Yapay Zekâ Uygulama Alanları

Görüntü İşleme • Doğal Dil İşleme • Öneri Sistemleri • Otonom Araçlar

Dersin Amacı

Yapay zekâ yalnızca bir bilgisayarın satranç oynaması veya bir sohbet robotunun soruları cevaplamasından ibaret değildir. Günümüzde yapay zekâ; görüntüleri anlamak, insan dilini işlemek, kişiye özel öneriler yapmak ve fiziksel dünyada kararlar almak gibi çok farklı alanlarda kullanılmaktadır.

Bu derste öğrencilerin şu sorulara cevap verebilmesi hedeflenmektedir:

• Bilgisayar bir görüntüyü nasıl anlayabilir?
• Bilgisayar insan dilini nasıl işler?
• Netflix, YouTube veya Spotify bize ne önereceğini nasıl belirler?
• Otonom araçlar çevrelerini nasıl algılar?
• Bu sistemlerde yapay zekânın rolü nedir?
• Yapay zekâ bu alanlarda hangi avantajları ve riskleri beraberinde getirir?

---

1. Yapay Zekâ Nerelerde Kullanılıyor?

Günlük hayatımızda yapay zekâ ile düşündüğümüzden çok daha fazla karşılaşırız.

Örneğin:

Günlük Hayat	Yapay Zekâ Uygulaması
Telefonun yüzümüzü tanıması	Görüntü işleme
Google Lens ile nesne tanıma	Görüntü işleme
ChatGPT ile konuşmak	NLP
Telefon klavyesinin kelime önermesi	NLP
YouTube'un video önermesi	Öneri sistemi
Spotify'ın şarkı önermesi	Öneri sistemi
E-ticaret sitelerindeki ürün önerileri	Öneri sistemi
Sürücüsüz araçların yolu algılaması	Bilgisayarlı görü + AI
Sesli asistanlar	NLP + konuşma tanıma
Güvenlik kameralarında kişi algılama	Görüntü işleme
Hastalıkların görüntülerden tespit edilmesi	Görüntü işleme
Trafik işaretlerinin algılanması	Görüntü işleme

Burada önemli bir noktayı vurgulamak gerekir:

Yapay zekâ uygulaması genellikle tek bir algoritmadan oluşmaz.

Çoğu gerçek sistem; veri, algoritma, model, sensörler, yazılım ve karar mekanizmalarının birlikte çalışmasıyla oluşturulur.

---

2. Yapay Zekâ Uygulamalarının Genel Çalışma Mantığı

Bir yapay zekâ uygulamasını basitleştirerek şu şekilde düşünebiliriz:

          VERİ
           │
           ▼
    ┌──────────────┐
    │ Veri İşleme  │
    └──────┬───────┘
           │
           ▼
    ┌──────────────┐
    │ Yapay Zekâ   │
    │    Modeli    │
    └──────┬───────┘
           │
           ▼
       TAHMİN /
       KARAR
           │
           ▼
       UYGULAMA

Örneğin bir kamera sistemi düşünelim.

Kamera
  │
  ▼
Görüntü
  │
  ▼
Görüntü İşleme
  │
  ▼
Yapay Zekâ Modeli
  │
  ▼
"Bu bir otomobil."
  │
  ▼
Sistem Kararı

Bir başka örnekte ise:

Kullanıcının geçmiş davranışları
             │
             ▼
       Veri analizi
             │
             ▼
      Öneri algoritması
             │
             ▼
"Bu filmi izlemek isteyebilirsiniz."

---

3. Görüntü İşleme ve Yapay Zekâ

3.1. Görüntü işleme nedir?

Görüntü işleme, dijital görüntülerin bilgisayar tarafından işlenmesi, analiz edilmesi ve görüntüden bilgi çıkarılmasıdır.

Bir fotoğrafı bilgisayar açısından düşündüğümüzde aslında karşımızda renklerden oluşan bir matematiksel veri yapısı vardır.

