Yapay zeka ve makine öğrenmesi nedir, farkı ne ve yapay zeka nasıl öğrenir
Yapay zeka, bilgisayara insan zekası isteyen işleri yaptırmayı hedefleyen alanın genel adıdır. Makine öğrenmesi bu alanın veriden öğrenen dalıdır, derin öğrenme ise makine öğrenmesinin çok katmanlı sinir ağlarıyla çalışan kısmıdır. Model, tahminiyle doğru cevap arasındaki hatayı küçültecek biçimde parametrelerini adım adım güncelleyerek öğrenir.
Yapay zeka ve makine öğrenmesi nedir
Yapay zeka, bilgisayara insan zekası isteyen işleri yaptırmayı hedefleyen alanın genel adıdır. Makine öğrenmesi ise bu hedefe ulaşmanın en yaygın yoludur, yani kuralları elle yazmak yerine bilgisayarın kuralları veriden çıkarmasıdır. Google'ın makine öğrenmesi eğitimindeki tanımla makine öğrenmesi, model denen bir yazılımı veriden faydalı tahminler yapacak ya da içerik üretecek biçimde eğitme sürecidir.
İki kavram çoğu zaman birlikte anılır, çünkü bugün kullandığın yapay zeka ürünlerinin neredeyse hepsi makine öğrenmesiyle eğitilmiş modellerdir. ChatGPT, Gemini ve Claude gibi sohbet asistanları, telefonundaki yüz tanıma ya da e-postandaki spam filtresi bu modellere örnektir. Yapay zekanın tanımını, türlerini ve tarihçesini ayrı bir sayfada ayrıntılı anlattık. Bu sayfa makine öğrenmesinin nasıl çalıştığına odaklanıyor.
Yapay zeka, makine öğrenmesi ve derin öğrenme farkı
Yapay zeka, makine öğrenmesi ve derin öğrenme iç içe geçmiş üç halka gibidir. En dışta yapay zeka, onun içinde makine öğrenmesi, en içte derin öğrenme yer alır. Her derin öğrenme sistemi makine öğrenmesidir, ama her makine öğrenmesi sistemi derin öğrenme kullanmaz.
- Yapay zeka. Kural tabanlı uzman sistemler, arama algoritmaları ve öğrenen sistemlerin hepsini kapsar.
- Makine öğrenmesi. Yapay zekanın veriden öğrenen kısmıdır. Karar ağacı ya da doğrusal regresyon gibi görece basit yöntemler de buraya girer.
- Derin öğrenme. Makine öğrenmesinin çok katmanlı yapay sinir ağlarıyla çalışan dalıdır. Görsel, ses ve metin gibi karmaşık veride öne çıkar.
- Üretken yapay zeka. Derin öğrenmeyle eğitilmiş, yeni metin, görsel ya da ses üreten modellerdir. Büyük dil modelleri bu grubun en bilinen örneği.
Aşağıdaki tablo üç kavramı aynı ölçütlerle karşılaştırıyor.
| Ölçüt | Yapay zeka | Makine öğrenmesi | Derin öğrenme |
|---|---|---|---|
| Kapsam | Alanın tamamı | Yapay zekanın alt dalı | Makine öğrenmesinin alt dalı |
| Kuralı kim yazar | Programcı ya da model | Model, veriden öğrenir | Model, katmanlar boyunca kendisi öğrenir |
| Özellik çıkarma | Kural tabanlı sistemde elle | Çoğu zaman insan seçer | Model ham veriden kendisi çıkarır |
| Veri ihtiyacı | Yönteme göre değişir | Yüzlerce ile milyonlarca örnek | Genelde çok büyük veri kümesi |
| Donanım | Yönteme göre değişir | Sıradan bilgisayar çoğu zaman yeter | Eğitimde ekran kartı ya da özel yonga gerekir |
| Açıklanabilirlik | Kural tabanlıda yüksek | Karar ağacında yüksek, karmaşık modelde düşük | Düşük, karar süreci zor izlenir |
| Örnek | Satranç programı, rota planlayıcı | Spam filtresi, kredi risk puanı | Yüz tanıma, ChatGPT |
Hangi yöntemin seçileceği işe göre değişir. Tablo halindeki birkaç bin satırlık müşteri verisinde karar ağacı ya da rastgele orman çoğu zaman yeterlidir. Fotoğraf, ses ve serbest metin gibi yapısız veride derin öğrenme açık ara öndedir.
