Python İle Yapay Zekaya Giriş Kavramsal Çerçeve – Temeller – Kodlama Prof. Dr. Ömer Deperlioğlu, Doç. Dr. Utku Köse  - Kitap

Python İle Yapay Zekaya Giriş

Kavramsal Çerçeve – Temeller – Kodlama

1. Baskı, 
Ocak 2023
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa:
430
Barkod:
9789750282201
Kapak Türü:
Karton Kapaklı
Fiyatı:
470,00
24 saat içerisinde temin edilir.
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
Yorumlar
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 ZEK 
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