Örneğin gri tonlamalı bir görüntü:

┌────┬────┬────┬────┐
│  0 │ 25 │ 80 │120 │
├────┼────┼────┼────┤
│ 10 │ 60 │150 │200 │
├────┼────┼────┼────┤
│ 20 │100 │180 │255 │
└────┴────┴────┴────┘

Buradaki her sayı bir pikselin parlaklık değerini temsil edebilir.

Renkli görüntülerde ise genellikle RGB kanalları kullanılır:

R → Red
G → Green
B → Blue

Dolayısıyla bilgisayar için:

Fotoğraf = Sayısal veri

şeklinde düşünebiliriz.

---

4. Bilgisayar Bir Fotoğrafı Nasıl Anlar?

İnsan bir fotoğrafa baktığında:

"Bu bir kedi."

diyebilir.

Bilgisayar ise başlangıçta yalnızca piksel değerlerini görür.

Örneğin:

       FOTOĞRAF
          │
          ▼
 ┌─────────────────┐
 │ Piksel değerleri│
 └────────┬────────┘
          ▼
 ┌─────────────────┐
 │ Özellik çıkarımı│
 └────────┬────────┘
          ▼
 ┌─────────────────┐
 │ AI modeli       │
 └────────┬────────┘
          ▼
       KEDİ %97

Modern görüntü sınıflandırma sistemlerinde özellikle evrişimsel sinir ağları (CNN) ve daha yeni mimariler kullanılabilir.

Model eğitim sırasında çok sayıda örnek görür.

Örneğin:

Kedi fotoğrafı → KEDİ
Kedi fotoğrafı → KEDİ
Köpek fotoğrafı → KÖPEK
Köpek fotoğrafı → KÖPEK
...

Model zamanla görüntülerdeki ayırt edici örüntüleri öğrenir.

---

5. Görüntü İşlemenin Kullanım Alanları

Yüz tanıma

Telefonlardaki yüz tanıma sistemleri kişinin yüz özelliklerini analiz edebilir.

Kamera
  ↓
Yüz tespiti
  ↓
Yüz özelliklerinin çıkarılması
  ↓
Model
  ↓
Eşleşme

Nesne tanıma

Bir kamera görüntüsünde:

🚗 otomobil
🚶 insan
🚲 bisiklet
🚦 trafik ışığı

gibi nesneler belirlenebilir.

Tıbbi görüntüleme

Yapay zekâ;

• X-ray
• MR
• tomografi
• ultrason

gibi görüntüler üzerinde analiz yapılmasına yardımcı olabilir.

Ancak burada önemli bir ayrım vardır:

Yapay zekâ destekli tıbbi analiz, doktorun yerini otomatik olarak alan bir sistem olarak düşünülmemelidir.

Güvenlik

Kamera görüntülerinde:

• kişi
• araç
• nesne
• hareket

tespit edilebilir.

Tarım

Drone veya uydu görüntülerinden:

• bitki sağlığı,
• hastalık belirtileri,
• kuraklık,
• ürün yoğunluğu

gibi bilgiler analiz edilebilir.

---

6. Python ile Basit Görüntü İşleme

Python'da görüntü işleme için yaygın olarak kullanılan kütüphanelerden biri OpenCV'dir.

Basit bir örnek:

import cv2resim = cv2.imread("kedi.jpg")print(resim.shape)

Örneğin sonuç:

(720, 1280, 3)

şeklinde olabilir.

Bu:

720    → yükseklik
1280   → genişlik
3      → renk kanalları

anlamına gelir.

Bir görüntüyü gri tona çevirmek:

import cv2resim = cv2.imread("kedi.jpg")gri = cv2.cvtColor(resim, cv2.COLOR_BGR2GRAY)cv2.imwrite("kedi_gri.jpg", gri)

Bu örnekte henüz yapay zekâ kullanmıyoruz.

Bu ayrım öğrenciler açısından çok önemlidir:

Görüntü işleme ile yapay zekâ aynı şey değildir.

