Python İle Yapay Zekaya Giriş
Kavramsal Çerçeve – Temeller – Kodlama
1. Baskı,
Ocak 2023
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa Sayısı:
430
Kitabın Fiyatı:
400,00₺
Stoktan hemen gönderilir.
Kitabın Açıklaması
Kitap, uzun yıllar üniversitelerde "Yapay Zeka", "Bulanık Mantık ", "Yapay Sinir Ağları", "Zeki Optimizasyon" derslerini anlatan yazarların notlarından, ders anlatımı esnasında öğrencilerinden gelen sorulardan ve mesleki tecrübelerinden oluşmaktadır.
Yapay Zekâya Giriş kapsamında ele alınan kitap, Python programlama dilini baz almak suretiyle yapay zekâyla ilgili temel kavramlara, ilk akla gelen yapay zekâ algoritmalarına ve uygulamalara değinmektedir. Bu bağlamda kitap içeriği Yapay Zekâ temelleri, Makine Öğrenmesi, Akıllı Etmenler, Arama Algoritmaları, Rakip Arama Çözümleri, Bilgi Temsili ve Akıl Yürütme, Zeki Optimizasyon, Bulanık Mantık, Yapay Sinir Ağları ve Sinirsel Bulanık Denetim konuları üzerine kuruludur.
Kitabın anlatım dilinin yalın olması nedeniyle, kitaptan sadece üniversite öğrencileri değil konuyla ilgilenen her yaştan okuyucu da yararlanabilir.
Bu kitap, Yapay Zekaya ilişkin olarak düşünülen üç ciltlik bir serinin ilk kitabıdır. Serinin diğer kitapları olan; "Python ile Yapay Zekâ: Tüm Yönleriyle Makine Öğrenmesi" ve "Python ile Yapay Zekâ: Derin Öğrenme ve İleri Konular", yazarlar tarafından hazırlanmaktadır.
