Yapay Zekâyı Kodlamak
Yapay Zekâ – Makine Öğrenmesi Derin Öğrenme – Sinir Ağları
1. Baskı,
Mart 2023
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa Sayısı:
428
Kitabın Fiyatı:
400,00₺
Stoktan hemen gönderilir.
Kitabın Açıklaması
"Yapay Zekâyı Kodlamak" isimli bu kitap; yapay zekâ, makine öğrenmesi ve ilgili tüm kavramları, anlamaya çalışan ve öğrenmek isteyen herkese hitap etmektedir. Kitapta, yapay zekâ alanındaki teorilere de yer verilmeye çalışılmıştır. Makine öğrenmesi, denetimli öğrenme, denetimsiz öğrenme, pekiştirmeli öğrenme, derin öğrenme ve yapay sinir ağları konularını içermektedir.
Kitapta, "Matematik, İstatistik ve Yapay Zekâ" bölümüyle okuyucuya yapay zekâ alanında ihtiyaç duyacağı matematik ve istatistik konuları da anlatılmış, ayrıca alanın temel taşlarından olan "Veri Bilimi"'nin önemli konularına da değinilmiştir. Bu bilgiler sayesinde, okuyucunun yapay zeka ve ilgili konuları daha iyi kavraması amaçlanmıştır.
Yapay zekaya kodlamalarında en çok kullanılan program olan Python programı; ayrıntıları, modülleri ve kütüphaneleri örnek kodlarla verilmiştir. Özellikle en çok kullanılan TensorFlow ve Keras kütüphaneleri de detaylı olarak incelenmiştir.
Ayrıca anlatılan konular, 200'den fazla örnek kod ve 100'den fazla görselle desteklenmiştir.
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
Kitapla İlgili Kategoriler
Kitabın İçindekileri
Önsöz
5
Yazar Hakkında
7
Resimler Listesi
17
Şekiller Listesi
25
Tablolar Listesi
29
1. GİRİŞ
31
2. YAPAY ZEKÂ (ARTIFICIAL INTELLIGENCE – AI)
35
2.1. Yapay Zekâ Nedir?
35
2.2. Yapay Zekâ Uygulamaları ve Alanları
36
2.3. Türkiye ve Yapay Zekâ
39
2.4. Metaverse ve Yapay Zekâ
41
2.5. Yapay Zekâyı Kodlama
43
3. PYTHON
47
3.1. Python Kurulumu
50
3.2. Anaconda
51
3.3. Spyder
54
3.4. Jupyter Notebook ve JupyterLab
54
3.5. Sanal Ortam
58
3.5.1. Windows Komut İstemcisinden Sanal Ortam Oluşturma
59
3.5.2. Anaconda ile Sanal Ortam Oluşturma
60
3.6. Kaggle
64
3.7. Google Colaboratory
66
3.8. PIP ve Conda ile Yeni Modüller Eklemek
68
3.8.1. Pip ile Yeni Modüller Eklemek
68
3.8.2. Conda ile Yeni Modüller Eklemek
68
3.9. Python Dili Sözdizimi
70
3.9.1. Değişkenler
71
3.9.2. Stack Memory vs. Heap Memory
72
3.9.3. Operatörler
75
3.9.4. Veri Tipleri
77
3.9.5. Koşul Yapıları
82
3.9.5.1. If
82
3.9.5.2. Else
83
3.9.5.3. Elif
83
3.9.5.4. İç İçe If İfadesi
84
3.9.6. Döngüler
85
3.9.6.1. While Döngüsü
85
3.9.6.2. For Döngüsü
86
3.9.7. İç İçe Döngüler
87
3.9.8. Fonksiyonlar
88
3.9.9. Global ve Yerel (Lokal) Değişkenler
91
3.9.10. Gömülü Fonksiyonlar (Built–in)
92
3.9.11. String Methodları
97
3.9.12. Kullanıcı Tarafından Oluşturulan Fonksiyonlar
102
3.9.13. Lambda İfadeleri ve Comprehension Tanımlamaları
104
3.9.14. Özyinelemeli Fonksiyonlar
105
3.10. Python Veri Yapıları
106
3.10.1. Listeler – List
107
3.10.2. Diziler – Array
112
3.10.3. Demetler – Tuple
113
3.10.4. Kümeler – Set
114
3.10.5. Sözlükler – Dictionary
116
3.10.6. Range, Enumerate ve Comprehension Yapıları
119
3.11. Python Web and Desktop Uygulamaları
120
3.11.1. Django
120
3.11.2. Flask
120
3.11.3. Bottle
121
3.11.4. Tornado
121
3.11.5. Pyramid
121
3.11.6. Tkinter
121
3.11.7. PyQT
122
3.11.8. Kivy
122
3.11.9. WxPython
122
