Yapay Zekâ Teknolojileri, Kavramsal Temeller, Sektörel Uygulama Ekosistemi ve Eğitimde YZ Dönüşümü — Kapsamlı Ders Notları & Referans Kılavuzu
Prof. Dr. Nasip DEMİRKUŞ
Dersin İnfografiği,Dersin Çalışma Kartları, Dersin Sunusu, Dersin Vidosu ve Örnek Sınav Soruları, Ders Notu
Ders Adı: Yapay Zeka Çeşitleri, Uygulama Alanları ve Araçları | Süre: 14 Hafta | Düzey: Başlangıç – Orta | Versiyon: v4.0 · 2025
Bu kapsamlı kılavuz, akademik literatürden derlenerek oluşturulmuştur. Dersin amacı; yapay zekanın temel kavramlarını, çeşitlerini, sektörel uygulama alanlarını ve güncel araçlarını hem teorik hem uygulamalı biçimde ele almaktır. İçerik: 18 kavram tanımı · 8 YZ türü · 30 araç (4 kategoride) · 5 aşamalı YZ çalışma döngüsü · 7 sektörel vaka analizi · Üretici vs Tahminleyici YZ derinlemesine karşılaştırması · 14 haftalık ders planı (Teori → Sınıflandırma → Araç → Uygulama → Final) · Eğitimde YZ dönüşümü · Öğretmen yetkinlik ve KPI analizi · MEB 2025-2029 yol haritası · FEYZA & MEBİ projeleri · Branş bazlı uygulama senaryoları · Etik, deepfake ve dijital vatandaşlık çerçevesi.
| Hafta | Konu Başlığı | Ana İçerik | Aktivite / Değerlendirme | Kategori |
|---|---|---|---|---|
| 1 | Yapay Zekâya Giriş & Tarihçe | YZ tanımı, tarihçe, AI›ML›DL hiyerarşisi, günlük örnekler | Beyin fırtınası: "Bugün hangi YZ ile tanıştınız?" | Teori |
| 2 | Temel Kavramlar I — Temeller | Algoritma, Model, Veri, Prompt, Hallüsinasyon, Eğitim, İnferens | Kavram haritası + flashcard | Teori |
| 3 | Temel Kavramlar II — Sinir Ağları | ANN formülü, Backpropagation, Embedding, Overfitting, 5 Aşamalı Döngü | Nöron şeması çizimi | Teori |
| 4 | Temel Kavramlar III — İleri Mimariler | CNN, Transformer, NLP, LLM, Bilgisayarlı Görü, Pekiştirmeli Öğrenme | Transformer animasyonu + LLM karşılaştırma | Teori |
| 5 | YZ Türleri — Sınıflandırma | Dar YZ / AGI / ASI / Konuşma YZ / Bilgisayarlı Görü / Otonom Ajan — 8 tür | 30 aracı kategoriye yerleştir | Sınıflandırma |
| 6 | Üretici YZ vs Tahminleyici YZ | Derinlemesine karşılaştırma, case study'ler, ne zaman hangisi? | İki probleme uygun YZ seçme egzersizi | Sınıflandırma |
| 7 | Araçlar I — LLM & Metin YZ | Claude, ChatGPT, Gemini, Perplexity, Grammarly, DeepL | Claude ile rapor özetleme + prompt denemeleri | Araç |
| 8 | Araçlar II — Kod & Geliştirici YZ | GitHub Copilot, Cursor, Replit, LangChain, AutoGPT | Copilot ile fonksiyon yazma + hata ayıklama | Araç |
| 9 | Araçlar III — Görsel & Ses YZ | Midjourney, DALL-E 3, Stable Diffusion, Firefly, Whisper, ElevenLabs, Suno | Görsel üretme + ses transkripsiyon | Araç |
| 10 | Araçlar IV — Veri, Akademik & Ajan YZ | Tableau AI, Julius AI, Research Rabbit, Elicit, PySpark/XGBoost, RAG | Akademik kaynak tarama projesi | Araç |
| 11 | Sektörel Uygulamalar I | Sağlık (radyoloji %94.5) · Finans (dolandırıcılık %99.7) · Üretim & Lojistik | Grup: sektörde YZ riski vs fırsat analizi | Uygulama |
| 12 | Sektörel Uygulamalar II | Eğitim · İçerik & Medya · Yazılım Geliştirme · Akademik Araştırma | Kendi branşında YZ senaryosu tasarlama | Uygulama |