Görüntü işleme veriyi hazırlayabilir; yapay zekâ modeli ise bu veriden anlam çıkarmaya çalışabilir.

---

7. Doğal Dil İşleme — NLP

7.1. NLP nedir?

NLP (Natural Language Processing), bilgisayarların insan dilini anlaması, işlemesi, analiz etmesi ve üretmesiyle ilgilenen yapay zekâ alanıdır.

Türkçesi:

Doğal Dil İşleme

olarak kullanılır.

Örneğin:

"Bugün hava çok güzel."

cümlesini insan kolayca anlayabilir.

Bilgisayar için ise bu cümle öncelikle dijital veridir.

NLP sistemleri metindeki:

• kelimeleri,
• cümle yapısını,
• anlam ilişkilerini,
• bağlamı,
• duyguyu,
• varlıkları

analiz etmeye çalışabilir.

---

8. NLP Nerelerde Kullanılır?

Günlük hayatımızda NLP'nin birçok örneği vardır.

Sohbet robotları

Örneğin:

• ChatGPT
• müşteri hizmetleri chatbotları
• eğitim asistanları

insan dilini işlemek için NLP tekniklerinden yararlanabilir.

Çeviri sistemleri

Türkçe
   ↓
NLP
   ↓
İngilizce

Spam filtreleme

E-posta:

"Tebrikler! Büyük ödülü kazandınız."

gibi mesajları analiz ederek spam olma ihtimalini belirlemek mümkün olabilir.

Duygu analizi

Örneğin:

"Bu filmi çok beğendim."

→ Pozitif

"Film gerçekten berbattı."

→ Negatif

şeklinde sınıflandırılabilir.

Sesli asistanlar

Kullanıcı:

"Yarın hava nasıl?"

dediğinde sistem:

Ses
 ↓
Konuşma tanıma
 ↓
Metin
 ↓
NLP
 ↓
Anlam
 ↓
Cevap

sürecini kullanabilir.

---

9. Bir NLP Sistemi Metni Nasıl İşler?

Basitleştirilmiş şekilde:

"Bugün Ankara'da hava güzel."
              │
              ▼
          Tokenization
              │
              ▼
       Kelimelere ayırma
              │
              ▼
      Sayısal temsil
              │
              ▼
        AI Modeli
              │
              ▼
         Sonuç

Örneğin:

Bugün
Ankara'da
hava
güzel

kelimeleri model tarafından sayısal temsillere dönüştürülebilir.

Modern NLP sistemlerinde kelimelerin yalnızca sözlük anlamından ziyade bağlam içindeki ilişkileri de önemlidir.

Örneğin:

"Bankaya gittim."

ile

"Nehir kenarında banka oturdum."

cümlelerinde "banka" kelimesinin anlamı bağlama göre farklıdır.

Bu nedenle modern dil modellerinde bağlam çok önemli bir kavramdır.

---

10. NLP ve Büyük Dil Modelleri

Son yıllarda NLP alanında büyük bir dönüşüm yaşanmıştır.

Özellikle Transformer mimarisi ve bunun üzerine kurulan büyük dil modelleri:

• metin oluşturma,
• soru cevaplama,
• özetleme,
• çeviri,
• kod üretme,
• sınıflandırma

gibi birçok görevi gerçekleştirebilir.

Basitleştirilmiş model:

Kullanıcı
   │
   ▼
Metin
   │
   ▼
Tokenler
   │
   ▼
Dil modeli
   │
   ▼
Bağlam analizi
   │
   ▼
Tahmin
   │
   ▼
Cevap

Burada öğrencilere özellikle şu kavram verilmelidir:

Büyük dil modelleri cevapları insanlar gibi "düşünerek" hazırlar şeklinde basitçe yorumlanmamalıdır; model, öğrendiği örüntüler ve bağlam üzerinden sonraki tokenleri üretir.

