2025

Eğitimde Yapay Zeka Uygulamaları Kursu

13-17 Ocak 2025

Ankara

• Yapay Zeka Tarihi
• Makine Öğrenmesi,
• Derin Öğrenme ve
• Yapay Zeka Kavramları
• Yardımcı Ai Araçları
• Kodlama araçlarıyla Ai Uygulamaları

İçerik:

Yapay zeka, bilgisayarların ve makinelerin insanlar gibi düşünmesini, karar vermesini ve sorun çözmesini sağlayan teknolojidir.

​

Temel hedef, insanların zekâsına benzer şekilde davranan sistemler oluşturmaktır.

Yapay Zeka Nedir?

Yapay Zeka Tarihinde Kısa Bir Yolculuk

​

2. Modern Yapay Zekanın Doğuşu

• 1950: Alan Turing, Turing Testi’ni tanıttı: "Makineler düşünebilir mi?"
• 1956: John McCarthy, Dartmouth Konferansı’nda "Yapay Zeka" terimini ortaya koydu.
• 1960'lar: Joseph Weizenbaum İlk chatbot Eliza geliştirildi.

Türkiye'den Bir Değer: Cahit Arf

• 1997: IBM’in Deep Blue bilgisayarı, Garry Kasparov’u yendi.
• 2012: AlexNet, derin öğrenmenin başarısını gösterdi.
• 2016: AlphaGo, Go şampiyonunu yendi.
• 2017 GPU Nvidia(Cuda ve Tensor)
• …

Bilim Kurgudan Gerçeğe

1. Felsefi Kökler ve İlk Adımlar

• Antik Çağ: Aristoteles, mantık ve akıl yürütme modelleri geliştirdi. Eğer yağmur yağıyorsa, zemin ıslanır
• 1642: Blaise Pascal, mekanik hesap makinesi icat etti.
• 1830'lar: Charles Babbage’ın "Analitik Makinesi" ve Ada Lovelace’in ilk yazılım fikri.

Yapay Zeka

Makine Öğrenmesi

Derin Öğrenme

Veri

Bilimi

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Kavramları

Genel Zeka

Neural Network

Nerelerde kullanılır?

ya da kullanılmayan alan var mıdır?

Yapay Zeka Nasıl Öğreniyor ya da Öğrendi.

Genel Zeka

Makinelerin nesne ve olayları algoritmalar aracılığıyla sayısallaştırarak betimlenen kavramlarla tanımlayabilmeleridir.

Makine Öğrenmesi

*Teachable Machine Örneği sunularak somutlaştırılabilir.

Derin Öğrenme

Duyguları öğrenmek için

hormon ve sinirsel

etkileşim işleyişinin

sayısallaştırılması lazımdır.

Derin Öğrenmenin Kıyamet Senaryoları

Yanlış Bilgi Yayılımı: Derin öğrenme, gerçekçi ancak yanlış içerikler üretmek için kullanılabilir. Bu da toplumsal huzursuzluk, siyasi manipülasyon ve yanlış bilgilendirme gibi sorunlara yol açabilir.

Otonom Silahlar: Derin öğrenme algoritmaları, otonom silahlarda karar verme süreçlerinde kullanılabilir. Bu da insan kontrolü olmadan karar veren ölümcül makinelerin ortaya çıkması riskini beraberinde getirir.

Gizlilik İhlalleri: Yüz tanıma gibi derin öğrenme uygulamaları, bireylerin mahremiyetini ihlal edebilir ve toplu gözetim sistemlerinin daha da güçlenmesine neden olabilir.

İşsizlik: Derin öğrenme sayesinde otomasyonun artması, birçok sektörde iş kayıplarına yol açabilir ve ekonomik eşitsizlikleri derinleştirebilir.

Önyargılar: Eğitim verilerindeki önyargılar, derin öğrenme modellerine de yansıyabilir. Bu da ayrımcılık, haksızlık ve sosyal adaletsizlikleri artırabilir.

​

Peki, bu risklerin önüne nasıl geçebiliriz?

Etik Düzenlemeler: Derin öğrenme teknolojilerinin geliştirilmesi ve kullanılması için uluslararası düzeyde etik kurallar oluşturulmalıdır.

Şeffaflık: Derin öğrenme modellerinin nasıl çalıştığı ve kararlarını nasıl aldığı konusunda şeffaflık sağlanmalıdır.

Sorumluluk: Derin öğrenme sistemlerinin geliştiricileri ve kullanıcıları, bu teknolojilerin potansiyel zararları konusunda bilinçli olmalı ve sorumluluk almalıdır.

Eğitim: Toplumun her kesimine derin öğrenme teknolojileri ve potansiyel riskleri hakkında eğitim verilmelidir.

Uluslararası İşbirliği: Bu konuda uluslararası işbirliği yaparak ortak çözümler üretilmelidir.

​

Sonuç olarak, derin öğrenme ve yapay sinir ağları, insanlığa büyük faydalar sağlayabileceği gibi büyük zararlar da verebilir. Bu nedenle, bu teknolojilerin geliştirilmesi ve kullanılması sürecinde etik ilkelerin gözetilmesi ve gerekli önlemlerin alınması büyük önem taşımaktadır.

​

Makine Öğrenmesi

Denetimli Öğrenme

Etiketlenmiş verilerle çalışır. Amaç, girdi çıktı ilişkisini öğrenmektir.

Denetimsiz Öğrenme

Verileri kendiliğinden gruplandırır ve anlamlı desenler bulur.

