Yapay Zekâyı Kodlamak Doç. Dr. Özel Sebetci - Kitap

Yapay Zekâyı Kodlamak

2. Baskı, 
Kasım 2025
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa:
462
Barkod:
9786253815073
Kapak Türü:
Karton Kapaklı
Yayınevi:
Seçkin Yayıncılık
Fiyatı:
675,00₺
24 saat içerisinde temin edilir.
Diğer Baskılar
1. baskı
Mart 2023
635,00₺
635,00₺ (%0)
Kitabın Açıklaması
Yapay zekâ artık yalnızca bir araştırma konusu değil; günlük hayatın, iş dünyasının ve toplumun merkezinde. İlk baskısıyla yapay zekânın temellerini ve Python ile kodlama pratiklerini okurla buluşturan bu kitap, 2. baskısında çok daha geniş, güncel ve vizyoner bir içerikle yeniden sizlerle.
Bu baskıda:
Büyük Dil Modelleri (LLM'ler): ChatGPT, Claude, LLaMA, Gemini, Mistral ve GPT-5'in mimarileri, kullanım alanları ve kıyaslamaları.
Üretken Yapay Zekâ (Generative AI): Diffusion modelleri, multimodal sistemler ve yapay zekânın yeni sınırları.
MLOps ve Model Dağıtımı: Model yaşam döngüsü, CI/CD, izleme, güncelleme ve endüstri uygulamaları.
Prompt Engineering ve İleri Teknikler: Zero-shot, few-shot, chain-of-thought, persona prompting ve RAG gibi güncel yöntemler.
Etik ve Hukuki Düzenlemeler: AB Yapay Zekâ Yasası (AI Act) ve sorumlu yapay zekâ tartışmaları.
Python 3.12–3.13 Yenilikleri: Modern sözdizimleri, pattern matching, type hinting ve performans geliştirmeleri.
Yeni Ekosistemler: Hugging Face, LangChain, Polars, PyTorch 2.0 ve daha fazlası.
Bu kitap kimler için?
Yapay zekâyı öğrenmek isteyen öğrenciler,
Uygulama geliştirmek isteyen yazılım mühendisleri,
Akademik dünyada araştırma yapan bilim insanları,
Sektörde güncel araçları kullanmak isteyen profesyoneller.
Bu kitap hem teoriyi hem pratiği bir araya getiriyor; sizi yalnızca okur değil, aynı zamanda yapay zekâ ile üreten, sorgulayan ve dönüştüren bir aktör olmaya davet ediyor.
Kitabın Konu Başlıkları
.
Yapay Zekâ (Artificial Intelligence – AI)
.
Python
.
Nesne Yönelimli Programlama (OOP)
.
Modüller, Kütüphaneler ve Araçlar
.
TensorFlow ve Keras Kütüphaneleri
.
Veri Bilimi
.
Matematik, İstatistik ve Yapay Zekâ
.
Makine Öğrenmesi
.
Yapay Sinir Ağları
.
Derin Öğrenme
.
Uygulamalar
.
MLOps ve Model Dağıtımı
.