Derin öğrenme nedir
Derin öğrenme, birbirine bağlı çok sayıda katmandan oluşan yapay sinir ağlarıyla yapılan makine öğrenmesidir. Her katman veriyi bir öncekinden biraz daha soyut bir temsile çevirir. Bir yüz tanıma modelinde ilk katmanlar kenarları, sonrakiler göz ve burun gibi parçaları, son katmanlar yüzün tamamını ayırt eder.
Yapay sinir ağı fikri 1940'lara uzanır, ama derin ağlar ancak büyük veri ve güçlü ekran kartlarıyla pratik hale geldi. Bugünkü dil modellerinin temelinde Google araştırmacılarının 2017'de yayımladığı Transformer mimarisi var. Alana temel katkıları için John Hopfield ile Geoffrey Hinton, 2024 Nobel Fizik Ödülü'nü aldı. Haberi Yapay Bülten 44'te aktarmıştık.
Yapay zeka nasıl öğrenir
Yapay zeka, tahminiyle doğru cevap arasındaki farkı ölçüp bu farkı küçültecek yönde kendi ayarlarını adım adım değiştirerek öğrenir. Bu ayarlara parametre ya da ağırlık denir. Basit bir modelde birkaç parametre, büyük dil modellerinde milyarlarca parametre bulunur.
Bir modelin eğitimi aşağı yukarı aynı döngüyle ilerler:
- Veriyi hazırla. Örnekleri topla, temizle ve üçe böl. Eğitim kümesi öğrenmek için, doğrulama kümesi ayar yapmak için, test kümesi son sınav için kullanılır.
- Tahmin yaptır. Model eğitim örneğine bakar ve o anki parametreleriyle bir cevap üretir.
- Hatayı ölç. Kayıp fonksiyonu denen bir formül, tahminin doğru cevaptan ne kadar uzak olduğunu tek bir sayıyla ifade eder.
- Parametreleri güncelle. Gradyan inişi yöntemi, hatayı en hızlı azaltacak yönü hesaplar ve parametreleri o yöne küçük bir adım kaydırır.
- Tekrarla ve sına. Döngü binlerce, büyük modellerde milyonlarca kez döner. Eğitim bitince model hiç görmediği test kümesinde ölçülür.
Eğitimdeki en yaygın tuzak aşırı öğrenmedir. Model eğitim örneklerini ezberler, yeni veride ise başarısız olur. Doğrulama kümesindeki başarı düşmeye başladığında eğitimi durdurmak bu sorunu azaltır.
Denetimli, denetimsiz ve pekiştirmeli öğrenme
Makine öğrenmesi, modelin hangi tür geri bildirimle öğrendiğine göre üç ana gruba ayrılır. Google'ın eğitim sayfası üretken yapay zekayı da dördüncü bir tür olarak sayıyor.
| Öğrenme türü | Model neyle öğrenir | Örnek |
|---|---|---|
| Denetimli öğrenme | Doğru cevabı belli, etiketli örneklerle | Spam ya da değil diye etiketlenmiş e-postalarla filtre eğitmek |
| Denetimsiz öğrenme | Etiketsiz veride benzerlikleri kendisi bularak | Müşterileri satın alma alışkanlığına göre gruplara ayırmak |
| Pekiştirmeli öğrenme | Yaptığı hamle için ödül ya da ceza alarak | Oyun oynayan ya da robot kolu yöneten model |
| Üretken yapay zeka | Mevcut verideki örüntüleri öğrenip yenisini üreterek | Metin yazan dil modeli, görsel üreten model |
Dil modelleri nasıl öğrenir
ChatGPT gibi büyük dil modelleri iki aşamada öğrenir. Önce çok büyük bir metin yığınında sıradaki kelime parçasını tahmin etmeyi öğrenir, buna ön eğitim denir. Ardından insanların yazdığı ya da puanladığı örnek cevaplarla ince ayar yapılır. Bu ikinci aşamada pekiştirmeli öğrenme de kullanılır. Eğitilen model cevabı kelime parçası kelime parçası, en olası devamı seçerek üretir.
