6. Baskı,
Eylül 2025
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa Sayısı:
496
Kitabın Fiyatı:
525,00₺
24 saat içerisinde temin edilir.
Kitabın Açıklaması
Yapay zeka alanında temel bilgilerden ileri düzey uygulamalara kadar geniş bir yelpazede içerik sunan bu kitap, güncellenmiş 6. baskısıyla daha da zenginleştirilmiştir. Yapay Zeka tekniklerini ilk kez öğrenecek okuyucular için sade ve anlaşılır bir giriş sunarken, konuyla profesyonel olarak ilgilenenlere de derinlemesine içerikler sağlamaktadır.
Kitapta; Yapay Sinir Ağları, Sinir Ağı Mimarileri, Makine Öğrenmesi, Derin Öğrenme, Evrişimli Sinir Ağları, Otokodlayıcı Ağlar ve Tekrarlayan Sinir Ağları gibi temel konular adım adım açıklanmakta; teorik bilgilerin yanı sıra bu yapıların çeşitli mühendislik ve sosyal bilimler uygulamalarına nasıl uyarlandığı, algoritmalar ve akış diyagramlarıyla desteklenerek sunulmaktadır.
Bu baskıyla birlikte özellikle Üretken Yapay Zeka (Generative AI) konusuna da geniş yer verilmiş; yazarın akademik ve mesleki birikimiyle geliştirdiği örneklerle konu pekiştirilmiştir.
Her seviyeden okuyucuya hitap eden bu eser, yapay zekaya ilgi duyan öğrenciler, araştırmacılar ve uygulayıcılar için temel başvuru kaynaklarından biri olmaya devam etmektedir.
Kitabın Konu Başlıkları
Yapay Sinir Ağları
Makine Öğrenmesi
Gözetimli Öğrenme
Gözetimsiz Öğrenme
Pekiştirmeli Öğrenme
Topluluk Öğrenmesi
Derin Öğrenme
Derin Sinir Ağları
Üretken Yapay Zeka
Büyük Dil Modelleri
Kitapla İlgili Kategoriler
Kitabın İçindekileri
Önsöz
7
1. Bölüm
YAPAY SİNİR AĞLARINA GİRİŞ
1. YAPAY ZEKA GİRİŞ
29
1.1. Akıl
29
Aklın Özellikleri
29
1.2. Zeka
30
Zekanın Özellikleri
30
1.3. Akıl ve Zeka’nın Karşılaştırılması
30
1.4. Yapay Zeka
32
1.4.1. Yapay Zeka’nın Alt Dalları
33
1.4.1.1. Makine Öğrenmesi
34
1.4.1.2. Yapay Sinir Ağları
34
1.4.1.3. Derin Öğrenme
35
1.4.1.4. Doğal Dil İşleme
35
1.4.1.5. Bilgisayarla Görme
36
1.4.1.6. Robotik
36
1.4.1.7. Bulanık Mantık
36
1.4.1.8. Uzman Sistemler
37
1.4.1.9. Genetik Algoritma
38
1.4.2. Yapay Zekanın Özellikleri
38
1.4.2.1. Öğrenme Yeteneği
39
1.4.2.2. Uyarlanabilirlik
39
1.4.2.3. Veri İşleme ve Analiz Yeteneği
39
1.4.2.4. Karar Verme Kabiliyeti
39
1.4.2.5. Doğal Dil İşleme
39
1.4.2.6. Tahmin ve Öngörü Yeteneği
40
1.4.2.7. Otonom (Özerk) Çalışabilme
40
1.4.2.8. Yaratıcılık
40
1.4.2.9. Hız ve Verimlilik
40
1.4.2.10. Mantık Yürütme
40
1.4.2.11. Paralel İşlem Yapabilme
41
1.4.2.12. Genelleme Yeteneği
41
1.4.2.13. Örüntü Tanıma
41
1.4.2.14. Belirsizlikle Başa Çıkabilme
41
1.4.2.15. Sürekli İyileşme
41
1.4.3. Yapay Zeka Uygulamaları: Alanlar ve Örnekler
41
1.4.3.1. Doğal Dil İşleme ve Çeviri Sistemleri
41
1.4.3.2. Görüntü İşleme ve Bilgisayarla Görme
42
1.4.3.3. Tavsiye Sistemleri
43
1.4.3.4. Oyun ve Eğlence Sektöründe Yapay Zeka
43
1.4.3.5. Otonom Araç Teknolojileri
44
1.4.3.6. Robotik Uygulamalar
44
1.4.3.7. Endüstriyel Otomasyon
45
