Yapay Zeka Eğitimi

Farklı seviyelerdeki katılımcılar için hazırladığımız bu kapsamlı eğitim programı, temel kavramlardan ileri teknolojilere, etik konulardan geleceğe uzanan geniş bir yelpaze sunuyor.

BÖLÜM 1: YAPAY ZEKAYA GİRİŞ VE TEMEL KAVRAMLAR

1.1 Yapay Zeka Nedir?

  • Yapay zekanın tanımı ve kapsamı

  • YZ'nin kısa tarihi: Dartmouth Konferansı'ndan günümüze

  • Günlük hayatta YZ örnekleri

1.2 YZ vs Otomasyon vs Algoritmalar

  • Kavramsal farklılıklar

  • Geleneksel programlama ile YZ arasındaki farklar

  • Karar ağaçları ve kural tabanlı sistemler

BÖLÜM 2: MAKİNE ÖĞRENMESİ (MACHINE LEARNING - ML)

2.1 Makine Öğrenmesine Giriş

  • ML nedir ve neden önemlidir?

  • Geleneksel programlama vs ML yaklaşımı

  • ML'nin iş dünyasındaki uygulamaları

2.2 ML Türleri

Denetimli Öğrenme (Supervised Learning)

  • Sınıflandırma (Classification)

  • Regresyon (Regression)

  • Örnekler: Spam filtreleme, fiyat tahmini

Denetimsiz Öğrenme (Unsupervised Learning)

  • Kümeleme (Clustering)

  • Boyut indirgeme

  • Örnekler: Müşteri segmentasyonu, anomali tespiti

Pekiştirmeli Öğrenme (Reinforcement Learning)

  • Ajan, ortam, ödül kavramları

  • Örnekler: Oyun yapay zekaları, robotik

Yarı-Denetimli ve Transfer Öğrenme

2.3 Popüler ML Algoritmaları

  • Karar ağaçları (Decision Trees)

  • Random Forest

  • Support Vector Machines (SVM)

  • K-Nearest Neighbors (KNN)

  • Naive Bayes

  • Linear/Logistic Regression

2.4 ML Projesinin Aşamaları

  • Veri toplama ve hazırlama

  • Özellik mühendisliği (Feature Engineering)

  • Model seçimi ve eğitimi

  • Değerlendirme metrikleri (Accuracy, Precision, Recall, F1-Score)

  • Overfitting ve Underfitting

BÖLÜM 3: DERİN ÖĞRENME (DEEP LEARNING - DL)

3.1 Derin Öğrenmeye Giriş

  • DL nedir? ML'den farkları

  • Neden "derin" öğrenme?

  • DL'nin yükselişi: GPU'lar ve büyük veri

3.2 Yapay Sinir Ağları (Artificial Neural Networks - ANN)

  • Biyolojik nöronlardan yapay nörona

  • Perceptron ve çok katmanlı ağlar

  • Aktivasyon fonksiyonları (ReLU, Sigmoid, Tanh)

  • Backpropagation algoritması

  • Gradient Descent ve optimizasyon

3.3 İleri Düzey DL Mimarileri

Convolutional Neural Networks (CNN)

  • Görüntü işleme için CNN

  • Convolution, Pooling katmanları

  • Uygulamalar: Yüz tanıma, tıbbi görüntü analizi, otonom araçlar

Recurrent Neural Networks (RNN) ve LSTM

  • Sıralı veri işleme

  • Uzun-kısa süreli bellek (LSTM)

  • Uygulamalar: Metin üretimi, zaman serisi tahmini

Generative Adversarial Networks (GAN)

  • Üretici ve ayırt edici ağlar

  • Deepfake teknolojisi

  • Sanat ve tasarımda kullanımı

Transformer Mimarisi

  • Attention mekanizması

  • BERT, GPT modelleri

  • Modern dil modellerinin temeli

3.4 Transfer Learning ve Fine-Tuning

  • Ön eğitimli modellerin kullanımı

  • Az veriyle yüksek performans

BÖLÜM 4: DOĞAL DİL İŞLEME (NATURAL LANGUAGE PROCESSING - NLP)

4.1 NLP'ye Giriş

  • Dil ve bilgisayarlar

  • NLP'nin zorluğu: Belirsizlik, bağlam, dil çeşitliliği

4.2 Temel NLP Teknikleri

  • Tokenization (Simgeleme)

  • Stemming ve Lemmatization

  • Part-of-Speech (POS) Tagging

  • Named Entity Recognition (NER)

  • Word Embeddings (Word2Vec, GloVe)

