Guide to AI and Data Courses
Undergraduate, Giresun University, Computer Engineering, 2023
This course is a map of the courses around artificial intelligence and data. Each of its 38 presentations introduces one course: the question it asks, its core concepts, a typical workflow, its prerequisites, the courses it overlaps with and the points where it differs from its nearest neighbours, its applications and tools. There are no lecture notes, code examples or textbook: the aim is to help students see the field as a whole before choosing their electives.
Ders Haritası
Bölüm 1: Alanın Haritası
Bu bölümde rehberin amacı, yapay zekâ, makine öğrenmesi, yapay sinir ağları ve derin öğrenmenin iç içe ilişkisi, dersleri bölen altı kısım, dersler arasındaki dört ilişki türü (alt alan, temel alma, yöntem paylaşma, uygulama) ve karşılaştırma ölçütleri tanıtılır. Etkileşimli haritada bir derse tıklanınca komşuları ve ilişkileri görünür.
Kısım I: Çekirdek
Bölüm 2: Yapay Zekâ
Bir makine arayarak, çıkarım yaparak ve plan kurarak nasıl akıllıca davranır? Yapay zekâ, çevresini algılayıp amacına en uygun eylemi seçen akıllı etmenler tasarlamayı inceler. Ders arama, mantıksal çıkarım, olasılıklı akıl yürütme, planlama ve öğrenmeyi tek bir çerçevede toplar. Makine öğrenmesi bu çerçevenin bir parçasıdır, tamamı değildir.
Bölüm 3: Makine Öğrenmesi
Bir program örneklerden nasıl genelleme yapar? Makine öğrenmesi, açıkça programlanmadan örneklerden öğrenen ve öğrendiğini yeni örneklere genelleyen algoritmaları inceler. Mitchell’in tanımıyla bir program, T görevindeki P ile ölçülen başarımı E deneyimiyle artıyorsa öğreniyordur.
Bölüm 4: Yapay Sinir Ağları
Basit birimlerden kurulan ağlar ağırlıklarını ayarlayarak nasıl öğrenir? Yapay sinir ağları, ağırlıklı toplam alıp bir etkinleştirme fonksiyonundan geçiren basit birimlerin katmanlar hâlinde bağlanmasıyla kurulan modelleri inceler. Öğrenme, kayıp fonksiyonunu küçültecek biçimde ağırlıkları ayarlamaktır; bunun temel aracı geri yayılım ve gradyan inişidir.
Bölüm 5: Derin Öğrenme
Çok katmanlı ağlar ham veriden kullanışlı temsilleri nasıl kendisi öğrenir? Derin öğrenme, çok katmanlı sinir ağlarının ham veriden (piksel, ses, metin) işe yarar ara temsilleri katman katman kendisinin öğrenmesini inceler. Öznitelikleri elle tasarlamak yerine temsil öğrenme esastır; bunu büyük veri, GPU ve iyi mimariler mümkün kılar.
Kısım II: Yapay Zekânın Dalları
Bölüm 6: Doğal Dil İşleme ve Metin Madenciliği
Bilgisayar insan dilini nasıl çözümler, anlar ve üretir? Doğal dil işleme, bilgisayarın insan dilini çözümlemesini, anlamasını ve üretmesini inceler; metin madenciliği ise büyük metin yığınlarından bilgi ve örüntü çıkarır. Dersin merkezinde metni sayılara çeviren metin temsili ve sıradaki sözcüğü tahmin eden dil modelleri vardır.
Bölüm 7: Pekiştirmeli Öğrenme
Yalnız ödül sinyaliyle, deneme yanılma yoluyla iyi kararlar nasıl öğrenilir? Pekiştirmeli öğrenme, bir etmenin çevreyle etkileşerek, yalnız aldığı ödül sinyaline bakıp uzun vadede toplam ödülü en büyük yapan davranışı deneme yanılmayla öğrenmesini inceler. Doğru eylem önceden söylenmez; eylemlerin sonucu çoğu zaman gecikmeli gelir.
