YÖK Veri Analizi Okulu 2025-2026: Yapay Zeka Eğitimleri

2025–2026 YÖK Veri Analizi Okulunda 8 Ekim 2025–9 Ocak 2026 tarihleri arasında düzenlenen 13 ortak derse, ardından Yapay Zeka ve Makine Öğrenmesi ile Yapay Zeka ve Kolaylaştırıcı Araçlar modüllerindeki 23 oturuma katıldım. Eğitim sürecim 12 Mayıs 2026 tarihinde tamamlandı.

Program, Yükseköğretim Kurulu (YÖK) yürütücülüğünde ve Marmara Üniversitesi Nüfus ve Sosyal Araştırmalar Enstitüsü koordinasyonunda, Orta Doğu Teknik Üniversitesi, İstanbul Teknik Üniversitesi ve Boğaziçi Üniversitesinin katkılarıyla düzenlendi. Ortak eğitimde veri hazırlama, Excel, SPSS, istatistiksel analiz ve Python temelleri; seçtiğim iki modülde makine öğrenmesi, üretken yapay zeka ve araştırma süreçlerinde kullanılan yapay zeka araçları yer aldı.

Eğitim Yapısı ve Seçilen Modüller

Program iki aşamadan oluştu. İlk aşamada 13 ortak derste ölçme düzeyleri, veri temizleme, istatistiksel çıkarım, Excel, SPSS, Python, NumPy ve pandas konuları işlendi. Alan seçiminin ardından 6 Şubat–12 Mayıs 2026 döneminde iki yapay zeka modülünün toplam 23 oturumuna katıldım. Oturumlar aşağıda tarih sırasıyla yer alıyor.

Yapay Zeka ve Makine Öğrenmesi

Makine öğrenmesi modülünde denetimli, denetimsiz ve pekiştirmeli öğrenme yaklaşımları; sınıflandırma, regresyon, kümeleme, boyut indirgeme ve model değerlendirme yöntemleri yer aldı. K-means, Naive Bayes, karar ağaçları, rastgele ormanlar, destek vektör makineleri (SVM), temel bileşen analizi (PCA) ve doğrusal ayırt edici analiz (LDA) incelendi. Eğitim-doğrulama-test ayrımı, veri sızıntısı, aşırı uyum, düzenlileştirme ve değerlendirme ölçütleri de derslerin konuları arasındaydı.

Derin öğrenme bölümünde sinir ağları, evrişimli sinir ağları (CNN), attention ve transformer mimarileri ele alındı. Dil modelleri, tokenizasyon, üretken modeller, nicemleme, parametre açısından verimli uyarlama, bilgi getirme destekli üretim (RAG), araç kullanabilen ajanlar ve yerel model çalıştırma sonraki oturumlarda işlendi. İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi, Yapay Sinir Ağları, Büyük Dil Modelleri ve Bilgi Erişimi Destekli Üretim (RAG).

Yapay Zeka ve Kolaylaştırıcı Araçlar

Bu modülde büyük dil modelleriyle metin sınıflandırma, nitel veri kodlama, akademik yayın verilerini düzenleme, literatür taraması, kaynak doğrulama ve raporlama konuları işlendi. R ve Python ile veri görselleştirme, konuşma kayıtlarının otomatik transkripsiyonu, model API'leri, sunum araçları ve iş akışı otomasyonu derslerin diğer başlıklarıydı.

İstemlerin oluşturulması ve aynı veri üzerinde karşılaştırılabilir sonuçlar elde edilmesi, otomatik etiketlemenin insan tarafından kontrol edilmesi, veri aktarımında mahremiyet ve kaynaklara dayalı araştırma yöntemleri üzerinde duruldu. İlgili Akademi ders notları: Büyük Dil Modelleri, Doğal Dil İşleme ve İstem Mühendisliği.

Katılım ve Belgelendirme

Seçtiğim iki modülün devam ve değerlendirme koşullarını tamamlayarak sınavlarını başarıyla geçtim. Her modül için bir katılım ve bir başarı belgesi olmak üzere dört belge aldım:

• Yapay Zeka ve Kolaylaştırıcı Araçlar — Katılım Belgesi
• Yapay Zeka ve Kolaylaştırıcı Araçlar — Başarı Belgesi
• Yapay Zeka ve Makine Öğrenmesi — Katılım Belgesi
• Yapay Zeka ve Makine Öğrenmesi — Başarı Belgesi

Belgeler QR kodlarıyla doğrulanabilir. Dört belge de 2025–2026 döneminde tamamladığım iki yapay zeka modülüne aittir.

Veri Analizi Okulu 2025–2026 eğitim modülleri

Boğaziçi Üniversitesi — Veri Analizi Okulu duyurusu

Ortak Eğitim — Veri Analizi, İstatistik ve Python (2025–2026)

8 Ekim 2025–9 Ocak 2026 tarihleri arasındaki 13 ortak derste veri okuryazarlığı, gözlem ve değişken tanımları, ölçme düzeyleri, Excel, SPSS, betimleyici istatistik, örnekleme ve hipotez testleri işlendi. Son dört oturum Python programlaması, NumPy ile sayısal hesaplama ve pandas ile veri hazırlama üzerinde yoğunlaştı. Tarihli ders notları aşağıdadır.

8 Ekim 2025 — Veri analizi, istatistik ve hesaplamalı düşünmenin temelleri

İstatistiğin betimleme ve çıkarım işlevleri ile veri biliminin istatistik, programlama ve alan bilgisinden yararlanması konu edildi. Gözlem birimi, değişken ve ölçme arasındaki farklar; sayısal ve kategorik verilerin temsil biçimleri üzerinden açıklandı. Bir kategorinin sayısal kodla saklanması, o değişkenin nicel ölçekte olduğu anlamına gelmez. Bu nedenle veri türünün doğru belirlenmesi, uygulanacak özet istatistik ve analiz yönteminin seçimini doğrudan etkiler.