Kitabın Konu Başlıkları
Python Programlama Dili
Yapay Zekâ Kavramı
Makine Öğrenmesi
Akıllı Etmenler
Arama ile Problem Çözme
Rakip Arama
Bilgi Temsili Ve Akıl Yürütme
Zeki Optimizasyon
Bulanık Mantık
Yapay Sinir Ağları
Sinirsel Bulanık Denetim
Kitabın İçindekileri
Önsöz
7
1. BÖLÜM
PYTHON PROGRAMLAMA DİLİ
1.1 GİRİŞ
19
1.2 PYTHON KÜTÜPHANELERİ
21
1.2.1. Veri Bilimleri Kütüphaneleri
22
1.2.1.1 Matplotlib
22
1.2.1.2 NumPy
22
1.2.1.3 Pandas
22
1.2.1.4 SciPy
23
1.2.1.5 SQLAlchemy
23
1.2.1.5 SymPy
23
1.2.1.6 Pillow
23
1.2.1.7 Seaborn
24
1.2.1.8 OpenCV Python
24
1.2.1.9 scikit–image
24
1.2.1.10 NLTK
24
1.2.2. Makine Öğrenmesi Kütüphaneleri
25
1.2.2.1 Scikit–learn
25
1.2.2.2 PyLearn2
25
1.2.2.3 NuPIC
25
1.2.2.4 Ramp
26
1.2.2.5 Bob
26
1.2.2.6 PyBrain
26
1.2.2.7 MILK
26
1.2.2.8 Pattern
27
1.2.3. Derin öğrenme kütüphaneleri
27
1.2.3.1 TensorFlow
27
1.2.3.2 Keras
28
1.2.3.3 PyTorch
28
1.2.3.4 Hebel
28
1.2.3.5 Chainer
28
1.2.3.5 Theano
29
1.2.3.5 Caffe2
29
1.3 ANACONDA
29
1.3.1. Anaconda Bireysel Sürümü
30
1.3.2 Anaconda Bireysel Sürümü Kurulumu
31
1.3.2 Spyder
38
2. BÖLÜM
YAPAY ZEKÂ KAVRAMI
2.1 AKIL VE ZEKÂ KAVRAMLARI
41
2.1.1 Akıl Kavramı
41
2.1.2 Zekâ Kavramı
41
2.1.2.1 Zekâ Türleri
42
2.2.1.2 Zekânın Bileşenleri
44
2.2 YAPAY ZEKÂ TEMEL KAVRAMI?
47
2.3 YAPAY ZEKÂ KAVRAMINI OLUŞTURAN ETMENLER
50
2.4 YAPAY ZEKÂNIN TARİHSEL GELİŞİMİ
51
2.5 YAPAY ZEKÂNIN ALT ALANLARI
55
2.5.1 Makine öğrenmesi ve örüntü tanıma
55
2.5.1.1 Örüntü Tanıma
55
2.5.1.2 Derin Öğrenme
56
2.5.2 Mantık tabanlı yapay zekâ
57
2.5.2.1 Deneyimden öğrenmek
57
2.5.3 Arama
57
2.5.4 Bilgi temsili
58
2.5.5 Planlama
58
2.5.6 Sezgisel
58
2.5.7 Genetik programlama
59
2.5.8 Sürü Zekâsı
59
2.5.9 Sibernetik
60
2.6 YAPAY ZEKÂ UYGULAMALARI
60
2.6.1 Bilgisayarla Görme
62
2.6.2 Doğal Dil İşleme
62
2.6.2.1 Konuşma Tanıma
63
2.6.2.2 El yazısı tanıma
63
2.6.4 Uzman Sistemler
63
2.6.5 Bilgisayar Oyunları
64
2.6.6 Robotik
65
2.6.7 Durum tahmini
66
2.6.8 Veri Madenciliği ya da Bilgi Çıkarma
66
2.7 YAPAY ZEKÂDA ÇÖZÜM YAKLAŞIMLARI
67
2.8 İŞLETMELERDE YAPAY ZEKÂ
68
2.9 YAPAY ZEKÂ ETİĞİ VE GELECEĞİN İŞLETMELERİ
69
2.9.1. Geleceğin İşletmelerinde Yapay Zekâ Etiği
70
2.9.2. Uygulanabilir Çözümler
71
2.10 YAPAY ZEKÂNIN AVANTAJLARI VE DEZAVANTAJLARI
72
2.10.1 Yapay Zekânın Avantajları
73
2.10.2 Yapay Zekânın Dezavantajları
75
3. BÖLÜM
MAKİNE ÖĞRENMESİ
3.1. MAKİNE ÖĞRENMESİ KAVRAMI
79
3.2 MAKİNE ÖĞRENMESİNİN TEMELLERİ
81
3.2.1 Makine Öğrenmesinde Görevler
84
3.2.2 Makine Öğrenmesinde Deneyim
85
3.2.3 Makine Öğrenmesinde Performans
86
3.3 MAKİNE ÖĞRENMESİ TÜRLERİ
87
3.3.1 Denetimli Öğrenme
89
3.3.2 Denetimsiz Öğrenme
91
3.3.3 Yarı Denetimli Öğrenme
93
3.3.4 Pekiştirmeli Öğrenme
93
3.3.5 Toplu Öğrenme
94
3.3.6 Çevrimiçi öğrenme
95
3.3.7 Örnek Tabanlı Öğrenme
95
3.3.8 Model Tabanlı Öğrenme
96
3.4 MAKİNE ÖĞRENMESİ SÜREÇ ADIMLARI
96
3.4.1 Problemin Belirlenmesi
96
3.4.2 Veri Toplama
97
3.4.3 Veri Hazırlama ve Analiz Etme
97
3.4.4 Model Seçimi
98
3.4.5 Modelin Eğitimi
99
3.4.6 Model Değerlendirme
99
3.4.7 Tahmin ya da Çıkarım
100
3.5 MODEL DEĞERLENDİRME VE SINIFLANDIRMA PERFORMANS ÖLÇÜLERİ
101
3.5.1. Karışıklık Matrisi
104
3.5.2 Doğruluk (Accuracy)
106
3.5.3. Duyarlılık (Hassasiyet) ya da hatırlama (SensitivityRecall)
107
3.5.4. Özgüllük (Specificity)