---

11. Python ile Basit NLP

Python'da metin işleme çok kolaydır:

metin = "Yapay zeka geleceğin önemli teknolojilerinden biridir."kelimeler = metin.split()print(kelimeler)

Sonuç:

['Yapay', 'zeka', 'geleceğin', 'önemli',
 'teknolojilerinden', 'biridir.']

Kelime sayısını bulabiliriz:

print(len(kelimeler))

Basit bir kelime frekansı:

from collections import Countermetin = """Yapay zeka önemlidir.Yapay zeka birçok alanda kullanılır."""kelimeler = metin.lower().split()sayac = Counter(kelimeler)print(sayac)

Bu örnek gerçek bir NLP modelinden çok daha basit olsa da öğrencilerin:

Metin → Veri → Analiz

mantığını anlamasını sağlar.

---

12. Öneri Sistemleri

Şimdi günlük hayatın çok önemli bir başka alanına geçelim.

Bir YouTube videosunu izledikten sonra:

"Bunları da izleyebilirsiniz."

veya Spotify'da:

"Sizin için hazırlanmış"

listesini görmüş olabilirsiniz.

Bunlar öneri sistemleri ile ilişkilidir.

---

13. Öneri Sistemi Nedir?

Öneri sistemi, kullanıcıya ilgi duyabileceği ürün, içerik veya hizmetleri tahmin ederek sunan sistemdir.

Örneğin:

Kullanıcı
   │
   ├── Film izledi
   ├── Bir ürünü inceledi
   ├── Bir şarkıyı dinledi
   └── Bir videoyu beğendi
          │
          ▼
      Kullanıcı verisi
          │
          ▼
    Öneri algoritması
          │
          ▼
    Tahmin edilen ilgi
          │
          ▼
     Yeni öneriler

---

14. Öneri Sistemlerinde Kullanılan Veriler

Bir sistem kullanıcı hakkında şu bilgileri kullanabilir:

• Daha önce izlediği filmler
• Dinlediği müzikler
• Beğenileri
• Aramaları
• Satın aldığı ürünler
• Ürün görüntülemeleri
• İzleme süresi
• Benzer kullanıcıların davranışları

Örneğin:

Ali

Rock → ❤️
Pop → ❤️
Caz → ❌
Klasik → ❌

Sistem Ali'nin davranışlarını analiz ederek:

Yeni Rock şarkıları
        ↓
   Önerilebilir

sonucuna ulaşabilir.

---

15. Collaborative Filtering

Öneri sistemlerinde önemli yaklaşımlardan biri Collaborative Filtering yani işbirlikçi filtrelemedir.

Örneğin:

Ali       Film A   Film B   Film C
Ayşe      Film A   Film B   Film C
Mehmet    Film A   Film B    ?

Ali ve Ayşe benzer filmleri sevmişse, Mehmet'in davranışları da benzerlik gösteriyorsa sistem:

Mehmet Film C'yi de beğenebilir.

şeklinde bir tahminde bulunabilir.

---

16. İçerik Tabanlı Öneri

Bir başka yaklaşım content-based recommendation yani içerik tabanlı öneridir.

Örneğin kullanıcı bilim kurgu filmlerini seviyorsa:

Kullanıcı
   ↓
Bilim kurgu
   ↓
Uzay
   ↓
Teknoloji
   ↓
Aksiyon

özelliklerine sahip yeni filmler önerilebilir.

---

17. Öneri Sistemlerinin Kullanım Alanları

E-ticaret

"Bu ürünü alanlar bunları da aldı."

Video platformları

"Size özel öneriler"

Müzik platformları

"Haftalık keşif"

Haber platformları

Kullanıcının ilgisini çekebilecek haberlerin sıralanması.

Eğitim

Öğrencinin:

• başarısı,
• ilgi alanları,
• çözdüğü sorular

incelenerek uygun eğitim içerikleri önerilebilir.