İkili sayı sistemi, temel mantıksal işlemler ve programlama dillerinin soyutlama düzeyleri tanıtıldı. Verinin depolanma, dönüştürülme ve hesaplanma biçimleri üzerinden istatistiksel analiz ile yazılımla veri işlemenin ilişkisi kuruldu. Hesaplama kapasitesi, veri miktarı ve veri kalitesi, güncel veri analizi ve makine öğrenmesi uygulamalarının teknik değişkenleri olarak ele alındı.

İlgili Akademi ders notları: Olasılık ve İstatistik

15 Ekim 2025 — Gözlem birimi, değişkenler ve Excel ile veri hazırlama

Tablosal veri modelinde satırların gözlem birimlerini, sütunların değişkenleri temsil etmesi; benzersiz kayıt tanımlayıcıları, veri kümeleri arasında eşleştirme ve mikro veri ile toplulaştırılmış veri ayrımı üzerinden işlendi. Değişken adlarının tutarlı tanımlanması, veri tiplerinin belirlenmesi ve eksik gözlemlerin açık biçimde işaretlenmesi temel veri hazırlama adımları olarak incelendi. Eksik bir değerin sıfırla eş tutulmasının, özellikle ortalama ve frekans hesaplarını sistematik biçimde değiştirebileceği belirtildi.

Nominal, ordinal, aralık ve oran ölçekleri karşılaştırıldı. Kategori kodlarının sayıyla temsil edilmesinin tek başına sıralama veya aritmetik anlam yaratmadığı açıklandı. Excel'de göreli ve mutlak hücre başvuruları, koşullu hesaplamalar, veri doğrulama ve kodlama işlemleri ele alındı. Çalışma, analiz aşamasına geçmeden önce veri sözlüğünün ve ölçme düzeylerinin doğru kurulması gerekliliği etrafında bütünleşti.

22 Ekim 2025 — Excel ile dönüştürme, özetleme ve görselleştirme

Excel üzerinde veri seçimi, filtreleme, başlıkları sabitleme, hücreleri gizleme ve kopyalanan formüllerde başvuru davranışları incelendi. Göreli, mutlak ve karma referansların farkı, aynı formülün çok sayıda kayda uygulanmasındaki doğruluk açısından değerlendirildi. Satır-sütun dönüşümü (transpose), metin ve tarih işlevleri, arama/eşleştirme işlemleri ve özet tablolar (PivotTable) üzerinden temizleme ve yeniden düzenleme akışı ele alındı.

Grafik türünün veri ölçeğine ve sorulan araştırma sorusuna göre seçilmesi; eksen, birim ve kategori etiketlerinin yanlış yorum riskine etkisi üzerinde duruldu. Dosya sürümlerinin ayrılması ve ham verinin korunması, geri alınabilir analiz için temel bir uygulama olarak değerlendirildi. Özet tabloların ve grafiklerin veri hakkında yeni gözlem üretmediği, mevcut kayıtların farklı düzeylerde birleştirilmiş gösterimleri olduğu ayrıştırıldı.

5 Kasım 2025 — SPSS veri modeli ve değişken tanımları

SPSS'in Data View ve Variable View ekranları üzerinden gözlem değerleri ile değişken üst verisi arasındaki fark ele alındı. Veri dosyası (.sav), çıktı dosyası (.spv) ve sözdizimi dosyası (.sps) ayrımı; bir analizin tekrar üretilebilmesi açısından incelendi. Sayısal, metinsel ve tarih türleri ile nominal, ordinal ve ölçek düzeyleri karşılaştırıldı. Değer etiketleri ile gerçek ölçüm değerlerinin ayrılması, özellikle kategorik değişkenlerin yanlışlıkla sürekli veri gibi işlenmesini önleyen bir kontrol olarak işlendi.

Eksik değer kodları, ağırlıklandırma ve sözdizimi kullanımı üzerinde duruldu. General Social Survey örneği üzerinden değişken açıklamaları, katılımcı gizliliği ve anket ağırlıklarının yorum üzerindeki etkisi tartışıldı. Frekans tabloları ve analiz çıktılarına geçmeden önce kod kitabı ile veri setinin uyumunun denetlenmesi temel bir çalışma adımı olarak değerlendirildi.

12 Kasım 2025 — SPSS ile betimleyici analiz ve dönüşüm

Bir sosyal araştırma veri kümesi üzerinde değişken sözlüğünü okuma, frekans dağılımları oluşturma ve betimleyici istatistikleri yorumlama adımları ele alındı. Kayıp gözlemler bulunduğunda toplam yüzde ile geçerli gözlemlere dayalı yüzde arasındaki fark, paydanın hangi gözlemleri içerdiği üzerinden açıklandı. Aritmetik ortalama, standart sapma, minimum ve maksimum gibi özetlerin uygun ölçme düzeylerinde kullanılması gerektiği vurgulandı.

SPSS Transform işlemleriyle değişken kodlarının yeniden düzenlenmesi, ters kodlama ve asıl değişkeni koruyarak yeni değişken oluşturma yaklaşımları incelendi. Komutların Syntax dosyasında saklanmasının, arayüz işlemlerini denetlenebilir bir analize dönüştürdüğü belirtildi. Veri temizleme sürecinde kayıp değer kurallarının, kodlama tercihinin ve dönüştürme sırasının kaydedilmesi, sonradan yapılacak istatistiksel testlerin geçerli yorumlanması için temel koşul olarak ele alındı.

19 Kasım 2025 — Betimleyici ve çıkarımsal istatistik

Betimleyici istatistik ile örneklemden evrene ilişkin sonuç çıkarmayı amaçlayan çıkarımsal istatistik arasındaki ayrım incelendi. Aritmetik ortalama, medyan ve modun farklı dağılım biçimlerinde nasıl davrandığı; aykırı değerlerin özellikle ortalamayı etkileyebilmesi üzerinden karşılaştırıldı. Açıklık, varyans ve standart sapma, dağılımın yalnızca merkezine bakmanın neden yetersiz olduğunu gösteren ölçüler olarak işlendi.