Bölüm 8: Örüntü Tanıma
Ölçümlerden bir nesnenin hangi sınıfa ait olduğuna nasıl karar verilir? Örüntü tanıma, ölçümlerden çıkarılan öznitelik vektörüne bakarak bir nesnenin hangi sınıfa ait olduğuna karar vermeyi inceler. Ders algılayıcıdan karara uzanan zinciri bütün olarak ele alır: ön işleme, öznitelik seçimi, sınıflandırıcı tasarımı ve hata çözümlemesi.
Bölüm 9: Bulanık Mantık ve Bulanık Sistemler
“Sıcak”, “hızlı” gibi keskin sınırı olmayan kavramlarla nasıl akıl yürütülür? Bulanık mantık, bir ögenin bir kümeye ya ait olduğu ya da olmadığı keskin ayrımı bırakır; ögeye 0 ile 1 arasında bir üyelik derecesi verir. Böylece “sıcak”, “biraz hızlı” gibi dilsel kavramlarla kurallar yazılır ve bu kurallardan sayısal bir karar ya da denetim sinyali üretilir.
Bölüm 10: Evrimsel ve Metasezgisel Optimizasyon
Türev yokken ya da arama uzayı çok büyükken iyi bir çözüm nasıl bulunur? Evrimsel ve metasezgisel optimizasyon, türevi olmayan ya da arama uzayı çok büyük problemlerde iyi bir çözümü deneme, seçme ve değiştirme döngüsüyle arar. Doğal seçilim, metal tavlama ya da karınca kolonisi gibi süreçlerden esinlenen bu yöntemler en iyi çözümü garanti etmez, kısa sürede iyi bir çözüm verir.
Bölüm 11: Uzman Sistemler ve Bilgi Temsili
Bir uzmanın bilgisi nasıl yazıya dökülür ve çıkarım için kullanılır? Uzman sistemler, bir alan uzmanının bilgisini kurallar ve olgular biçiminde bir bilgi tabanına yazar ve bir çıkarım motoruyla bu bilgiden sonuç çıkarır. Bilgi temsili ise bilginin bilgisayarın akıl yürütebileceği biçimde nasıl kodlanacağını inceler: mantık, çerçeveler, anlamsal ağlar ve ontolojiler.
Bölüm 12: Olasılıksal Grafik Modeller
Birbirine bağlı, belirsiz çok sayıda değişken nasıl modellenir ve sorgulanır? Olasılıksal grafik modeller, çok sayıda belirsiz değişkenin ortak dağılımını bir çizge ile gösterir: düğümler değişkenler, kenarlar doğrudan bağımlılıklardır. Çizgenin söylediği koşullu bağımsızlıklar dev bir dağılımı küçük parçalara böler; böylece hem modellemek hem de sorgulamak mümkün olur.
Bölüm 13: Üretken Modeller
Bir model gerçek veriye benzeyen yeni örnekleri nasıl üretir? Üretken modeller, verinin olasılık dağılımını öğrenip o dağılımdan yeni örnekler üreten modelleri inceler. Ayırt edici bir model “bu görüntü kedi mi?” diye sorarken üretken model “kedi görüntüleri nasıl dağılır, yenisini nasıl çizerim?” diye sorar.
Bölüm 14: Çok Etmenli Sistemler
Birden çok özerk etmen birlikte ya da birbirine karşı nasıl karar verir? Çok etmenli sistemler, her biri kendi hedefi ve bilgisiyle karar veren birden çok özerk etmenin aynı ortamda nasıl birlikte çalıştığını ya da yarıştığını inceler. Tek etmenin en iyi kararı yetmez: öteki etmenlerin ne yapacağı da hesaba katılmalı, ortak davranış iletişim ve kurallarla yönlendirilmelidir.
Bölüm 15: Açıklanabilir Yapay Zekâ ve Yapay Zekâ Etiği
Bir yapay zekâ sisteminin kararına nasıl güvenilir ve sonucundan kim sorumludur? Bu ders, bir yapay zekâ sisteminin kararını insanların anlayabileceği biçimde açıklamayı ve sistemin adil, güvenilir ve hesap verebilir olmasını inceler. Teknik soru “model neden bu kararı verdi?”, etik soru “bu karar kime zarar verebilir ve sorumlusu kim?” sorusudur.
