1.2 PYTHON KÜTÜPHANELERİ
21
1.2.1. Veri Bilimleri Kütüphaneleri
22
1.2.2. Makine Öğrenmesi Kütüphaneleri
25
1.2.3. Derin öğrenme kütüphaneleri
27
1.3.1. Anaconda Bireysel Sürümü
30
1.3.2 Anaconda Bireysel Sürümü Kurulumu
31
2.1 AKIL VE ZEKÂ KAVRAMLARI
41
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
2.5.2 Mantık tabanlı yapay zekâ
57
2.5.2.1 Deneyimden öğrenmek
57
2.5.7 Genetik programlama
59
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
2.6.5 Bilgisayar Oyunları
64
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
3.1. 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
3.3.6 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
3.4.3 Veri Hazırlama ve Analiz Etme
97
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
3.6 BİLİŞSEL MODELLEME
117
4.2 ETMENLERİN ÖZELLİKLERİ
123
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
4.3.4 Bilgi Toplama Etmenleri
130
4.3.5 Çok Etmenli Sistemler
130
4.3.6 İşbirlikçi Etmen Sistemleri
131
4.3.7 Öğrenme Etmenleri
131
4.4 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
5.2 GENEL PROBLEM ÇÖZME
155
5.2.1 Problemin Tanımlanması
156
5.2.5 Problemin çözümü
158
5.2.6 Problemin Tanımlanması
158
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
5.5.4 Araç–Sonuç Analizi
188
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
6.2 OYUN OYNAMA ARAMASININ ÖĞELERİ
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
BİLGİ TEMSİLİ VE AKIL YÜRÜTME
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
7.4 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
8.1 ZEKİ OPTİMİZASYON VE ARAMA ALGORİTMALARI
249
8.2 ZEKİ OPTİMİZASYON TÜRLERİ
250
8.3 GENETİK ALGORİTMALAR
251
8.4 GENETİK ALGORİTMALARIN BİLEŞENLERİ
253
8.4.3 Uygunluk işlevi
254
8.4.5 Genetik Değişim
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
9.2 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
9.3.3 Karar Verme Birimi
316
9.3.4 Durulama Birimi
316
9.4 Bulanık Denetim Kurallarının Oluşturulması
317
9.5 Karar Verme Mantığı
318
9.7 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
9.12.2 Dezavantajları
353
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
11.2 SİNİRSEL BULANIK DENETLEYİCİLERİN YAPISI
392
11.3. UYARLANABİLİR SİNİRSEL–BULANIK ÇIKARIM SİSTEMİ UYGULAMASI
395