Normal dağılım, standartlaştırma, z-skoru, örnekleme dağılımı ve standart hata kavramlarına geçildi. Standart sapmanın gözlemler arasındaki değişkenliği, standart hatanın ise bir istatistiğin örneklemden örnekleme değişkenliğini ifade ettiği ayrıştırıldı. Merkezi limit teoreminin, uygun varsayımlarda örneklem ortalamasının dağılımıyla ilgili olduğu; ham verinin mutlaka normal dağılacağı anlamına gelmediği belirtildi.

İlgili Akademi ders notları: Olasılık ve İstatistik

26 Kasım 2025 — Normal dağılım, merkezi limit teoremi ve güvenilirlik

Örneklem dağılımları ile anakütle dağılımı arasındaki ilişki, merkezi limit teoremi ve örneklem büyüklüğünün kestirim belirsizliğine etkisi üzerinden işlendi. SPSS'te histogram ve diğer grafiklerin yorumlanması, dağılım biçiminin ve olası uç gözlemlerin değerlendirilmesiyle ilişkilendirildi. Normal dağılım varsayımı ile belirli bir istatistiğin yaklaşık normal örnekleme dağılımı göstermesi birbirinden ayrıldı.

Değişken dönüşümleri, SPSS sözdizimi ve temel manipülasyon işlemlerinin ardından ölçme araçlarında geçerlik ve güvenirlik kavramlarına geçildi. İç tutarlılık ölçülerinin, bir ölçeğin neyi ölçtüğünü tek başına kanıtlamadığı; güvenirlik ile geçerliğin farklı kanıt türleri gerektirdiği ele alındı.

İlgili Akademi ders notları: Olasılık ve İstatistik

3 Aralık 2025 — Hipotez testleri, karşılaştırmalar ve korelasyon

Sıfır ve alternatif hipotezlerin kurulması, test istatistiği ve p-değerinin yorumu ele alındı. P-değerinin sıfır hipotezinin doğru olma olasılığı olmadığı; seçilen model ve varsayımlar altında gözlenen ya da daha uç bir sonucun ne ölçüde beklenebileceğini ifade ettiği ayrıştırıldı. Standart sapma, standart hata ve güven aralığı kavramlarının hata çubukları üzerinde birbirine karıştırılmaması gerektiği işlendi.

Bağımsız ve eşleştirilmiş örneklem t-testleri, varyans eşitliği değerlendirmeleri, kategorik değişkenler için ki-kare bağımsızlık testi ve sürekli değişkenler için Pearson korelasyonu karşılaştırıldı. Test seçiminin yalnız yazılım menüsüne değil; ölçme düzeyi, örnekleme tasarımı, bağımlılık yapısı ve varsayımlara dayanması gerektiği vurgulandı. Korelasyonun nedensellik kanıtı olmadığı ve istatistiksel anlamlılığın etki büyüklüğünden ayrı yorumlanması gerektiği ele alındı.

İlgili Akademi ders notları: Olasılık ve İstatistik

12 Aralık 2025 — Python programlama ve veri analizi ortamı

Python geliştirme ortamları, Jupyter tabanlı çalışma düzeni, paket kurulumu ve modül kullanımı tanıtıldı. Değişkenler, sayısal ve metinsel türler, listeler, demetler, kümeler ve sözlükler üzerinden dilin temel veri yapıları işlendi. İndeksleme, dilimleme, çıktı biçimlendirme, karşılaştırmalar, koşullar, döngüler ve fonksiyonlar bir veri işleme programının temel bileşenleri olarak ele alındı.

Dosya okuma ve yazma işlemleriyle birlikte NumPy, pandas ve Matplotlib'in veri analizi içindeki farklı görevleri incelendi. NumPy, pandas ve Matplotlib sırasıyla sayısal diziler, etiketli tablosal veriler ve grafik üretimi bağlamında karşılaştırıldı. Etkileşimli notebook kullanımının yararları kadar hücrelerin yürütme sırasına bağlı durum farklılıkları da yeniden üretilebilirlik açısından değerlendirildi. Temel amaç, tablosal araçlarda gerçekleştirilen veri işlemlerinin programatik karşılığını kurmaktı.

19 Aralık 2025 — Python kontrol akışı ve fonksiyonlar

Jupyter çalışma ortamı ve bağımsız Python ortamlarının yönetiminin ardından sözlük, küme ve demet yapıları ayrıntılandırıldı. Anahtar-değer erişimi, benzersiz öğelerin kümelerde tutulması ve değiştirilemez demet yapısı farklı veri temsil gereksinimleriyle ilişkilendirildi. Aritmetik, karşılaştırma ve mantıksal operatörler, if/elif/else karar yapıları ve for/while döngüleri örnek algoritmik akışlar üzerinden işlendi.

Fonksiyon parametreleri ve dönüş değerleri, tekrar kullanılabilir hesaplama parçalarının oluşturulması açısından ele alındı. Kullanıcı girdisi ile veri tipleri arasındaki dönüşümün açık yapılması, hata olasılığını azaltan temel bir ayrım olarak değerlendirildi. Eğitimde bu yapılar, sonraki NumPy ve pandas derslerinde kullanılacak dönüşüm, filtreleme ve veri gruplama işlemleri için programlama altyapısı oluşturdu.

26 Aralık 2025 — NumPy dizileri ve vektörleştirilmiş hesaplama

Dosya işlemleri ve Python veri yapılarından NumPy'nin çok boyutlu ndarray modeline geçildi. Dizi oluşturma, boyut ve şekil bilgileri, yeniden şekillendirme, indeksleme ve öğe türleri incelendi. Python listeleri ile homojen türde sayısal dizilerin bellek düzeni ve işlem biçimleri karşılaştırıldı. Vektörleştirilmiş aritmetik, bir işlemi Python seviyesinde her öğe için ayrı yürütmek yerine kütüphane içindeki dizi operasyonlarına aktarmanın temel örneği olarak ele alındı.

Toplam, ortalama, minimum, maksimum ve eksen bazlı özetleme fonksiyonlarıyla çok boyutlu veride hesaplama yönü işlendi. Dizi şekillerinin uyumluluğu ve broadcasting mantığı üzerinde duruldu; her iki dizinin keyfî biçimde birleştirilemeyeceği belirtildi. NumPy, sonraki istatistiksel hesaplama ve makine öğrenmesi aşamaları için sayısal altyapı olarak değerlendirildi.