1.4.3.8. Finansal Teknolojiler ve Dolandırıcılık Tespiti
45
1.4.3.9. Sağlık ve İlaç Sektörü
45
1.4.3.10. Eğitim Uygulamaları
46
1.4.3.11. Karar Destek Sistemleri
47
1.4.3.12. Güvenlik Uygulamaları
47
1.4.3.13. Görsel Sanat ve Yaratıcı Uygulamalar
48
1.4.3.14. Biyoinformatik Uygulamaları
48
2. Bölüm
YAPAY SİNİR AĞLARININ TEMELLERİ
2. YAPAY SİNİR AĞLARININ TEMELLERİ
53
2.1. Yapay Sinir Ağlarına Giriş
53
2.1.1. Yapay Sinir Ağlarının Tarihçesi
55
19. ve 20. Yüzyılın Başları: Biyolojik Mekanizmaların Keşfi
55
1943: İlk Yapay Sinir Ağ Modeli – McCulloch ve Pitts'in Çalışmaları
55
1948–1949: Wiener ve Hebb'in Çalışmaları
55
1950'ler: IBM Çalışmaları ve Rosenblatt'ın Algılayıcısı
56
1959: Widrow ve Hoff'un ADALINE ve MADALINE Modelleri
56
1969: Algılayıcının Sınırlamaları ve XOR Problemi
56
1980'ler: Hopfield, Kohonen, Rumelhart ve Hinton'in Katkıları
56
2000'ler ve Sonrası: Derin Öğrenme Dönemi
57
Günümüz ve Gelecek Vizyonu
58
2.2. İnsan Beyni ve Biyolojik Bir Sinirin Yapısı
58
2.2.1. Biyolojik Bir Sinirin Yapısı
60
2.3. Bir Yapay Sinirin Ana Öğeleri
62
2.3.1. Girişler
63
2.3.2. Ağırlıklar
63
2.3.3. Toplama İşlevi
63
2.3.4. Etkinlik İşlevi
63
2.3.4.1. İkili Basamak Etkinlik İşlevi
64
1. Uygulama Alanları
65
2. Üstünlükler ve Eksiklikler
65
2.3.4.2. Doğrusal Etkinlik İşlevi
66
1. Uygulama Alanları
66
2. Üstünlükler ve Eksiklikler
67
2.3.4.3. Sigmoid İşlevi
68
1. Uygulama Alanları
69
2. Üstünlükler ve Eksiklikler
69
2.3.4.4. Hiperbolik Tanjant (Tanh) İşlevi
70
1. Uygulama Alanları
72
2. Üstünlükler ve Eksiklikler
72
2.3.4.5. Düzeltmeli Doğrusal Birim–ReLU İşlevi
73
1. Uygulama Alanları
75
2. Üstünlükler ve Eksiklikler
75
2.3.4.6. Softmax İşlevi
76
1. Uygulama Alanları
77
2. Üstünlükler ve Eksiklikler
77
2.3.4.7. SoftPlus işlevi
78
1. Uygulama Alanları
80
2. Üstünlükler ve Eksiklikler
81
2.3.4.8. Etkinlik İşlevinin Seçim Ölçütleri
81
1. Problem Türü
81
2. Ağ Mimarisi
82
3. Performans Ölçütleri
82
4. Özel Özellikler
83
5. Hesaplama Maliyeti
83
2.3.4.9. Farklı Etkinlik İşlevlerinin Performans Değerlendirmesi
83
1. Model Tasarımı
84
2. Eğitim Süreci
84
3. Değerlendirme
84
4. Genelleme Yeteneği
85
2.3.5. Ölçekleme ve Sınırlama
85
2.3.5.1. Ölçekleme
85
2.3.5.2. Sınırlama
86
2.3.5.3. Ölçekleme ve Sınırlamanın Birlikte Kullanımı
86
2.3.5.4. Yapay Sinir Ağlarında Ölçekleme ve Sınırlamanın Uygulama Alanları
87
2.3.6. Çıkış İşlevi
87
2.3.7. Öğrenme
87
2.3.7.1. Öğrenme Kuralının Kavranması
89
2.4. Algılayıcı (Perceptron)
90
2.4.1. Turing Makinesi ve Algılayıcı
90
2.5. Bir Yapay Sinir Ağı
93
2.5.1. Dağıtılmış Bellek
94
2.5.2. Birleştirilmiş Bellek
95
2.5.3. Sayısal Bilgisayarlar ve Yapay Sinir Ağlarının Karşılaştırılması
95
2.6. Çok Katmanlı Bir Yapay Sinir Ağı
96
2.6.1. Katmanlar
97
2.6.2. Sinirler ve Katmanlar Arası Bağlantılar
98
2.6.2.1. Tam Bağlantılı (Fully Connected / Dense)
98
2.6.2.2. Evrişimli (Convolutional)
98
2.6.2.3. Tekrarlayan (Recurrent)
98