4.3 İleri NLP Uygulamaları

  • Sentiment Analysis (Duygu analizi)

  • Makine çevirisi

  • Soru-cevap sistemleri

  • Text summarization (Metin özetleme)

  • Chatbot'lar ve konuşma sistemleri

4.4 Büyük Dil Modelleri (LLM)

  • GPT, Claude, Gemini gibi modeller

  • Prompt Engineering temel prensipleri

  • İş dünyasında LLM kullanımı

  • RAG (Retrieval Augmented Generation)

BÖLÜM 5: BİLGİSAYARLI GÖRÜ (COMPUTER VISION)

5.1 Görüntü İşleme Temelleri

  • Dijital görüntüler ve pixel'ler

  • Görüntü önişleme teknikleri

5.2 CV Uygulamaları

  • Nesne tanıma ve tespiti (Object Detection)

  • Yüz tanıma ve biometrik sistemler

  • Optik karakter tanıma (OCR)

  • Tıbbi görüntü analizi

  • Otonom araçlarda görü sistemleri

  • Kalite kontrol ve kusur tespiti

5.3 Görüntü Üretimi

  • Stable Diffusion, DALL-E, Midjourney

  • Text-to-Image uygulamaları

  • İş dünyasında yaratıcı AI kullanımı

Yapay Zeka Eğitimleri

BÖLÜM 6: BÜyÜK VERİ (BIG DATA) VE YZ

6.1 Big Data Nedir?

  • 5V: Volume, Velocity, Variety, Veracity, Value

  • Geleneksel veri vs Büyük veri

  • Veri gölleri (Data Lakes) ve veri ambarları

6.2 Big Data Teknolojileri

  • Hadoop ekosistemi

  • Apache Spark

  • NoSQL veritabanları

  • Dağıtık sistemler

6.3 Big Data ve YZ İlişkisi

  • Veri YZ'nin yakıtıdır

  • Veri kalitesi ve önişleme

  • Feature stores ve ML altyapısı

  • Gerçek zamanlı veri işleme ve ML

BÖLÜM 7: NESNELERIN İNTERNETİ (IoT) VE YZ

7.1 IoT Temelleri

  • IoT nedir?

  • Sensörler, aktüatörler, bağlantı

  • IoT mimarisi ve protokoller

7.2 IoT ve YZ Entegrasyonu

  • Edge AI: Uçta yapay zeka

  • Predictive maintenance (Kestirimci bakım)

  • Akıllı şehirler ve akıllı evler

  • Endüstriyel IoT (IIoT)

  • Tarımda IoT ve YZ

7.3 Gerçek Dünya Örnekleri

  • Akıllı termostatlar

  • Giyilebilir sağlık cihazları

  • Fabrika 4.0 ve dijital ikizler

BÖLÜM 8: SANAL GERÇEKLİK (VR), ARTTIRILMIŞ GERÇEKLİK (AR) VE YZ

8.1 VR ve AR Temelleri

  • VR nedir? AR nedir? MR (Mixed Reality) nedir?

  • Teknolojik altyapı ve cihazlar

8.2 YZ ile Zenginleştirilmiş VR/AR

  • Akıllı NPC'ler (Non-Player Characters)

  • Gerçek zamanlı çeviri ve AR overlay

  • Sanal asistanlar

  • Procedural content generation

8.3 Uygulama Alanları

  • Eğitim ve simülasyon

  • Sağlık ve tıbbi eğitim

  • Mimarlık ve tasarım

  • Perakende ve e-ticaret (Sanal deneme)

  • Metaverse konsepti

BÖLÜM 9: YZ VE SİBER GÜVENLİK

9.1 Siber Güvenlikte YZ Kullanımı

  • Anomali tespiti

  • Tehdit istihbaratı

  • Phishing ve malware tespiti

  • SIEM sistemleri ve YZ

  • Davranışsal analiz

9.2 YZ Sistemlerinin Güvenliği

  • Adversarial attacks (Düşman saldırıları)

  • Model poisoning

  • Data poisoning

  • Privacy-preserving ML

  • Federated Learning

9.3 Etik Hacking ve YZ

  • Penetrasyon testlerinde YZ

  • Otomatik zafiyet tarama

  • YZ ile sosyal mühendislik

BÖLÜM 10: YAPAY ZEKANIN SEKTÖREL UYGULAMALARI

10.1 Finans ve Bankacılık

  • Algoritmik trading

  • Kredi skorlama

  • Fraud detection (Dolandırıcılık tespiti)