2 Ocak 2026 — pandas ile tablo, indeks ve eksik veri yönetimi

NumPy dizilerinden pandas Series ve DataFrame yapılarına geçildi. Etiketli satır-sütun düzeni, indeksleme, veri seçimi ve koşullu filtreleme ile tablosal verinin programatik olarak işlenmesi ele alındı. Eksik değerlerin gösterimi, tespiti ve işlem sırasında nasıl ele alındığı tartışıldı; veri türüne göre farklı eksik değer göstergelerinin bulunabileceği ve otomatik eksik değer atmanın her analiz için geçerli olmadığı vurgulandı.

Veri çerçevesi üzerinde sütun türetme, özet istatistikler ve Matplotlib ile temel grafiklerin oluşturulması işlendi. Seçim, dönüştürme ve görselleştirme aşamalarının ayrılmasının, aynı veri kümesinin farklı araştırma sorularında yeniden kullanılmasını kolaylaştırdığı vurgulandı. Kaynak verinin korunması ve dönüşüm adımlarının açık tutulması, izlenebilir analiz bakımından temel bir gereklilik olarak değerlendirildi.

9 Ocak 2026 — pandas ile birleştirme, gruplama ve veri işleme

pandas Series, DataFrame ve Index nesneleri üzerinden çok seviyeli indeksleme (MultiIndex), stack/unstack dönüşümleri ve tablo şekillendirme yöntemleri ele alındı. concat ile eksen bazlı birleştirme ve merge ile ortak anahtarlar üzerinden ilişkisel eşleştirme arasındaki fark işlendi. Birleştirme öncesinde anahtarların benzersizliği, eşleşmeyen satırlar ve olası çoktan-çoğa eşleşmelerin kayıt sayısını değiştirebileceği değerlendirildi.

groupby ile gruplama ve toplulaştırma, eksik verilerin temizlenmesi, temel betimleyici istatistikler ve dosya giriş-çıkış işlemleri incelendi. Gruplanmış özetler ile tekil gözlem kayıtları, farklı düzeylerde bilgi taşıyan veri yapıları olarak karşılaştırıldı.

İlgili Akademi ders notları: Veri Tabanı Yönetim Sistemleri

Alan Seçimi Sonrası — Yapay Zeka Modülleri

Ortak eğitimden sonra Yapay Zeka ve Makine Öğrenmesi ile Yapay Zeka ve Kolaylaştırıcı Araçlar modüllerini seçtim. 6 Şubat–12 Mayıs 2026 dönemindeki 23 oturum, iki modülün ders tarihleri birlikte sıralanarak verilmiştir. Her oturumun ait olduğu modül ayrıca belirtilmiştir.

6 Şubat 2026 — Makine öğrenmesinin kapsamı ve sinir ağları

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

İkinci dönem Makine Öğrenmesi derslerinde ilk olarak yapay zeka, makine öğrenmesi ve derin öğrenme arasındaki kapsam ilişkisi değerlendirildi. Kural tabanlı programlama ile veriden parametre öğrenen modellerin farkı, girdi-çıktı ilişkisi ve modelin eğitim verisinden genelleme yapması üzerinden tartışıldı. Yapay sinir ağlarında nöron, ağırlık, yanlılık, katman ve aktivasyon kavramları; çok katmanlı yapının doğrusal olmayan fonksiyonları yaklaşık temsil edebilmesi açısından işlendi.

Kayıp fonksiyonu, ileri yayılım, gradyan ve geri yayılımın parametre güncellemedeki rolü incelendi. Eğitim başarısı ile görülmemiş verideki başarının farklı ölçülmesi, ezberleme ve genelleme ayrımını somutlaştırdı. Biyolojik esin ile matematiksel model arasında doğrudan eşdeğerlik kurulamayacağı ve tarihsel gelişimin güncel model ailelerini anlamak için bağlam sunduğu belirtildi.

İlgili Akademi ders notları: Yapay Sinir Ağları

10 Şubat 2026 — Veri işleme algoritmaları ve yapay zeka araçlarına giriş

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Veri analizi ve araştırma araçlarının çalışma ilkeleri, algoritma, değişken ve veri yapısı kavramları üzerinden açıklandı. Diziler, kayıtlar ve anahtar-değer biçimindeki verilerin sınıflandırma, filtreleme ve metin işleme görevlerinde nasıl temsil edildiği incelendi. Koşul, yineleme ve fonksiyon yapıları, aynı işlemin farklı veri kümelerine tekrarlanabilir biçimde uygulanmasıyla ilişkilendirildi.

Girdi boyutuna bağlı zaman ve bellek gereksinimleri, farklı büyüklükteki veri kümelerinde algoritma seçimini etkileyen unsurlar olarak incelendi. Veri yapıları ve algoritmalar, metin etiketleme, veri temizleme ve model API'leri üzerinden yürütülen işlemlerin programlama temelini oluşturdu.

İlgili Akademi ders notları: Veri Yapıları ve Algoritma Analizi

14 Şubat 2026 — Öğrenme paradigmaları ve pekiştirmeli öğrenme

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Makine öğrenmesinde etiketli örneklerle denetimli öğrenme; etiket olmaksızın örüntü keşfine dayanan denetimsiz öğrenme; az sayıda etiketli örnekten yararlanan yarı denetimli öğrenme ayrıştırıldı. Sınıflandırma ve regresyon problemlerinin hedef değişken türüne göre farklılaştığı ele alındı. Soyut kavram, matematiksel model ve kod uygulaması arasındaki ilişkinin problem tanımından başlanarak kurulması üzerinde duruldu.

Pekiştirmeli öğrenmede ajan, ortam, durum, eylem, ödül ve politika kavramları tanıtıldı. Anlık ödülün maksimize edilmesi ile gelecekteki indirimli toplam getirinin optimize edilmesinin aynı problem olmadığı belirtildi. Keşif-sömürü dengesi, bir politikanın mevcut bilgiden yararlanması ile yeni deneyim toplayarak daha iyi eylemleri araştırması arasındaki tercih üzerinden işlendi.

İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi

20 Şubat 2026 — Veri hazırlama, kümeleme ve transformer mimarileri

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Web verisinin istek, yanıt, ayrıştırma ve yapılandırılmış saklama adımlarıyla edinilmesi; keşifsel veri analizi sırasında dağılım, eksik değer ve uç gözlemlerin incelenmesi ele alındı. Veri artırma yöntemlerinin örnek çeşitliliğini geliştirme amacı ile gerçek bağımsız gözlem sayısını artırma iddiasının ayrılması gerektiği değerlendirildi. Denetimli ve denetimsiz öğrenme karşılaştırmasının ardından K-means kümelemede merkezlere atama ve merkez güncelleme adımları incelendi; başlangıç koşullarının ve küme sayısının sonuca etkisi vurgulandı.

Transformer yapısı ve attention mekanizması, dizideki öğeler arasında bağlama bağlı ağırlıklandırma oluşturma yaklaşımıyla tanıtıldı. GPT ailesi üzerinden otoregresif üretim, metin temsilinin ve bağlam ilişkisinin dil modellerindeki yeri ele alındı. Çok modlu sistemler, metin dışındaki görüntü veya ses girdilerinin de ortak bir görevde kullanılabildiği modeller olarak değerlendirildi.

İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi, Büyük Dil Modelleri

27 Şubat 2026 — Modelleme stratejileri, problem türleri ve aşırı uyum

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Otomasyon, makine öğrenmesi ve derin öğrenmenin farklı kapsam ve işlevleri değerlendirildi. Bir modelleme çalışmasının veri, hedef, öznitelikler, parametreler, kayıp işlevi, öğrenme algoritması ve değerlendirme kümesinden oluşan temel bileşenleri ele alındı. Sınıflandırma, regresyon ve kümeleme sorunları; üretilen çıktının türü ve etiket bilgisinin varlığı açısından karşılaştırıldı. Parametrik ve esnek model yaklaşımlarının varsayım ve hesaplama maliyetlerine etkisi tartışıldı.

Eksik uyum ile aşırı uyum ayrımı, eğitim ve doğrulama başarısının birlikte okunması üzerinden işlendi. Model karmaşıklığının artmasının genelleme başarısını otomatik yükseltmediği; eğitim, doğrulama ve test kümelerinin farklı işlevler taşıdığı vurgulandı. Problem tanımı ile değerlendirme ölçütünün uyumu, algoritma seçiminden önce çözülmesi gereken bir tasarım kararı olarak değerlendirildi.

İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi

3 Mart 2026 — Büyük dil modelleri, metin etiketleme ve API kullanımı

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Nitel veya metinsel kayıtların analizinde manuel etiketleme ile büyük dil modeli destekli sınıflandırma karşılaştırıldı. Kod kitabı, etiket tanımı, bağlam ve örneklerin tutarlılığı; metin sınıflandırma çıktılarının değerlendirilmesi için temel unsurlar olarak ele alındı. Büyük dil modellerinin özetleme, bilgi çıkarımı ve etiket önerme gibi kullanım alanları ile bu çıktılarda oluşabilecek doğruluk ve tutarlılık sorunları tartışıldı.

İstem tasarımı, bağlam penceresi ve üretim parametrelerinin çıktı davranışına etkisi incelendi. API üzerinden model çağrısında kimlik bilgilerinin korunması, erişim kontrolü ve hassas verilerin dış hizmetlere aktarılmasına ilişkin riskler işlendi. Örnek istemlerin sabit tutulması ve sonuçların aynı ölçütlerle karşılaştırılması, araştırmada denetlenebilir bir değerlendirme düzeni oluşturmanın ön koşulu olarak belirtildi.

İlgili Akademi ders notları: Büyük Dil Modelleri, İstem Mühendisliği

6 Mart 2026 — Sınıflandırma, K-means ve düzenlileştirme

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Denetimli sınıflandırmada karar sınırları, doğrusal ayrılabilirlik ve öznitelik ölçeklerinin etkisi ele alındı. Denetimsiz K-means yönteminin uzaklık temelli atama ve merkez güncelleme adımları tekrar değerlendirilerek sınıflandırmadan farkı açıklandı. Küme etiketlerinin önceden bilinen sınıf etiketleriyle özdeşleştirilmemesi gerektiği, amaç işlevlerinin farklılığından hareketle ele alındı.

L1/L2 düzenlileştirme yaklaşımları, modelin karmaşıklığını sınırlama ve eğitim verisine aşırı uyum riskini azaltma amacıyla incelendi. Özellik ölçekleme, eğitim verisinden öğrenilen ön işleme parametrelerinin test verisine bağımsız biçimde uygulanması, çapraz doğrulama ve problemle uyumlu performans ölçütleri tartışıldı. Modelin başarısı yalnız eğitim doğruluğuna bakılarak değerlendirilmedi; genelleme, sınıf dağılımı ve hata türleri de karşılaştırmaya dâhil edildi.

İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi

10 Mart 2026 — Büyük dil modelleriyle araştırma sınıflandırması ve ölçüm

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Büyük dil modellerinin metin etiketleme ve nitel veri sınıflandırma görevlerinde kullanılmasına ilişkin yöntemsel düzen ele alındı. Araştırma sorusunun sınıf şemasına dönüştürülmesi, açıklamalı örneklerin hazırlanması, istemin tutarlı tutulması ve insan tarafından etiketlenmiş bir başvuru kümesiyle karşılaştırma adımları incelendi. Bir modelin akıcı yanıt üretmesinin, tutarlı veya doğru sınıflandırma yaptığı anlamına gelmediği vurgulandı.

Karışıklık matrisi üzerinden doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif ayrımları işlendi. Precision, recall, F1 ve accuracy ölçütlerinin sınıf dengesizliği ve hata maliyetine göre farklı sonuçlar verebildiği değerlendirildi. Makro ve sınıf temelli sonuçların birlikte incelenmesi, otomatik etiketleme kalitesini yalnızca tek bir toplam puana indirgememek için gerekli görüldü.