108
3.5.5. Kesinlik (Precision)
109
3.5.6 F1 Puanı (F1 Score ya da F measure)
109
3.5.7 ROC Eğrisi ve AUC değeri
114
3.5.7.1 ROC Eğrisi
114
3.5.7.1 AUC değeri
115
3.6 BİLİŞSEL MODELLEME
117
4. BÖLÜM
AKILLI ETMENLER
4.1 GİRİŞ
121
4.2 ETMENLERİN ÖZELLİKLERİ
123
4.3 ETMEN TÜRLERİ
124
4.3.1 Tepkili Etmenler
125
4.3.1.1 Model Tabanlı Etmenler
125
4.3.1.2 Hedefe Dayalı Etmenler
126
4.3.1.3 Fayda Tabanlı Etmenler
128
4.3.2 Ara Yüz Etmenleri
129
4.3.3 Mobil Etmenler
129
4.3.4 Bilgi Toplama Etmenleri
130
4.3.5 Çok Etmenli Sistemler
130
4.3.6 İşbirlikçi Etmen Sistemleri
131
4.3.7 Öğrenme Etmenleri
131
4.3.8 Robot Etmenler
132
4.4 ORTAMLARIN DOĞASI
133
4.4.1 Görev Ortamlarının Özellikleri
136
4.5 ETMENLER VE ORTAMLAR
138
4.5.1 Etmen Sistemleri
140
4.5.2 Etmenlerin İşlevi
141
4.5.3 Etmen Programları
144
4.5.3.1 Tablo tabanlı etmen
145
4.5.3.2 Basit Tepki Etmeni
146
4.5.3.3 Model Tabanlı Tepki Etmeni
147
5. BÖLÜM
ARAMA İLE PROBLEM ÇÖZME
5.1 GİRİŞ
155
5.2 GENEL PROBLEM ÇÖZME
155
5.2.1 Problemin Tanımlanması
156
5.2.2 Problem Uzayı
157
5.2.3 Problem Çözme
157
5.2.4 Durumlar
157
5.2.5 Problemin çözümü
158
5.2.6 Problemin Tanımlanması
158
5.3 Arama
159
5.3.1 Arama Algoritmaları
160
5.3.2 Arama Algoritmalarının Özellikleri
162
5.4 BİLGİSİZ ARAMA ALGORİTMALARI
162
5.4.1 Derinlemesine Arama
162
5.4.2 Derinlemesine Sınırlı Arama
165
5.4.3 Yinelemeli Derinlemesine Arama
168
5.4.4 Enlemesine Arama
170
5.4.5 Maliyet Öncelikli Arama
172
5.4.6 Çift Yönlü Arama
175
5.4.7 Bilgisiz Arama Algoritmalarının Karşılaştırılması
178
5.5 BİLGİLİ ARAMA ALGORİTMALARI
179
5.5.1 En İyiyi Arama
179
5.5.2 A Arama
181
5.5.3 AO* Arama
185
5.5.4 Araç–Sonuç Analizi
188
5.5.5 Tepe Tırmanma
189
5.5.5.1 Tepe Tırmanmanın Durum–uzay Şeması
190
5.5.5.1 Tepe Tırmanmanın Türleri
191
5.5.5.1.1. Basit Tepe Tırmanışı
191
5.5.5.1.2. En Dik–Yükseliş Tepesi Tırmanma
192
5.5.5.1.3. Rastgele Tepe Tırmanma
193
5.5.6 Oluştur ve Test Et
196
5.6 BİLGİSİZ VE BİLGİLİ ARAMA ALGORİTMALARININ KARŞILAŞTIRILMASI
197
6. BÖLÜM
RAKİP ARAMA
6.1 GİRİŞ
199
6.2 OYUN OYNAMA ARAMASININ ÖĞELERİ
201
6.3 OYUN AĞACI
201
6.3 RAKİP ARAMA TÜRLERİ
204
6.3.1 Minimax Algoritması
204
6.3.1.1 Minimax Algoritmasının Çalışması:
205
6.3.1 2 Python'da Minimax Uygulaması
208
6.3.2 Alfa–Beta Budama Algoritması
209
6.3.2.1 Alfa–Beta Algoritmasının Çalışması:
210