4. NESNE YÖNELİMLİ PROGRAMLAMA (OOP)
123
4.1. Nesneler ve Sınıflar
124
4.1.1. Sınıf ve Nesne Tanımlama
124
4.1.2. Sınıflar ve Örnekler
126
4.2. Kalıtım (Inheritance)
128
4.3. Kapsülleme (Encapsulation)
129
4.4. Polimorfizm (Polymorphism)
132
4.5. Örnek Metotlar
133
4.6. OOP Prensipler
133
4.7. Program Hatalarının Yönetimi
134
5. MODÜLLER, KÜTÜPHANELER VE ARAÇLAR
139
5.1. Genel Bakış
139
5.1.1. Python Packages
142
5.1.2. Python Libraries
144
5.1.3. Python Frameworks
146
5.1.4. Math Modülü
146
5.1.5. Statistics Modülü
148
5.1.6. Random Modülü
149
5.1.7. Datetime Modülü
150
5.1.8. CSV Modülü
150
5.2. NumPy Kütüphanesi
154
5.2.1. NumPy Kurulumu
154
5.2.2. Numpy’ın Kalbi
155
5.2.3. Dizi Oluşturma
157
5.2.4. NumPy Tarafından Desteklenen Veri Türleri
159
5.2.5. Slicing
163
5.2.6. Shape Manipulation
165
5.3. Pandas Kütüphanesi
166
5.3.1. Pandas Kurulumu ve Veri Yapıları
167
5.3.2. Series
167
5.3.3. Dataframe
172
5.4. SciKit Learn Kütüphanesi
175
5.4.1. Sınıflandırma
176
5.4.2. Regresyon
176
5.4.3. Kümeleme
177
5.4.4. Boyutsal küçülme
177
5.4.5. Model seçimi
178
5.4.6. Ön İşleme
178
5.5. Matplotlib Kütüphanesi
179
5.5.1. Kurulumu
180
5.5.2. pylab and pyplot
183
5.5.3. Matplotlib Uygulamaları
186
5.6. Web Scraping (Kazıma)
196
6. TENSORFLOW VE KERAS KÜTÜPHANELERİ
199
6.1. Theano Kütüphanesi
201
6.2. PyTorch Framework
201
6.3. NLTK Kütüphanesi
203
6.4. Scipy Kütüphanesi
203
6.5. Seaborn Kütüphanesi
204
6.6. Plotly Kütüphanesi
204
6.7. Bokeh Kütüphanesi
205
7. VERİ BİLİMİ
207
7.1. Veri Bilimcisi Kimdir?
210
7.1.1. Veri Bilimi ve İş Zekâsı Arasındaki Farklar
211
7.1.2. Veri Biliminin Yaşam Döngüsü
212
7.1.3. Veri Biliminin Artıları Eksileri
215
7.2. Veri Bilimi için Gerekli Araçlar
217
7.3. Veri Biliminin Uygulanması
219
7.3.1. Risk ve Dolandırıcılık Tespiti
219
7.3.2. Sağlık Hizmeti
219
7.3.3. Genetik ve Genomik
219
7.3.4. İlaç Geliştirme
219
7.3.5. İnternet Araması
220
7.3.6. Web Sitesi Önerileri
220
7.3.7. Gelişmiş Görüntü Tanıma
220
7.3.8. Sanal Asistan
220
7.3.9. Konuşma Tanıma
221
7.3.10. Uçaklar için Rota Planlama
221
7.3.11. Oyun
221
7.3.12. Arttırılmış Gerçeklik
221
7.4. Veri Bilimi Modellerine Matematik Uygulaması
222
7.6. Veri Temizleme
225
7.7. Veri Doğrulama
226
7.8. Veri Keşfi
227
7.9. Veri Madenciliği
227
7.10. Veri Toplama Yöntemleri
231
7.10.1. Gözlem
231
7.10.2. Anketler
231
7.10.3. Röportajlar
232
7.10.4. Odak Grup Tartışmaları
232
7.11. Kaggle Tanıtımı
233
7.12. Git ve Github
237
7.12.1. Github
237
7.12.2. GİT
239
7.13. Verinin Görselleştirilmesi
257
7.14. Büyük Veri
263
8. MATEMATİK, İSTATİSTİK VE YAPAY ZEKÂ
267
8.1. Doğrusal Cebir (Linear Algebra)
268
8.2. Vektörler ve Matrisler
269
8.3. Olasılık ve Dağılım
271
8.4. Optimizasyon
277
8.5. Graflar (Computation Graph)
280
8.6. Veri Bilimi İstatistikleri
281
8.7. Tanımlayıcı İstatistik
281
8.8. Çıkarımsal İstatistik
285
8.9. Diğer Test Yöntemleri
288
8.10. Lineer Regresyon
288
8.11. Çoklu Lineer Regresyon
294
8.12. Regresyon Analizi
298
8.13. Ajanlar ve Ortamlar
301
8.14. Arama Problemleri, Durum Uzayı ve Başlangıç Durum
307
8.15. Geleneksel Arama Algoritmaları
308
8.16. Genetik Algoritmalar
313
9. MAKİNE ÖĞRENMESİ
315
9.1. Öğrenme
316
9.1.1. Fiziksel (Kinestetik) Öğrenme
