“Machine Learning Study’yi Kendi Başına Denemek”

baeba · 2026-07-16T09:47:55+09:00

1. Belgenin amacı ve yapısı Bu yazı, makine öğrenmesi ve derin öğrenmeyi kendi kendine öğrenmek isteyenler için dersleri, blogları, GitHub kaynaklarını, makaleleri, veri kümelerini ve daha fazlasını sistemli biçimde bir araya getiren bir öğrenme kaynakları derlemesidir. Sadece bir bağlantı listesi değil; yeni başlayanların hangi sırayla çalışmasının iyi olacağını, öğrenme zorluğu ve kullanım amacıyla birlikte sunar. Python’dan matematik ve istatistiğe, makine öğrenmesine, derin öğrenmeye, LLM’lere ve Kaggle pratiklerine kadar geniş bir alanı kapsar. Birden fazla katkıcının kaynak eklediği açık bir GitHub projesi olarak yürütülür. 2. Önerilen öğrenme sırası Önce Python sözdizimini öğrendikten sonra NumPy ve Pandas ile veri işleme, Matplotlib gibi araçlarla görselleştirme akışı önerilir. Ardından doğrusal cebir, türev, olasılık ve istatistik çalışarak makine öğrenmesi algoritmalarının ilkelerini anlamak hedeflenir. Sonraki aşamada Scikit-learn ile geleneksel makine öğrenmesi, TensorFlow ve PyTorch tabanlı derin öğrenme incelenir. Son olarak Kaggle projeleri, makale uygulamaları ve gerçek veri analizi yoluyla pratik yetkinliği artıran bir yapıya sahiptir. 3. Matematik ve istatistik temelleri Yapay zeka öğrenimi için gerekli vektör, matris, türev, kısmi türev, doğal logaritma ve benzerlik gibi matematik kavramlarını açıklayan dersler derlenmiştir. İstatistik tarafında olasılık dağılımları, normal dağılım, hipotez testi, p-value, güven aralığı ve Bayes teorisi ele alınır. Zaman serisi analizi için gerekli AR, MA ve ARIMA ile sinyal işlemedeki Fourier dönüşümü ve ampirik mod ayrıştırma kaynakları da yer alır. Karmaşık formülleri çizimler ve el yazısı derslerle kolay anlaşılır hâle getiren başlangıç kaynakları öncelikli olarak önerilir. 4. Geleneksel makine öğrenmesi Önce gradyan inişi, hata geri yayılımı ve kayıp fonksiyonu gibi bir modelin nasıl öğrendiğini gösteren temel ilkeler açıklanır. Doğrusal regresyon, lojistik regresyon, karar ağacı, KNN, SVM, PCA ve kümeleme analizi gibi başlıca algoritmalar ele alınır. L1 ve L2 düzenlileştirme ile Lasso, Ridge ve ElasticNet gibi aşırı öğrenmeyi azaltan yöntemler de dahildir. Her konu, kavram dersleri ve Python uygulama kaynaklarıyla birlikte sunularak teori ve pratik birbirine bağlanır. 5. Derin öğrenmenin başlıca alanları Sinir ağlarının yapısından başlayarak CNN, RNN, LSTM, GAN ve pekiştirmeli öğrenme gibi başlıca derin öğrenme modelleri derlenir. Bilgisayarlı görü tarafında nesne tespiti, görüntü bölütleme, otonom sürüş ve OpenCV kullanım örnekleri tanıtılır. Doğal dil işlemede Word2Vec, BERT, GPT, Transformer, Attention ve Seq2Seq gibi konular ele alınır. Yalnızca model kullanımı değil; makale anlama, kodla uygulama ve hiperparametre ayarlama da öğrenilebilir. 