%3
Python İle Yapay Zekaya Giriş Utku Köse

Python İle Yapay Zekaya GirişKavramsal Çerçeve – Temeller – Kodlama


Basım Tarihi
2023-01
Sayfa Sayısı
430
Kapak Türü
Karton
Kağıt Türü
1.Hamur
Basım Yeri
Ankara
Stok Kodu
9789750282201
Boyut
16x24
Baskı
1



470,00 TL 455,90 TL
(Bu ürünü aldığınızda 388 puan kazanacaksınız)
   388

Prof. Dr. Ömer DEPERLİOĞLU

Doç. Dr. Utku KÖSE

 

İÇİNDEKİLER
 
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
Yorum yaz
Bu kitaba henüz yorum yapılmamış.
Bonus Card ( Garanti - Teb - Denizbank - Şekerbank vb. )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
455,90   
455,90   
Cardfinans ( Finansbank )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
455,90   
455,90   
Maximum Card ( İş Bankası - Ziraat Bankası )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
455,90   
455,90   
Worldcard ( YKB - Vakıfbank - Anadolubank - Albaraka )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
455,90   
455,90   
Diğer Kartlar
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
455,90   
455,90   
Kapat