---

18. Öneri Sistemlerinin Avantajları

• Kişiselleştirme sağlar.
• Kullanıcının arama süresini azaltabilir.
• İçerik keşfini kolaylaştırabilir.
• Satışları artırabilir.
• Eğitim içeriklerinin kişiye göre uyarlanmasına yardımcı olabilir.

Ancak bazı riskler de vardır.

Filtre balonu

Kullanıcı sürekli aynı tür içerikleri görmeye başlayabilir.

İlgi alanı
   ↓
Benzer içerikler
   ↓
Daha fazla benzer içerik
   ↓
Daha az farklı görüş

Bu durum filter bubble olarak tartışılmaktadır.

---

19. Otonom Araçlar

Yapay zekânın en dikkat çekici uygulamalarından biri otonom araçlardır.

Otonom araç:

Çevresini algılayarak belirli ölçüde insan müdahalesi olmadan hareket edebilen araçtır.

Ancak otonom araçları yalnızca "yapay zekâ" olarak düşünmek eksik olur.

Bir otonom araçta:

• kamera,
• radar,
• LiDAR,
• GPS,
• sensörler,
• bilgisayar,
• kontrol sistemleri,
• yapay zekâ modelleri

birlikte çalışabilir.

---

20. Otonom Araç Çevresini Nasıl Algılar?

Basitleştirilmiş sistem:

             KAMERA
                │
                ▼
          Görüntü işleme
                │
                ▼
           Nesne algılama
                │
                ▼
     ┌─────────────────────┐
     │ Çevre modeli        │
     │                     │
     │ 🚗     🚶     🚦    │
     └──────────┬──────────┘
                ▼
          Karar verme
                │
        ┌───────┼───────┐
        ▼       ▼       ▼
      Fren     Hız     Yön

Örneğin araç:

🚶 Yaya

algılarsa yavaşlamaya veya durmaya karar verebilir.

---

21. Otonom Araçlarda Bilgisayarlı Görü

Araç kamerasından gelen görüntü:

┌─────────────────────────┐
│       🚦                │
│                         │
│     🚗                 │
│                         │
│  🚶                     │
│                         │
└─────────────────────────┘

AI sistemi:

🚦 → Trafik ışığı
🚗 → Otomobil
🚶 → Yaya

şeklinde nesneleri sınıflandırabilir.

Bunun yanında:

• şerit tespiti,
• trafik levhası tanıma,
• yaya tespiti,
• araç tespiti

gibi görevler gerçekleştirilebilir.

---

22. Otonom Araçlarda Karar Verme

Algılama sonrasında araç bir karar vermelidir.

Örneğin:

Önümde araç var mı?
        │
     EVET
        │
        ▼
Mesafe güvenli mi?
     │       │
    EVET    HAYIR
     │       │
     ▼       ▼
Devam et   Yavaşla

Daha karmaşık sistemlerde karar verme mekanizmaları çok daha gelişmiştir.

---

23. Otonom Araçların Seviyeleri

Otonom sürüş sistemleri genel olarak farklı otomasyon seviyelerine ayrılır.

Basitleştirilmiş olarak:

Seviye 0
Manuel sürüş

       ↓

Seviye 1
Sürücü destek sistemleri

       ↓

Seviye 2
Kısmi otomasyon

       ↓

Seviye 3
Koşullu otomasyon

       ↓

Seviye 4
Yüksek otomasyon

       ↓

Seviye 5
Tam otomasyon

Burada öğrencilere özellikle şu mesaj verilmelidir:

Bir aracın bazı sürüş görevlerini otomatik yapabilmesi, aracın her koşulda tamamen otonom olduğu anlamına gelmez.

---

24. Dört Alanı Birlikte Düşünelim

Dersimizin dört ana konusu aslında birbirleriyle bağlantılıdır.