6. Güncel yapay zeka teknolojileri ve öğrenme yöntemleri AutoML, Bayesçi optimizasyon, Hyperband ve NAS gibi model yapısını ve parametreleri otomatik bulmaya yönelik teknolojiler tanıtılır. Meta öğrenme yeni problemleri hızlı öğrenme yöntemi, aktif öğrenme ise yalnızca gerekli verileri seçerek öğrenme yöntemidir. Federated learning, verileri merkezi bir sunucuda toplamadan birden fazla cihazda ortaklaşa model eğitir. Artımlı ve sürekli öğrenme, mevcut bilgiyi korurken yeni verileri öğrenmeye devam eden yöntemleri ele alır. 7. LLM, LangChain ve ChatGPT AutoGPT gibi, kullanıcının verdiği hedefi birden fazla adıma bölerek otomatik yürüten yapay zeka ajanları tanıtılır. KoChatGPT ve KoAlpaca gibi örnekler üzerinden Korece LLM fine-tuning ile RLHF ve LoRA teknolojileri öğrenilebilir. LangChain kaynaklarında LLM’leri PDF, web sitesi, CSV/Excel ve Hugging Face modelleriyle bağlama yöntemleri ele alınır. OpenAI API dokümanları ve Cookbook kullanılarak soru-cevap, belge özetleme ve veri analizi servisleri geliştirilebilir. 8. Kaggle ve Dacon ile pratik öğrenme Kaggle’a giriş yönteminden veri kümesi kullanımına, API’ye, yarışmaya katılım süreçlerine ve kazanan çözümlere kadar aşamalı kaynaklar sunar. Titanic, konut fiyatları, kredi riski ve bisiklet talebi gibi sınıflandırma ve regresyon problemleriyle pratik yapılabilir. Görüntü tespiti, doğal dil işleme, zaman serisi ve ses gibi alanlara göre yarışmalar ve öğreticiler de ayrılmıştır. Pratik çalışmaya benzer problemlerde veri ön işleme, model doğrulama ve performans iyileştirme deneyimi kazanmak temel noktadır. 9. Öğrenme kaynaklarının çeşitli biçimleri Dersler, Coursera, Stanford, T Academy ve YouTube gibi ücretsiz ya da herkese açık içerikler merkez alınarak yapılandırılır. Bloglar matematik, istatistik, makaleler ve doğal dil işleme gibi konuları daha derinlemesine açıklar. GitHub depolarında çalıştırılabilir Jupyter Notebook’lar, örnek kodlar, önceden eğitilmiş modeller ve veri kümeleri bulunur. Wikidocs ve e-kitaplar Python, derin öğrenme ve algoritmik trading gibi konuları kitap gibi sırayla çalışmak için uygundur. 10. Açık veri ve geliştirme araçları AI Hub, Public Data Portal, Seoul Open Data Plaza ve Papers with Code gibi çeşitli veri kaynakları tanıtılır. TensorFlow, PyTorch ve Scikit-learn merkezde olmak üzere amaca göre kütüphaneler derlenir. Kamu verilerini DataFrame olarak sorgulayan PublicDataReader ile sağlık, görü ve Korece veri kümeleri de dahildir. Docker tabanlı geliştirme ortamı ve GPU sunucusu kurulum kaynakları da bulunduğundan gerçek proje ortamı oluşturmaya yardımcı olur. 11. Topluluk ve kariyer bilgileri TensorFlow Korea, PyTorch KR ve Kaggle Korea gibi teknoloji odaklı topluluklar üzerinden soru ve bilgi alışverişi yapılabilir. Aktif veri bilimcileri ve makine öğrenmesi mühendisleriyle yapılan röportajlar üzerinden iş, işe giriş, maaş ve yüksek lisans/doktora deneyimleri tanıtılır. Alan dışından gelenlerin bu alana girme olasılığı ya da veri bilimci ile ML mühendisinin rol farkları da incelenebilir. Yalnızca teknik öğrenmenin değil, portföy, yarışmalar ve topluluk faaliyetlerinin de kariyer hazırlığında önemli olduğunu gösterir. Temel değerlendirme Bakış açısı İçerik Kaynakların niteliği Makine öğrenmesi ve yapay zekayı kendi kendine öğrenmek için kapsamlı bağlantı ve pratik kaynak derlemesi Başlıca avantaj Temelden güncel LLM’lere kadar kapsamı geniş ve ücretsiz kaynak sayısı fazla Uygun okuyucu Yapay zekaya yeni başlayanlar, geliştiriciler, veri analistleri, Kaggle’a hazırlananlar Kullanım yöntemi Tüm kaynakları sırayla görmek yerine hedef alana uygun öğrenme yolunu seçmek Dikkat edilmesi gerekenler Bazı kaynaklar eski olduğundan kütüphane sürümleri ve teknolojilerin güncelliği kontrol edilmeli