2.6.2.4. Atlamalı Bağlantı (Skip Connection / Residual Connection)
99
2.6.2.5. Birleştirme (Pooling / Subsampling)
99
2.7. Öğrenme Uygulama Örnekleri
99
2.7.1. Delta Öğrenme Kuralı
99
2.7.1.1. Delta Kuralı Kullanılarak Yapılan Bir Örnek
103
2.7.2. Pekiştirmeli Öğrenme
109
2.7.2.1. Pekiştirmeli Öğrenme Kullanılarak Yapılan Bir Örnek
110
2.7.2.2. Algoritma
110
2.7.2.3. Sınırlamalar ve Uygulamalar
112
2.7.2.4. Sınıflama
113
2.7.2.5. Benzerlik
114
2.8. Yapay Sinir Ağlarının Üstünlükleri ve Eksiklikleri
115
3. Bölüm
YAPAY SİNİR AĞLARININ MİMARİ YAPILARI
3. YAPAY SİNİR AĞLARININ MİMARİ YAPILARI
119
3.1. Geri Yayılım Ağı
119
3.1.1. Geri Yayılım Ağı'nın Çalışma Prensibi
121
3.1.2. Matematiksel Model
123
3.1.3. Geri Yayılım Kuralı Kullanılarak Yapılan Bir Örnek
124
3.1.4. Geri Yayılım Algoritması
130
3.1.5. Geri Yayılım Etkinlik (Aktarım) İşlevleri
131
3.1.10. Geri Yayılım Ağı'nın Üstünlükleri ve Eksiklikleri
134
3.2. Hopfield ağı
134
3.2.1. Çalışma Prensibi
136
3.2.2. Matematiksel Model
136
3.2.2.1. Ağırlık Matrisi
136
3.2.2.2. Enerji Fonksiyonu
137
3.2.2.3. Etkinlik Güncelleme Kuralı
137
3.2.3. Hopfield Ağı ile Örüntü Tanıma Uygulama Örneği
138
3.2.3.1. Adım 1: Örüntülerin Tanımlanması
138
3.2.3.2. Adım 2: Ağırlık Matrisinin Hesaplanması
138
3.2.3.3. Adım 3: Ağa Yeni Girdi Sağlanması
139
3.2.4. Hopfield Sinir Ağı’nın Üstünlükleri ve Eksiklikleri
139
3.3. Boltzman Makinesi
140
3.3.1. Çalışma Prensibi
141
3.3.2. Matematiksel Model
141
3.3.2.1. Enerji Fonksiyonu
141
3.3.2.2. Olasılık Dağılımı
142
3.3.2.3. Öğrenme ve Güncelleme
142
3.3.3. Boltzmann Makinesi ile Örnek Bir Uygulama
143
3.3.3.1. Film Tavsiyesi
143
3.3.3.2. Boltzmann Makinesi ile Çözüm
143
1. Verilerin Hazırlanması
143
2. Modelleme
143
3. Eğitim
144
4. Öneri Tahmini
144
5. Test ve Performans Analizi
144
3.3.4. Boltzmann Makinesi’nin Üstünlükleri ve Eksiklikleri
144
3.4. Özörgütlemeli Harita Ağı
145
3.4.1. Kohonen ağı
147
3.4.2. Özörgütlemeli Haritanın Algoritması
148
3.4.3. Özörgütlemeli Harita Örneği
150
3.4.4. Özörgütlemeli Haritanın Eğitim Aşaması
150
3.4.5. Özörgütlemeli Haritanın Çağırma Aşaması
154
3.4.6. Özörgütlemeli Harita Ağı Örnek Uygulaması: Müşteri Segmentasyonu
155
3.4.7. Özörgütlemeli Harita Ağı’nın Üstünlükleri ve Eksiklikleri
157
4. Bölüm
MAKİNE ÖĞRENMESİ
4. MAKİNE ÖĞRENMESİ
163
4.1. Makine Öğrenmesinin süreç Adımları
163
4.1.1. Veri Kümesi
163
4.1.2. Model Seçimi
164
4.1.3. Model Eğitimi
164
4.1.3.1. Makine Öğrenmesinde Eğitim İle İlgili Kavramlar
166
1. İnce Ayar
166
2. Kayıp Fonksiyonu
166
3. Token
167
Token Türleri
167
Tokenizasyon
168
4. Değişken
169
Değişken Türleri
169
Token ve Değişken Arasındaki Farklar
171
4.1.3.2. Eğitim Sonucu Verinin Öğrenilmesi
172
1. Doğru Öğrenme
172
2. Yetersiz Öğrenme
173
Yetersiz Öğrenmenin Nedenleri
174
Yetersiz Öğrenmenin Sonuçları
175
Yetersiz Öğrenmenin Önlenmesi İçin Stratejiler
175
Örnek Uygulama
176
3. Aşırı Öğrenme
176