318
9.1.2. Görsel (Mekansal) Öğrenme
319
9.1.3. İşitsel Öğrenme
319
9.1.4. Sözel (Okuma/Yazma) Öğrenme
320
9.1.5. Mantıksal (Matematiksel) Öğrenme
320
9.1.6. Müzikal Öğrenme
320
9.1.7. Doğa Bilimcileri
321
9.1.8. Dilsel Öğrenenler
321
9.1.9. Kişilerarası (Sosyal) Öğrenenler
322
9.1.10. Kişi İçi (Yalnız) Öğrenciler
322
9.2. Bilgisayarlı Öğrenme ve Karar Verme
323
9.3. Veri Ön İşleme ve Model Tasarımı
325
9.3.1. Veri Ön İşleme
326
9.3.2. Veri Önişleme için Örnek
332
9.3.3. Model Planlama
338
9.3.4. Model Oluşturma
339
9.3.5. Modelin Eğitilmesi
339
9.3.6. Modelin Test Edilmesi
339
9.3.7. Modelin İyileştirilmesi
340
9.4. Makine Öğrenmesi Yaklaşımları
340
9.5. Gözetimli Öğrenme (Denetimli–Supervised Learning)
342
9.5.1. Regresyon
342
9.5.1.1. Lineer Regresyon
343
9.5.1.2. Polinomial Regresyon
344
9.5.1.3. Lojistik Regresyon
345
9.5.1.4. Gradyan Azaltma
347
9.5.1.5. Neural Network Regresyon
348
9.5.1.6. Support Vektor Regresyon
349
9.5.1.7. Gaussian process regression (GPR):
350
9.5.2. Sınıflandırma
350
9.5.2.1. Naive Bayes Sınıflandırması
351
9.5.2.2. SVM Sınıflandırması
354
9.5.2.3. Karar Ağaçları
357
9.5.2.4. k–NN Algoritması
361
9.5.2.5. Random Forest
365
9.6. Gözetimsiz Öğrenme (Denetimsiz–Unsupervised Learning)
370
9.6.1. Kümeleme
370
9.6.2. Hiyerarşik Kümeleme
373
9.7. Denetimli vs Denetimsiz Öğrenme
380
9.8. Yarı Denetimli Öğrenme
381
9.9. Pekiştirmeli Öğrenme
383
9.9.1. Model Bağımsız RL
385
9.9.2. Model Tabanlı RL
386
10. YAPAY SİNİR AĞLARI
389
10.1. Nöron ve Ağ Yapısı
391
10.2. Aktivasyon Fonksiyonu
392
10.3. Tek Katmanlı Sinir Ağları (Perceptronlar)
394
10.4. İki Katmanlı Sinir Ağları
395
10.5. Çok Katmanlı Sinir Ağları (L–Layer NN)
396
10.6. İleri Yayılımlı Öğrenme
397
10.7. Kayıp (Loss) ve Maliyet (Cost) Fonksiyonları
397
10.8. Geri Yayılımlı Öğrenme
397
10.9. Evrişimli Sinir Ağı Mimarileri
397
10.9.1. LeNet
398
10.9.2. AlexNet
399
10.9.3. ZFNet
400
10.9.4. GoogLeNet
401
10.9.5. VGGNet
401
10.10. Tekrarlayan Sinir Ağları (Recurrent Neural Networks – RNN)
402
10.11. NLP
403
10.12. Sequence Models
404
10.13. Uzun Kısa Dönemli Bellek Ağları (LSTM)
404
10.14. Tekrarlayan ve Evrişimli Sinir Ağlarının Birleşimi
405
10.15. Derin İnanç Ağları
405
10.16. Kısıtlı Boltzmann Makinesi
406
11. DERİN ÖĞRENME
407
11.1. Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN)
408
11.2. Normalizasyon ve Label Encoding
408
11.3. Batch ve Epoch
409
11.4. Data Augmentation
409
11.5. Katmanlar ve Bağlantılar
409
12. UYGULAMALAR
413
12.1. Hesap Makinesi Projesi
413
12.2. Araç Kiralama Projesi
414
12.3. Sıcaklık Dönüşümleri Uygulaması
415
12.4. Instagram Profil Resimleri İndirme Uygulaması
416
12.5. Lojistik Regresyon Python Çalışması
417
12.6. ANN Python Çalışması
419
Kaynakça
421
Kavram Dizini
427
Kitabın Fiyatı:
400,00₺
Stoktan hemen gönderilir.
Bu kitaplar da ilginizi çekebilir
Nesnelerin İnterneti Akıllı Ev
Serap Türkyılmaz
Python ile Makine Öğrenmesi
Ömer Deperlioğlu, Utku Köse
Denetim – Muhasebe ve Finansta Yapay Zekâ
Ferhat Sayım
Goo! Yeni Normal Sanal Yönetim ile Başarı
Meriç E. Bebitoğlu
Hakkımızda
|
Uluslararası Yayınevi Belgesi|
2023 Kaynakça Dokümanı|
Kişisel Verilerin Korunması |
Üyelik|
Siparişlerim|
İletişim