Alan	Girdi	Yapay Zekâ Görevi	Çıktı
Görüntü işleme	Fotoğraf/video	Nesne tanıma	"Bu bir otomobil."
NLP	Metin/ses	Dil analizi	Anlam/cevap
Öneri sistemi	Kullanıcı davranışı	İlgi tahmini	Ürün/video önerisi
Otonom araç	Sensör verisi	Algılama + karar	Fren/yön/hız

Bu tablo öğrencilerin dört alan arasındaki farkı anlaması açısından özellikle kullanılabilir.

---

25. Dört Alanın Ortak Noktası

Hepsinde temel mantık benzerdir:

VERİ
 ↓
İŞLEME
 ↓
MODEL
 ↓
TAHMİN / SINIFLANDIRMA
 ↓
KARAR

Örneğin:

Görüntü

Fotoğraf → Model → Kedi

NLP

Metin → Model → Duygu: Pozitif

Öneri

Kullanıcı davranışı → Model → Film öner

Otonom araç

Sensör → Model → Fren yap

---

26. Yapay Zekâ Uygulamalarında Veri Neden Önemlidir?

Yapay zekâ sistemlerinin başarısında veri büyük önem taşır.

Örneğin yalnızca 5 kedi fotoğrafı ile çok başarılı bir kedi tanıma sistemi geliştirmek zor olabilir.

Daha fazla ve çeşitli veri gerekebilir:

Kedi
├── Önden
├── Yandan
├── Uzaktan
├── Yakından
├── Karanlıkta
├── Aydınlıkta
├── Farklı ırklar
└── Farklı ortamlarda

Bu nedenle:

İyi yapay zekâ uygulaması = yalnızca iyi algoritma değil, kaliteli ve uygun veri de gerektirir.

---

27. Veri Yanlılığı

Yapay zekâ sistemlerinin önemli problemlerinden biri bias — yanlılıktır.

Örneğin eğitim verileri belirli bir grubu yeterince temsil etmiyorsa model bazı gruplarda daha başarısız olabilir.

Basit bir örnek:

Eğitim verisi

%90 → A grubu
%10 → B grubu

Model A grubunda daha başarılı olabilir.

Bu nedenle yapay zekâ geliştirirken:

• veri çeşitliliği,
• veri kalitesi,
• temsil,
• doğruluk,
• adalet

konuları dikkate alınmalıdır.

---

28. Yapay Zekâ ve Gizlilik

Özellikle görüntü ve öneri sistemlerinde kişisel veriler önemli bir konudur.

Örneğin:

• yüz görüntüsü,
• ses kaydı,
• konum,
• alışveriş geçmişi,
• izleme geçmişi

kişisel veri niteliği taşıyabilir.

Öğrencilere şu soru sorulabilir:

"Bir uygulamanın size daha iyi öneriler sunması için hakkınızda ne kadar bilgi toplamasına izin verirsiniz?"

Bu soru teknoloji ile etik arasındaki bağlantıyı kurmak için kullanılabilir.

---

29. Yapay Zekâ ve Güvenlik

Bir yapay zekâ sistemi yanlış karar verebilir.

Örneğin:

Gerçek nesne → Yaya
AI → Yaya değil

veya:

Gerçek nesne → Trafik levhası
AI → Farklı nesne

Bu nedenle özellikle kritik sistemlerde:

• test,
• doğrulama,
• güvenlik,
• insan denetimi,
• hata analizi

çok önemlidir.

---

30. Sınıf Uygulaması: Günlük Hayatta AI Örneklerini Sınıflandırma

Öğrencilere aşağıdaki örnekleri verin:

1. Telefonun yüz tanıması
2. Spotify'ın şarkı önermesi
3. Chatbot
4. Google Lens
5. Sürücüsüz araç
6. E-posta spam filtresi
7. YouTube önerileri
8. Sesli asistan
9. Tıbbi görüntü analizi
10. Trafik levhası tanıma

Öğrencilerden bunları dört kategoriye ayırmalarını isteyin:

GÖRÜNTÜ İŞLEME
       │
       ├── ?
       ├── ?
       └── ?