| 13 | Eğitimde YZ & MEB 2025-2029 | YZ okuryazarlığı · YZ bilen/bilmeyen KPI · MEB stratejisi · FEYZA · MEBİ | Branş araç seti oluşturma ve sunma | Uygulama |
| 14 | Etik, Sosyal Etki & Final Sunumları | Algoritmik önyargı · Deepfake · Veri gizliliği · Dijital vatandaşlık · Genel tekrar | 🏆 Final: Kendi alanında YZ çözüm önerisi sunumu | Final |
| Kavram | Tanım ve Açıklama |
|---|---|
| Yapay Zekâ (AI) | Makinelerin insan benzeri görevleri (öğrenme, akıl yürütme, karar verme) yerine getirmesini sağlayan en geniş disiplin. Ham veriyi anlamlı içgörüye veya otonom eyleme dönüştürür. |
| Makine Öğrenmesi (ML) | Bilgisayarların açıkça programlanmadan verilerden örüntüler öğrendiği YZ alt dalı. Denetimli, denetimsiz ve pekiştirmeli öğrenme olmak üzere üç metodolojiye dayanır. |
| Derin Öğrenme (DL) | Çok katmanlı yapay sinir ağlarını kullanan ML alt dalı. 'Derin' terimi, gizli katman sayısının fazlalığını (>3) ifade eder. Otomatik özellik çıkarımı (feature extraction) sağlar (LeCun vd., 2015). |
| Yapay Sinir Ağı (ANN) | Birbirine bağlı 'nöron' işlem birimlerinden oluşan matematiksel model. Her nöron: y = f(Σ(xᵢ·wᵢ) + b) formülüyle çalışır (Rumelhart vd., 1986). |
| Evrişimli Sinir Ağı (CNN) | Görsel verilerdeki mekansal hiyerarşileri öğrenmede uzmanlaşmış sinir ağı türü. Bilgisayarlı görü uygulamalarının temel mimarisidir. |
| Transformer Mimarisi | Modern LLM'lerin temel yapısı. Uzun metinlerdeki bağlamsal ilişkileri 'dikkat mekanizması' (attention) ile yüksek doğrulukla analiz eder (Vaswani vd., 2017). ChatGPT, Claude ve Gemini bu mimariye dayanır. |
| Doğal Dil İşleme (NLP) | Bilgisayarların insan dilini anlaması, yorumlaması ve üretmesi için geliştirilen teknikler bütünü. Metin özetleme, duygu analizi, çeviri ve konuşma tanıma bu alandadır. |
| Bilgisayarlı Görü (CV) | Dijital görüntü veya videodan anlam çıkaran sistemler. CNN tabanlı mimari kullanır. Nesne tanıma, yüz tanıma, tıbbi görüntü analizi bu kapsama girer. |
| Pekiştirmeli Öğrenme (RL) | Bir 'ajan'ın deneme-yanılma ve ödül/ceza mekanizmasıyla en iyi stratejiyi öğrenmesi. Oyun YZ'leri (AlphaGo), robotik ve otonom araç sistemlerinde kullanılır. |
| Büyük Dil Modeli (LLM) | Milyarlarca parametre ile devasa metin verisi üzerinde eğitilmiş Transformer tabanlı dil modelleri. Sohbet, yazı, kod ve analiz yapabilir (GPT-4, Claude, Gemini) (Bommasani vd., 2021). |
| Geri Yayılım (Backpropagation) | Sinir ağının eğitim sürecindeki matematiksel motor. Tahmin hatası geriye doğru yayılarak nöron ağırlıkları güncellenir. Modelin öğrenmesini sağlayan temel algoritmadır. |
| Embedding (Vektör Temsil) | Metinlerin, görsellerin veya seslerin bilgisayarın anlayabileceği sayısal vektörlere dönüştürülmesi. Derin öğrenme modellerinin işleyebileceği format budur. |
| Overfitting / Genelleme | Overfitting: Modelin eğitim verisini ezberleyip yeni verilerde başarısız olması. Genelleme: Modelin daha önce görmediği verilere uyum sağlayabilmesi. İkisi arasındaki denge kritiktir. |
| Algoritma | Bir problemi çözmek için makinenin adım adım izlediği mantıksal kural seti. Tüm YZ sistemlerinin temel yapı taşıdır (Russell ve Norvig, 2021). |
