Python İle Yapay Zekaya Giriş
Kavramsal Çerçeve – Temeller – Kodlama
2. Baskı,
Şubat 2025
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa Sayısı:
424
Kitabın Fiyatı:
560,00₺
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.
11 temel yapay zeka yaklaşımı, 100'den fazla örnek uygulama ve güncel yapay zeka modelleri için temel teşkil eden konuları içeren kitap, Yapay Zekâya Giriş kapsamında ele alınmıştır ve Python programlama dilini baz alarak yapay zekâ ile 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, sadece üniversite öğrencileri değil, konuyla ilgilenen her yaştan okuyucu kitaptan yararlanabilir.
Bu kitap, yapay zekâya 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
Kitapla İlgili Kategoriler
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 Dağıtımı
30
1.3.2 Anaconda Dağıtımı’nın 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
56
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
58
2.5.4 Bilgi temsili
58
2.5.5 Planlama
58
2.5.6 Sezgisel
59
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 Bilgisayarlı 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
70
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 ÖLÇÜTLERİ
101
3.5.1. Karışıklık Matrisi
104
3.5.2 Doğruluk (Accuracy)
106
3.5.3. Duyarlılık (Hassasiyet) veya 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 Makine Öğrenmesi Modeli Performans Değerlendirme Ölçülerinin Hesaplanması
110
3.5.8 ROC Eğrisi ve AUC değeri
113
3.5.8.1 ROC Eğrisi
113
3.5.8.2 AUC Değeri
115
3.5.9 Python’da ROC Eğrisini Çizdirme AUC Değeri Hesaplama Örneği
116
3.6 BİLİŞSEL MODELLEME
117
4. BÖLÜM
AKILLI ETMENLER
4.1 GİRİŞ
119
4.2 ETMENLERİN ÖZELLİKLERİ
121
4.3 ETMEN TÜRLERİ
122
4.3.1 Basit Tepki Etmenleri
122
4.3.1.1 Model Tabanlı Etmenler
123
4.3.1.2 Hedefe Dayalı Etmenler
124
4.3.1.3 Fayda Tabanlı Etmenler
125
4.3.2 Ara Yüz Etmenleri
126
4.3.3 Mobil Etmenler
127
4.3.4 Bilgi Toplama Etmenleri
127
4.3.5 Çok Etmenli Sistemler
128
4.3.6 İşbirlikçi Etmen Sistemleri
129
4.3.7 Öğrenme Etmenleri
129
4.3.8 Robot Etmenler
130
4.4 ORTAMLARIN DOĞASI
131
4.4.1 Görev Ortamlarının Özellikleri
133
4.5 ETMENLER VE ORTAMLAR
136
4.5.1 Etmen Sistemleri
138
4.5.2 Etmenlerin İşlevi
139
4.5.3 Etmen Programları
142
4.5.3.1 Tablo tabanlı etmen
143
4.5.3.2 Basit Tepki Etmeni
143
4.5.3.3 Model Tabanlı Tepki Etmeni
144
4.6 İki Durumlu Elektrik Süpürgesi Ortamında Basit Tepki Etmeni Örneği
145
4.7 6X6 Matris Ortamında Temizlik Yapan Basit Tepki Etmeni Örneği
147
5. BÖLÜM
ARAMA İLE PROBLEM ÇÖZME
5.1 GİRİŞ
151
5.2 GENEL PROBLEM ÇÖZME
151
5.2.1 Problemin Tanımlanması
152
5.2.2 Problem Uzayı
153
5.2.3 Problem Çözme
153
5.2.4 Durumlar
153
5.2.5 Problemin çözümü
154
5.2.6 Problemin Tanımlanması
154
5.3 Arama
155
5.3.1 Arama Algoritmaları
156
5.3.2 Arama Algoritmalarının Özellikleri
158
5.4 BİLGİSİZ ARAMA ALGORİTMALARI
158
5.4.1 Derinlemesine Arama
158
5.4.2 Derinlemesine Sınırlı Arama