Pekistirmeli Öğrenme

Bir ajanın çevresiyle etkileşim kurarak deneyimlerle öğrenmesidir.

Makine Öğrenmesi

Denetimli Öğrenme

Veriye dayalı

tahminlerde Regresyon

Algoritmaları tercih edilir

​

Nesneleri tanıma işleminde

Sınıflandırma tercih

edilirken.

Makine Öğrenmesi

Etiketsiz veriler arasındaki

gizli kalmış yapıyı/örüntüyü

bulmaya çalışan bir

makine öğrenmesi yöntemidir.

Denetimsiz Öğrenme

Elma kırmızı, yeşil, sarı renkte olabilir.

Gelirken bir kilo elma alır mısın?

Hüryemez elması: Kışlık çeşittir. Meyvesi çok iri, basıktır. Sapı uzun ve kalındır. Kabuğu sarı-yeşil, seyrek kahverengi beneklidir. Eti gevrek, çok sulu ve çok mayhoştur. Çekirdekleri kısa dolgundur. Ortalama ağırlığı 300 gramdır.

Pekiştirmeli öğrenme, eğitim verisi olmadan ajanın (robot, araç,…) çevreden alacağı tepkiler ile eğitilmesini amaçlayan bir makine öğrenmesi türüdür.

Denetimsiz Öğrenme

Makine Öğrenmesi

Derin Öğrenme

Derin öğrenme, insan sinir ağlarını taklit ederek yapılandırılmış, insanların beyin yapısından esinlenerek çalışan algoritmalardır.

Uygulama Alanları

Görüntü işleme, doğal dil işleme, ses tanıma gibi alanlarda kullanılır.

Sinir Ağları(NN)

Derin Öğrenme

LLM, Large Language Model (Büyük Dil Modeli) teriminin kısaltmasıdır. Yapay zeka ve doğal dil işleme (NLP) alanlarında kullanılan, çok büyük miktarda dil verisiyle eğitilmiş yapay zeka modellerini ifade eder.

Python Yazılım dili

Yapay zeka için güçlü kütüphaneler barındırmaktadır. Düzenlemek için bir çok editör ortamı bulunmaktadır.

Makine Öğrenmesi,

Derin Öğrenme ve Yapay Zeka Geliştirmeleri için popüler dil Python’dır.

Geliştirme

Örnek Uygulamalar

1. Denetimli Makine Öğrenmesi Uygulaması

Teachable Machine aracında elma- şeftali ayırdı

yapan makine öğrenmesini geliştirelim

2. Whisper.ai ile sesten metine çevirme Google Colab Uygulaması

Google Colab ile Python ve Ai geliştirmeleri yapılabilir.

. Temel Matematiksel Konuları İyi Öğrenmek:

• Temel Aritmetik: Toplama, çıkarma, çarpma, bölme, kesirler, ondalık sayılar ve yüzdeler.
• İlk Geometri Bilgisi: Açı ölçüleri, dik üçgenler, çevre ve alan hesaplamaları.
• Temel Cebir: Cebirsel ifadeler, denklemler, eşitsizlikler ve değişkenler.
• Problem Çözme Yeteneği: Günlük hayattan örneklerle problem çözme.

2. İleri Matematik Konularına Yavaşça Geçiş Yapmak:

• Ortaokul Seviyesinde Geometri: Geometrik şekiller, düzlem geometri (üçgenler, çemberler vb.).
• Fonksiyonlar ve Grafikler: Fonksiyonlar, grafiklerin çizimi ve yorumu.
• İleri Cebir ve Polinomlar: Çarpanlara ayırma, polinomlar, quadratik denklemler.

3. Matematiksel Düşünmeyi Geliştirmek:

• Soyut Düşünme: Soyut kavramları anlamak ve çıkarımlar yapmak.
• Mantıksal Düşünme ve Akıl Yürütme: Mantık ve akıl yürütme becerileri.

4. Yaparak Öğrenmek:

• Bol Bol Pratik Yapmak: Sıkça problem çözmek ve kavranan bilgileri pekiştirmek.
• Farklı Kaynaklardan Çalışmak: Farklı kitaplar ve çevrimiçi platformlardan çalışmak.

5. İleri Seviye Matematik Konularına Hazırlık:

• Matematiksel Analiz: Kalkülüs, limit, türev, integral.
• Olasılık ve İstatistik: Veri analizi, olasılık hesaplama, istatistiksel modeller.
• Geometriye İleri Düzey Yaklaşım: Uzay geometrisi, dönüşümler, vektörler.

6. Kendi Yeteneklerini Keşfetmek ve Derinlemesine İncelemek:

• Özel Matematik Alanları: Diferansiyel denklemler, topoloji, sayı teorisi.
• Matematiksel Yarışmalar: Matematik olimpiyatları, yarışmalarla gelişimi izlemek.

7. Matematiksel Araçları Kullanabilmek:

• Matematiksel Yazılımlar: GeoGebra, Wolfram Mathematica, Python kütüphaneleri.

8. Mentorluk ve Kaynaklardan Faydalanmak:

• Mentorluk: İyi bir mentor veya öğretmenle çalışma.
• Kaynaklar: Matematiksel kitaplar, çevrimiçi dersler, matematik toplulukları.

​

Yapay Zeka ’da Yol Haritası

BAZI AI ARAÇLARI

MATEMATIK IÇIN �BAZI AI ARAÇLARI