Yapay zeka algoritmaları
Yapay zeka algoritmaları, modelin veriden nasıl öğreneceğini ya da bir problemi nasıl çözeceğini tarif eden yöntemlerdir. Aşağıdaki tablo en sık karşılaşacağın algoritmaları tek cümlelik açıklama ve örnekle veriyor.
| Algoritma | Tür | Ne yapar | Örnek kullanım |
|---|---|---|---|
| Doğrusal regresyon | Denetimli | Sayısal bir değeri girdilerin ağırlıklı toplamıyla tahmin eder | Metrekare ve konuma göre ev fiyatı |
| Lojistik regresyon | Denetimli | Bir örneğin iki sınıftan hangisine ait olduğunun olasılığını verir | Kredi başvurusu onay ya da ret |
| Karar ağacı | Denetimli | Evet hayır sorularıyla dallanarak karar verir | Müşterinin aboneliği bırakma riski |
| Rastgele orman | Denetimli | Çok sayıda karar ağacının oyunu birleştirir | Kart dolandırıcılığı tespiti |
| K en yakın komşu | Denetimli | Yeni örneği en benzer k örneğin çoğunluğuna göre sınıflar | Basit öneri sistemleri |
| Destek vektör makinesi | Denetimli | Sınıfları en geniş boşlukla ayıran sınırı bulur | Metin sınıflandırma |
| K-ortalamalar | Denetimsiz | Veriyi k sayıda kümeye ayırır | Müşteri segmentasyonu |
| Evrişimli sinir ağı | Derin öğrenme | Görüntüdeki yerel desenleri katman katman yakalar | Röntgende anomali tespiti, yüz tanıma |
| Transformer | Derin öğrenme | Dikkat mekanizmasıyla dizideki her parçanın diğerleriyle ilişkisini tartar | ChatGPT, çeviri, konuşma tanıma |
| Q-öğrenme | Pekiştirmeli | Hangi durumda hangi hamlenin ödül getirdiğini deneyerek öğrenir | Oyun oynayan ajan, robot kontrolü |
| A* arama | Klasik yapay zeka | Hedefe giden en kısa yolu tahmini maliyetle arar | Navigasyon, oyunlarda yol bulma |
| Minimax | Klasik yapay zeka | Rakibin en iyi hamlesini varsayarak hamle seçer | Satranç ve dama programları |
Son iki satır veriden öğrenmez. Bu algoritmalar makine öğrenmesi yaygınlaşmadan önce yapay zekanın ana araçlarıydı ve bugün de navigasyon ile oyunlarda kullanılıyor.
Makine öğrenmesinin gündelik etkisi rakamlara da yansıyor. Yapay Bülten 45'te yazdığımız gibi ABD Hazine Bakanlığı, makine öğrenmesi sistemlerinin 2024'te 4 milyar dolardan fazla dolandırıcılığı önlediğini açıkladı. Sahte ödemeyi yakalayan bu sistemler, tablodaki denetimli öğrenme yöntemlerinin tipik bir kullanımıdır.
Basit bir makine öğrenmesi modelini kendin dene
Kendi basit yapay zekanı kod yazmadan Google'ın Teachable Machine aracıyla, kodla ise Python ve scikit-learn kütüphanesiyle yapabilirsin. İki yol da ücretsiz ve birkaç saat içinde ilk çalışan modeli verir.

Kodsuz yol için şu adımları izle:
- Teachable Machine'i aç ve görsel, ses ya da poz projesinden birini seç.
- Her sınıf için kamerayla ya da dosyadan onlarca örnek ekle, örneğin "kalem" ve "makas".
- Modeli eğit düğmesine bas ve önizlemede yeni örneklerle dene.
- Sonuç kötüyse örnek sayısını artır, farklı ışık ve açılardan görüntü ekle.
Kodla ilerlemek istersen Python kur ve scikit-learn'ün başlangıç sayfasındaki örneği çalıştır. Örnekte rastgele orman sınıflandırıcısı birkaç satırla eğitiliyor, sonra yeni veride tahmin yapıyor. Adımları kendi yapay zekanı yazmayı anlattığımız yazıda daha ayrıntılı bulabilirsin. Bilgisayarında hiçbir şey kurmadan denemek için hazır Python defteri sunan bulut ortamları da var.
Makine öğrenmesinin sınırları
Makine öğrenmesi modeli yalnız verisinde gördüğü kadarını bilir. Eğitim verisindeki önyargı ve eksikler modelin kararlarına aynen taşınır. Belli bir bölgeden toplanmış verilerle eğitilen kredi modeli, başka bölgelerdeki başvurularda hatalı sonuç verebilir.