161
5.4.3 Yinelemeli Derinlemesine Arama
164
5.4.4 Enlemesine Arama
166
5.4.5 Maliyet Öncelikli Arama
168
5.4.6 Çift Yönlü Arama
171
5.4.7 Bilgisiz Arama Algoritmalarının Karşılaştırılması
174
5.5 BİLGİLİ ARAMA ALGORİTMALARI
174
5.5.1 En İyiyi Arama
175
5.5.2 A* Arama
177
5.5.3 AO* Arama
180
5.5.4 Araç–Sonuç Analizi
183
5.5.5 Tepe Tırmanma
184
5.5.5.1 Tepe Tırmanmanın Durum–uzay Şeması
185
5.5.5.1 Tepe Tırmanmanın Türleri
187
5.5.5.1.1. Basit Tepe Tırmanışı
187
5.5.5.1.2. En Dik–Yükseliş Tepesi Tırmanma
188
5.5.5.1.3. Rastgele Tepe Tırmanma
188
5.5.6 Oluştur ve Test Et
192
5.6 BİLGİSİZ VE BİLGİLİ ARAMA ALGORİTMALARININ KARŞILAŞTIRILMASI
193
6. BÖLÜM
RAKİP ARAMA
6.1 GİRİŞ
195
6.2 OYUN OYNAMA ARAMASININ ÖĞELERİ
197
6.3 OYUN AĞACI
197
6.3 RAKİP ARAMA TÜRLERİ
200
6.3.1 Minimax Algoritması
200
6.3.1.1 Minimax Algoritmasının Çalışması:
201
6.3.1 2 Python'da Minimax Uygulaması
204
6.3.2 Alfa–Beta Budama Algoritması
205
6.3.2.1 Alfa–Beta Algoritmasının Çalışması:
206
6.3.2.2 Alfa–Beta budamada Sıralamayı Taşıma
209
6.3.2.3 Alfa–Beta budamada Sıralamayı Taşıma
209
6.4 3x3 Tic–Tac–Toe Oyunu İçin Minimax Arama Yapan Basit Bir Uygulama Örneği
211
7. BÖLÜM
BİLGİ TEMSİLİ VE AKIL YÜRÜTME
7.1 GİRİŞ
217
7.1.1 Bilgi Kavramı
217
7.1.1.1 Bilginin Türleri
218
7.1.2 Bilgi Temsili Kavramı
220
7.1.2.1 Yapay Zekada Bilgi Temsili Döngüsü
221
7.1.2.3 Bilgi Temsilinin Gereksinimleri
222
7.1.3 Akıl Yürütme Kavramı
225
7.2 NEDEN BİLGİ TEMSİLİ VE AKIL YÜRÜTME?
226
7.2.1 Bilgi Tabanlı Sistemler
227
7.2.2 Neden bilgi temsili?
229
7.2.3 Neden akıl yürütme?
230
7.3 MANTIĞIN ROLÜ
232
7.4 YAPAY ZEKÂDA BİLGİ TEMSİLİ TEKNİKLERİ
233
7.4.1 Mantıksal Temsil
233
7.4.2 Anlamsal Ağ Temsili
234
7.4.3 Çerçeve Temsili
236
7.4.4 Üretim Kuralları Temsili
236
7.4.5 Yapay Zekâda Bilgi Temsili Yaklaşımları
238
7.5 BİLGİ TABANLI ETMENLER
238
7.5.1 Genel Bilgi Tabanlı Etmen
239
7.5.2 Bilgiye Dayalı Etmen Seviyeleri
242
7.5.3 Bilgi Tabanlı Etmen Oluşturma Yaklaşımları
243
8. BÖLÜM
ZEKİ OPTİMİZASYON
8.1 ZEKİ OPTİMİZASYON VE ARAMA ALGORİTMALARI
245
8.2 ZEKİ OPTİMİZASYON TÜRLERİ
246
8.3 GENETİK ALGORİTMALAR
247
8.4 GENETİK ALGORİTMALARIN BİLEŞENLERİ
249
8.4.1 Genotip
249
8.4.2 Popülasyon
249
8.4.3 Uygunluk işlevi
250
8.4.4 Seçim
250
8.4.5 Genetik Değişim
251
8.4.6 Mutasyon
251
8.5 GENETİK ALGORİTMALAR TEORİSİ
252
8.6 GELENEKSEL ALGORİTMALARDAN FARKLILIKLARI
254
8.7 GENETİK ALGORİTMALARIN AVANTAJLARI
255
8.8 GENETİK ALGORİTMALARIN SINIRLAMALARI
256
8.9 GENETİK ALGORİTMALARIN EN ÇOK KULLANILDIĞI YERLER
257
8.10 GENETİK ALGORİTMALAR KULLANARAK PROBLEM ÇÖZME
258
8.10.1 Genetik Algoritmalarla Tahmin
259
8.10.2 DEAP Çerçevesi
263
8.10.3 OneMax Probleminin Genetik Algoritmalarla Çözümü
263
8.10.4 Sembol Regresyon Problemini Çözme
266
8.10.5 Katsayı Hesaplatma
269
8.10.6 N–Queens problemini çözme
272
8.10.7 Genetik Algoritma ile Özellik Seçimi
279
8.10.7.1 Parkinson Veri Kümesi ile Seçim
