Yapay Zekânın Matematiksel Temelleri: Hangi Matematik, Ne Kadar Gerekir?

Yapay zekânın matematiksel temelleri üç ana alana dayanır: lineer cebir, olasılık ve istatistik, türev. Lineer cebir veriyi ve modeli sayı tabloları olarak tutar, olasılık modelin ne kadar emin olduğunu ifade eder, türev ise modelin hatasını adım adım azaltmasını sağlar. Hazır yapay zekâ araçlarını kullanmak için bu konuları derinlemesine bilmek gerekmez; model geliştirmek, sonucu yorumlamak ve hatayı bulmak için ise sezgisel düzeyde anlamak gerekir.

Aşağıda bu üç alanı formül yığını yerine gündelik örneklerle anlatıyor, hangi hedef için ne kadar matematik gerektiğini bir tabloyla gösteriyor ve matematik eksiğini kapatmak için gerçekçi bir çalışma sırası öneriyoruz.

Yapay zekâ neden matematiğe dayanır?

Yapay zekâ, bilgisayarın anlayabildiği tek dil olan sayılarla çalıştığı için matematiğe dayanır. Bir fotoğraf, piksellerin renk değerlerinden oluşan bir sayı tablosudur. Bir cümle, her kelimenin ya da kelime parçasının bir sayı dizisine çevrilmesiyle modele verilir. Model de bu sayıları çarpıp toplayarak bir sonuç üretir.

Makine öğrenmesi dediğimiz şey, bu çarpma ve toplamalarda kullanılan katsayıların veriye bakılarak ayarlanmasıdır. Katsayılar başta rastgeledir; model tahmin yapar, hatasını ölçer ve katsayıları hatayı azaltacak yönde biraz değiştirir. Bu döngü binlerce, milyonlarca kez tekrar edilir. Matematiğin üç alanı bu döngünün üç parçasına denk gelir.

Lineer cebir: veriyi tablo olarak düşünmek

Lineer cebir, sayı listeleri ve sayı tablolarıyla işlem yapmayı öğreten matematik dalıdır. Yapay zekâda bir veri örneği genellikle bir vektör, yani sıralı bir sayı listesi olarak tutulur. Örneğin bir evi "metrekare, oda sayısı, bina yaşı" diye üç sayıyla anlatırsanız, o ev (120, 3, 15) gibi bir vektör olur.

Birden fazla veri yan yana gelince bir matris oluşur: her satır bir ev, her sütun bir özellik. Excel'de bir tablo açtığınızda aslında bir matrise bakıyorsunuz. Modelin katsayıları da bir matris olarak saklanır ve tahmin, veri matrisiyle katsayı matrisinin çarpılmasıyla yapılır. Bu yüzden matris çarpımı, sinir ağlarının en çok yaptığı işlemdir.

Sezgisel örnek: ev fiyatı tahmini

Varsayımsal bir model, ev fiyatını şu basit kuralla tahmin etsin: her metrekare için 30.000 TL, her oda için 100.000 TL ekle, her bina yaşı için 20.000 TL çıkar. (120, 3, 15) vektörü için hesap şöyle olur: 120 × 30.000 + 3 × 100.000 − 15 × 20.000 = 3.600.000 TL. Bu işlem, ev vektörüyle (30.000, 100.000, −20.000) katsayı vektörünün çarpılıp toplanmasıdır; lineer cebirde buna iç çarpım denir.

Rakamlar tamamen örnek amaçlıdır. Önemli olan, modelin "öğrenmesinin" bu üç katsayıyı veriye bakarak bulmak olduğunu görmektir. Gerçek bir dil modelinde aynı işlem milyarlarca katsayıyla yapılır; mantık değişmez, boyut büyür. Bu ölçek, büyük modellerin neden güçlü GPU kartlarına ihtiyaç duyduğunu da açıklar: ekran kartları tam olarak bu tür çarpmaları paralel yapmak için tasarlanmıştır.

Kelimeler nasıl sayıya dönüşür?

Dil modelleri her kelime parçasını yüzlerce sayıdan oluşan bir vektöre çevirir. Anlamca yakın kelimelerin vektörleri de birbirine yakın düşer: "kira" ile "aidat" arasındaki mesafe, "kira" ile "zürafa" arasındakinden kısadır. İki vektörün ne kadar benzer olduğu yine iç çarpım gibi basit bir lineer cebir işlemiyle ölçülür. Belge arama sistemlerinin "anlamca yakın" metni bulması bu fikre dayanır.