Kısım III: Sinyal, Görüntü ve Ses
Bölüm 16: Sayısal Sinyal İşleme
Örneklenmiş sinyaller nasıl çözümlenir, süzülür ve dönüştürülür? Sayısal sinyal işleme, belirli aralıklarla örneklenmiş ses, titreşim, EKG ya da radyo sinyallerini matematiksel dönüşümlerle çözümler, süzer ve dönüştürür. Ders öğrenmeye değil kesin matematiğe dayanır; ses, görüntü ve haberleşme derslerinin ortak temelidir.
Bölüm 17: Görüntü İşleme
Bir görüntü nasıl iyileştirilir, dönüştürülür ve parçalara ayrılır? Görüntü işleme, bir görüntüyü alıp yeni bir görüntüye ya da bölgelere dönüştüren yöntemleri inceler: gürültüyü azaltmak, karşıtlığı artırmak, kenarları ve nesne sınırlarını bulmak. Girdi de çıktı da görüntüdür; görüntüde ne olduğunu anlamak bilgisayarlı görünün işidir.
Bölüm 18: Bilgisayarlı Görü
Bilgisayar bir görüntüde ya da videoda ne olduğunu nasıl anlar? Bilgisayarlı görü, bir görüntüden ya da videodan anlam çıkarmayı inceler: hangi nesneler var, nerede, sahne nasıl bir üç boyutlu yapıya sahip. Girdi görüntüdür ama çıktı görüntü değil; etiket, kutu, maske ya da derinliktir. Görüntüyü dönüştürmek görüntü işlemenin işidir.
Bölüm 19: Konuşma Tanıma ve Ses İşleme
Ses dalgasından sözcükler, konuşmacı ve olaylar nasıl çıkarılır? Konuşma tanıma ve ses işleme, mikrofondan gelen ses dalgasını çözümleyip ondan sözcükleri, konuşmacının kimliğini ya da ortamdaki olayları çıkarmayı inceler. Ses önce zaman-frekans özniteliklerine çevrilir; akustik model ve dil modeli birlikte en olası metni bulur.
Bölüm 20: Tıbbi Görüntü İşleme
Röntgen, BT ve MR görüntüleri tanıya ve tedaviye nasıl yardım eder? Tıbbi görüntü işleme, röntgen, BT, MR ve ultrason görüntülerini tanı ve tedaviye yardım edecek biçimde iyileştirir, bölütler, ölçer ve karşılaştırır. Görüntü işleme ve bilgisayarlı görü yöntemlerini, az veri, pahalı etiket ve hasta güvenliği kısıtları altında uygular.
Bölüm 21: Uzaktan Algılama
Uydu ve hava görüntülerinden yeryüzü hakkında ne öğrenilir? Uzaktan algılama, yeryüzüne dokunmadan, uydu, uçak ya da insansız hava aracındaki algılayıcılarla yansıyan ve yayılan enerjiyi ölçerek bilgi çıkarır. Görüntü yalnızca renkli bir fotoğraf değil, her bandı farklı bir fiziksel ölçüm taşıyan çok bantlı bir veridir.
Bölüm 22: Bilgisayar Grafiği
Bir sahnenin tanımından gerçekçi bir görüntü nasıl üretilir? Bilgisayar grafiği, geometri, malzeme, ışık ve kamera ile tanımlanmış bir sahneden görüntü üretmeyi (rendering) inceler. Bilgisayarlı görünün tersidir: görü görüntüden sahneyi çıkarır, grafik sahneden görüntüyü üretir.
Bölüm 23: Robotik ve Robot Görüsü
Bir makine fiziksel dünyayı nasıl algılar, konumunu nasıl bilir ve nasıl hareket eder? Robotik, fiziksel dünyayı algılayıp onda hareket eden makineleri tasarlamayı ve denetlemeyi inceler. Ders algılama, konum kestirimi, planlama ve denetimi gürültülü ölçümler ve gerçek zaman kısıtı altında birleştirir; robot görüsü bu döngünün gözüdür.
Bölüm 24: Biyometrik Sistemler
Bir kişi yüzünden, parmak izinden ya da sesinden nasıl tanınır? Biyometrik sistemler, kişiyi yüz, parmak izi, iris ya da ses gibi bedensel ve davranışsal özelliklerinden tanır. Ders bir örnekten şablon çıkarmayı, iki şablonu eşlemeyi ve eşik seçerek kabul ya da ret kararı vermeyi inceler; güvenlik ve gizlilik bu kararın ayrılmaz parçasıdır.
