Yapay Zeka Terimleri – Sayfa 6

653 terim

Terimler

Korelasyon Nedensellik Değildir(Correlation Does Not Imply Causation)Korelasyon nedensellik değildir ilkesi, iki değişkenin birlikte hareket etmesinin birinin diğerine neden olduğunu kanıtlamadığını ifade eder. İlişki tesadüf, üçüncü bir etken ya da ters yönlü bir etki nedeniyle ortaya çıkmış olabilir.Korkuluk(Guardrails)Korkuluk (guardrails), bir yapay zekâ sisteminin girdilerini ve çıktılarını denetleyerek zararlı, hatalı, gizli bilgi içeren ya da kapsam dışı yanıtlar üretmesini önlemeye yönelik kurallar, filtreler ve kontrol mekanizmalarının bütünüdür.Kosinüs Benzerliği(Cosine Similarity)Kosinüs benzerliği (cosine similarity), iki vektör arasındaki açının kosinüsünü hesaplayarak bu vektörlerin ne kadar aynı yönü gösterdiğini ölçen bir benzerlik ölçüsüdür. Değer 1'e yaklaştıkça vektörler, dolayısıyla temsil ettikleri metinler daha benzer kabul edilir.Koşullu Olasılık(Conditional Probability)Koşullu olasılık, bir B olayının gerçekleştiği bilindiğinde başka bir A olayının gerçekleşme olasılığıdır ve P(A|B) ile gösterilir. P(A ve B) / P(B) formülüyle hesaplanır; Bayes teoremi ve pek çok makine öğrenmesi yönteminin temelidir.Kovaryans(Covariance)Kovaryans, iki rastgele değişkenin ortalamalarına göre birlikte hangi yönde değiştiğini gösteren istatistiksel ölçüdür. Pozitif kovaryans değişkenlerin birlikte artma eğiliminde olduğunu, negatif kovaryans ise birinin artarken diğerinin azaldığını gösterir.Kök Bulma(Stemming)Kök bulma (stemming), doğal dil işlemede kelimelerin sonundaki çekim ve yapım eklerini basit kurallarla kırparak onları ortak bir gövdeye indirgeme işlemidir; aramada ve metin analizinde benzer kelimeleri birleştirir.Kök Ortalama Kare Hata(Root Mean Squared Error)Kök ortalama kare hata (RMSE), tahmin hatalarının karelerinin ortalamasının karekökü alınarak bulunan hata ölçütüdür. Ortalama kare hatayı hedef değişkenle aynı birime döndürür; bu yüzden regresyon modellerinin başarısını raporlamada yaygın kullanılır.Kuantum Makine Öğrenmesi(Quantum Machine Learning)Kuantum makine öğrenmesi, kuantum hesaplama ilkelerini makine öğrenmesi yöntemleriyle birleştiren bir araştırma alanıdır. Bazı problemlerde avantaj sağlama potansiyeli araştırılsa da büyük ölçüde deneysel aşamadadır.Kuralcı Analitik(Prescriptive Analytics)Kuralcı analitik (prescriptive analytics), tahmin modellerini optimizasyon, simülasyon ve iş kurallarıyla birleştirerek belirli bir hedefe ulaşmak için hangi aksiyonun alınması gerektiğini öneren ileri analiz türüdür.Kutu Grafiği(Box Plot)Kutu grafiği (box plot), bir veri setinin medyanını, birinci ve üçüncü çeyreğini, yayılımını ve olası aykırı değerlerini tek bir şekilde gösteren veri görselleştirme türüdür. Grupları karşılaştırmak için çok kullanışlıdır.Küçük Dil Modeli(Small Language Model)Küçük dil modeli (SLM), büyük dil modellerine göre çok daha az parametre içeren ve bu sayede telefon, dizüstü bilgisayar gibi sınırlı donanımlarda ya da düşük maliyetle çalışabilen dil modelidir. Genellikle belirli görevlere odaklanır ve gizlilik ile hız avantajı sunar.Kümeleme(Clustering)Kümeleme (clustering), önceden etiketlenmemiş verileri ortak özelliklerine göre birbirine benzeyen gruplara (kümelere) ayıran bir denetimsiz öğrenme yöntemidir. Müşteri segmentasyonu ve anormallik tespiti tipik kullanım alanlarıdır.Lasso Regresyon(Lasso Regression)Lasso regresyon, doğrusal regresyonun kayıp fonksiyonuna katsayıların mutlak değerlerinin toplamıyla orantılı bir ceza ekleyen, bu sayede bazı katsayıları tam sıfıra indirip önemsiz özellikleri modelden çıkaran bir düzenlileştirme yöntemidir.Leaky ReLULeaky ReLU, pozitif girdileri aynen geçirip negatif girdileri sıfırlamak yerine küçük bir katsayıyla (örneğin 0,01) çarparak geçiren ve böylece ReLU'nun negatif bölgede gradyanın sıfırlanması sorununu azaltan bir aktivasyon fonksiyonudur.Lemmatizasyon(Lemmatization)Lemmatizasyon, doğal dil işlemede bir kelimenin çekimli biçimini, dilbilgisi ve sözlük bilgisi kullanarak sözlükte yer alan temel biçimine (lemma) indirgeme işlemidir; örneğin "gittim" kelimesini "gitmek" biçimine bağlar.LeNetLeNet, Yann LeCun ve arkadaşlarının 1980'lerin sonu ile 1990'larda geliştirdiği, el yazısı rakamları tanımak için tasarlanmış öncü bir evrişimli sinir ağı ailesidir. En bilinen sürümü LeNet-5'tir ve bugünkü görüntü tanıma modellerinin temel yapı taşlarını içerir.LIMELIME (Local Interpretable Model-agnostic Explanations), karmaşık bir makine öğrenmesi modelinin tek bir tahminini, o tahminin yakın çevresinde kurulan basit ve yorumlanabilir bir modelle açıklayan, modelden bağımsız bir yöntemdir.LiDARLiDAR (Light Detection and Ranging), lazer ışınları gönderip bunların bir yüzeye çarpıp geri dönme süresini ölçerek mesafeyi hesaplayan ve böylece çevrenin ayrıntılı üç boyutlu haritasını çıkaran bir uzaktan algılama teknolojisidir.Liderlik Tablosu(Leaderboard)Liderlik tablosu (leaderboard), yapay zekâ modellerini bir veya birden fazla benchmarktaki puanlarına ya da kullanıcı oylamalarına göre sıralayarak karşılaştırmayı kolaylaştıran, genellikle sürekli güncellenen sıralama tablosudur.LogitLogit, bir yapay sinir ağının son katmanında, olasılığa dönüştürülmeden önce her olası sonuç için ürettiği ham ve sınırsız puandır. Dil modellerinde her olası sonraki token için bir logit hesaplanır ve softmax ile olasılığa çevrilir.Log Olasılık(Log Probability)Log olasılık (log probability, logprob), bir olayın olasılığının doğal logaritmasıdır. Dil modellerinde her tokenin seçilme olasılığını ifade etmek için kullanılır; değer 0'a yaklaştıkça olasılık yüksek, eksi yönde büyüdükçe düşüktür.Lojistik Regresyon(Logistic Regression)Lojistik regresyon, girdilerin ağırlıklı toplamını sigmoid fonksiyonundan geçirerek 0 ile 1 arasında bir olasılık üreten ve bu olasılığı bir eşikle karşılaştırarak sınıflandırma yapan temel bir istatistik ve makine öğrenmesi yöntemidir.LoRA(Low-Rank Adaptation)LoRA (Low-Rank Adaptation), büyük bir yapay zekâ modelinin ağırlıklarını değiştirmeden, üzerine eklenen küçük bir dosyayla modele yeni bir tarz, karakter ya da görev öğretme yöntemidir. Tam eğitime göre çok daha az bellek ve süre gerektirir.LSTM(Long Short-Term Memory)LSTM (uzun kısa süreli