Prompt Engineering ve İleri Teknikler
Kitabın İçindekileri
İkinci Baskıya Önsöz 
5
Önsöz 
7
Yazar Hakkında 
9
Resimler Listesi 
21
Şekiller Listesi 
29
Tablolar Listesi 
33
1. GİRİŞ 
35
2. YAPAY ZEKÂ (ARTIFICIAL INTELLIGENCE – AI) 
39
2.1. Yapay Zekâ Nedir? 
39
2.2. Yapay Zekâ Uygulamaları ve Alanları 
40
2.3. Türkiye ve Yapay Zekâ 
43
2.4. Metaverse ve Yapay Zekâ 
45
2.5. Yapay Zekâyı Kodlama 
47
2.6. Büyük Dil Modelleri (LLM) ve Mimarileri 
49
2.7. ChatGPT, Claude, LLaMA, Mistral, GPT–5 ve Diğer Önde Gelen LLM’ler: Kullanım Alanları 
52
2.8. Yapay Zekâ Etiği ve Hukuki Düzenlemeler (AB AI Act vb.) 
54
3. PYTHON 
57
3.1. Python Kurulumu 
60
3.2. Anaconda 
61
3.3. Spyder 
64
3.4. Jupyter Notebook ve JupyterLab 
64
3.5. Sanal Ortam 
68
3.5.1. Windows Komut İstemcisinden Sanal Ortam Oluşturma 
69
3.5.2. Anaconda ile Sanal Ortam Oluşturma 
70
3.6. Kaggle 
74
3.7. Google Colaboratory 
76
3.8. PIP ve Conda ile Yeni Modüller Eklemek 
78
3.8.1. Pip ile Yeni Modüller Eklemek 
78
3.8.2. Conda ile Yeni Modüller Eklemek 
78
3.9. Python Dili Sözdizimi 
80
3.9.1. Değişkenler 
81
3.9.2. Stack Memory vs. Heap Memory 
82
3.9.3. Operatörler 
85
3.9.4. Veri Tipleri 
87
3.9.5. Koşul Yapıları 
92
3.9.5.1. If 
92
3.9.5.2. Else 
93
3.9.5.3. Elif 
93
3.9.5.4. İç İçe If İfadesi 
94
3.9.6. Döngüler 
95
3.9.6.1. While Döngüsü 
95
3.9.6.2. For Döngüsü 
96
3.9.7. İç İçe Döngüler 
97
3.9.8. Fonksiyonlar 
98
3.9.9. Global ve Yerel (Lokal) Değişkenler 
101
3.9.10. Gömülü Fonksiyonlar (Built–in) 
102
3.9.11. String Methodları 
107
3.9.12. Kullanıcı Tarafından Oluşturulan Fonksiyonlar 
112
3.9.13. Lambda İfadeleri ve Comprehension Tanımlamaları 
114
3.9.14. Özyinelemeli Fonksiyonlar 
115
3.10. Python Veri Yapıları 
116
3.10.1. Listeler – List 
117
3.10.2. Diziler – Array 
122
3.10.3. Demetler – Tuple 
123
3.10.4. Kümeler – Set 
124
3.10.5. Sözlükler – Dictionary 
126
3.10.6. Range, Enumerate ve Comprehension Yapıları 
129
3.11. Python Web and Desktop Uygulamaları 
130
3.11.1. Django 
130
3.11.2. Flask 
130
3.11.3. Bottle 
131
3.11.4. Tornado 
131
3.11.5. Pyramid 
131
3.11.6. Tkinter 
131
3.11.7. PyQT 
132
3.11.8. Kivy 
132
3.11.9. WxPython 
132
3.12. Python 3.12 ve 3.13 Yenilikleri ve Modern Sözdizimleri (Type Hinting, Pattern Matching) 
132
4. NESNE YÖNELİMLİ PROGRAMLAMA (OOP) 
137
4.1. Nesneler ve Sınıflar 
138
4.1.1. Sınıf ve Nesne Tanımlama 
138
4.1.2. Sınıflar ve Örnekler 
140
4.2. Kalıtım (Inheritance) 
142
4.3. Kapsülleme (Encapsulation) 
143
4.4. Polimorfizm (Polymorphism) 
146
4.5. Örnek Metotlar 
147
4.6. OOP Prensipler 
147
4.7. Program Hatalarının Yönetimi 
148
5. MODÜLLER, KÜTÜPHANELER VE ARAÇLAR 
153
5.1. Genel Bakış 
153
5.1.1. Python Packages 
156
5.1.2. Python Libraries 
158
5.1.3. Python Frameworks 
160
5.1.4. Math Modülü 
160
5.1.5. Statistics Modülü 
162
5.1.6. Random Modülü 
163
5.1.7. Datetime Modülü 
164
5.1.8. CSV Modülü 
164
5.2. NumPy Kütüphanesi 
168
5.2.1. NumPy Kurulumu 
168
5.2.2. Numpy’ın Kalbi 
169
5.2.3. Dizi Oluşturma 
171
5.2.4. NumPy Tarafından Desteklenen Veri Türleri 
173
5.2.5. Slicing 
177
5.2.6. Shape Manipulation 
179
5.3. Pandas Kütüphanesi 
180
5.3.1. Pandas Kurulumu ve Veri Yapıları 
181
5.3.2. Series 
181
5.3.3. Dataframe 
186
5.4. SciKit Learn Kütüphanesi 
189
5.4.1. Sınıflandırma 