Kısım IV: Veri
Bölüm 25: Veri Madenciliği
Büyük veri yığınlarındaki gizli ve işe yarar örüntüler nasıl bulunur? Veri madenciliği, büyük veri yığınlarında önceden bilinmeyen, geçerli ve işe yarar örüntüleri keşfetmeyi inceler. Makine öğrenmesiyle aynı algoritmaları kullanır; ama amaç yeni örnekte tahmin değil, verinin kendisi hakkında kural, küme ve aykırılık bulmaktır.
Bölüm 26: Veri Bilimi
Veriden doğru soruları sorup karara dönüşen sonuçlar nasıl çıkarılır? Veri bilimi, bir soruyla başlayıp veriyi bulmayı, temizlemeyi, çözümlemeyi ve sonucu karara dönüşecek biçimde anlatmayı kapsayan süreçtir. İstatistik, programlama ve alan bilgisini birleştirir; veri madenciliği ve makine öğrenmesi bu sürecin araçlarıdır.
Bölüm 27: Büyük Veri Sistemleri
Tek bir makineye sığmayan veri nasıl saklanır ve işlenir? Büyük veri sistemleri, tek bir makineye sığmayan ya da tek makinenin yetişemeyeceği hızda gelen veriyi çok sayıda makineye dağıtarak saklamayı ve işlemeyi inceler. Ders bölümleme, kopyalama, hata toleransı ve tutarlılık arasındaki ödünleşimlerle ilgilenir.
Bölüm 28: Bilgi Erişimi ve Öneri Sistemleri
Kullanıcıya en ilgili belge ya da ürün milyonlarca aday içinden nasıl getirilir? Bilgi erişimi, bir sorguya karşılık milyonlarca belge arasından en ilgili olanları bulup sıralayan sistemleri inceler. Öneri sistemleri aynı işi sorgu olmadan yapar: kullanıcının geçmişinden neyi beğeneceğini kestirir. İkisinin de çıktısı bir yanıt değil, sıralı bir listedir.
Bölüm 29: Zaman Serisi Analizi ve Tahmin
Zamana bağlı ölçümlerden yapı nasıl çıkarılır ve gelecek nasıl tahmin edilir? Zaman serisi analizi, sırası önemli olan ölçümleri inceler: dünkü değer bugünkünü etkiler. Ders seriyi eğilim, mevsimsellik ve gürültüye ayırmayı, öz ilintiyi modellemeyi ve geleceği belirsizliğiyle birlikte tahmin etmeyi öğretir.
Bölüm 30: Sosyal Ağ Analizi
Kişiler ve ilişkilerden oluşan ağlar nasıl çözümlenir? Sosyal ağ analizi kişileri düğüm, ilişkileri bağlantı sayarak oluşan çizgeyi inceler. Soru tek tek kişilerin özelliği değil, ilişkilerin yapısıdır: kim merkezde, hangi gruplar var, bir söylenti ya da hastalık ağda nasıl yayılır.
Kısım V: Matematik Temeli
Bölüm 31: Doğrusal Cebir
Vektörler ve matrisler veriyi ve dönüşümleri nasıl temsil eder? Doğrusal cebir vektörleri, matrisleri ve doğrusal dönüşümleri inceler. Yapay zekâ ve veri derslerinde neredeyse her şey bir vektördür: bir görüntü, bir sözcük, bir kullanıcı. Bir sinir ağı katmanı da büyük ölçüde bir matris çarpımıdır.
Bölüm 32: Olasılık ve İstatistik
Belirsizlik nasıl ölçülür ve sınırlı veriden nasıl güvenilir sonuç çıkarılır? Olasılık belirsizliği ölçmenin dilidir; istatistik bu dili kullanarak sınırlı veriden genel sonuç çıkarır. Yapay zekâ ve veri derslerindeki her model bir belirsizlikle çalışır: tahminin ne kadar güvenilir olduğunu ancak bu ders söyleyebilir.