| Model | Veri üzerinde eğitim sonucunda elde edilen, tahmin ya da karar üretebilen matematiksel yapı. Eğitim kalitesi modelin başarısını doğrudan belirler. |
| Prompt | Kullanıcının YZ sistemine ilettiği metin komutu veya soru. Çıktının kalitesi, kaliteli prompt yazmaya (prompt engineering) bağlıdır. |
| Eğitim / İnferens | Eğitim: Modelin veriyle öğrenme süreci. İnferens: Eğitilen modelin yeni verilerle gerçek dünyada sonuç üretmesi. Bu iki aşama belirgin biçimde ayrılır. |
| Hallüsinasyon | YZ modelinin doğru görünen ama gerçekte yanlış veya uydurma çıktı üretmesi. Özellikle LLM'lerde ciddi bir kalite riski oluşturur (Mitchell, 2019). |
| YZ Türü | Tanım | Amaç | Uzmanlık Alanları | Durum |
|---|---|---|---|---|
| Dar YZ (ANI) | Belirli tek bir görevi yapan tüm mevcut YZ sistemleri | Belirli görevde mükemmelleşmek | Sesli asistanlar, öneri motoru, yüz tanıma, spam filtresi, chatbot | Yaygın kullanımda |
| Tahminleyici YZ | Geçmiş verileri analiz ederek geleceği öngören modeller | Belirsizliği azaltmak, veri odaklı karar desteği | Finansal tahminleme, risk yönetimi, hastalık teşhisi, makine arızası öngörüsü | Endüstriyel standart |
| Üretici YZ (Gen-AI) | Mevcut verilerden öğrenerek tamamen yeni içerik üreten sistemler | Yaratıcı otomasyonu ölçeklendirmek | Metin, görsel, video, kod ve müzik üretimi; sentetik veri oluşturma | Hızlı büyüme |
| Genel YZ (AGI) | İnsan düzeyinde her alanda öğrenip akıl yürüten teorik yapı | Her alanda insan gibi öğrenme ve uyum | Karmaşık problem çözme, bilgiyi yeni alanlara aktarma, yaratıcılık | Araştırma aşaması |
| Süper YZ (ASI) | İnsan zekâsını tüm alanlarda aşan varsayımsal yapı | İnsanüstü bilişsel kapasite | Küresel kriz çözümü, ileri bilimsel keşif, otonom medeniyet yönetimi | Spekülatif |
| Bilgisayarlı Görü | Görüntü ve videodan anlam çıkaran CNN tabanlı sistemler | Görsel dünyayı makineye kavratmak | Tıbbi görüntü, güvenlik kamerası, otonom araç algısı, kalite kontrol | Yaygın kullanımda |
| Konuşma YZ / NLP | Doğal dili anlayan, yorumlayan ve üreten sistemler | İnsan-makine diyalogunu doğallaştırmak | Chatbot, çeviri, duygu analizi, metin özetleme, sesli asistan | Yaygın kullanımda |
| Otonom Ajan YZ | İnsan müdahalesi olmadan hedef belirleyip görev zinciri kuran YZ | Karmaşık çok adımlı görevleri otomatize etmek | Araştırma otomasyonu, yazılım test, iş akışı yönetimi, çoklu ajan sistemi | Hızlı gelişme |
| Kriter | Üretici YZ | Tahminleyici YZ |
|---|---|---|
| Temel Amaç | Yeni ve özgün içerik üretmek | Gelecekteki olay/değeri öngörmek |
| Temel Teknoloji | LLM, Transformer, Difüzyon modeli | Regresyon, XGBoost, zaman serisi modeli |
| Örnek Araçlar | ChatGPT, Midjourney, GitHub Copilot | DataRobot, IBM Watson, Scikit-learn |
| Örnek Kullanım | Blog yazısı, logo, kod yazma | Müşteri churn tahmini, arıza öngörüsü |
| Güçlü Yanı | Yaratıcılık, içerik ölçeklendirme | Hassas sayısal tahmin, risk analizi |
| Kullanım Alanı | İçerik, tasarım, yazılım, eğitim | Finans, sağlık, üretim, lojistik |
| Araç | Kategori | Tanım | Pratik Kullanım Alanları |
|---|---|---|---|
| Claude | LLM / Güvenli | Anthropic'in analitik dil modeli | Rapor, uzun metin analizi, hukuki taslak, araştırma özeti |
| ChatGPT | LLM / Genel | OpenAI'ın konuşma modeli | Pazarlama metni, e-posta taslağı, fikir üretme, SSS hazırlama |
| Gemini | NLP + Multimodal | Google çok modlu YZ modeli | Akademik araştırma, veri sentezi, görüntü-metin birleşik analiz |
| Midjourney | Görsel YZ | Yüksek kaliteli görsel üretici | Reklam, konsept sanat, kitap kapağı, sosyal medya görseli |
| DALL-E 3 | Görsel YZ | OpenAI metin-görsel motoru | Ürün prototipi, eğitim materyali, sunum görseli |
| Stable Diffusion | Görsel / Açık K. | Açık kaynak difüzyon modeli | Reklam görseli, konsept tasarım, ürün mock-up, sanat eseri |
| Adobe Firefly | Görsel / Tasarım | Adobe'un üretici AI platformu | Marka görseli, pazarlama içeriği, fotoğraf düzenleme, web tasarım |
| GitHub Copilot | Kod YZ | IDE içi gerçek zamanlı kod asistanı | Kod tamamlama, hata ayıklama, test ve dokümantasyon üretimi |
| Cursor | Kod YZ | AI odaklı kod editörü | Tam proje refactoring, bağlamsal kod önerisi, hata analizi |
| Replit | Kod / Platform | Tarayıcı tabanlı AI kod ortamı | Hızlı prototipleme, öğrenci projeleri, çevrimiçi geliştirme |
| Hugging Face | NLP Platform | Açık kaynak NLP model merkezi | Duygu analizi, metin sınıflandırma, özetleme, fine-tuning |
| DeepL | Çeviri YZ | Sinir ağı tabanlı çeviri sistemi | Belge çevirisi, yerelleştirme, hukuki metin çevirisi |
| Grammarly | Yazı / NLP | AI destekli yazı düzeltme | Akademik yazım, iş e-postaları, dil kontrolü, stil önerisi |
| YOLO v8 | Bilgisayarlı Görü | Gerçek zamanlı nesne tespiti | Güvenlik kamerası, trafik yönetimi, sanayi kalite kontrolü |
| OpenCV | Görü Kütüphanesi | Görüntü işleme kütüphanesi | Yüz tanıma, plaka okuma, hareket tespiti, AR filtreleri |
| Google Vision API | Görü / Bulut | Bulut tabanlı görsel analiz | Fatura OCR, logo tanıma, içerik denetimi, ürün tanıma |
| OpenAI Whisper | Ses / STT | Çok dilli konuşmadan metne | Toplantı transkripsiyon, podcast altyazısı, ses arşivleme |
| ElevenLabs | Ses / TTS | Gerçekçi ses klonlama & sentez | Podcast seslendirme, e-kitap sesi, reklam seslendirme |
| Descript | Ses / Video | Ses-video düzenleme platformu | Podcast düzenleme, video sesi temizleme, transkripsiyon |
| Suno | Müzik YZ | AI müzik besteleme platformu | Marka müzikleri, video jingle, yaratıcı müzik prototipi |
| TensorFlow / PyTorch | DL Kütüphanesi | Derin öğrenme modeli geliştirme | Görüntü sınıflandırma, dil modeli eğitimi, araştırma prototipi |
| Scikit-learn | ML Kütüphanesi | Klasik ML algoritmaları | Kredi risk skoru, müşteri segmentasyonu, anomali tespiti |
| PySpark / XGBoost | Büyük Veri | Dağıtık veri işleme & güçlü tahminleme | Büyük veri kümesinde risk analizi, yüksek performanslı tahminleme |
| Tableau AI | Veri Görsel. | AI destekli BI ve görselleştirme | İş zekası raporu, anomali tespiti, etkileşimli dashboard |
| Julius AI | Veri Analizi | Doğal dille veri analizi aracı | CSV/Excel analizi, grafik üretimi, veri içgörüsü sorgulama |
| Perplexity | Akademik Asistan | Kaynaklı arama motoru YZ | Anlık araştırma, bilgi doğrulama, kaynaklı soru-cevap |
| Research Rabbit | Literatür Tarama | Bilimsel makale ağ haritası | Literatür incelemesi, atıf ağı keşfi, araştırma takibi |
| Elicit | Akademik YZ | Yapısal veri ekstraksiyon asistanı | Sistematik derleme, makale özetleme, veri ekstraksiyonu |
| IBM Watson / Palantir | Karar Destek | Kurumsal analitik platformlar | Sağlık tanı desteği, finansal risk, dolandırıcılık tespiti |
| LangChain / AutoGPT | Ajan Framework | LLM ajan ve iş akışı çerçevesi | RAG uygulaması, otomasyon zinciri, çoklu ajan koordinasyonu |
| Aşama | Açıklama | Örnek |
|---|---|---|
| 1. Veri Toplama | YZ'nin hammaddesidir. Metin, görüntü, ses veya sayısal ölçümler olabilir. Sistemin başarısı doğrudan veri kalitesi ve hacmine bağlıdır. | Yüz tanıma: milyonlarca farklı açıdan çekilmiş yüz görüntüsü |
| 2. Veri Ön İşleme | Ham veriler temizlenir, eksik değerler tamamlanır ve formatlar uyumlu hale getirilir. Veriler sayısal vektörlere (embedding) dönüştürülür. | Metinlerin kelime vektörlerine, görsellerin piksel matrislerine dönüştürülmesi |
| 3. Model Eğitimi | Seçilen algoritma, eğitim verisi içindeki örüntüleri analiz eder. Hata payını minimize etmek için ağırlıklar güncellenir. Backpropagation bu sürecin motorudur (Rumelhart vd., 1986). | GPT modellerinin milyarlarca metin üzerinde eğitilmesi |
| 4. Test & Genelleme | Model, daha önce görmediği 'test verisi' üzerinde sınanır. Overfitting (ezberleme) yerine genelleme (yeni verilere uyum) hedeflenir. | %98 eğitim, %72 test doğruluğu → Overfitting var, düzeltme gerekli |
| 5. İnferens (Canlı Kullanım) | Eğitilen model gerçek dünya verileriyle çalışmaya hazırdır. Öğrendiği örüntüleri kullanarak tahmin, sınıflandırma veya içerik üretimi yapar. | Kullanıcı mesajı → Model → Yanıt üretimi (ChatGPT, Claude vb.) |
| İş Süreci | 🔴 Geleneksel Öğretmen (YZ Bilmeyen) | 🟢 YZ Yetkin Öğretmen (YZ Bilen) |
|---|---|---|
| Ders Planlama | Müfredat kazanımlarına uygun etkinlik bulmak için saatlerce internette tarama yapar, planı sıfırdan yazar. | YZ asistanına (ChatGPT, MagicSchool) kazanımı ve öğrenci seviyesini girer; saniyeler içinde özelleştirilmiş, yaratıcı ders planı taslakları alır. |
| Materyal Üretimi | Hazır şablonlara veya ders kitaplarına bağımlıdır. Görsel materyal bulmakta zorlanır, telif sorunlarıyla uğraşır. | Konuya özel görselleri (Midjourney, DALL-E), sunumları (SlidesAI, Gamma) ve çalışma kağıtlarını (Diffit) dakikalar içinde üretir. |
| Ölçme & Değerlendirme | Klasik sınavları okumak günlerini alır. Geri bildirim genellikle "Aferin" veya "Daha çok çalış" gibi genel ifadelerden oluşur. | Brisk Teaching, Gradescope ile açık uçlu soruları hızla değerlendirir. Öğrenciye özel, gelişim odaklı paragraf uzunluğunda geri bildirim verir. |
| İdari Yazışmalar | Veli bilgilendirme e-postaları, idari raporlar, BEP hazırlama gibi görevler için yoğun "görünmez emek" harcar. | YZ asistanı ile resmi yazışmaları, veli bültenlerini ve BEP taslaklarını anında oluşturur; sadece insani dokunuş için zaman ayırır. |
| Farklılaştırma | Farklı seviyedeki öğrenciler için ayrı materyal hazırlamak çok zordur; genellikle "ortalama" seviyeye hitap eder. | Tek bir tuşla (Brisk, Diffit) bir metni farklı okuma seviyelerine göre anında uyarlar veya farklı dillere çevirir. Kapsayıcı eğitimi zahmetsizce uygular. |
| Pedagojik Boyut | 🔴 Geleneksel Öğretmen | 🟢 YZ Yetkin Öğretmen |
|---|---|---|
| Öğretim Yöntemi | Sunuş yoluyla öğretim (didaktik) ağırlıklı. Bilgi kaynağı öğretmendir. Öğrenciler pasif dinleyicidir. | Proje tabanlı, sorgulama odaklı öğrenmeyi benimser. YZ'yi "Sokratik Tutor" olarak kullanır (Khanmigo). Öğrenciler YZ ile etkileşimde aktif öğrenir. |
| Öğrenci Motivasyonu | Motivasyon için dışsal ödüllere başvurur. Standart müfredat öğrencilerin ilgisini çekmeyebilir. | Öğrencilerin ilgi alanlarına göre (futbol, oyunlar, müzik) YZ ile anında kişiselleştirilmiş örnekler üretir. Derse katılım ve içsel motivasyon yüksektir. |
| Hata Yönetimi | Öğrencinin hatasını sınavdan sınava fark eder. Müdahale genellikle geç kalır. | LMS entegrasyon araçları ile öğrencinin nerede takıldığını anlık görür. "Tam zamanında" müdahale eder ve ek kaynak önerir. |
| Yaratıcılık ve Projeler | Kopyala-yapıştır ödev yapılmasından endişe eder. Yaratıcı projeler tasarlamak zaman alıcıdır. | YZ'yi "beyin fırtınası ortağı" olarak kullanır. "YZ ile birlikte yaratma" (co-creation) ödevleri vererek sürece ve eleştirel düşünmeye odaklanır. |
| Bilgi Okuryazarlığı | Bilgiyi "doğru" olarak sunar. Kaynak sorgulaması sınırlıdır. | YZ'nin hallüsinasyon görebileceğini, önyargılı olabileceğini öğretir. "Doğrulama" (fact-checking) becerisini dersin merkezine koyar. |
| Gösterge | 🔴 Geleneksel Sınıf | 🟢 YZ Destekli Sınıf |
|---|---|---|
| Geri Bildirim Hızı | 1–2 Hafta | Anlık / Aynı Gün |
| Materyal Çeşitliliği | Standart (Tek tip) | Sınırsız ve Kişiselleştirilmiş |
| Öğretmen İdari Yükü | %40–50 (mesai oranı) | %10–15 (mesai oranı) |
| Haftalık Zaman Tasarrufu | — | ~6 saat / hafta |
| Öğrenci Katılımı | Pasif Dinleyici | Aktif Üretici / İş Birlikçi |
| Erişilebilirlik | Sınırlı | Tam Kapsayıcı (çok dilli, sesli) |
| Farklılaştırma Kapasitesi | Ortalama seviyeye odaklanma | Her öğrenciye özel seviye |
| Proje / Platform | Açıklama | Hedef Kitle |
|---|---|---|
| MEBİ Platformu | Bireysel Öğrenme Platformu. İçindeki "Kanka" sanal asistanı öğrencilere YZ destekli kişiselleştirilmiş rehberlik sunar. YKS ve LGS hazırlık süreçlerinde kişiselleştirilmiş çalışma planları ve deneme analizleri içerir. | Öğrenciler |
| FEYZA Projesi | "Fırsatları Artıran Eğitimde Yapay Zeka" — Türkiye'de YZ farkındalığını artırmayı hedefleyen en önemli girişim. ÖBA (Öğretmen Bilişim Ağı) üzerinden hizmet içi eğitimler düzenlenir. | Öğretmenler |
| ÖBA Hizmet İçi Eğitimler | Öğretmenlerin YZ yetkinliklerini artırmak için üniversitelerle iş birliği yapılarak lisansüstü eğitim kontenjanları artırılmaktadır. | Öğretmenler |
| YZ Etik Kurulu | Eğitimde YZ kullanımının etik çerçevesini belirleyecek ve denetleyecek kurumsal yapı (planlama aşamasında). | Tüm Paydaşlar |