İlgili Akademi ders notları: Büyük Dil Modelleri, İstem Mühendisliği

13 Mart 2026 — Boyut indirgeme: PCA, LDA ve SVM

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Yüksek boyutlu öznitelik uzaylarında fazlalık, korelasyon ve ayrım gücü kavramları incelendi. Temel bileşen analizi (PCA), merkezlenmiş veride varyansı yüksek doğrultuları bulan denetimsiz doğrusal dönüşüm olarak ele alındı. Doğrusal ayırt edici analiz (LDA) ise sınıf etiketlerini kullanarak sınıflar arası ayrımı güçlendiren bir yaklaşım olarak karşılaştırıldı. Bu iki yöntemin aynı amaç işlevini optimize etmediği vurgulandı.

Destek vektör makinelerinde (SVM) marjın genişletilmesi, destek vektörlerinin karar sınırındaki rolü ve çekirdek fonksiyonlarıyla doğrusal olmayan ayırımın mümkün olması üzerinde duruldu. Boyut indirgeme ve standartlaştırma işlemlerinin yalnız eğitim verisi üzerinde öğrenilip doğrulama/test akışına aktarılması, veri sızıntısını önlemek açısından temel bir uygulama kuralı olarak işlendi.

İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi

17 Mart 2026 — Mekânsal ve zamansal veri görselleştirmesi

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Veri görselleştirmenin yalnız sunum değil, dağılım, değişim ve örüntüleri araştırma yöntemi olduğu ele alındı. StoryMapJS ile konuma bağlı anlatımlar, TimelineJS ile zaman eksenindeki olaylar ve JuxtaposeJS ile iki görselin karşılaştırmalı sunumu incelendi. Tarihî haritaların coğrafi referanslama yoluyla koordinat sistemleriyle eşleştirilmesinde kontrol noktaları ve konumsal hata kavramlarına değinildi.

Flourish gibi etkileşimli araçların sunduğu gösterimler, grafik türünün veri yapısına uygunluğu ve eksen/ölçek seçimi bakımından değerlendirildi. Harita veya zaman çizelgesinin görsel ikna gücünün veri kaynağının güvenilirliğinin yerine geçmediği vurgulandı. Kaynak, zaman aralığı ve dönüşüm adımlarının belirtilmesi, görsel çıktının yeniden yorumlanabilmesi için gerekli bilgilerin başında ele alındı.

24 Mart 2026 — R ve Python ile programatik veri görselleştirme

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Şablon tabanlı araçlar ile kodla oluşturulan görselleştirmeler; tekrarlanabilirlik, özelleştirme, sürümleme ve toplu üretim açısından karşılaştırıldı. Kategorik ve sürekli değişkenlere uygun grafik türleri, tek ve çok değişkenli karşılaştırmalar ile dağılım ve ilişki grafikleri üzerinden işlendi. Grafik türünün seçimi; değişkenlerin ölçme düzeyi, incelenen dağılım ve araştırma sorusuyla ilişkilendirildi.

R dilindeki ggplot2 katman yapısı ile Python görselleştirme yaklaşımının temel farkları ele alındı. Etiket, eksen, ölçek, açıklama ve dışa aktarma ayarları incelendi. Likert tipi yanıtların diverging stacked bar chart biçiminde gösterilmesinde kategori sırası, orta kategori ve yüzde hesaplarının tutarlı verilmesi gerektiği belirtildi. Veri temizleme adımlarının grafik üretiminden ayrı tutulması, sonuçların yeniden üretilmesini ve hesaplamaların denetlenmesini kolaylaştırır.

İlgili Akademi ders notları: Olasılık ve İstatistik

27 Mart 2026 — Naive Bayes, karar ağaçları ve topluluk modelleri

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Naive Bayes sınıflandırıcısında koşullu olasılıklar ve özniteliklerin sınıf koşullu bağımsızlığı varsayımı ele alındı. Karar ağaçlarının öznitelik eşiklerine dayalı bölmeler kurması ve rastgele orman yaklaşımının birden fazla ağacın sonuçlarını birleştirmesi karşılaştırıldı. Model açıklanabilirliği, varyans ve hesaplama maliyeti bakımından yöntemlerin farklı özellikleri tartışıldı.

Karışıklık matrisi, precision, recall, F1 ve doğruluk ölçütleri üzerinden sınıflandırma başarısının yorumlanması işlendi. Özellikle dengesiz sınıflarda yüksek accuracy değerinin tek başına güvenilir sonuç göstermeyebileceği belirtildi. Eksik veriler, kategorik kodlama, ölçekleme ve özellik seçimi gibi ön işleme adımlarının eğitim/test ayrımına uygun yürütülmesi gerekliliği tekrar vurgulandı.

İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi

31 Mart 2026 — Yapay zeka destekli deşifre ve nitel kodlama

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Nitel araştırmalarda ses kayıtlarının metne dönüştürülmesi, transkriptin kontrolü ve tematik kodlamanın aşamaları ele alındı. Açık/betimsel kodlar, alternatif temalar ve yorumlayıcı kodlar arasındaki ayrım, araştırmacının bağlam bilgisinin önemini gösterdi. Otomatik transkripsiyon hatalarının tema dağılımına etkisi ve konuşmanın bağlam dışına çıkarılmadan incelenmesi gerektiği tartışıldı.

Bilgisayar destekli nitel analiz yazılımları ile yapay zeka destekli kod önerilerinin araştırmacı kararının yerine geçmemesi ilkesi vurgulandı. Özellikle kişisel veya hassas ses kayıtlarının üçüncü taraf hizmetlere aktarılması, veri koruma ve yetkilendirme açısından değerlendirildi. Kod kitabının sürümlenmesi, örneklem üzerinde insan denetimi ve yöntem açıklığının nitel araştırmada güvenilirliği artırdığı ele alındı.

