Yapay Zeka ve Makine Öğrenmesi Yolculuğum
Makine öğrenmesi ve yapay zeka alanında kendimi geliştirmek için izlediğim yol haritasını, karşılaştığım zorlukları ve Python ekosistemindeki tecrübelerimi paylaşıyorum.
Neden Yapay Zeka?
Gazi Üniversitesi İstatistik bölümündeki eğitimim boyunca, veri analizi ve olasılık teorisinin yapay zekanın temelini oluşturduğunu fark ettim. Matematiksel temelleri öğrendikçe, bu teorileri makine öğrenmesi modellerine dönüştürme heyecanı beni Python ve veri bilimi kütüphaneleriyle tanıştırdı.
Bu yazımda, kendi kendimi geliştirdiğim bu heyecanlı yapay zeka serüvenimi ve izlediğim adımları paylaşmak istedim.
1. Temel Programlama ve Matematiksel Altyapı
Yapay zeka alanında ilerlemek için öncelikle sağlam bir programlama diline hakim olmak gerekiyordu. Bu noktada Python, zengin veri bilimi kütüphaneleriyle en mantıklı seçenek oldu. Nesne yönelimli programlama, veri yapıları ve algoritmaları öğrendikten sonra; istatistikteki doğrusal cebir, olasılık ve kalkülüs derslerinin makine öğrenmesinde nasıl kullanıldığını keşfettim.
Çünkü regresyon modelleri aslında birer optimizasyon problemidir ve Gradyan İnişi (Gradient Descent) gibi kavramlar doğrudan kalkülüse dayanır.
2. Veri Ön İşleme (Pandas & NumPy)
Gerçek hayattaki veriler temiz ve düzenli değildir. Eksik verilerle baş etmek, aykırı değerleri (outliers) analiz etmek ve kategorik verileri sayısal formata dönüştürmek (One-Hot Encoding vb.) makine öğrenmesinin en kritik aşamasıdır. Python'da numpy ve pandas kütüphanelerini kullanarak veri ön işleme süreçlerini otomatikleştirdim.
3. Model Geliştirme (Scikit-Learn)
Veriyi hazır hale getirdikten sonra, Scikit-Learn kütüphanesi sayesinde denetimli ve denetimsiz öğrenme algoritmalarını uygulamaya başladım. Kurduğum modellerde şu adımları izliyorum:
- Veriyi Eğitim ve Test setlerine ayırma (Train-Test Split)
- Sınıflandırma (Lojistik Regresyon, Karar Ağaçları, Random Forest) veya Regresyon analizi yapma
- Çapraz Doğrulama (Cross-Validation) ile aşırı öğrenmeyi (overfitting) engelleme
- Model performansını Metriklerle (Accuracy, Precision, Recall, F1-Score, MSE) değerlendirme
Bu adımlar sayesinde modelin teoride değil, gerçek hayatta da başarılı tahminler yapmasını sağlıyoruz.
4. Derin Öğrenmeye İlk Adım (PyTorch)
Geleneksel makine öğrenmesi modellerini başarıyla kurduktan sonra derin öğrenmenin karmaşık yapılarına yöneldim. PyTorch kütüphanesini kullanarak yapay sinir ağları tasarlamak, yapay zekanın limitlerini zorlamamı sağladı. Katmanların çalışma mantığını ve aktivasyon fonksiyonlarını deneyimleyerek geleceğe yönelik daha karmaşık projelere hazırlanıyorum.
Son Söz
Yapay zeka ve veri bilimi, bitmeyen bir öğrenme sürecidir. Teorik istatistik bilgimi pratik yazılım çözümleriyle birleştirdikçe, verileri geleceği tahmin eden araçlara dönüştürebiliyorum. Bu alanda ilerlemek isteyen herkese tavsiyem; teoriyi asla küçümsememeleri ve bol bol pratik proje geliştirmeleridir.