bellek), tekrarlayan sinir ağlarının uzun dizilerde bilgiyi unutma sorununu, neyin saklanıp neyin unutulacağına karar veren kapılar ve ayrı bir hücre durumu ile hafifleten sinir ağı yapısıdır.Makine Çevirisi(Machine Translation)Makine çevirisi, bir dildeki metni ya da konuşmayı insan çevirmen olmadan, bilgisayar yazılımıyla başka bir dile aktarma işlemidir; günümüzde çoğunlukla derin öğrenmeye dayalı nöral modellerle yapılır.Makine Öğrenmesi(Machine Learning)Makine öğrenmesi, bilgisayarların açıkça programlanmadan, örnek verilerdeki kalıpları öğrenerek tahmin veya karar üretmesini sağlayan yapay zekâ dalıdır.Makine Öğrenmesi Modeli(Machine Learning Model)Makine öğrenmesi modeli, bir öğrenme algoritmasının eğitim verilerindeki örüntüleri öğrenmesiyle oluşan ve yeni, daha önce görülmemiş verilere bakarak tahmin, sınıflandırma ya da karar üreten matematiksel yapıdır.Makine Öğrenmesi Mühendisi(Machine Learning Engineer)Makine öğrenmesi mühendisi, makine öğrenmesi modellerini tasarlayan, eğiten ve bunları gerçek ürünlerde güvenilir biçimde çalışacak şekilde üretime taşıyıp bakımını yapan yazılım ve veri uzmanıdır.Maksimum Token(Max Tokens)Maksimum token (max tokens), bir dil modelinin tek bir yanıtta üretebileceği en fazla token sayısını belirleyen ayardır. Yanıtın uzunluğunu, maliyetini ve süresini sınırlar; sınıra ulaşıldığında model cümlenin ortasında bile durabilir.Mamba Mimarisi(Mamba Architecture)Mamba, seçici durum uzayı modellerine dayanan ve uzun dizileri dizi uzunluğuyla doğrusal artan maliyetle işleyen bir sinir ağı mimarisidir. Dikkat mekanizması kullanmadan dil modellemede güçlü sonuçlar gösterdiği için Transformer'a alternatif olarak öne çıktı.mAP(Mean Average Precision)mAP (mean Average Precision, ortalama kesinlik ortalaması), her sınıf ya da sorgu için hesaplanan ortalama kesinlik (AP) değerlerinin ortalamasıdır. Özellikle nesne tespiti ve arama sistemlerinde modelin hem doğru bulma hem doğru sıralama başarısını tek sayıyla özetler.MapReduceMapReduce, çok büyük veri setlerini bir bilgisayar kümesine dağıtarak paralel biçimde işlemeyi sağlayan programlama modelidir. İş, veriyi anahtar-değer çiftlerine dönüştüren map ve bu çiftleri birleştiren reduce adımlarına bölünür.Markov Karar Süreci(Markov Decision Process)Markov karar süreci (MDP), bir ajanın durumlar arasında eylemler seçerek ilerlediği, her eylemin olasılıksal bir sonraki duruma ve bir ödüle yol açtığı karar problemlerini modelleyen matematiksel çerçevedir. Pekiştirmeli öğrenmenin temelidir.Markov Zinciri(Markov Chain)Markov zinciri, bir sistemin bir durumdan diğerine belirli olasılıklarla geçtiği ve bir sonraki durumun yalnızca mevcut duruma bağlı olduğu, geçmiş durumların ek bilgi sağlamadığı varsayımına dayanan olasılıksal modeldir.Mask R-CNNMask R-CNN, Faster R-CNN nesne tespit modeline her nesne için piksel düzeyinde maske üreten bir dal ekleyen derin öğrenme modelidir. Görüntüdeki her nesneyi ayrı ayrı bulup sınırlarını çıkarabildiği için örnek bölütleme (instance segmentation) görevinde yaygın kullanılır.Matris(Matrix)Matris, sayıların satır ve sütunlar hâlinde dikdörtgen