Olasılık ve istatistik: model ne kadar emin?

Olasılık, modelin cevabını kesin bir hüküm yerine bir güven derecesi olarak vermesini sağlar. Bir e-posta filtresi "bu e-posta yüzde 92 ihtimalle spam" der; bir dil modeli de bir sonraki kelime için her aday kelimeye bir olasılık verir ve bunlardan birini seçer. Bu dağılıma olasılık dağılımı denir.

Koşullu olasılık, yapay zekânın belki de en sık kullandığı fikirdir. "İçinde 'kazandınız' kelimesi geçen bir e-postanın spam olma olasılığı nedir?" sorusu koşullu bir sorudur. Dil modeli de aynı mantıkla "önceki kelimeler bunlarken bir sonraki kelimenin şu olma olasılığı" hesaplar.

Sohbet araçlarındaki "sıcaklık" ayarı da doğrudan olasılıkla ilgilidir. Düşük sıcaklıkta model en olası kelimeyi seçmeye yaklaşır ve cevaplar daha tutarlı olur; yüksek sıcaklıkta daha düşük olasılıklı kelimelere de şans tanınır ve metin çeşitlenir. Ham puanları olasılığa çeviren işleme softmax denir.

İstatistik ise modelin ne kadar iyi çalıştığını ölçmek için gerekir. Ortalama, standart sapma ve dağılım kavramları, verinizi tanımanıza ve modelin sonuçlarının şans eseri olup olmadığını anlamanıza yardım eder. Sık yapılan bir hata, yüzde 95 doğrulukla çalışan bir modeli başarılı saymaktır; verinin yüzde 95'i zaten tek bir sınıftaysa, hiçbir şey öğrenmeyen bir model de aynı sonucu verir.

Türev: hatayı azaltmanın yolu

Türev, bir şeyi biraz değiştirdiğinizde sonucun ne kadar ve hangi yönde değiştiğini söyler. Yapay zekâda bu "şey" modelin katsayılarıdır, "sonuç" da modelin hatasıdır. Modelin hatasını ölçen formüle kayıp fonksiyonu denir ve amaç bu değeri küçültmektir.

Gündelik bir benzetme işe yarar: sisli bir dağda en alçak noktayı arıyorsunuz ve yalnız ayağınızın altındaki eğimi hissedebiliyorsunuz. Her adımda en dik iniş yönüne küçük bir adım atarsınız. Türev size bu eğimi söyler; bu yönteme gradyan inişi denir. Modelde binlerce katsayı olduğu için her katsayı için ayrı bir eğim hesaplanır; bu ayrı eğimlere kısmi türev denir.

Sinir ağlarında bu eğimler, sondan başa doğru zincir kuralıyla hesaplanır. Bu işleme geri yayılım denir ve derin öğrenmenin teknik omurgasıdır. Neyse ki bu hesabı elle yapmanız gerekmez; kütüphaneler otomatik yapar. Sizin bilmeniz gereken, adım büyüklüğünü (öğrenme oranını) çok büyük seçerseniz modelin dibi atlayıp savrulacağı, çok küçük seçerseniz de eğitimin bitmeyeceğidir.

Hangi hedef için ne kadar matematik gerekir?

Gereken matematik, yapay zekâyla ne yapmak istediğinize göre değişir. Bir sohbet aracını iş yerinde kullanmak için hiç formül bilmenize gerek yoktur; yeni bir model mimarisi üzerine araştırma yapmak içinse üniversite düzeyinin ötesinde matematik gerekir.

Hedef	Lineer cebir	Olasılık ve istatistik	Türev	Pratik karşılığı
Araçları kullanmak (sohbet, görsel üretimi)	Gerekmez	Temel sezgi yeterli	Gerekmez	Prompt yazma, sonucu kontrol etme
Hazır modelle uygulama kurmak	Vektör kavramı	Temel	Gerekmez	API, belge arama, sohbet botu
Model eğitmek ve ince ayar yapmak	Matris işlemleri	Orta düzey	Sezgisel düzey	Veri hazırlama, sonuç yorumlama
Makine öğrenmesi mühendisliği	Lise üstü, iyi düzey	İyi düzey	İyi düzey	Model seçimi, hata analizi
Araştırma	İleri düzey	İleri düzey	İleri düzey	Yeni yöntem geliştirme

İkinci satırdaki "vektör kavramı" boş bir ayrıntı değil: belge arama sistemleri, metinleri vektörlere çevirip birbirine en yakın olanları bulur. Bu fikri anlamak, kurduğunuz sistemin neden bazen alakasız belge getirdiğini anlamanızı kolaylaştırır.