Aşırı Öğrenmenin Nedenleri
177
Aşırı Öğrenmenin Belirtileri
178
Aşırı Öğrenmenin Etkileri
178
4.1.4. Doğrulama
178
4.1.4.1. Aşırı Öğrenmenin Tespit Yöntemleri
179
4.1.4.2. Aşırı Öğrenmeyi Önleme Yöntemleri
179
4.1.4.1. Değerlendirme Teknikleri
180
4.2. Makine Öğrenmesi Modelleri ve Eğitim Türleri
180
4.3. Gözetimli Öğrenme
181
4.3.1. Regresyon
182
4.3.1.1. Doğrusal Regresyon
183
1. Temel Kavramlar
183
2. Çalışma Prensibi
184
3. Matematiksel Model
185
4. Temel Adımlar
186
5. Üstünlükler ve Eksiklikler
187
6. Uygulama Alanları
187
4.3.1.2. Çokterimli Regresyon
188
1. Temel Kavramlar
188
2. Çalışma Prensibi
189
3. Matematiksel Model
190
4. Temel Adımları
190
5. Üstünlükler ve Eksiklikler
191
6. Uygulama Alanları
191
4.3.1.3. Lasso Regresyon
192
1. Temel Kavramlar
192
2. Çalışma Prensibi
192
3. Matematiksel Model
193
5. Üstünlükler ve Eksiklikler
194
6. Uygulama Alanları
195
4.3.1.4. Destek Vektör Regresyonu
196
1. Temel Kavramlar
196
2. Çalışma Prensibi
196
3. Matematiksel Model
197
4. Temel Adımları
197
5. Üstünlükler ve Eksiklikler
198
6. Uygulama Alanları
199
4.3.1.5. Karar Ağaçları Regresyonu
199
1. Temel Kavramlar
199
2. Çalışma Prensibi
200
3. Matematiksel Model
201
4. Temel Adımlar
201
5. Üstünlükler ve Eksiklikler
202
6. Uygulama Alanları
202
4.3.1.6. Değişim Artırma Regresyonu
203
1. Temel Kavramlar
203
2. Çalışma Prensibi
203
3. Matematiksel Model
204
4. Temel Adımlar
205
5. Üstünlükler ve Eksiklikler
205
6. Uygulama Alanları
206
4.3.2. Sınıflandırma
206
4.3.2.1. Lojistik Regresyon
206
1. Temel Kavramlar
207
2. Çalışma Prensibi
207
3. Matematiksel Model
209
4. Temel Adımlar
210
5. Üstünlükler ve Eksiklikler
210
6. Uygulama Alanları
211
4.3.2.2. k–En Yakın Komşular
211
1. Temel Kavramlar
212
2. Çalışma Prensibi
212
3. Matematiksel Model
214
4. Temel Adımlar
214
5. Üstünlükler ve Eksiklikler
214
6. Uygulama Alanları
215
4.3.2.3. Naive Bayes
216
1. Temel Kavramlar
216
2. Çalışma Prensibi
216
3. Matematiksel Model
216
4. Temel Adımlar
217
5. Üstünlükler ve Eksiklikler
217
6. Uygulama Alanları
218
4.3.2.4. Destek Vektör Makineleri
219
1. Temel Kavramlar
222
2. Çalışma Prensibi
223
3. Matematiksel Model
224
4. Temel Adımlar
224
5. Üstünlükler ve Eksiklikler
225
6. Uygulama Alanları
225
4.3.2.5. Karar Ağaçları
226
1. Temel Kavramlar
226
2. Çalışma Prensibi
226
3. Matematiksel Model
228
4. Temel Adımlar
229
5. Üstünlükler ve Eksiklikler
229
6. Uygulama Alanları
230
4.3.2.6. Değişim Artırma
230
1. Temel Kavramlar
231
2. Çalışma Prensibi
231
3. Matematiksel Model
232
4. Temel Adımlar
232
5. Üstünlükler ve Eksiklikler
233
6. Uygulama Alanları
234
Popüler Gradient Boosting Kütüphaneleri
234
4.4. Gözetimsiz Öğrenme
234
4.4.1. Kümeleme
235
4.4.1.1. k–Means Kümeleme
236
1. Temel Kavramlar
236
2. Çalışma Prensibi
236
3. Matematiksel Model
237
4. Temel Adımlar
238
5. Üstünlükler ve Eksiklikler
238
6. Uygulama Alanları
239
4.4.1.2. Gaussian Karışım Modelleri