bir tabloya dizilmiş biçimidir. Doğrusal cebirin temel nesnesidir ve yapay zekâda verileri, görüntüleri ve sinir ağı ağırlıklarını temsil etmek için kullanılır.Matris Çarpımı(Matrix Multiplication)Matris çarpımı, birinci matrisin her satırı ile ikinci matrisin her sütununun nokta çarpımı alınarak yeni bir matris elde edilmesidir. Çarpım için birinci matrisin sütun sayısı, ikincinin satır sayısına eşit olmalıdır.Medyan(Median)Medyan (ortanca), bir veri seti küçükten büyüğe sıralandığında tam ortada kalan değerdir. Verinin yarısı medyanın altında, yarısı üstündedir; aykırı değerlerden aritmetik ortalamaya göre çok daha az etkilenir.Merkezi Limit Teoremi(Central Limit Theorem)Merkezi limit teoremi, aynı kitleden alınan yeterince büyük ve bağımsız örneklemlerin ortalamalarının, kitlenin dağılımı ne olursa olsun yaklaşık normal dağılım göstereceğini söyleyen temel istatistik teoremidir.Metasezgisel Algoritma(Metaheuristic)Metasezgisel algoritma, belirli bir probleme bağlı kalmadan pek çok farklı optimizasyon problemine uyarlanabilen, keşif ile iyileştirmeyi dengeleyerek büyük arama uzaylarında makul sürede iyi çözümler arayan genel amaçlı yöntemdir.Meta Öğrenme(Meta-Learning)Meta öğrenme (meta-learning), "öğrenmeyi öğrenme" olarak da bilinen ve bir modelin birçok farklı görevden edindiği deneyimle, yeni bir görevi çok az örnekle ve hızlı biçimde öğrenebilecek şekilde eğitilmesini amaçlayan makine öğrenmesi yaklaşımıdır.Meta Prompt(Meta Prompting)Meta prompt, bir dil modelinden doğrudan görevi yapmasını değil, o görev için kullanılacak promptu yazmasını, iyileştirmesini ya da görevin nasıl ele alınacağına dair bir yapı kurmasını isteyen üst düzey bir prompttur.Meta Veri(Metadata)Meta veri (metadata), başka bir veriyi tanımlayan, açıklayan ya da bulmayı kolaylaştıran "veri hakkındaki veri"dir. Bir dosyanın oluşturulma tarihi, yazarı, boyutu veya bir tablonun sütun açıklamaları meta veriye örnektir.Metinden Görsele(Text to Image)Metinden görsele (text to image), kullanıcının yazdığı bir metin açıklamasını (prompt) yorumlayarak yapay zekâ ile sıfırdan resim, illüstrasyon ya da fotoğraf benzeri görsel üreten teknolojidir. Çoğu güncel sistem difüzyon modellerine dayanır.Metinden Sese(Text to Speech)Metinden sese (TTS), yazılı metni yapay zekâ ile insan konuşmasına benzeyen sesli çıktıya dönüştüren teknolojidir; sesli asistanlarda, sesli kitaplarda ve erişilebilirlik araçlarında kullanılır.Metinden Videoya(Text to Video)Metinden videoya (text to video), yazılı bir açıklamadan (prompt) yola çıkarak yapay zekâ ile hareketli görüntü, yani video klip üreten teknolojidir. Görsel üretimine zaman boyutunu ekler ve kareler arası tutarlılık gerektirir.Metin Madenciliği(Text Mining)Metin madenciliği, e-posta, yorum, rapor ve haber gibi yapılandırılmamış metin verilerinden doğal dil işleme ve istatistik yöntemleriyle anlamlı bilgi, örüntü ve eğilim çıkarma sürecidir.Metin Özetleme(Text Summarization)Metin özetleme, uzun bir metnin ana fikirlerini koruyarak daha kısa bir sürümünü üretme işlemidir; yapay zekâda önemli cümleleri seçen çıkarımsal ve metni yeniden yazan