İlgili Akademi ders notları: Sesten Konuşma Tanıma, Doğal Dil İşleme

3 Nisan 2026 — Pekiştirmeli öğrenme ve destek vektör makineleri

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Pekiştirmeli öğrenmede durum, gözlem, eylem, ödül, politika ve indirimli getiri kavramları sistematik biçimde işlendi. Markov karar süreci (MDP), değer ve eylem-değer fonksiyonları ile Bellman bağıntısının gelecekteki ödülleri hesaba katmadaki rolü incelendi. Q-learning güncellemesi ve epsilon-greedy eylem seçimi, keşif ve mevcut bilgiden yararlanma dengesiyle ilişkilendirildi. Tam gözlemlenebilir durum varsayımı ile yalnız kısmi gözlem alınması arasındaki ayrım belirtildi.

Dersin ikinci bölümünde SVM yöntemleri tekrar ele alındı. Sert ve yumuşak marj yaklaşımları, yanlış sınıflandırmaya verilen ceza ve çekirdek fonksiyonlarıyla doğrusal olmayan karar sınırları karşılaştırıldı. Sıralı karar verme ile etiketli örneklerden sınıflandırma, amaç işlevleri ve geri bildirim türleri bakımından farklı problemlerdir.

İlgili Akademi ders notları: İstatistiksel Öğrenme ve Makine Öğrenmesi

7 Nisan 2026 — Yapay zeka etiği, mahremiyet ve araştırma güvenliği

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Yapay zeka sistemlerinin veri seçimi, model tasarımı, kullanım bağlamı ve insan denetimi tarafından biçimlenen sosyoteknik yapısı ele alındı. Önyargı, hatalı güven, otomasyon yanlılığı ve üretilen bilginin doğrulanmadan kabul edilmesi gibi riskler tartışıldı. Tek başına anonim gibi görünen farklı veri alanlarının birleştirildiğinde yeniden kimlik belirleme riski doğurabilmesi, mahremiyetin yalnız doğrudan kimlik alanlarının silinmesiyle sağlanamayacağını gösterdi.

Akademik çalışmalarda veri minimizasyonu, izinler, gizlilik yükümlülükleri, kaynak doğrulama ve yapay zeka katkısının şeffaf biçimde açıklanması incelendi. Bulut hizmetlerine aktarılan verilerin kurumsal politikalar ve mevzuat açısından değerlendirilmesi gerektiği vurgulandı. Hesaplama altyapısının enerji ve kaynak tüketimi de yaşam döngüsü boyutuyla ele alındı; teknik yarar ile güvenlik, hesap verebilirlik ve çevresel maliyetlerin birlikte düşünülmesi gerektiği belirtildi.

10 Nisan 2026 — Derin öğrenme, CNN ve attention

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Derin sinir ağlarında katmanlı temsil öğrenme, perceptron, doğrusal olmayan aktivasyonlar ve ileri/geri yayılım süreçleri incelendi. Kayıp fonksiyonunun türevleri üzerinden hesaplanan gradyanların optimizasyon algoritmalarında kullanımı; öğrenme oranı, yakınsama davranışı ve aşırı uyumla ilişkilendirildi. Büyük veri ve hızlandırıcı donanımların etkisi, model mimarisi ve hesaplama gereksinimleriyle birlikte değerlendirildi.

Evrişimli sinir ağlarının (CNN) yerel örüntüleri ortak ağırlıklarla işlemesi ile transformer yapılarındaki attention mekanizmasının dizisel öğeler arasında bağlama bağlı ilişkiler kurması karşılaştırıldı. Bu iki mimari ailesinin aynı göreve uygulanabilse de farklı yapısal önyargı ve maliyetler taşıdığı belirtildi. Öğrenme oranı planlaması ve model değerlendirme, yalnız eğitim kaybını düşürmenin ötesinde genelleme başarısını korumaya yönelik kararlar olarak ele alındı.

İlgili Akademi ders notları: Yapay Sinir Ağları

17 Nisan 2026 — Üretken modeller, tokenizasyon ve dil modeli eğitimi

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Otoregresif üretim, difüzyon modelleri ve üretici çekişmeli ağlar (GAN) arasındaki temel modelleme farkları incelendi. Transformer yapısında encoder ve decoder görevleri, tokenlaştırma, konum bilgisi ve bağlam içi tahmin ilişkisi ele alındı. Dil modellerinin eğitim verisinden öğrendikleri istatistiksel ilişkiler ile doğrulanabilir olgusal bilgi arasında ayrım yapılması gerektiği vurgulandı.

Ön eğitim, görev uyarlaması ve istem yoluyla yönlendirme biçimleri karşılaştırıldı. Ölçeklendirme, model kapasitesi ve genelleme davranışı; doğrulama veri kümesine ilişkin sorunlar ve modelin gördüğü örneklerle ilişkili olarak değerlendirildi. Bağlam içi öğrenme, model parametrelerinin değişmesinden ziyade verilen örneklerin üretim davranışını değiştirmesi olarak açıklandı. PyTorch terimleri, tensör işlemleri ve eğitim döngülerinin kavramsal bileşenleriyle ilişkilendirildi.

İlgili Akademi ders notları: Büyük Dil Modelleri, Doğal Dil İşleme

21 Nisan 2026 — Metin odaklı araçlarla veri temizleme ve raporlama

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Akademik yayın verilerinin yapılandırılması, tablo üzerinden temizlenmesi ve metin tabanlı istemlerle özetlenmesi ele alındı. Web of Science türü bibliyografik verilerin elektronik tablolara aktarılması, Google Sheets üzerinde işlenmesi ve Google AI Studio aracılığıyla görselleştirme/raporlama bileşenlerine dönüştürülmesi örnek iş akışı olarak incelendi. Yapay zeka destekli tablo formülleri ve istem tabanlı uygulama üretimi, veri şeması ile üretilen çıktının ayrı ayrı denetlenmesini gerektiren yöntemler olarak değerlendirildi.

Veri temizleme kuralları, yinelenen kayıtlar, eksik alanlar ve bibliyografik kimliklerin kontrolü üzerinde duruldu. Dış hizmetlerde yayımlanan çıktıların erişim izinleri ve altta yatan veri setlerinin paylaşım koşulları tartışıldı. Otomatik oluşturulan grafiklerin kaynak veride bulunmayan sonuçları üretmemesi ve kullanılan sorguların izlenebilir olması temel doğruluk ölçütleri olarak belirtildi.