NLP
       │
       ├── ?
       ├── ?
       └── ?

ÖNERİ SİSTEMLERİ
       │
       ├── ?
       └── ?

OTONOM SİSTEMLER
       │
       └── ?

Daha zorlaştırılmış görev

Öğrencilerden bir uygulamanın birden fazla kategoriye girebileceğini keşfetmelerini isteyin.

Örneğin:

Otonom araç

aynı anda:

• görüntü işleme,
• sensör analizi,
• yapay zekâ,
• karar verme

kullanabilir.

---

31. Mini Uygulama: Basit Öneri Sistemi

Python bilgisi olan öğrenciler için basit bir öneri sistemi yapılabilir.

filmler = {    "Ali": ["Matrix", "Interstellar", "Inception"],    "Ayşe": ["Interstellar", "Inception", "Avatar"],    "Mehmet": ["Matrix", "Avatar"]}

Ali'nin izlediği filmleri inceleyelim:

print(filmler["Ali"])

Basit bir sistem:

if "Interstellar" in filmler["Ali"]:    print("Bilim kurgu filmleri önerebiliriz.")

Bu gerçek bir makine öğrenmesi modeli değildir.

Ancak öğrencinin:

Kullanıcı verisi
       ↓
Kullanıcı tercihi
       ↓
Öneri

mantığını anlamasını sağlar.

---

32. Mini Uygulama: Basit Metin Sınıflandırma

mesaj = input("Mesajınızı yazın: ")if "kazandınız" in mesaj.lower():    print("Spam olabilir.")else:    print("Normal mesaj olabilir.")

Burada kural tabanlı yaklaşım kullanıyoruz.

Daha gelişmiş sistemlerde ise makine öğrenmesi modelleri kullanılabilir.

Bu örnek sayesinde önceki derslerde işlenen:

Kural tabanlı sistemler → Makine öğrenmesi → Modern yapay zekâ

gelişimiyle bağlantı kurulabilir.

---

33. Mini Proje: AI Uygulaması Tasarla

Öğrencileri 3–4 kişilik gruplara ayırın.

Her gruba şu görev verilebilir:

Günlük hayatta kullanılabilecek bir yapay zekâ uygulaması tasarlayın.

Öğrenciler şu sorulara cevap vermelidir:

1. Uygulamanın adı nedir?

2. Hangi problemi çözüyor?

3. Hangi verileri kullanıyor?

4. Hangi yapay zekâ alanından yararlanıyor?

□ Görüntü işleme
□ NLP
□ Öneri sistemi
□ Otonom sistem
□ Birden fazla alan

5. Kullanıcıya ne sunuyor?

6. Hangi riskleri var?

7. Gizlilik açısından neye dikkat edilmeli?

---

34. Örnek Proje

Akıllı Okul Asistanı

Amaç:

Öğrencinin ders çalışma sürecini kişiselleştirmek.

Sistem:

Öğrenci
   │
   ├── Çözdüğü sorular
   ├── Başarı oranı
   ├── Çalışma süresi
   └── İlgi alanları
          │
          ▼
      AI MODELİ
          │
          ▼
   Kişisel öneriler

Örneğin:

"Python'da listeler konusunda daha fazla pratik yapmalısın."

veya:

"Son üç testte ağ konusunda zorlandın. Bu konu için tekrar videosu öneriliyor."

Bu proje aynı zamanda eğitimde yapay zekâ konusuna geçiş sağlar.

---

35. Tartışma Etkinliği

Öğrencilere şu soru yöneltilebilir:

"Yapay zekânın en fazla fayda sağlayacağı alan hangisidir?"