239
1. Temel Kavramlar
240
2. Çalışma Prensibi
240
3. Matematiksel Model
241
4. Temel Adımlar
241
5. Üstünlükler ve Eksiklikler
242
6. Uygulama Alanları
243
4.4.1.3. Hiyerarşik kümeleme
243
1. Temel Kavramlar
243
2. Çalışma Prensibi
244
3. Matematiksel Model
245
4. Temel Adımlar
245
5. Üstünlükler ve Eksiklikler
246
6. Uygulama Alanları
246
4.4.1.4. Gürültülü Uygulamaların Yoğunluk Tabanlı Mekansal Kümelenmesi
247
1. Temel Kavramlar
247
2. Çalışma Prensibi
247
3. Matematiksel Model
248
4. Temel Adımlar
248
5. Üstünlükler ve Eksiklikler
249
6. Uygulama Alanları
249
4.4.2. Boyut İndirgeme
250
4.4.2.1. Temel Bileşen Analizi
250
1. Temel Kavramlar
250
2. Çalışma Prensibi
251
3. Matematiksel Model
251
4. Temel Adımlar
252
5. Üstünlükler ve Eksiklikler
253
6. Uygulama Alanları
253
4.4.2.2. t–Dağıtılmış Stokastik Komşu Gömme
254
1. Temel Kavramlar
254
2. Çalışma Prensibi
254
3. Matematiksel Model
255
4. Temel Adımlar
256
5. Üstünlükler ve Eksiklikler
256
6. Uygulama Alanları
257
4.4.2.3. Doğrusal Ayrım Analizi
257
1. Temel Kavramlar
257
2. Çalışma Prensibi
258
3. Matematiksel Model
258
4. Temel Adımlar
259
5. Üstünlükler ve Eksiklikler
259
6. Uygulama Alanları
260
4.4.2.4. Bağımsız Bileşen Analizi
260
1. Temel Kavramlar
261
2. Çalışma Prensibi
261
3. Matematiksel Model
261
4. Temel Adımlar
262
5. Üstünlükler ve Eksiklikler
262
6. Uygulama Alanları
263
4.4.2.5. Düzgün Çokkatlı Yaklaşım ve Projeksiyon
264
1. Temel Kavramlar
264
2. Çalışma Prensibi
264
3. Matematiksel Model
265
4. Temel Adımlar
265
5. Üstünlükler ve Eksiklikler
266
6. Uygulama Alanları
267
4.5. Pekiştirmeli Öğrenme
267
4.5.1. Modelden Bağımsız Yöntemler
268
4.5.1.1. Q–Öğrenme
268
1. Temel Kavramlar
269
2. Çalışma Prensibi
269
3. Matematiksel Model
270
4. Temel Adımlar
271
5. Üstünlükler ve Eksiklikler
271
6. Uygulama Alanları
272
4.5.1.2. Derin Q–Ağı
272
1. Temel Kavramlar
273
2. Çalışma Prensibi
273
3. Matematiksel Model
274
4. Temel Adımlar
274
5. Üstünlükler ve Eksiklikler
275
6. Uygulama Alanları
275
4.5.2. Model Temelli Yöntemler
276
4.5.2.1. Derin Deterministik Politika Gradyanı
276
1. Temel Kavramlar
276
2. Çalışma Prensibi
276
3. Matematiksel Model
277
4. Temel Adımlar
277
5. Üstünlükler ve Eksiklikler
278
6. Uygulama Alanları
278
4.5.2.2. Yakınsal Politika Optimizasyonu
279
1. Temel Kavramlar
279
2. Çalışma Prensibi
280
3. Matematiksel Model
280
4. Temel Adımlar
281
5. Üstünlükler ve Eksiklikler
281
6. Uygulama Alanları
281
4.6. Topluluk Öğrenmesi
282
4.6.1. Bagging
283
1. Temel Kavramlar
283
2. Çalışma Prensibi
283
3. Matematiksel Model
284
4. Temel Adımlar
285
5. Üstünlükler ve Eksiklikler
285
6. Uygulama Alanları
286
4.6.1.1. Bagging Örneği Rastgele Orman
286
1. Temel Kavramlar
286
2. Çalışma Prensibi
287
3. Matematiksel Model
289
4. Temel Adımlar
289
5. Üstünlükler ve Eksiklikler
289
6. Uygulama Alanları
290
4.6.2. Boosting
290
1. Temel Kavramlar
291