(github.com/teddylee777)

32 puan yazan baeba 6 시간 전 | 2 yorum | WhatsApp'ta paylaş

1. Belgenin amacı ve yapısı

Bu yazı, makine öğrenmesi ve derin öğrenmeyi kendi kendine öğrenmek isteyenler için dersleri, blogları, GitHub kaynaklarını, makaleleri, veri kümelerini ve daha fazlasını sistemli biçimde bir araya getiren bir öğrenme kaynakları derlemesidir.
Sadece bir bağlantı listesi değil; yeni başlayanların hangi sırayla çalışmasının iyi olacağını, öğrenme zorluğu ve kullanım amacıyla birlikte sunar.
Python’dan matematik ve istatistiğe, makine öğrenmesine, derin öğrenmeye, LLM’lere ve Kaggle pratiklerine kadar geniş bir alanı kapsar.
Birden fazla katkıcının kaynak eklediği açık bir GitHub projesi olarak yürütülür.

2. Önerilen öğrenme sırası

Önce Python sözdizimini öğrendikten sonra NumPy ve Pandas ile veri işleme, Matplotlib gibi araçlarla görselleştirme akışı önerilir.
Ardından doğrusal cebir, türev, olasılık ve istatistik çalışarak makine öğrenmesi algoritmalarının ilkelerini anlamak hedeflenir.
Sonraki aşamada Scikit-learn ile geleneksel makine öğrenmesi, TensorFlow ve PyTorch tabanlı derin öğrenme incelenir.
Son olarak Kaggle projeleri, makale uygulamaları ve gerçek veri analizi yoluyla pratik yetkinliği artıran bir yapıya sahiptir.

3. Matematik ve istatistik temelleri

Yapay zeka öğrenimi için gerekli vektör, matris, türev, kısmi türev, doğal logaritma ve benzerlik gibi matematik kavramlarını açıklayan dersler derlenmiştir.
İstatistik tarafında olasılık dağılımları, normal dağılım, hipotez testi, p-value, güven aralığı ve Bayes teorisi ele alınır.
Zaman serisi analizi için gerekli AR, MA ve ARIMA ile sinyal işlemedeki Fourier dönüşümü ve ampirik mod ayrıştırma kaynakları da yer alır.
Karmaşık formülleri çizimler ve el yazısı derslerle kolay anlaşılır hâle getiren başlangıç kaynakları öncelikli olarak önerilir.

4. Geleneksel makine öğrenmesi

Önce gradyan inişi, hata geri yayılımı ve kayıp fonksiyonu gibi bir modelin nasıl öğrendiğini gösteren temel ilkeler açıklanır.
Doğrusal regresyon, lojistik regresyon, karar ağacı, KNN, SVM, PCA ve kümeleme analizi gibi başlıca algoritmalar ele alınır.
L1 ve L2 düzenlileştirme ile Lasso, Ridge ve ElasticNet gibi aşırı öğrenmeyi azaltan yöntemler de dahildir.
Her konu, kavram dersleri ve Python uygulama kaynaklarıyla birlikte sunularak teori ve pratik birbirine bağlanır.

5. Derin öğrenmenin başlıca alanları

Sinir ağlarının yapısından başlayarak CNN, RNN, LSTM, GAN ve pekiştirmeli öğrenme gibi başlıca derin öğrenme modelleri derlenir.
Bilgisayarlı görü tarafında nesne tespiti, görüntü bölütleme, otonom sürüş ve OpenCV kullanım örnekleri tanıtılır.
Doğal dil işlemede Word2Vec, BERT, GPT, Transformer, Attention ve Seq2Seq gibi konular ele alınır.
Yalnızca model kullanımı değil; makale anlama, kodla uygulama ve hiperparametre ayarlama da öğrenilebilir.

6. Güncel yapay zeka teknolojileri ve öğrenme yöntemleri

AutoML, Bayesçi optimizasyon, Hyperband ve NAS gibi model yapısını ve parametreleri otomatik bulmaya yönelik teknolojiler tanıtılır.
Meta öğrenme yeni problemleri hızlı öğrenme yöntemi, aktif öğrenme ise yalnızca gerekli verileri seçerek öğrenme yöntemidir.
Federated learning, verileri merkezi bir sunucuda toplamadan birden fazla cihazda ortaklaşa model eğitir.
Artımlı ve sürekli öğrenme, mevcut bilgiyi korurken yeni verileri öğrenmeye devam eden yöntemleri ele alır.