280
8.10.7.2 Göğüs Kanseri Veri Kümesi
285
8.10.7.3 PCOS Veri Kümesi
287
8.10.7.4 Iris Veri Kümesi
289
8.10.8 Modellerde Öne Çıkan Ayar Parametrelerinin Seçimi
290
8.11 PARÇACIK SÜRÜ OPTİMİZASYONU
293
8.12 KARINCA KOLONİ OPTİMİZASYONU
296
9. BÖLÜM
BULANIK MANTIK
9.1 GİRİŞ
301
9.2 BULANIK KÜME TEORİSİ
302
9.2.1 Bulanık küme işlemleri
307
9.3 BULANIK MANTIK DENETLEYİCİNİN GENEL YAPISI
309
9.3.1 Bulanıklaştırma Birimi
310
9.3.2 Bilgi Tabanı
310
9.3.3 Karar Verme Birimi
310
9.3.4 Durulama Birimi
310
9.4 Bulanık Denetim Kurallarının Oluşturulması
311
9.5 Karar Verme Mantığı
312
9.6 Çıkarım Motoru
313
9.7 Bulanık Çıkarım Yöntemleri
314
9.7.1 Birinci Tip Bulanık Çıkarım
314
9.7.2 İkinci Tip Bulanık Çıkarım
315
9.7.3 Üçüncü Tip Bulanık Çıkarım
316
9.7.4 Dördüncü Tip Bulanık Çıkarım
317
9.8 DURULAMA YÖNTEMLERİ
318
9.8.1 Max Kriteri Yöntemi
318
9.8.2 Maksimumların Ortalaması Yöntemi
318
9.8.3 Ağırlık Merkezi Yöntemi
319
9.9 DARALAN ÜYELİK FONKSİYONLU BULANIK MANTIK DENETLEYİCİ
319
9.9.1 Daralan Aralıklı Üyelik Fonksiyonları ile Bulanık Mantık Denetleyici Tasarımı
320
9.10 BULANIK MANTIK ÇIKARIM SİSTEMİ TASARIMI
323
9.11. BULANIK MANTIK UYGULAMALARI
324
9.11.1 Bulanık Küme İşlemleri Python Örneği
324
9.11.2 Öğrenciler İçin Spor Seçim Problemi
327
9.11.3 Arkadaşlık Teklif Etme Problemi
331
9.11.4 Bulanık C–Ortalamalar Kümeleme
335
9.11.5 Bulanık Mantık Denetleyici
343
9.12 BULANIK MANTIĞIN AVANTAJLARI VE DEZAVANTAJLARI
347
9.12.1 Avantajları
347
9.12.2 Dezavantajları
348
10. BÖLÜM
YAPAY SİNİR AĞLARI
10.1 GİRİŞ
349
10.2 YAPAY SİNİR AĞLARININ TEMELLERİ
349
10.2 YAPAY SİNİR AĞLARI MİMARİLERİ
353
10.2.1 Uyarlamalı Ağlar
355
10.2.2 İleri Beslemeli Ağlar İçin Geriye Yayılan Öğrenme
357
10.2.3 Eş Zamanlı İşletilen Ağlar
359
10.2.4 Zaman İçerisinden Geriye Yayılma
360
10.2.5 Gerçek Zaman Tekrarlanan Öğrenme
360
10.2.6 Karma Öğrenme Kuralı
361
10.2.7 Çevrim Dışı Öğrenme
361
10.2.8 Çevrim İçi Öğrenme
362
10.3 YAPAY SİNİR AĞLARI UYGULAMALARI
363
10.3.1 Çok Katmanlı YSA Örneği
363
10.3.2 Çok Katmanlı YSA Kısaltılmış Örneği
369
10.3.3 Scikit–Learn Kitaplığı ile Çok Katmanlı YSA Örneği
370
10.3.4. MLPClassifier ile YSA Sınıflandırıcı Örneği
371
10.3.5. MLPRegressor ile YSA Regresyon Örneği
375
10.3.6 YSA ile Sınıflandırma Örneği
378
11. BÖLÜM
SİNİRSEL BULANIK DENETİM
11.1 GİRİŞ
385
11.2. SİNİRSEL BULANIK DENETLEYİCİLERİN YAPISI
386
11.3. UYARLANABİLİR SİNİRSEL–BULANIK ÇIKARIM SİSTEMİ UYGULAMASI
389
Kaynakça
415
Kitabın Fiyatı:
560,00₺
24 saat içerisinde temin edilir.
Bu kitaplar da ilginizi çekebilir
Yapay Zeka'ya Giriş
İsmail Sarı
Yapay Zeka ve Makina Öğrenmesi
Mitat Uysal
Yapay Zeka Mühendisliği Cilt – 1
Toros Rifat Çölkesen
ISO/IEC 42001:2023 Standardı İçin
Sorumlu Yapay Zeka Yönetişimi
Hilmi Yüksel
Hakkımızda
|
Uluslararası Yayınevi Belgesi|
Kaynakça Dosyası|
Kişisel Verilerin Korunması |
Üyelik|
Siparişlerim|
İade Politikası|
İletişim