Gruplar:

Grup A

Eğitim

Grup B

Sağlık

Grup C

Ulaşım

Grup D

Kamu hizmetleri

Her grup şu üç başlık altında savunma yapar:

FAYDALAR
   ↓
RİSKLER
   ↓
ÇÖZÜM ÖNERİLERİ

---

36. Ders İçin Kritik Kavramlar

• Yapay zekâ uygulaması
• Görüntü işleme
• Bilgisayarlı görü
• Piksel
• Görüntü sınıflandırma
• Nesne algılama
• NLP
• Token
• Bağlam
• Büyük dil modeli
• Öneri sistemi
• Collaborative Filtering
• Content-Based Recommendation
• Otonom araç
• Sensör
• Kamera
• LiDAR
• Radar
• Karar verme
• Veri yanlılığı
• Gizlilik
• Yapay zekâ etiği

---

37. Ders Sonu Mini Quiz

Soru 1

Bilgisayarın fotoğraftaki nesneleri tanıması hangi alanla doğrudan ilişkilidir?

A) NLP
B) Görüntü işleme
C) Öneri sistemi
D) Veritabanı

Cevap: B

---

Soru 2

Netflix veya Spotify'ın kişiye özel içerik sunması hangi sistemlere örnektir?

A) Öneri sistemi
B) İşletim sistemi
C) Derleyici
D) Dosya sistemi

Cevap: A

---

Soru 3

NLP'nin açılımı nedir?

Cevap: Natural Language Processing — Doğal Dil İşleme

---

Soru 4

Otonom araçların çevrelerini algılamasında aşağıdakilerden hangisi kullanılabilir?

A) Kamera
B) Radar
C) LiDAR
D) Hepsi

Cevap: D

---

Soru 5

Aşağıdakilerden hangisi yapay zekâ sistemleri için önemli bir risktir?

A) Veri yanlılığı
B) Gizlilik
C) Yanlış kararlar
D) Hepsi

Cevap: D

---

38. Ana Mesaj

Dersin sonunda öğrencilerin şu bağlantıyı kurması çok önemlidir:

                    YAPAY ZEKÂ
                         │
       ┌─────────────────┼─────────────────┐
       │                 │                 │
       ▼                 ▼                 ▼
   GÖRÜNTÜ              NLP           ÖNERİ SİSTEMİ
   İŞLEME                │                 │
       │                 │                 │
       ▼                 ▼                 ▼
 Fotoğraf             Metin            Kullanıcı
 Video                Ses              davranışı
       │                 │                 │
       └─────────────────┼─────────────────┘
                         │
                         ▼
                  TAHMİN / KARAR
                         │
                         ▼
                  GERÇEK HAYAT

Ve otonom sistemlerde bu yapı fiziksel dünyayla birleşir:

Sensörler
   ↓
Veri
   ↓
AI
   ↓
Algılama
   ↓
Karar
   ↓
Eylem

---

39. Dersin Genel Özeti

Bu derste dört önemli yapay zekâ uygulama alanı ele alınmıştır.

1. Görüntü İşleme

Bilgisayarların görüntülerden anlamlı bilgiler çıkarmasını sağlar.

Örnekler:

• yüz tanıma
• nesne tanıma
• tıbbi görüntü analizi
• güvenlik sistemleri

2. NLP

Bilgisayarların insan dilini işlemesini sağlar.

Örnekler:

• Chatbotlar
• çeviri
• duygu analizi
• sesli asistanlar
• metin özetleme

3. Öneri Sistemleri

Kullanıcının ilgi alanlarını tahmin ederek içerik veya ürün önerir.

Örnekler:

• YouTube
• Spotify
• Netflix
• e-ticaret
• eğitim platformları

4. Otonom Araçlar

Sensörlerden gelen verileri kullanarak çevreyi algılar ve kararlar verir.

Örnekler:

• sürüş destek sistemleri
• otonom otomobiller
• robotlar
• drone sistemleri

---

Dersin sonunda öğrenciden beklenen

“Bir yapay zekâ uygulamasını gördüğümde bunun hangi probleme çözüm getirdiğini, hangi verileri kullandığını ve hangi AI alanlarından yararlandığını açıklayabiliyorum.”

diyebiliyorsa ders amacına ulaşmış demektir.