Bölüm 33: Optimizasyon
Bir amaç fonksiyonunu en iyi yapan değerler nasıl bulunur? Optimizasyon, kısıtlara uyarak bir amaç fonksiyonunu en küçük ya da en büyük yapan değerleri bulmayı inceler. Yapay zekâda bir modeli eğitmek, kayıp fonksiyonunu en küçükleyen ağırlıkları aramaktır; bu yüzden her öğrenme algoritmasının içinde bir optimizasyon yöntemi çalışır.
Bölüm 34: Bilgi Kuramı
Bilgi nasıl ölçülür, en az kayıpla nasıl sıkıştırılır ve iletilir? Bilgi kuramı, bir mesajın taşıdığı bilgiyi olasılıkla ölçer: az beklenen olay daha çok bilgi taşır ve ortalama bilgi entropi ile ifade edilir. Ders, verinin en çok ne kadar sıkıştırılabileceğini ve gürültülü bir kanaldan ne hızla güvenle iletilebileceğini gösteren sınırları kurar.
Kısım VI: Sistem ve Uygulama
Bölüm 35: Makine Öğrenmesi Sistemleri ve MLOps
Bir model laboratuvardan üretime nasıl taşınır ve orada nasıl ayakta tutulur? MLOps, makine öğrenmesi modellerini üretime taşıyıp orada güvenilir biçimde çalıştırmak için yazılım mühendisliği ve DevOps alışkanlıklarını MÖ’ye uygular. Ders veriyi, kodu ve modeli birlikte sürümlemeyi, boru hattını otomatikleştirmeyi, dağıtmayı ve üretimdeki modeli izlemeyi inceler.
Bölüm 36: Gömülü Yapay Zekâ
Yapay zekâ modelleri küçük, düşük güçlü cihazlarda nasıl çalışır? Gömülü yapay zekâ, eğitilmiş modelleri telefon, kamera ya da mikrodenetleyici gibi belleği, işlem gücü ve enerjisi kısıtlı cihazlarda çalıştırmayı inceler. Ders modeli nicemleme, budama ve damıtmayla küçültmeyi, cihaza taşımayı ve gecikmeyle enerjiyi ölçmeyi kapsar; en uç biçimine TinyML denir.
Bölüm 37: GPU Programlama ve Paralel Hesaplama
Binlerce çekirdek aynı hesabı nasıl paylaşır? GPU programlama, aynı işlemi binlerce veri öğesine aynı anda uygulayan veri paralel hesaplamayı inceler. Ders CUDA gibi bir model üzerinden iş parçacıklarını düzenlemeyi, bellek hiyerarşisini verimli kullanmayı ve hızlanmayı ölçmeyi öğretir; derin öğrenmeyi pratikte mümkün kılan da bu donanımdır.
Bölüm 38: Siber Güvenlikte Yapay Zekâ
Yapay zekâ saldırıları nasıl yakalar ve kendisi nasıl saldırıya uğrar? Siber güvenlikte yapay zekâ iki soruyu birlikte sorar: makine öğrenmesi saldırıları, zararlı yazılımları ve oltalamayı nasıl yakalar; YZ sistemlerinin kendisi nasıl kandırılır? Alanı ayıran şey düşmanca ortamdır: karşıda modeli atlatmaya çalışan bir saldırgan vardır.
Bölüm 39: Biyoenformatik
Biyolojik diziler ve moleküler veriler hesaplamayla nasıl çözümlenir? Biyoenformatik, DNA, RNA ve protein dizileri gibi biyolojik verileri algoritma ve istatistikle çözümler. Ders dizi hizalama, genom birleştirme, gen ifadesi analizi ve protein yapısı tahmini gibi problemleri, bu verinin büyüklüğü ve gürültüsüyle başa çıkan yöntemlerle ele alır.
Kapanış
Bölüm 40: Karşılaştırma ve Yol Haritaları
Bütün dersler yaklaşım, girdi, çıktı, başarı ölçütü, matematik yükü ve veri ihtiyacına göre tek bir tabloda karşılaştırılır. Sık karıştırılan ders çiftlerinin farkları, gerçek problemlerin hangi derse düştüğünü soran örnekler, ilgi alanına göre ders öneren etkileşimli bir süzgeç ve birlikte alındığında anlamlı olan ders yolları verilir.