  • Robo-advisors

  • Risk yönetimi

10.2 Sağlık

  • Hastalık teşhisi

  • İlaç keşfi

  • Kişiselleştirilmiş tıp

  • Radyoloji ve patoloji analizi

  • Robotik cerrahi

10.3 Perakende ve E-Ticaret

  • Öneri sistemleri

  • Fiyatlandırma optimizasyonu

  • Müşteri segmentasyonu

  • Chatbot'lar ve sanal asistanlar

  • Talep tahmini

10.4 Üretim

  • Kalite kontrol

  • Kestirimci bakım

  • Tedarik zinciri optimizasyonu

  • Robotik ve otomasyon

  • Dijital ikiz

10.5 Ulaştırma

  • Otonom araçlar

  • Trafik yönetimi

  • Rota optimizasyonu

  • Lojistik

10.6 İnsan Kaynakları

  • CV tarama

  • Yetenek eşleştirme

  • Çalışan tutma (retention) analizi

  • Performans değerlendirme

10.7 Pazarlama

  • Kişiselleştirilmiş kampanyalar

  • Müşteri yaşam boyu değeri tahmini

  • Sosyal medya analizi

  • İçerik üretimi

BÖLÜM 11: YAPAY ZEKANIN HUKUKİ BOYUTU

11.1 YZ ve Mevzuat

  • AB Yapay Zeka Yasası (EU AI Act)

  • GDPR ve veri koruma

  • Türkiye'de YZ düzenlemeleri

  • Sektörel düzenlemeler (finans, sağlık, vb.)

11.2 Sorumluluk ve Hesap Verebilirlik

  • YZ kararlarının sorumluluğu

  • Hukuki kişilik tartışmaları

  • Ürün sorumluluğu

  • Malpraktis ve tıbbi hatalar

11.3 Fikri Mülkiyet

  • YZ tarafından üretilen içeriğin telif hakları

  • Patent ve YZ

  • Veri sahipliği

  • Açık kaynak modeller ve lisanslama

11.4 Sözleşmeler ve Compliance

  • YZ kullanım sözleşmeleri

  • Vendor management

  • SLA'lar (Service Level Agreements)

  • Denetim ve compliance gereksinimleri

BÖLÜM 12: YAPAY ZEKANIN ETİK BOYUTU

12.1 YZ Etiği Temelleri

  • Etik neden önemli?

  • Temel etik prensipler: Şeffaflık, adalet, mahremiyet

  • Etik çerçeveler ve standartlar

12.2 Önyargı ve Ayrımcılık (Bias)

  • Algoritmik önyargı nasıl oluşur?

  • Tarihsel örnekler (Amazon'un CV tarama sistemi, COMPAS)

  • Veri setlerindeki önyargı

  • Fairness metrikleri

  • Önyargıyı azaltma stratejileri

12.3 Şeffaflık ve Açıklanabilirlik (Explainability)

  • Kara kutu problemi

  • XAI (Explainable AI) yöntemleri

  • LIME, SHAP gibi araçlar

  • Açıklama hakkı

12.4 Mahremiyet ve Veri Koruma

  • Differential Privacy

  • Veri minimizasyonu

  • Anonimleştirme vs De-anonimleştirme

  • Kişisel verilerin korunması

12.5 İşsizlik ve Ekonomik Etki

  • Otomasyon ve iş kayıpları

  • Yeni iş alanları

  • Beceri dönüşümü

  • Evrensel temel gelir tartışmaları

12.6 Manipülasyon ve Dezenformasyon

  • Deepfakes

  • Propaganda ve mikro-hedefleme

  • Echo chambers (Yankı odaları)

  • Sosyal medya algoritmaları

12.7 Otonom Silahlar ve Askeri Kullanım

  • Katil robotlar (Lethal autonomous weapons)

  • Savaş etiği

  • Uluslararası düzenlemeler

12.8 Sürdürülebilirlik

  • YZ modellerinin karbon ayak izi

  • Enerji tüketimi

  • Yeşil YZ (Green AI)

BÖLÜM 13: YZ PROJE YÖNETİMİ VE UYGULAMA

13.1 YZ Projesine Başlamak

  • İş problemi tanımlama

  • YZ uygun mu? (When not to use AI)