6.3.2.2 Alfa–Beta budamada Sıralamayı Taşıma
213
6.3.2.3 Alfa–Beta budamada Sıralamayı Taşıma
213
7. BÖLÜM
BİLGİ TEMSİLİ VE AKIL YÜRÜTME
7.1 GİRİŞ
221
7.1.1 Bilgi Kavramı
221
7.1.1.1 Bilginin Türleri
222
7.1.2 Bilgi Temsili Kavramı
224
7.1.2.1 Yapay Zekada Bilgi Temsili Döngüsü
225
7.1.2.3 Bilgi Temsilinin Gereksinimleri
226
7.1.3 Akıl Yürütme Kavramı
229
7.2 NEDEN BİLGİ TEMSİLİ VE AKIL YÜRÜTME?
230
7.2.1 Bilgi Tabanlı Sistemler
231
7.2.2 Neden bilgi temsili?
233
7.2.3 Neden akıl yürütme?
234
7.3 MANTIĞIN ROLÜ
236
7.4 YAPAY ZEKÂDA BİLGİ TEMSİLİ TEKNİKLERİ
237
7.4.1 Mantıksal Temsil
237
7.4.2 Anlamsal Ağ Temsili
238
7.4.3 Çerçeve Temsili
240
7.4.4 Üretim Kuralları Temsili
240
7.4.5 Yapay Zekada Bilgi Temsili Yaklaşımları
242
7.5 BİLGİ TABANLI ETMENLER
242
7.5.1 Genel Bilgi Tabanlı Etmen
243
7.5.2 Bilgiye Dayalı Etmen Seviyeleri
246
7.5.3 Bilgi Tabanlı Etmen Oluşturmak Yaklaşımları
247
8. BÖLÜM
ZEKİ OPTİMİZASYON
8.1 ZEKİ OPTİMİZASYON VE ARAMA ALGORİTMALARI
249
8.2 ZEKİ OPTİMİZASYON TÜRLERİ
250
8.3 GENETİK ALGORİTMALAR
251
8.4 GENETİK ALGORİTMALARIN BİLEŞENLERİ
253
8.4.1 Genotip
253
8.4.2 Popülasyon
253
8.4.3 Uygunluk işlevi
254
8.4.4 Seçim
254
8.4.5 Genetik Değişim
255
8.4.6 Mutasyon
255
8.5 GENETİK ALGORİTMALAR TEORİSİ
256
8.6 GELENEKSEL ALGORİTMALARDAN FARKLILIKLARI
258
8.7 GENETİK ALGORİTMALARIN AVANTAJLARI
259
8.8 GENETİK ALGORİTMALARIN SINIRLAMALARI
260
8.9 GENETİK ALGORİTMALARIN EN ÇOK KULLANILDIĞI YERLER
261
8.10 GENETİK ALGORİTMALAR KULLANARAK PROBLEM ÇÖZME
262
8.10.1 Genetik Algoritmalarla Tahmin
263
8.10.2 DEAP Çerçevesi
267
8.10.3 OneMax Probleminin Genetik Algoritmalarla Çözümü
267
8.10.4 Sembol Regresyon Problemini Çözme
270
8.10.5 Katsayı hesaplatma
273
8.10.6 N–Queens problemini çözme
275
8.10.7 Genetik Algoritma ile Özellik Seçimi
284
8.10.7.1 Parkinson veri seti ile seçim
284
8.10.7.2 Göğüs kanseri veri seti
290
8.10.7.3 PCOS veri seti
292
8.10.7.4 Iris veri seti
294
8.10.8 Modellerde Öne Çıkan Parametrelerin seçimi
295
8.11 PARÇACIK SÜRÜ OPTİMİZASYONU
298
8.12 KARINCA KOLONİ OPTİMİZASYONU
301
9. BÖLÜM
BULANIK MANTIK
9.1 GİRİŞ
307
9.2 BULANIK KÜME TEORİSİ
308
9.2.1 Bulanık küme işlemleri
313
9.3 BULANIK MANTIK DENETLEYİCİNİN GENEL YAPISI
315
9.3.1 Bulanıklaştırma Birimi
316
9.3.2 Bilgi Tabanı
316
9.3.3 Karar Verme Birimi
316
9.3.4 Durulama Birimi
316
