Giriş: Öğrenen Bir Makine Nasıl Yetiştirilir?
Bir insanı eğitirken önce bilgi veririz, sonra pratik yaptırırız, ardından sınarız.
Peki ya bir yapay zekâyı nasıl eğitiriz?
Bilgisayarlar bir şeyleri gerçekten öğrenebilir mi?
Yapay zekâ, tıpkı bir çocuğun harfleri tanıyıp okumayı öğrenmesi gibi, veri üzerinden örüntüleri tanır, sonuçlar çıkarır ve bu sonuçlara göre tahminler yapmayı öğrenir.
Bu sürece model eğitimi (training) denir. Ve bu, bir yapay zekânın en kritik doğum anıdır.
Yapay Zekâ Modeli Nedir?
Bir model, veriye dayalı karar veren matematiksel bir yapıdır.
Yapay zekâya bir problem sunarsınız (örneğin “Bu görselde kedi var mı?”), o da size bir cevap verir. Bu cevabı verebilmesi için daha önce benzer sorulara verilen cevapları öğrenmiş olması gerekir.
Model eğitimi süreci, bu öğrenmenin nasıl gerçekleştiğini belirler.
Model Eğitiminin Temel Aşamaları
1. Veri Hazırlığı
- Veriler toplanır, temizlenir ve modele uygun formata getirilir.
- Eksik değerler tamamlanır, etiketler düzenlenir.
- Veri, genellikle eğitim (%80) ve test (%20) olarak ikiye ayrılır.
2. Model Seçimi
- Hangi algoritmanın kullanılacağı belirlenir:
- Regresyon mu? Sınıflandırma mı?
- Karar ağacı mı, sinir ağı mı?
3. Eğitim (Training)
- Model, eğitim verisiyle beslenir.
- Giriş ve doğru çıkışlar modele verilir.
- Model, ağırlıkları optimize ederek “öğrenir”.
4. Doğrulama (Validation)
- Öğrenme sırasında modelin aşırı uyum göstermesi (overfitting) engellenir.
- Ayarlamalar bu aşamada yapılır.
5. Test
- Hiç görmediği verilerle sınanır.
- Gerçek hayattaki performansı ölçülür.
Nasıl Öğreniyor? – Modelin Öğrenme Mekanizması
Yapay zekâ modelleri, genellikle şu şekilde öğrenir:
- Bir tahmin yapar.
- Bu tahmin ile doğru cevap arasındaki fark hesaplanır (hata).
- Bu hata, modelin parametrelerini geri besleyerek (backpropagation) günceller.
- Bu döngü defalarca tekrarlanır.
Bu süreç, tıpkı sınavdan düşük not alan bir öğrencinin tekrar çalışıp daha iyi sonuçlar almasına benzer.
Model Eğitimi Sırasında Kullanılan Terimler
| Terim | Açıklama |
|---|---|
| Epoch | Verinin model tarafından bir kez tamamen görülmesi |
| Batch Size | Aynı anda eğitime verilen örnek sayısı |
| Learning Rate | Modelin her adımdaki öğrenme hızı |
| Loss Function | Tahmin ve gerçek değer arasındaki farkı hesaplayan fonksiyon |
| Optimizer | Modelin öğrenmesini yöneten algoritma (Adam, SGD, vb.) |
Modelin Aşırı Öğrenmesi (Overfitting) ve Yetersiz Öğrenmesi (Underfitting)
🟥 Overfitting
- Model eğitildiği veriyi ezberler ama genelleyemez.
- Gerçek hayatta kötü sonuç verir.
🟨 Underfitting
- Model verilerden yeterince öğrenemez.
- Karmaşık ilişkileri yakalayamaz.
Hedef: Ezber değil, kavrama.
Bunu başarmak için:
- Doğru veri seçimi
- Model karmaşıklığı ayarı
- Doğrulama seti kullanımı
- Regularizasyon teknikleri kullanılır.
Model Performansı Nasıl Ölçülür?
Modeli sadece eğitmek yetmez, nasıl performans gösterdiğini de anlamak gerekir.
İşte bazı temel ölçütler:
| Ölçüt | Açıklama |
|---|---|
| Accuracy (Doğruluk) | Toplam doğru tahmin oranı |
| Precision | Gerçekten pozitif olanların, model tarafından ne kadar doğru bulunduğu |
| Recall | Gerçek pozitiflerin ne kadarının doğru tahmin edildiği |
| F1 Score | Precision ve Recall’un dengeli bir ortalaması |
| Confusion Matrix | Hangi sınıflarda ne kadar hata yapıldığını gösteren tablo |
Bu ölçütlerle modelin hangi alanlarda iyi, hangi alanlarda zayıf olduğu anlaşılır.
Donanımın Rolü: GPU Olmadan Olmaz
Model eğitimi sıradan bir işlem değildir. Özellikle derin öğrenme modelleri:
- Yüksek işlem gücü ister
- Paralel hesaplama gerektirir
- Büyük bellek (RAM) ihtiyacı duyar
Bu yüzden modern yapay zekâ eğitim süreçlerinde genellikle:
- GPU (grafik işlem birimi)
- TPU (Google’ın özel AI çipi)
- Bulut altyapıları (Google Colab, AWS, Azure) kullanılır.
Model Eğitimi Nerelerde Yapılır?
Yerel Bilgisayar
- Küçük projeler ve prototipler için uygundur
- Kısıtlı donanım
Bulut Tabanlı Platformlar
- Google Colab, Kaggle, Paperspace, AWS
- GPU destekli, paylaşımlı ya da özel ortamlar
Kurumsal AI Platformları
- Büyük şirketler kendi eğitim altyapılarını kurar
- Örn: Tesla’nın Dojo süper bilgisayarı
Gerçek Hayattan Bir Örnek: El Yazısı Tanıma
MNIST veri seti: 0–9 arası rakamların el yazısı görüntüleri
- Model bu görsellerle eğitilir.
- Her rakam binlerce örnekle temsil edilir.
- Eğitim sonunda model, yeni bir görselin “hangi rakam” olduğunu tahmin edebilir.
Bu süreç, sayısız uygulamanın temelini oluşturur: fatura tarama, çek okuma, sınav optik form analizi…
Sonuç: Öğrenen Bir Zihin İnşa Etmek
Model eğitimi, bir yapay zekâyı sıradan bir programdan, karar verebilen bir sisteme dönüştüren büyüleyici bir süreçtir.
Veri, algoritma, donanım ve insan uzmanlığının bir araya geldiği bu yolculuk; hatalardan öğrenerek gelişen bir dijital zekânın doğuşudur.
Ve her modelin başarısı, nasıl eğitildiğiyle doğrudan ilişkilidir.