190
5.4.2. Regresyon 
190
5.4.3. Kümeleme 
191
5.4.4. Boyutsal küçülme 
191
5.4.5. Model seçimi 
192
5.4.6. Ön İşleme 
192
5.5. Matplotlib Kütüphanesi 
193
5.5.1. Kurulumu 
194
5.5.2. pylab and pyplot 
197
5.5.3. Matplotlib Uygulamaları 
200
5.6. Web Scraping (Kazıma) 
210
5.7. Hugging Face Ekosistemi ve Transformers 
212
5.8. LangChain ile AI Agent Geliştirme 
213
5.9. Polars ile Yüksek Hızlı Veri İşleme 
214
6. TENSORFLOW VE KERAS KÜTÜPHANELERİ 
217
6.1. Theano Kütüphanesi 
219
6.2. PyTorch Framework 
219
6.3. NLTK Kütüphanesi 
221
6.4. Scipy Kütüphanesi 
221
6.5. Seaborn Kütüphanesi 
222
6.6. Plotly Kütüphanesi 
222
6.7. Bokeh Kütüphanesi 
223
6.8. PyTorch 2.0 Yenilikleri 
223
6.9. Transfer Learning ve Fine–Tuning Örnekleri (Hugging Face Model Hub) 
224
7. VERİ BİLİMİ 
227
7.1. Veri Bilimcisi Kimdir? 
230
7.1.1. Veri Bilimi ve İş Zekâsı Arasındaki Farklar 
231
7.1.2. Veri Biliminin Yaşam Döngüsü 
232
7.1.3. Veri Biliminin Artıları Eksileri 
235
7.2. Veri Bilimi için Gerekli Araçlar 
237
7.3. Veri Biliminin Uygulanması 
239
7.3.1. Risk ve Dolandırıcılık Tespiti 
239
7.3.2. Sağlık Hizmeti 
239
7.3.3. Genetik ve Genomik 
239
7.3.4. İlaç Geliştirme 
239
7.3.5. İnternet Araması 
240
7.3.6. Web Sitesi Önerileri 
240
7.3.7. Gelişmiş Görüntü Tanıma 
240
7.3.8. Sanal Asistan 
240
7.3.9. Konuşma Tanıma 
241
7.3.10. Uçaklar için Rota Planlama 
241
7.3.11. Oyun 
241
7.3.12. Arttırılmış Gerçeklik 
241
7.4. Veri Bilimi Modellerine Matematik Uygulaması 
242
7.6. Veri Temizleme 
245
7.7. Veri Doğrulama 
246
7.8. Veri Keşfi 
247
7.9. Veri Madenciliği 
247
7.10. Veri Toplama Yöntemleri 
251
7.10.1. Gözlem 
251
7.10.2. Anketler 
251
7.10.3. Röportajlar 
252
7.10.4. Odak Grup Tartışmaları 
252
7.11. Kaggle Tanıtımı 
253
7.12. Git ve Github 
257
7.12.1. Github 
257
7.12.2. GİT 
259
7.13. Verinin Görselleştirilmesi 
277
7.14. Büyük Veri 
283
7.15. Gerçek Zamanlı Veri Akışı (Kafka, Spark Streaming) 
284
8. MATEMATİK, İSTATİSTİK VE YAPAY ZEK 
287
8.1. Doğrusal Cebir (Linear Algebra) 
288
8.2. Vektörler ve Matrisler 
289
8.3. Olasılık ve Dağılım 
291
8.4. Optimizasyon 
297
8.5. Graflar (Computation Graph) 
300
8.6. Veri Bilimi İstatistikleri 
301
8.7. Tanımlayıcı İstatistik 
301
8.8. Çıkarımsal İstatistik 
305
8.9. Diğer Test Yöntemleri 
308
8.10. Lineer Regresyon 
308
8.11. Çoklu Lineer Regresyon 
314
8.12. Regresyon Analizi 
318
8.13. Ajanlar ve Ortamlar 
321
8.14. Arama Problemleri, Durum Uzayı ve Başlangıç Durum 
327
8.15. Geleneksel Arama Algoritmaları 
328
8.16. Genetik Algoritmalar 
333
9. MAKİNE ÖĞRENMESİ 
335
9.1. Öğrenme 
336
9.1.1. Fiziksel (Kinestetik) Öğrenme 
338
9.1.2. Görsel (Mekansal) Öğrenme 
339
9.1.3. İşitsel Öğrenme 
339
9.1.4. Sözel (Okuma/Yazma) Öğrenme 
340
9.1.5. Mantıksal (Matematiksel) Öğrenme 
340
9.1.6. Müzikal Öğrenme 
340
9.1.7. Doğa Bilimcileri 
341
9.1.8. Dilsel Öğrenenler 
341
9.1.9. Kişilerarası (Sosyal) Öğrenenler 
342
9.1.10. Kişi İçi (Yalnız) Öğrenciler 
342
9.2. Bilgisayarlı Öğrenme ve Karar Verme 
343
9.3. Veri Ön İşleme ve Model Tasarımı 
345
9.3.1. Veri Ön İşleme 
346
9.3.2. Veri Önişleme için Örnek 
352
9.3.3. Model Planlama 
358
9.3.4. Model Oluşturma 
359
9.3.5. Modelin Eğitilmesi 
359
9.3.6. Modelin Test Edilmesi 
359
9.3.7. Modelin İyileştirilmesi 
360
