Soru:
Aşağıda verilen adımları gerçekleştirerek araştırma ödevini zamaninda ve
eksiksiz olarak tamamlayıniz.
Çeşitli alanlardan (sosyal ağ, eğitim, sağlık gibi) bilinen ve sikkulla-
nilan üç farklı program veya uygulamayı seçiniz.
Seçtiğiniz her bir program veya uygulamanın arkasında yatan makine
öğrenmesi algoritmalarını araştırınız.
Bulduğunuz algoritmaların çalışma prensiplerini detaylı bir şekilde
açıklayınız.
Farklı programlar için kullanılan algoritmalar arasındaki benzerlik ve
farklılıikları belirleyiniz.
Hangi algoritma türlerinin hangi tür uygulamalarda daha sık kullanıl-
diğını belirleyiniz.
Her bir algoritmanın gerçek yaşamda oluşturduğu etkileri örneklerle
gösteriniz.
Araştırmalarınızı rapor hâline getiriniz. Raporunuzu sinıfınızda bir
sunum olarak arkadaşlarınıza sununuz.
Araştırma ödeviniz karekod içinde verilen derecelendirme ölçeği ile öğretme-
niniz tarafından değerlendirilecektir.
1. Programların Arkasında Yatan Makine Öğrenmesi Algoritmaları
Program
Kullanılan Algoritma
Algoritmanın Türü
Facebook
Derin Öğrenme (Convolutional Neural Networks - CNN)
Denetimli Öğrenme
Duolingo
Karar Ağaçları ve Takviye Öğrenme
Denetimli ve Pekiştirmeli Öğrenme
IBM Watson Health
Doğal Dil İşleme (NLP) ve Destek Vektör Makineleri (SVM)
Denetimli Öğrenme
2. Algoritmaların Çalışma Prensipleri
Facebook - CNN (Derin Öğrenme)
Görsel ve içerik tanıma amacıyla kullanılır.
Çok katmanlı yapay sinir ağıdır, görüntüler üzerinde özellikleri hiyerarşik olarak öğrenir.
Her katmanda girdiler işlenir, önemli özellikler çıkarılır ve sınıflandırma yapılır.
Duolingo - Karar Ağaçları ve Takviye Öğrenme
Kullanıcının dil öğrenme sürecine göre kişiselleştirme yapar.
Karar ağaçları, kullanıcı hareketlerine göre en uygun soruları seçer.
Takviye öğrenme ise ödül-ceza mekanizması ile kullanıcıya en etkili öğrenme yöntemini öğretir.
IBM Watson Health - NLP ve SVM
Doğal Dil İşleme hastalık verilerini, tıbbi metinleri analiz eder.
Destek Vektör Makineleri, verileri sınıflandırır ve hastalık tahmini yapar.
Karmaşık ve çeşitli veri kümeleri üzerinde yüksek doğruluk sağlar.
3. Algoritmalar Arası Benzerlikler ve Farklılıklar
Özellik
Derin Öğrenme (CNN)
Karar Ağaçları ve Takviye Öğrenme
NLP ve SVM
Veri Türü
Görseller, büyük veri
Kullanıcı hareketleri, etkileşim
Metin, yapılandırılmış veri
Öğrenme Türü
Denetimli
Denetimli ve Pekiştirmeli
Denetimli
Çalışma Prensibi
Çok katmanlı sinir ağları
Kurallar ve ödül-ceza mekanizması
Sınır belirleme ve metin analizi
Uygulama Alanı
Görüntü tanıma, tavsiye sistemleri
Eğitim uygulamaları, kişiselleştirme
Sağlık analitiği, sınıflandırma
4. Algoritma Türlerinin Kullanım Alanları
Derin öğrenme genellikle büyük veri ve görsel verilerde (örnek: sosyal medya, görüntü işleme) kullanılır.