2. Çalışma Prensibi
291
3. Matematiksel Model
292
4. Temel Adımlar
293
5. Üstünlükler ve Eksiklikler
293
6. Uygulama Alanları
294
4.6.3. Stacking Yöntemi
294
1. Temel Kavramlar
295
2. Çalışma Prensibi
295
3. Matematiksel Model
295
4. Temel Adımlar
296
5. Üstünlükler ve Eksiklikler
296
6. Uygulama Alanları
297
5. Bölüm
DERİN ÖĞRENME
5. DERİN ÖĞRENME
301
5.1. Derin Sinir Ağ Mimarileri ve Kullanım Alanları
303
5.2. Sayısal Görüntü İşleme
305
5.2.1. Analog Görüntü
306
5.2.2. Sayısal Görüntü
306
5.2.2.1. Siyah–Beyaz Görüntü
308
5.2.2.2. Gri Seviyeli Görüntü
308
5.2.2.3. Renkli Görüntü
308
5.3. Derin Ağlarda Kullanılan Veri Kümeleri
309
5.3.1. Görsel Veriler (Resim ve Video Kümeleri) İçin
309
5.3.1.1. MNIST
309
5.3.1.2. CIFAR–10 / CIFAR–100
309
5.3.1.3. ImageNet
310
5.3.1.4. COCO (Common Objects in Context)
310
5.3.1.5. Pascal VOC
310
5.3.1.6. CelebA
310
5.3.2. Metinsel Veriler (Doğal Dil İşleme Kümeleri) İçin
311
5.3.2.1. IMDB Review Dataset
311
5.3.2.2. AG News
311
5.3.2.3. SQuAD (Stanford Question Answering Dataset)
311
5.3.2.4. GLUE ve SuperGLUE
311
5.3.2.5. WikiText
312
5.3.3. Ses (Audio) ve Konuşma Verileri İçin
312
5.3.3.1. LibriSpeech
312
5.3.3.2. VoxCeleb
312
5.3.3.3. Common Voice
312
5.3.4. Çoklu Modalite Kümeleri (Görsel + Metin, Görsel + Ses vb.) İçin
313
5.3.4.1. VQA (Visual Question Answering)
313
5.3.4.2. LRS (Lip Reading Sentences)
313
5.3.4.3. MSR–VTT
313
5.3.5. Özel Uygulama Alanları İçin
313
5.3.5.1. Cityscapes
313
5.3.5.2. Medical Decathlon
314
5.3.5.3. LFW (Labeled Faces in the Wild)
314
5.3.5.4. Kaggle ve Özelleşmiş Kümeler
314
5.3.6. Veri Kümesi Seçim Kriterleri
314
5.4. Derin Öğrenme Kütüphaneleri
315
5.4.1. Temel Derin Öğrenme Kütüphaneleri
315
5.4.1.1. TensorFlow
315
5.4.1.2. PyTorch
315
5.4.1.3. Keras
316
5.4.2. Özelleşmiş Kütüphaneler
316
5.4.2.1. Hugging Face Transformers
316
5.4.2.2.OpenCV
317
5.4.2.3.Detectron2
317
5.4.3. Yüksek Performans ve Araştırma Odaklı Kütüphaneler
318
5.4.3.1. JAX
318
5.4.3.2. FastAI
318
5.4.4. Model Dağıtımı ve Optimizasyon
319
5.4.4.1. ONNX (Open Neural Network Exchange)
319
5.4.4.2. TensorRT
319
5.4.5. Bulut ve Platform Entegrasyonları
319
5.4.5.1. Amazon SageMaker
319
5.4.5.2. Google Colab
320
5.4.5.3. Azure Machine Learning
320
5.4.6. Özel Donanım ve Accelerator Desteği
320
5.4.6.1. CUDA ve cuDNN
320
5.4.6.2. TPU (Tensor Processing Unit)
320
5.4.7. Kütüphane Seçim Kriterleri
321
5.4.7.1. Yeni Başlayanlar İçin
321
5.4.7.2. Araştırmacılar İçin
321
5.4.7.3. Prodüksiyon İçin
321
5.5. Derin Ağlarda kullanılan Programlama Dilleri
321
5.5.1. Python
321
5.5.2. C++
322
5.5.3. CUDA
323
5.5.4. JavaScript
324
5.5.5. Julia
324
5.5.6. R
325
5.5.7. Dil Seçimi Tavsiyesi
325
6. Bölüm
EVRİŞİMLİ SİNİR AĞLARI
6. EVRİŞİMLİ SİNİR AĞLARI
329
6.1. Evrişim
329
6.2. Bir Boyutlu Görüntülerde Evrişim İşlemi
329
6.3. Üç Boyutlu Görüntülerde Evrişim İşlemi
333
6.3.1. Evrişim İşleminin Görüntülere Etkisi
335