7. LLM, LangChain ve ChatGPT

AutoGPT gibi, kullanıcının verdiği hedefi birden fazla adıma bölerek otomatik yürüten yapay zeka ajanları tanıtılır.
KoChatGPT ve KoAlpaca gibi örnekler üzerinden Korece LLM fine-tuning ile RLHF ve LoRA teknolojileri öğrenilebilir.
LangChain kaynaklarında LLM’leri PDF, web sitesi, CSV/Excel ve Hugging Face modelleriyle bağlama yöntemleri ele alınır.
OpenAI API dokümanları ve Cookbook kullanılarak soru-cevap, belge özetleme ve veri analizi servisleri geliştirilebilir.

8. Kaggle ve Dacon ile pratik öğrenme

Kaggle’a giriş yönteminden veri kümesi kullanımına, API’ye, yarışmaya katılım süreçlerine ve kazanan çözümlere kadar aşamalı kaynaklar sunar.
Titanic, konut fiyatları, kredi riski ve bisiklet talebi gibi sınıflandırma ve regresyon problemleriyle pratik yapılabilir.
Görüntü tespiti, doğal dil işleme, zaman serisi ve ses gibi alanlara göre yarışmalar ve öğreticiler de ayrılmıştır.
Pratik çalışmaya benzer problemlerde veri ön işleme, model doğrulama ve performans iyileştirme deneyimi kazanmak temel noktadır.

9. Öğrenme kaynaklarının çeşitli biçimleri

Dersler, Coursera, Stanford, T Academy ve YouTube gibi ücretsiz ya da herkese açık içerikler merkez alınarak yapılandırılır.
Bloglar matematik, istatistik, makaleler ve doğal dil işleme gibi konuları daha derinlemesine açıklar.
GitHub depolarında çalıştırılabilir Jupyter Notebook’lar, örnek kodlar, önceden eğitilmiş modeller ve veri kümeleri bulunur.
Wikidocs ve e-kitaplar Python, derin öğrenme ve algoritmik trading gibi konuları kitap gibi sırayla çalışmak için uygundur.

10. Açık veri ve geliştirme araçları

AI Hub, Public Data Portal, Seoul Open Data Plaza ve Papers with Code gibi çeşitli veri kaynakları tanıtılır.
TensorFlow, PyTorch ve Scikit-learn merkezde olmak üzere amaca göre kütüphaneler derlenir.
Kamu verilerini DataFrame olarak sorgulayan PublicDataReader ile sağlık, görü ve Korece veri kümeleri de dahildir.
Docker tabanlı geliştirme ortamı ve GPU sunucusu kurulum kaynakları da bulunduğundan gerçek proje ortamı oluşturmaya yardımcı olur.

11. Topluluk ve kariyer bilgileri

TensorFlow Korea, PyTorch KR ve Kaggle Korea gibi teknoloji odaklı topluluklar üzerinden soru ve bilgi alışverişi yapılabilir.
Aktif veri bilimcileri ve makine öğrenmesi mühendisleriyle yapılan röportajlar üzerinden iş, işe giriş, maaş ve yüksek lisans/doktora deneyimleri tanıtılır.
Alan dışından gelenlerin bu alana girme olasılığı ya da veri bilimci ile ML mühendisinin rol farkları da incelenebilir.
Yalnızca teknik öğrenmenin değil, portföy, yarışmalar ve topluluk faaliyetlerinin de kariyer hazırlığında önemli olduğunu gösterir.

Temel değerlendirme

Bakış açısı	İçerik
Kaynakların niteliği	Makine öğrenmesi ve yapay zekayı kendi kendine öğrenmek için kapsamlı bağlantı ve pratik kaynak derlemesi
Başlıca avantaj	Temelden güncel LLM’lere kadar kapsamı geniş ve ücretsiz kaynak sayısı fazla
Uygun okuyucu	Yapay zekaya yeni başlayanlar, geliştiriciler, veri analistleri, Kaggle’a hazırlananlar
Kullanım yöntemi	Tüm kaynakları sırayla görmek yerine hedef alana uygun öğrenme yolunu seçmek
Dikkat edilmesi gerekenler	Bazı kaynaklar eski olduğundan kütüphane sürümleri ve teknolojilerin güncelliği kontrol edilmeli

2 yorum

ihope 4 시간 전

Oo~~ Böyle şeyleri seviyorum~!

blizard4479 4 시간 전

Vay, harika kaynaklar; teşekkürler!