Karar ağaçları ve pekiştirmeli öğrenme daha çok eğitim ve kişiselleştirilmiş sistemlerde etkilidir.
NLP ve SVM gibi algoritmalar ise sağlık ve metin tabanlı analizlerde tercih edilir.
5. Gerçek Yaşamda Algoritmaların Etkileri ve Örnekler
Facebook (CNN):
İçerik tanıma sayesinde zararlı içeriklerin otomatik tespiti.
Kullanıcı sohbetlerinde otomatik yüz ve obje tanıma.
Duolingo (Karar Ağaçları ve Takviye Öğrenme):
Öğrenme sürecine göre kişiselleştirilmiş dersler vererek kullanıcı verimliliğini artırır.
Hatalı öğrenme alışkanlıklarını minimize eder.
IBM Watson Health (NLP + SVM):
Hastalık teşhis süreçlerinde doktorlara destek sağlar.
Büyük tıbbi veri analizleriyle tedavi yöntemlerini optimize eder.
Sonuç
Bu araştırma, sosyal ağ, eğitim ve sağlık alanlarında kullanılan popüler üç programın arkasındaki makine öğrenimi algoritmalarını, çalışma prensiplerini, benzerliklerini ve farklarını ortaya koymuştur. Ayrıca, bu algoritmaların gerçek yaşamda nasıl etkili olduklarına dair somut örnekler verilmiştir.
Başka bir konuda örnek veya detaylı açıklama ister misin?
Başka soruların olursa sormaktan çekinme!
Aşağıda verilen adımları gerçekleştirerek araştırma ödevini zamanında ve eksiksiz olarak tamamlayınız.
CEVAP: Aşağıda üç farklı alandan (sosyal ağ, eğitim, sağlık) seçilmiş popüler uygulamalar için hazır bir araştırma raporu, her uygulamanın arkasındaki makine öğrenmesi algoritmalarının detaylı açıklamaları, algoritmalar arasındaki benzerlik/farklılıklar, hangi algoritma türlerinin hangi uygulamalarda daha sık kullanıldığı, gerçek yaşam etkileri örnekleri ve sunum için öneriler yer almaktadır. Bu raporu kopyalayıp düzenleyerek öğretmeninize teslim edebilir ve sınıfta sunabilirsiniz.
AÇIKLAMA: Rapor üç bölümden oluşur (her uygulama için ayrı başlık). Her bölümde: uygulama tanıtımı, kullanılan(olması muhtemel) algoritmalar, algoritmaların çalışma prensipleri, gerçek yaşam etkileri. Ardından karşılaştırma ve sunum önerileri verilmektedir.
Sıralama ve sıra modelleme: RNN veya Transformer tabanlı kullanıcı davranış modeli.
Keşif için bandit algoritmaları / çevrimçi öğrenme: Epsilon-greedy, contextual bandits.
Çalışma prensibi (detay):
Kullanıcı ve içerik embedding oluşturma:
Kullanıcı geçmiş etkileşimleri ve içerik özellikleri toplanır.
Özelliklerden düşük boyutlu vektör (embedding) öğrenilir.
Öneri adımı (skorlama):
Kullanıcı embedding ile içerik embedding çarpımı veya sinir ağı üzerinden skor hesaplanır.
Skorlar softmax veya sıralama loss’u ile normalize edilip en yüksek skorlu içerikler seçilir.
Sıra/sekans modelleme:
Kullanıcının zaman içindeki davranışı RNN/Transformer ile modellenir.
Model, bir sonraki izlenecek videoyu olasılıksal olarak tahmin eder.
Çevrim içi güncelleme ve keşif:
Bandit algoritmaları yeni içeriklere şans vererek veri toplanmasını sağlar.
Geribildirim (izleme süresi, beğeni, paylaşım) anlık olarak modele eklenir.
Gerçek yaşam etkileri (örnekler):
İçerik keşfini hızlandırır; kullanıcı etkileşimi ve reklam geliri artar.