6.3.2. Sıfır Dolgu
337
6.4. Havuzlama (Pooling)
337
6.4.1. Evrişim ve Havuzlama Hesaplamaları
340
6.4.1.1. İlk Evrişim Katmanının Boyutlarının Hesaplanması
340
6.4.1.2. Evrişim Katmanının Boyutlarının Hesaplanması
341
6.4.1.3. Havuzlama Katmanının Boyutlarının Hesaplanması
342
6.5. Etkinlik İşlevleri
343
6.6. Katman ve Bağlantılar
345
6.7. Evrişimli Sinir Ağının Eğitimi
346
6.8. Düzenlileştirme (Regularization)
346
6.9. Seyreltme
347
6.10. Yapay Sinir Ağları İle Karakter Algılama
348
6.11. Evrişimli Sinir Ağları İle Karakter Algılama
350
7. Bölüm
EVRİŞİMLİ SİNİR AĞ MİMARİLERİ
7. EVRİŞİMLİ SİNİR AĞ MİMARİLERİ
355
7.1. LeNet
355
7.2. AlexNet
356
7.3. ZF Net
358
7.4. GoogLeNet
359
7.5. VGGNet
364
7.6. Microsoft ResNet
366
7.7. Kapsül Ağları (Capsule Network)
369
7.8. Üretken Çekişmeli Ağlar
377
8. Bölüm
OTOKODLAYICI AĞLARI
8. OTOKODLAYICI AĞLARI
381
8.1. Yığınlanmış Otokodlayıcı
383
8.2. Yığınlanmış Gürültülü Otokodlayıcı
383
8.3. Otokodlayıcının Eğitimi
384
8.4. Otokodlayıcı Ağlarının oluşturulması
386
8.5. Evrişimli Otokodlayıcı Ağları
387
9. Bölüm
TEKRARLAYAN SİNİR AĞLARI
9. TEKRARLAYAN SİNİR AĞLARI
393
9.1. Tekrarlayan Sinir Ağlarının Uygulama Alanları
393
9.2. Tekrarlayan Sinir Ağları Nasıl Çalışır?
394
9.3. Tekrarlayan Sinir Ağ Mimarileri
398
9.3.1. Uzun Kısa Dönemli Bellek Ağları
398
9.3.2. Kapılı Tekrarlayan Birimler
400
9.4. Tekrarlayan ve Evrişimli Sinir Ağlarının Birleşimi
402
10. Bölüm
ÜRETKEN YAPAY ZEKA
10. ÜRETKEN YAPAY ZEKA
407
10.1. Dönüştürücü Temelli Mimariler
407
10.2. Dönüştürücü Temelli Mimarilerin Üstünlükleri ve Eksiklikleri
408
10.3. Otokodlayıcı Temelli Üretken Yapay Zeka Modelleri
409
10.3.1. Değişken Otokodlayıcılar
409
10.3.1.1. Mimari Yapı
409
10.3.1.2. Çalışma Prensibi
410
10.3.1.3. Matematiksel Model
411
10.3.1.4. Üstünlükler ve Eksiklikler
411
10.3.2. Çekişmeli Otokodlayıcılar
412
10.3.2.1. Mimari Yapısı
412
10.3.2.2. Çalışma Prensibi
413
10.3.2.3. Matematiksel Model
413
10.3.2.4. Üstünlükler ve Eksiklikler
414
10.3.3. Gürültü Giderici Otokodlayıcılar
415
10.3.3.1. Mimari Yapı
415
10.3.3.2. Çalışma Prensibi
416
10.3.3.3. Matematiksel Model
416
10.3.3.4. Üstünlükler ve Eksiklikler
417
10.4. Yayılım Temelli Mimariler
418
10.4.1. Çalışma Prensipleri
418
10.4.2. Yayılım Temelli Mimarilerin Üstünlükleri ve Eksiklikleri
418
10.5. Üretken Çekişmeli Ağlar
419
10.5.1. ÜÇA'ların Temel Yapısı ve Çalışma Prensibi
420
10.5.1.1. Üretken Çekişmeli Ağ Türleri
420
1. Temel ÜÇA
421
Temel ÜÇA'ın Çalışma Prensibi
422
Matematiksel Model
422
2. Derin Evrişimli Üretken Çekişmeli Ağ
423
Mimari Yapısı
424
Çalışma Prensibi
424
Matematiksel Model
425
DEÜÇA’ın Üstünlükleri ve Eksiklikleri
426
3. Koşullu ÜÇA
426
Mimari Yapısı
426
Çalışma Prensibi
427
Matematiksel Model
428
Koşullu ÜÇA'ın Üstünlükleri ve Kullanım Alanları
429
4. Çevrimsel ÜÇA
429
Mimari Yapısı
430
Çalışma Prensibi
430
Matematiksel Model
431