9.4. Makine Öğrenmesi Yaklaşımları 
360
9.5. Gözetimli Öğrenme (Denetimli–Supervised Learning) 
362
9.5.1. Regresyon 
362
9.5.1.1. Lineer Regresyon 
363
9.5.1.2. Polinomial Regresyon 
364
9.5.1.3. Lojistik Regresyon 
365
9.5.1.4. Gradyan Azaltma 
367
9.5.1.5. Neural Network Regresyon 
368
9.5.1.6. Support Vektor Regresyon 
369
9.5.1.7. Gaussian process regression (GPR): 
370
9.5.2. Sınıflandırma 
370
9.5.2.1. Naive Bayes Sınıflandırması 
371
9.5.2.2. SVM Sınıflandırması 
374
9.5.2.3. Karar Ağaçları 
377
9.5.2.4. k–NN Algoritması 
381
9.5.2.5. Random Forest 
385
9.6. Gözetimsiz Öğrenme (Denetimsiz–Unsupervised Learning) 
390
9.6.1. Kümeleme 
390
9.6.2. Hiyerarşik Kümeleme 
393
9.7. Denetimli vs Denetimsiz Öğrenme 
400
9.8. Yarı Denetimli Öğrenme 
401
9.9. Pekiştirmeli Öğrenme 
403
9.9.1. Model Bağımsız RL 
405
9.9.2. Model Tabanlı RL 
406
9.10. AutoML (Otomatik Model Seçimi) 
408
9.11. Derin Pekiştirmeli Öğrenme (Deep RL) 
408
10. YAPAY SİNİR AĞLARI 
411
10.1. Nöron ve Ağ Yapısı 
413
10.2. Aktivasyon Fonksiyonu 
414
10.3. Tek Katmanlı Sinir Ağları (Perceptronlar) 
416
10.4. İki Katmanlı Sinir Ağları 
417
10.5. Çok Katmanlı Sinir Ağları (L–Layer NN) 
418
10.6. İleri Yayılımlı Öğrenme 
419
10.7. Kayıp (Loss) ve Maliyet (Cost) Fonksiyonları 
419
10.8. Geri Yayılımlı Öğrenme 
419
10.9. Evrişimli Sinir Ağı Mimarileri 
419
10.9.1. LeNet 
420
10.9.2. AlexNet 
421
10.9.3. ZFNet 
422
10.9.4. GoogLeNet 
423
10.9.5. VGGNet 
423
10.10. Tekrarlayan Sinir Ağları (Recurrent Neural Networks – RNN) 
424
10.11. NLP 
425
10.12. Sequence Models 
426
10.13. Uzun Kısa Dönemli Bellek Ağları (LSTM) 
426
10.14. Tekrarlayan ve Evrişimli Sinir Ağlarının Birleşimi 
427
10.15. Derin İnanç Ağları 
427
10.16. Kısıtlı Boltzmann Makinesi 
428
10.17. Transformers ve Self–Attention Mekanizması 
428
10.18. BERT, GPT, T5 Modelleri 
429
11. DERİN ÖĞRENME 
431
11.1. Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN) 
432
11.2. Normalizasyon ve Label Encoding 
432
11.3. Batch ve Epoch 
433
11.4. Data Augmentation 
433
11.5. Katmanlar ve Bağlantılar 
433
11.6. Diffusion Modelleri (Stable Diffusion) 
436
11.7. Multimodal Modeller 
437
12. UYGULAMALAR 
439
12.1. Hesap Makinesi Projesi 
439
12.2. Araç Kiralama Projesi 
440
12.3. Sıcaklık Dönüşümleri Uygulaması 
441
12.4. Instagram Profil Resimleri İndirme Uygulaması 
442
12.5. Lojistik Regresyon Python Çalışması 
443
12.6. ANN Python Çalışması 
445
13. MLOps ve Model Dağıtımı 
447
13.1. MLOps’un Tanımı ve Önemi 
447
13.2. Model Yaşam Döngüsü (ML Lifecycle) 
447
13.3. Sürekli Entegrasyon ve Sürekli Dağıtım (CI/CD) için MLOps 
448
13.4. Model Dağıtım Stratejileri 
448
13.5. İzleme ve Modelin Sağlamlığı (Monitoring) 
449
13.6. Popüler MLOps Araçları ve Platformları 
449
13.7. Gerçek Dünya Uygulamaları 
449
14. Prompt Engineering ve İleri Teknikler 
451
14.1. Prompt Engineering Nedir? 
451
14.2. İyi Prompt’un Temel İlkeleri 
451
14.3. İleri Teknikler 
452
14.4. Görsel, Kod ve Multimodal Prompting 
452
14.5. Prompt Engineering’in Geleceği 
452
14.6. Prompt Engineering’de Dikkat Edilmesi Gerekenler 
454
Kaynakça 
455
Kavram Dizini 
461
HakkımızdaUluslararası Yayınevi BelgesiKaynakça Dosyası Kişisel Verilerin Korunması ÜyelikSiparişlerimİade Politikasıİletişim
 
Ana Sayfa
Kategori
Sipariş
Sepetim
Profil