Yapay zekânın çözdüğü matematik problemleri

Yapay zekâ, matematiğe yalnız dayanmıyor, matematik problemleri de çözüyor. Google DeepMind, Gemini Deep Think modelinin gelişmiş bir sürümünün 2025 Uluslararası Matematik Olimpiyatı'nda altı sorudan beşini tam çözerek altın madalya düzeyinde puan aldığını Temmuz 2025'te duyurdu; OpenAI de aynı dönemde deneysel bir modeliyle benzer bir sonuç açıkladı.

Bu sonuçlar etkileyici, ama gündelik kullanımda dikkatli olmak gerekiyor. Genel amaçlı sohbet modelleri basit aritmetikte bile zaman zaman hata yapabilir, çünkü sayıları hesaplamak yerine metin olarak tahmin ederler. Önemli bir hesabı (kredi taksiti, vergi tutarı, bütçe) bir modele yaptırıyorsanız sonucu bir hesap makinesi ya da Excel ile kontrol edin. Modellerin bu tür sınırlarını yapay zekânın sınırlılıkları yazısında ayrıca ele alıyoruz.

Matematik eksiği nasıl kapatılır? Yapay zekâ ve matematik eğitimi

Matematik eksiğini kapatmanın en verimli yolu, konuları tek başına değil kodla birlikte öğrenmektir. Matris çarpımını önce kâğıt üzerinde 2x2 bir örnekle yapıp sonra Python ile aynı sonucu almak, iki ayrı dersten daha kalıcı öğretir. Yapay zekânın temelleri dersi alan üniversite öğrencilerinin de sık tekrarladığı bir gözlem budur: formül, kodda karşılığını görünce anlam kazanır.

Gerçekçi bir çalışma sırası şöyle olabilir:

1. Ön koşulları tazeleyin: Fonksiyon, grafik, üslü sayılar ve logaritma. Lise matematiğinin bu kısmı tüm konuların zeminidir.
2. Lineer cebirin çekirdeği: Vektör, matris, matris çarpımı, iç çarpım. Özdeğer gibi ileri konuları sonraya bırakın.
3. Olasılık ve istatistik: Ortalama, varyans, olasılık dağılımı, koşullu olasılık. Kendi harcama verinizle küçük analizler yapın.
4. Türev: Eğim kavramı, basit fonksiyonların türevi, zincir kuralı. Gradyan inişini 10 satırlık bir kodla deneyin.
5. Hepsini birleştirin: Küçük bir doğrusal regresyon modelini önce elle, sonra kütüphaneyle eğitin.

Haftada 5-6 saat ayıran biri için bu sıra birkaç ay sürebilir; daha önce üniversitede bu dersleri almış biri için birkaç hafta yeterli olabilir. Süre kişiden kişiye çok değişir, acele etmek yerine her adımda küçük bir uygulama yapmak daha kalıcı sonuç verir.

Yapay zekâyı matematik öğrenmek için kullanmak

Yapay zekâ araçları, matematik öğrenirken iyi bir yardımcı olabilir: bir kavramı farklı biçimde açıklatabilir, size alıştırma sorusu ürettirebilir, çözümünüzdeki hatayı buldurabilirsiniz. Ama aracın verdiği çözümü adım adım kendiniz kontrol edin; yanlış bir ara adım, doğru görünen bir sonucun arkasında saklanabilir. Ders çalışırken bu araçları nasıl kullanacağınızı yapay zekâ ile ders çalışma yazısında bulabilirsiniz.

Bu ay için somut bir başlangıç

Bu ay tek bir hedef koyun: ev fiyatı örneğindeki gibi üç değişkenli küçük bir tahmin modelini önce Excel'de, sonra Python'da kurmak. Excel'de katsayıları elle değiştirip hatanın nasıl değiştiğini görmek, türev ve gradyan inişini sezgisel olarak anlamanın en kolay yoludur. Excel'de grafik çizerek tahmin ile gerçek değeri yan yana görmek de hatanın nerede büyüdüğünü gösterir.

Ardından aynı modeli Python'da bir kütüphaneyle eğitin ve bulduğu katsayıları sizin elle bulduklarınızla karşılaştırın. Bu küçük proje bittikten sonra hangi alanda eksiğiniz olduğunu daha net görürsünüz. Sonraki adımları planlamak için yapay zekâ öğrenme yol haritası yazısındaki aşamaları takip edebilirsiniz.