Çevrimsel ÜÇA’ın Üstünlükleri ve Eksiklikleri
432
5. Aşamalı Büyüyen ÜÇA
432
Mimari Yapısı
432
Çalışma Prensibi
433
Matematiksel Model
434
Aşamalı Büyüyen ÜÇA’ın Üstünlükleri ve Eksiklikleri
434
6. Süper Çözünürlüklü ÜÇA
435
Mimari Yapısı
435
Çalışma Prensibi
436
Matematiksel Model
437
Süper Çözünürlüklü ÜÇA’ın Üstünlükleri ve Eksiklikleri
438
10.6. Büyük Dil Modelleri
438
10.6.1. OpenAI Modeller
438
10.6.1.1. GPT (2018)
439
10.6.1.2. GPT–2 (2019)
439
10.6.1.3. GPT–3 (2020)
440
10.6.1.4. GPT–4o (2024)
441
10.6.1.5. GPT 4.5 (2025)
442
OpenAI Modellerinin Üstünlükleri ve Eksiklikleri
443
10.6.2. Google Modelleri
443
10.6.2.1. BERT (Bidirectional Encoder Representations from Transformers) – 2018
444
10.6.2.2. T5 (Text–to–Text Transfer Transformer) – 2019
445
10.6.2.3. Gemini – 2023
446
Google Modellerinin Üstünlükleri ve Eksiklikleri
446
10.6.2.4. Karşılaştırmalı Analiz ve Sonuç
446
10.6.3. Meta LLaMA Modelleri
447
10.6.3.1. Teknolojik Temeller
447
10.6.3.2. Mimari Yapı
448
10.6.3.3. Eğitim Süreçleri ve Veri Setleri
448
10.6.3.4. Model Versiyonları ve Teknik Özellikler
448
Meta Modellerinin Üstünlükleri ve Eksiklikleri
449
10.6.4. Anthropic Claude Modelleri
449
10.6.4.1. Teknolojik Temeller
450
10.6.4.2. Dil Modeli Yapısı
450
10.6.4.3. Mimari ve Optimizasyon
450
10.6.4.4. Eğitim Yöntemleri
450
10.6.4.5. Değişkenler ve Token Kapasitesi
451
10.6.4.6. Açık Kaynak Durumu
451
Claude modellerinin Üstünlükleri ve Eksiklikleri
451
10.6.5. Microsoft Copilot
451
10.6.5.1. Teknolojik Altyapı ve Temel Dil Modeli
452
10.6.5.2. Mimari Yapı ve GPT–4 Entegrasyonu
452
10.6.5.3. Eğitim Yöntemleri ve Veri Kaynakları
452
10.6.5.4. Değişken ve Token Boyutları
452
10.6.5.5. Açık Kaynak Durumu
453
Copilot’un Üstünlükleri ve Eksiklikleri
453
10.6.6. DeepSeek
453
10.6.6.1. DeepThink V3
454
Teknoloji ve Dil Modeli
454
Mimari Yapı
454
Eğitim Yöntemi
454
Değişkenler ve Token Kapasitesi
454
Açık Kaynak Durumu
454
10.6.6.2. DeepThink R1 Modeli
454
Teknoloji ve Dil Modeli
454
Mimari Yapı
455
Eğitim Yöntemi
455
Değişkenler ve Token Kapasitesi
455
10.6.6.3. Açık Kaynak Durumu
455
10.6.6.4. Kullanım Alanları ve Performans
455
DeepSeek’in Üstünlükleri ve Eksiklikleri
455
10.6.7. Grok
456
10.6.7.1. Teknolojik Temeller
456
10.6.7.2. Dil Modeli Yapısı
457
10.6.7.3. Mimari Yapı
457
10.6.7.4. Eğitim Süreci ve Veri Kaynakları
457
10.6.7.5. Değişken ve Token Kapasitesi
457
10.6.7.6. Açık Kaynak Durumu
458
Grok’un Üstünlükleri ve Eksiklikleri
458
Kaynaklar
459
Kavram Dizini
491
Kitabın Fiyatı:
525,00₺
24 saat içerisinde temin edilir.
Bu kitaplar da ilginizi çekebilir
OpenCV ve Python ile Görüntü İşleme
Murat Işık
Yapay Zeka – 2
Çetin Elmas
Üretken Yapay Zeka ve Uygulamaları
Vasif Nabiyev, Ali Kürşat Erümit
Yapay Zekâ Algoritmaları ve Programlama
Ali Şir Attila
Hakkımızda
|
Uluslararası Yayınevi Belgesi|
Kaynakça Dosyası|
Kişisel Verilerin Korunması |
Üyelik|
Siparişlerim|
İade Politikası|
İletişim