- Veri bağımlılığı. Az, eski ya da dengesiz veri, iyi algoritmayı da kötü sonuca götürür.
- Açıklanabilirlik. Derin modellerde bir kararın neden verildiğini açıklamak zordur. Sağlık ve hukuk gibi alanlarda bu ciddi bir engel.
- Dağılım kayması. Dünya değişince modelin başarısı zamanla düşer, model yeniden eğitilmelidir.
- Uydurma. Dil modelleri olmayan bir bilgiyi akıcı biçimde yazabilir, buna halüsinasyon denir.
Makine öğrenmesinin her işi yapabilen bir sisteme ne kadar yaklaştığı ise ayrı bir tartışma. İnsan düzeyinde yapay genel zekanın ne olduğunu ve ne kadar yakın olduğunu ayrı bir sayfada ele aldık.
Yapay zeka ve makine öğrenmesi bölümü
Yapay Zeka ve Makine Öğrenmesi, Türkiye'de SAY puanıyla öğrenci alan 4 yıllık bir lisans programıdır. YÖK Atlas'a göre 2026 YKS kılavuzunda 17 üniversitede açık, bunların 12'si devlet üniversitesi. Programların taban puanlarını ve başarı sıralarını yapay zeka bölümleri taban puanları sayfasında tablo halinde topladık.
Bölüm okumadan alana girmek de mümkün. Yapay zekayı öğrenmek için kitap, kurs ve ücretsiz eğitim seçeneklerini ayrı bir sayfada derledik.
Sık sorulan sorular
Makine öğrenmesi yapay zeka mıdır?
Evet, makine öğrenmesi yapay zekanın bir alt dalıdır. Yapay zeka genel hedefin adı, makine öğrenmesi bu hedefe veriden öğrenerek ulaşan yöntemdir. Kural tabanlı uzman sistemler ise yapay zeka olduğu halde makine öğrenmesi kullanmaz.
Derin öğrenme ile makine öğrenmesi arasındaki fark nedir?
Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağlarıyla çalışan dalıdır. Klasik makine öğrenmesinde hangi özelliklere bakılacağını çoğu zaman insan seçer. Derin öğrenmede model bu özellikleri ham veriden kendisi çıkarır, karşılığında daha çok veri ve işlem gücü ister.
Makine öğrenmesi için hangi programlama dili öğrenilmeli?
Python öğrenilmeli. scikit-learn, PyTorch ve TensorFlow gibi yaygın kütüphanelerin ana dili Python'dur. Veri hazırlığı için SQL bilmek de işe yarar.
Makine öğrenmesi için ne kadar veri gerekir?
Gereken veri miktarı problemin zorluğuna göre değişir. Basit bir sınıflandırmada birkaç yüz etiketli örnekle başlanabilir. Görüntü ya da dil gibi karmaşık işlerde sıfırdan eğitim çok büyük veri ister, bu yüzden genelde hazır eğitilmiş bir model uyarlanır.
Yapay zeka kendi kendine öğrenebilir mi?
Evet. Sınırlı biçimde öğrenebilir. Model kendisine verilen veriden öğrenir. Veriyi, hedefi ve eğitim sürecini ise insanlar belirler. Pekiştirmeli öğrenmede model deneme yanılmayla öğrenir, yine de ödülün neye verileceğini insan tanımlar.
Bültende geçtiği son sayılar
Bu rehberin konusu Yapay Bülten'in aşağıdaki sayılarında haber olarak geçti.
Sayı 54
Yapay Bülten 54 (OpenAI, o3 ve o3-Mini modellerini tanıttı)
16 - 22 Aralık 2024 tarihleri arasında yapay zeka dünyasındaki en önemli gelişmeler.
Sayı 18
Yapay Bülten 18 (xAI'ın chatbotu Grok, GitHub üzerinde kullanıma açıldı)
xAI'ın chatbotu Grok, GitHub üzerinden kullanıma açıldı .
Kaynaklar
- Google for Developers, Intro to Machine Learning, What is ML (29 Ekim 2026)
- scikit-learn, Getting Started (29 Ekim 2026)
- Google, Teachable Machine (29 Ekim 2026)
- NobelPrize.org, 2024 Nobel Fizik Ödülü basın bülteni (8 Ekim 2024)