Algoritmik balon (echo chamber) ve bağımlılık riski; yanlış bilginin hızla yayılması.
Küçük içerik üreticilerin viral olma olasılığı artar.
Uygulama 2 — Khan Academy (Eğitim / adaptif öğrenme)
Kullanılan algoritmalar (özet):
Bilgi izleme: Bayesyen Bilgi İzleme (Bayesian Knowledge Tracing) ve Derin Bilgi İzleme (Deep Knowledge Tracing, RNN).
Spaced repetition / Zaman-serisi modelleri.
Öneri için denetimli sınıflandırma ve karar ağaçları.
Çalışma prensibi (detay):
Bilgi durumu (knowledge state) modelleme:
Her öğrenci için gizli bir bilgi durumu vardır; bu, belirli bir beceriyi bilip bilmediğini temsil eder.
Bayesyen yaklaşımda gizli durumlar ve geçiş olasılıkları tanımlanır; öğrenci cevaplarına göre güncellenir.
Derin Bilgi İzleme:
Öğrencinin çözme geçmişi bir dizi olarak RNN/Transformer girişine verilir.
Model, sonraki problemin doğru çözülme olasılığını tahmin eder.
Uyarlanmış içerik seçimi:
Model çıktısına göre öğrenciye zorluk seviyesi uyarlanır (pekiştirme gerektirenler tekrar gösterilir).
Pekiştirmeli öğrenme bazlı yaklaşımlar (ör. reward: öğrenme kazancı) de kullanılabilir.
Gerçek yaşam etkileri (örnekler):
Öğrencilerin zayıf konulara odaklanmasını sağlar; başarı artışı.
Ancak hatalı modelleme öğrenciyi yanlış seviyede görevlendirebilir.
Veri gizliliği ve adil değerlendirme önemli sorundur.
Uygulama 3 — Medikal Görüntü Analizi (ör. Görüntü tabanlı kanser taraması, Sağlık uygulamaları)
Kullanılan algoritmalar (özet):
CNN (Convolutional Neural Networks) — sınıflandırma ve segmentasyon.
U-Net ve türevleri — görüntü segmentasyonu.
Random Forest / Gradient Boosting Machines (GBM) — klinik/tablolar için.
Transfer learning — küçük tıbbi veri setlerinde ön-eğitilmiş modeller kullanımı.
Çalışma prensibi (detay):
Ön işleme ve anotasyon:
Görüntüler normalize edilir; radyolog anotasyonları etiketleri oluşturur.
Özellik çıkarma (CNN):
Convolution katmanları kenar, doku, şekil gibi düşük ve yüksek seviye özellikleri çıkarır.
Sınıflandırma / Segmentasyon:
Sınıflandırmada CNN son katmanı softmax ile hastalık olasılığı verir.
Segmentasyonda U-Net benzeri mimariler pikselleri sınıflandırır (ör. tümör bölgesi).
Değerlendirme ve güvenlik:
ROC, AUC, hassasiyet/özgüllük gibi metriklerle değerlendirilir.
Model belirsizliği için ek yöntemler (MC dropout, ensembller) kullanılır.
Gerçek yaşam etkileri (örnekler):
Erken teşhis sayesinde hasta hayatı kurtarılabilir.
Yanlış pozitif/negatif sonuçlar hasta bakımında hatalara yol açabilir.
Algoritmik yanlılık (eğitim verisi demografik olarak dengesizse) ağır sonuçlar doğurabilir.
– ALGORİTMALAR ARASINDA BENZERLİK VE FARKLILIKLAR –
Benzerlikler
Hepsi veriye dayalıdır; büyük veri ve doğru etiketleme modeli belirgin şekilde iyileştirir.
Öğrenme sırasında optimizasyon (örn. gradient descent) ve doğrulama/k-cross validation kullanılır.