  • Veri keşfi ve fizibilite

  • ROI hesaplama

13.2 Ekip Oluşturma

  • Gerekli roller: Veri bilimcisi, ML mühendisi, veri mühendisi

  • Domain uzmanlarının önemi

  • MLOps ekipleri

13.3 YZ Proje Metodolojileri

  • CRISP-DM

  • Agile for ML

  • Iteratif geliştirme

13.4 MLOps: Production'a Alma

  • Model versiyonlama

  • CI/CD for ML

  • Model monitoring

  • A/B testing

  • Model retraining stratejileri

13.5 Yaygın Hatalar ve Önleme

  • Data leakage

  • Yanlış metrik seçimi

  • Production-training gap

  • Teknik borç

BÖLÜM 14: YZ ARAÇLARI VE PLATFORMLARI

14.1 Programlama ve Framework'ler

  • Python ekosistemi

  • TensorFlow ve Keras

  • PyTorch

  • Scikit-learn

  • Hugging Face

14.2 Cloud AI Servisleri

  • AWS AI/ML servisleri

  • Google Cloud AI

  • Microsoft Azure AI

  • IBM Watson

14.3 No-Code / Low-Code Platformlar

  • AutoML araçları

  • Google AutoML

  • DataRobot

  • H2O.ai

14.4 Veri Labeling ve Annotation

  • Labelbox

  • Scale AI

  • Amazon SageMaker Ground Truth

14.5 Model Deployment

  • TensorFlow Serving

  • ONNX

  • Containerization (Docker, Kubernetes)

BÖLÜM 15: YAPAY ZEKANIN GELECEĞİ

15.1 Teknolojik Trendler

  • Multimodal AI (Çok modlu YZ)

  • Foundation models ve büyük modeller

  • Quantum Machine Learning

  • Neuromorphic computing

  • Brain-computer interfaces

15.2 Genel Yapay Zeka (AGI) Yolunda

  • AGI nedir ve ne zaman gerçekleşebilir?

  • Süper zeka (Superintelligence) senaryoları

  • Alignment problemi

  • Varoluşsal riskler

15.3 Toplumsal Dönüşümler

  • Eğitim sisteminin evrimi

  • Çalışma hayatının geleceği

  • Demokrasi ve yönetişim

  • Sağlık hizmetlerinde devrim

15.4 Düzenleyici Gelecek

  • Küresel YZ yönetişimi

  • Standartlar ve sertifikasyon

  • Uluslararası işbirliği

15.5 Etik ve Toplumsal Hazırlık

  • YZ okuryazarlığı

  • Toplumsal diyalog

  • Kapsayıcı YZ geliştirme

  • Çeşitlilik ve temsil

BÖLÜM 16: UYGULAMALI ÇALIŞTAY VE ÖRNEKLER

16.1 Hands-on Egzersizler

  • Basit bir ML modeli oluşturma (Jupyter Notebook)

  • ChatGPT/Claude ile prompt engineering

  • AutoML aracı ile model eğitme

  • Görüntü sınıflandırma demo'su

16.2 Vaka Çalışmaları

  • Netflix öneri sistemi

  • Tesla otonom sürüş

  • AlphaGo ve oyun YZ'si

  • GPT modelleri ve dil devrimi

16.3 İnteraktif Q&A ve Senaryolar

  • Katılımcıların sektörüne özel örnekler

  • Gerçek problemlere YZ çözümleri

BÖLÜM 17: KAYNAKLAR VE İLERİ ÖĞRENİM

17.1 Önerilen Kaynaklar

  • Online kurslar (Coursera, edX, Udacity)

  • Kitaplar (Pattern Recognition, Deep Learning Book)

  • Araştırma kaynakları (arXiv, Papers with Code)

  • Podcast'ler ve YouTube kanalları

17.2 Topluluklar

  • Kaggle

  • GitHub

  • Reddit ML topluluğu

  • Yerel meetup'lar

17.3 Sertifikasyonlar

  • Google TensorFlow Certificate

  • AWS ML Specialty

  • Microsoft Azure AI Engineer

BONUS: YZ SÖZLÜĞÜ

Eğitim boyunca kullanılan tüm teknik terimlerin Türkçe-İngilizce karşılıkları ve açıklamaları

Sunum Formatı Önerileri:

Toplam Süre: 1 günlük temel, yoğun eğitim veya 2 günlük detaylı,  uygulamalı program

Hedef Kitle Bazlı Uyarlama:

  • Yöneticiler için: Bölüm 1, 10, 11, 12, 15'e ağırlık

  • Teknik ekipler için: Bölüm 2, 3, 4, 5, 13, 14'e ağırlık

  • Karma gruplar için: Tüm bölümlerden dengeli seçim

Görsel Materyal:

  • Her bölümde bol infografik

  • Gerçek dünya örnekleri ve videolar

  • Interaktif demonstrasyonlar

  • Canlı coding örnekleri