9.4 Bulanık Denetim Kurallarının Oluşturulması
317
9.5 Karar Verme Mantığı
318
9.6 Çıkarım Motoru
319
9.7 Bulanık Çıkarım Yöntemleri
320
9.7.1 Birinci Tip Bulanık Çıkarım
320
9.7.2 İkinci Tip Bulanık Çıkarım
321
9.7.3 Üçüncü Tip Bulanık Çıkarım
322
9.7.4 Dördüncü Tip Bulanık Çıkarım
323
9.8 DURULAMA YÖNTEMLERİ
324
9.8.1 Max Kriteri Yöntemi
324
9.8.2 Maksimumların Ortalaması Yöntemi
324
9.8.3 Ağırlık Merkezi Yöntemi
325
9.9 DARALAN ÜYELİK FONKSİYONLU BULANIK MANTIK DENETLEYİCİ
325
9.9.1 Daralan Aralıklı Üyelik Fonksiyonları ile Bulanık Mantık Denetleyici Tasarımı
326
9.10 BULANIK MANTIK ÇIKARIM SİSTEMİ TASARIMI
329
9.11. BULANIK MANTIK UYGULAMALARI
330
9.11.1 Bulanık Küme İşlemleri Python Örneği
330
9.11.2 Öğrenciler İçin Spor Seçim Problemi
332
9.11.3 Arkadaşlık Teklif Etme Problemi
336
9.11.4 Bulanık C–Ortalamalar Kümeleme
340
9.11.5 Bulanık Mantık Denetleyici
348
9.12 BULANIK MANTIĞIN AVANTAJLARI VE DEZAVANTAJLARI
352
9.12.1 Avantajları
352
9.12.2 Dezavantajları
353
10. BÖLÜM
YAPAY SİNİR AĞLARI
10.1 GİRİŞ
355
10.2 YAPAY SİNİR AĞLARININ TEMELLERİ
355
10.2 YAPAY SİNİR AĞLARI MİMARİLERİ
359
10.2.1 Uyarlamalı Ağlar
361
10.2.2 İleri Beslemeli Ağlar İçin Geriye Yayılan Öğrenme
363
10.2.3 Eş Zamanlı İşletilen Ağlar
365
10.2.4 Zaman İçerisinden Geriye Yayılma
366
10.2.5 Gerçek Zaman Tekrarlanan Öğrenme
366
10.2.6 Karma Öğrenme Kuralı
367
10.2.7 Çevrim Dışı Öğrenme
367
10.2.8 Çevrim İçi Öğrenme
368
10.3 YAPAY SİNİR AĞLARI UYGULAMALARI
369
10.3.1 Çok Katmanlı YSA Örneği
369
10.3.2 Çok Katmanlı YSA Kısaltılmış Örneği
375
10.3.3 Scikit–Learn Kitaplığı ile Çok Katmanlı YSA Örneği
376
10.3.4. MLPClassifier ile YSA Sınıflandırıcı Örneği
377
10.3.5. MLPRegressor ile YSA Regresyon Örneği
381
10.3.6 YSA ile Sınıflandırma Örneği
384
11. BÖLÜM
SİNİRSEL BULANIK DENETİM
11.1 GİRİŞ
391
11.2 SİNİRSEL BULANIK DENETLEYİCİLERİN YAPISI
392
11.3. UYARLANABİLİR SİNİRSEL–BULANIK ÇIKARIM SİSTEMİ UYGULAMASI
395
Kaynakça
421
Kitabın Fiyatı:
400,00₺
Stoktan hemen gönderilir.
Bu kitaplar da ilginizi çekebilir
Nesnelerin İnterneti Akıllı Ev
Serap Türkyılmaz
Python Öğreniyorum
Gökhan Su
Full Stack Programlamaya Giriş
Özel Sebetci
Python ile Makine Öğrenmesi
Ömer Deperlioğlu, Utku Köse
Hakkımızda
|
Uluslararası Yayınevi Belgesi|
2023 Kaynakça Dokümanı|
Kişisel Verilerin Korunması |
Üyelik|
Siparişlerim|
İletişim