soyutlayıcı olmak üzere iki ana yaklaşım vardır.Metin Parçalama(Chunking)Metin parçalama (chunking), uzun belgeleri arama ve yapay zekâ sistemlerinde işlenebilmesi için anlamlı, küçük parçalara bölme işlemidir. Özellikle RAG sistemlerinde doğru bilginin bulunup modele verilmesinde kritik rol oynar.Metin Sınıflandırma(Text Classification)Metin sınıflandırma, bir e-posta, yorum ya da belge gibi metinleri, içeriklerine göre önceden belirlenmiş kategorilerden birine veya birkaçına otomatik olarak atayan doğal dil işleme görevidir.MFCC(Mel-Frequency Cepstral Coefficients)MFCC (Mel Frekans Kepstral Katsayıları), bir ses sinyalinin kısa zaman dilimlerindeki spektral şeklini, insan kulağının algısına uygun mel ölçeğinde özetleyen ve ses işlemede özellik olarak kullanılan sayı kümesidir.Minimax Algoritması(Minimax Algorithm)Minimax algoritması, iki oyunculu sıfır toplamlı oyunlarda rakibin her zaman kendisi için en iyi hamleyi yapacağını varsayarak, olası en kötü sonucu en iyi hâle getiren hamleyi seçen bir karar ve arama yöntemidir.MLOpsMLOps (Machine Learning Operations), makine öğrenmesi modellerinin geliştirme, eğitim, dağıtım, izleme ve güncelleme süreçlerini otomatikleştirip güvenilir hâle getiren uygulamalar, araçlar ve ekip kültürü bütünüdür.MMLUMMLU (Massive Multitask Language Understanding), dil modellerinin matematikten hukuka, tıptan tarihe 57 farklı alandaki bilgi ve muhakeme yeteneğini çoktan seçmeli sorularla ölçen yaygın bir benchmarktır.MNISTMNIST, 0'dan 9'a kadar el yazısıyla yazılmış rakamların 28×28 piksellik gri tonlamalı görüntülerinden oluşan, 60.000 eğitim ve 10.000 test örneği içeren, makine öğrenmesi ve görüntü sınıflandırma alanında en çok bilinen başlangıç veri setidir.MobileNetMobileNet, Google araştırmacılarının 2017'de tanıttığı ve derinlemesine ayrılabilir evrişimler kullanarak hesaplama ile parametre sayısını büyük ölçüde azaltan hafif bir evrişimli sinir ağı ailesidir. Telefon ve gömülü cihazlar gibi sınırlı kaynaklı ortamlar için tasarlanmıştır.Model Birleştirme(Model Merging)Model birleştirme (model merging), aynı temel modelden ince ayarla türetilmiş birden fazla modelin ağırlıklarını matematiksel yöntemlerle tek bir modelde birleştirerek, ek eğitim yapmadan farklı yetenekleri bir araya getirme tekniğidir.Model Context ProtocolModel Context Protocol (MCP), yapay zekâ uygulamalarının dış araçlara, veri kaynaklarına ve hizmetlere ortak bir yöntemle bağlanmasını sağlayan açık bir standarttır. Anthropic tarafından 2024 sonunda tanıtılmış, sonra Linux Foundation çatısına devredilmiştir.Model Değerlendirme(Model Evaluation)Model değerlendirme (model evaluation), bir yapay zekâ modelinin belirli bir görevdeki başarısını, güvenilirliğini, adaletini ve güvenliğini; test verileri, metrikler, karşılaştırma testleri ve insan incelemesiyle ölçme sürecidir.Model Kalibrasyonu(Model Calibration)Model kalibrasyonu, bir makine öğrenmesi modelinin ürettiği olasılık tahminlerinin gerçekleşme sıklıklarıyla ne kadar uyumlu olduğunu ifade eder. İyi kalibre edilmiş bir model %80 dediğinde, bu tür tahminlerin yaklaşık %80'i gerçekten doğru çıkar.