilişkileri burada listelenir.
Harita
Kısımlar Arası Bağlar
| I | II | III | IV | V | VI | |
|---|---|---|---|---|---|---|
| I. Çekirdek | 3 | 13 | 2 | 3 | 8 | 5 |
| II. Yapay Zekânın Dalları | 13 | 7 | 9 | 3 | 5 | 2 |
| III. Sinyal, Görüntü ve Ses | 2 | 9 | 10 | 2 | 3 | 3 |
| IV. Veri | 3 | 3 | 2 | 5 | 5 | 4 |
| V. Matematik Temeli | 8 | 5 | 3 | 5 | 2 | · |
| VI. Sistem ve Uygulama | 5 | 2 | 3 | 4 | · | 2 |
Harita
Kavşak Dersler: En Çok Bağı Olanlar
| Ders | Bağ | Bazı komşuları |
|---|---|---|
| Makine Öğrenmesi | 15 | Yapay Zekâ, Yapay Sinir Ağları, Doğrusal Cebir, Olasılık ve İstatistik … |
| Derin Öğrenme | 9 | Yapay Sinir Ağları, GPU ve Paralel Hesaplama, Doğal Dil İşleme, Pekiştirmeli Öğrenme … |
| Yapay Zekâ | 8 | Makine Öğrenmesi, Olasılık ve İstatistik, Optimizasyon, Doğal Dil İşleme … |
| Bilgisayarlı Görü | 8 | Görüntü İşleme, Derin Öğrenme, Bilgisayar Grafiği, Örüntü Tanıma … |
| Veri Madenciliği | 8 | Doğal Dil İşleme, Makine Öğrenmesi, Büyük Veri, Olasılık ve İstatistik … |
| Olasılık ve İstatistik | 8 | Yapay Zekâ, Makine Öğrenmesi, Örüntü Tanıma, Olasılıksal Grafik Modeller … |
| Doğal Dil İşleme | 7 | Yapay Zekâ, Derin Öğrenme, Bilgi Erişimi ve Öneri, Veri Madenciliği … |
| Doğrusal Cebir | 7 | Makine Öğrenmesi, Yapay Sinir Ağları, Bilgisayar Grafiği, Robotik … |
Kullanım
Rehber Nasıl Okunmalı?
Çekirdek dersler (Bölüm 2–5) bütün haritanın ortak dilidir; önce onları okuyun.
Görüntü, dil, veri ya da robotik: ilginizi çeken kısımdan başlayıp ön koşul tablolarını geriye doğru izleyin.
Karıştırdığınız iki dersin "Ayrıştığı Noktalar" slaytlarını yan yana açın.
Son bölümdeki yol haritaları, birlikte alındığında anlamlı olan ders gruplarını önerir.