Derin öğrenme modelleri (CNN/RNN/Transformer) pek çok alanda transfer öğrenme ile paylaşılabilir.
Farklılıklar
Girdi tipi: Görüntü (CNN) vs sıra/zaman verisi (RNN/Transformer) vs tabular (GBM).
Hedef: Sıralama (recommender) vs tahmin/sınıflandırma (medikal) vs dinamik durum tahmini (knowledge tracing).
İnterpretability (açıklanabilirlik): Karar ağaçları daha yorumlanabilir; derin ağlar daha kara kutudur.
Çevrim içi vs çevrimdışı öğrenme: Öneri sistemleri genellikle çevrim içi güncellenir; medikal modeller genellikle çevrimdışı geliştirilir ve sıkı validasyondan geçirilir.
– HANGİ ALANLARDA HANGİ ALGORİTMA TÜRLERİ DAHA SIK KULLANILIR? –
Sosyal ağ / içerik öneri: Recommender sistemler, embedding tabanlı derin modeller, öğrenmeden sıralamaya (learning-to-rank), bandit algoritmaları.
Eğitim / adaptif öğrenme: Bilgi izleme (Bayesyen, RNN/Transformer), pekiştirmeli öğrenme (uyarlama stratejileri), zaman-serisi modelleri.
Sağlık / tıbbi görüntü: CNN, U-Net, transfer learning; klinik verilerde GBM / Random Forest.
Doğal dil işleme (mesaj, yorum analizi): Transformer tabanlı modeller (BERT gibi).
Finans / tabular tahmin: GBM, Random Forest, lojistik regresyon.
– GERÇEK YAŞAM ETKİLERİ ÖRNEKLERİ (Kısa ve net) –
TikTok: Algoritma kullanıcı ilgisini artırır; kısa sürede viral içerik; potansiyel bağımlılık ve kutuplaşma.
Khan Academy (adaptive): Zayıf konulara odaklanma + bireyselleştirilmiş öğrenme → başarı artışı; ancak model yanlış yönlendirirse motivasyon düşebilir.
Tıbbi görüntü sınıflandırması: Erken kanser tespiti → erken tedavi; yanlış sınıflandırma → gereksiz müdahale veya gecikmiş tedavi.
– SUNUM VE RAPOR ÖNERİLERİ (Sınıf sunumu için) –
Rapor yapısı (ödev teslimi için):
Başlık sayfası (Ad, sınıf, grup üyeleri)
İçindekiler
Kısa giriş: Makine öğrenmesinin tanımı
Her uygulama için alt başlıklar (tanıtım, algoritmalar, çalışma prensibi, etkiler)
Karşılaştırma tablosu (algoritma tipi, veri türü, avantaj/dezavantaj)
Sonuç ve öneriler (etik, gizlilik, insan denetimi)
Kaynaklar (internet makaleleri, bilimsel yayınlar)
CEVAP: Aşağıda üç farklı alandan (sosyal ağ, eğitim, sağlık) seçilmiş popüler uygulamalar için hazır bir araştırma raporu, her uygulamanın arkasındaki makine öğrenmesi algoritmalarının detaylı açıklamaları, algoritmalar arasındaki benzerlik/farklılıklar, hangi algoritma türlerinin hangi uygulamalarda daha sık kullanıldığı, gerçek yaşam etkileri örnekleri ve sunum için öneriler yer almaktadır. Bu raporu kopyalayıp düzenleyerek öğretmeninize teslim edebilir ve sınıfta sunabilirsiniz.
AÇIKLAMA: Rapor üç bölümden oluşur (her uygulama için ayrı başlık). Her bölümde: uygulama tanıtımı, kullanılan(olması muhtemel) algoritmalar, algoritmaların çalışma prensipleri, gerçek yaşam etkileri. Ardından karşılaştırma ve sunum önerileri verilmektedir.
TEMEL KAVRAMLAR:
SIK YAPILAN HATALAR: