ErtanDağdelen
| 3 dk okuma | 29 okunma

Bir AI projesinin temel bileşenleri nelerdir?

Bir AI projesi sadece modelden ibaret değildir — asıl iş, parçaları doğru birleştirmektir.

Bir AI projesinin temel bileşenleri nelerdir?

Yeni başlayanların en büyük yanılgısı şu: “Modeli kurdum, iş bitti.”

Gerçekte bir AI projesi 5 temel bileşenden oluşur:

  1. Veri (Data)
  2. Veri hazırlama (Preprocessing)
  3. Model (Modeling)
  4. Eğitim (Training)
  5. Değerlendirme (Evaluation)


Hatta çoğu projede en çok zaman alan kısım model değil, veri temizleme sürecidir.

1. Veri (Data)

AI sistemlerinin yakıtı veridir. Kalitesiz veri = kötü model.

Örnek:

  1. Eksik veriler
  2. Hatalı girişler
  3. Dengesiz dataset (bias)


2. Veri Hazırlama (Preprocessing)

Ham veri doğrudan modele verilmez. Önce işlenir:

  1. Eksik değerleri doldurma
  2. Kategorik veriyi sayıya çevirme
  3. Normalizasyon


import pandas as pd

df = pd.DataFrame({
"yas": [25, None, 35],
"maas": [10000, 15000, None]
})

df = df.fillna(df.mean())

print(df)


3. Model (Modeling)

Bu aşamada algoritma seçilir:

  1. Linear Regression
  2. Decision Tree
  3. Neural Network

Model seçimi problemin türüne bağlıdır.

from sklearn.linear_model import LinearRegression

X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)


4. Eğitim (Training)

Model, veriden öğrenir.

from sklearn.linear_model import LinearRegression

X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)


5. Değerlendirme (Evaluation)

Model iyi mi? İşte kritik soru.

  1. Accuracy
  2. Precision / Recall
  3. Mean Squared Error


from sklearn.metrics import mean_squared_error

y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 6.2]

print(mean_squared_error(y_true, y_pred))


AI projesi = veri + süreç + mühendislik.

Model sadece buzdağının görünen kısmıdır.

Ertan Dağdelen

Yazan

Ertan Dağdelen

Brain & Youth Information Worker, Author, .Net, Flutter, AJAX, Arduino & Esp32, Pcb, 3D, Galatasaray, Gemini

Bu yazıyı paylaş

Yorumlar (0)

Bu yazı için yorumlar kapalı.

Diğer Yazılar

Uygulamalı örnek: Python ile ev fiyat tahmini modeli geliştirme

Uygulamalı örnek: Python ile ev fiyat tahmini modeli geliştirme

Makine öğrenmesi sadece sınıflandırma değil, aynı zamanda tahmin yapma işidir. Bu yazıda gerçek hayata çok yakın bir problem olan ev fiyat tahmini üzerinden bir AI modelini adım adım kuracağız. Sayısal verilerle çalışmayı, model eğitmeyi ve tahmin yapmayı pratik bir örnekle öğreneceksin.
Uygulamalı örnek: Python ile adım adım spam mail sınıflandırıcı yapımı

Uygulamalı örnek: Python ile adım adım spam mail sınıflandırıcı yapımı

Artık teoriyi biliyorsun ama gerçek bir AI projesi nasıl yapılır? Bu yazıda sıfırdan bir spam mail sınıflandırıcı geliştirerek makine öğrenmesi sürecini uçtan uca göreceksin. Veri hazırlamadan model eğitmeye, metriklerle değerlendirmeden sonuç üretmeye kadar her adımı basit ve anlaşılır şekilde uygulayacağız.
Doğru model hangisi: Basit mi, derin mi?

Doğru model hangisi: Basit mi, derin mi?

Yapay zeka öğrenmeye başlayanların en büyük hatalarından biri, her problemi derin öğrenme ile çözmeye çalışmaktır. Oysa doğru yaklaşım her zaman en karmaşık modeli kullanmak değil, probleme en uygun çözümü seçmektir. Bazen basit bir model yeterliyken, bazen de gerçekten derin öğrenmeye ihtiyaç duyulur. Önemli olan bu farkı anlayabilmektir.
Yazılara Dön