İlgili Akademi ders notları: İstem Mühendisliği

28 Nisan 2026 — Literatür taraması ve akademik yazımda yapay zeka

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Akademik araştırma sorusunun oluşturulması, anahtar kelime stratejisi, literatür taraması ve kaynaklar arası ilişki kurma süreçlerinde yapay zeka araçlarının kullanımı incelendi. Elicit, Connected Papers, ResearchRabbit, Google Scholar ve benzeri sistemlerin farklı arama, ilişki keşfi ve özetleme işlevleri karşılaştırıldı. Dil modeliyle hazırlanan kısa özetlerin, bir makalenin yöntemini veya bulgusunu birincil kaynağın yerine geçecek şekilde temsil edemeyeceği vurgulandı.

Belge temelli soru-cevap, araştırma notu düzenleme ve metin taslağı üretme araçlarının yanı sıra kaynak künyesi, DOI, alıntı doğruluğu ve atıf bütünlüğünün insan tarafından kontrol edilmesi gerektiği işlendi. Literatür taramasında kapsam ölçütleri, dışlama gerekçeleri ve tarih aralığı açık tanımlanmadığında sonuçların tekrarlanabilirliğinin sınırlanacağı belirtildi. Üretken yapay zeka kullanımı, araştırmacının yorum ve kaynak sorumluluğunu ortadan kaldırmayan yardımcı bir süreç olarak değerlendirildi.

İlgili Akademi ders notları: İstem Mühendisliği

29 Nisan 2026 — LLM eğitimi, nicemleme ve dağıtım

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Büyük dil modellerinde öz denetimli ön eğitim, denetimli görev uyarlaması, model damıtma ve parametre açısından verimli ince ayar yaklaşımları ele alındı. Farklı sayısal hassasiyetlerin bellek kullanımı ile hesaplama maliyetine etkisi, GPU üzerinde model saklama ve yürütme bağlamında incelendi. Çoklu GPU veri/model paralelliği yaklaşımları ve dağıtık hesaplamanın iletişim maliyetleri kavramsal düzeyde karşılaştırıldı.

LoRA/PEFT, servis olarak model çalıştırma ve yerel model yürütme için kullanılan araçlar değerlendirildi. Nicemlemenin yalnız dosya boyutunu değil, çalışma zamanında desteklenen işlemleri ve olası çıktı kalitesini de etkileyebileceği belirtildi. İstem parametreleri, metin sınıflandırma ve model karşılaştırmalarında sabit değerlendirme kümesi kullanmanın önemi işlendi. Model eğitimi, uyarlama ve sunum aşamalarının ayrı mühendislik problemleri olduğu vurgulandı.

İlgili Akademi ders notları: Büyük Dil Modelleri

5 Mayıs 2026 — Yapay zeka destekli sunum ve tasarım araçları

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Canva, Gamma ve NotebookLM gibi araçların sunum taslağı, görsel düzen ve kaynak temelli içerik hazırlama işlevleri karşılaştırıldı. Şablonların otomatik üretiminin, verilen bilgi ve grafiklerin doğruluğunu garanti etmediği vurgulandı. Metin yoğunluğu, tipografik hiyerarşi, görselin anlam taşıması, kaynak gösterimi ve çıktının hedef kitle tarafından okunabilirliği temel tasarım ölçütleri olarak ele alındı.

Belge kaynaklarının doğru eşleştirilmesi, araçların ürettiği ifadelerin asıl metinlerle karşılaştırılması ve tekrar kullanılacak grafiklerin kaynağına bağlanması üzerinde duruldu. Sunumun bilimsel niteliği, tasarım aracının sunduğu otomasyon düzeyinden ayrı değerlendirildi. Bu kapsamda insan denetimi, görsel doğrulama ve kurumun gizlilik koşulları; araç seçiminde işlevsellik kadar belirleyici unsurlar olarak işlendi.

8 Mayıs 2026 — RAG, araç kullanan ajanlar ve yerel modeller

Dersin modülü: Yapay Zeka ve Makine Öğrenmesi

Üretken yapay zeka ajanlarında gözlem, karar ve araç çağrısı döngüsü ele alındı. Araç kullanan bir sistemin yalnız metin üretmekten farklı olarak dış bilgi kaynakları veya işlevler üzerinden işlem yapabilmesi; yetki sınırı, hata denetimi ve durdurma koşullarıyla birlikte değerlendirildi. Retrieval-Augmented Generation (RAG), sorguya uygun belgelerin getirilip modelin bağlamına eklenmesi olarak işlendi. Geri getirmenin doğruluğu ile dil modelinin yanıt doğruluğunun ayrı ölçülmesi gerektiği vurgulandı.

Damıtma, LoRA uyarlaması, GGUF biçiminde yerel model dağıtımı ve akış tabanlı ajan geliştirme ortamları tanıtıldı. RAG'ın parametre öğrenmesi olmadığı; getirilen belgenin hatalı, güncel olmayan veya yetkisiz olması durumunda yanıt kalitesinin düşebileceği belirtildi. Araç çağrılarının güvenli yürütülmesi ve karşılaştırmalı testler, üretime alınacak ajan mimarileri için temel mühendislik koşulları olarak ele alındı.

İlgili Akademi ders notları: Bilgi Erişimi Destekli Üretim (RAG), FAISS ile Vektörel Aramada İndeks Mimarisi

12 Mayıs 2026 — Üretkenlik, iş akışı otomasyonu ve ofis araçları

Dersin modülü: Yapay Zeka ve Kolaylaştırıcı Araçlar

Toplantı notlarının çıkarılması, takvim planlaması, bilgi tabanı düzeni ve uygulamalar arası otomasyon için kullanılan araçlar incelendi. Fathom benzeri toplantı yardımcıları, Reclaim türü zaman planlama sistemleri, Notion/Notion AI ve Zapier iş akışları farklı kullanım amaçları bakımından karşılaştırıldı. Otomatik transkripsiyonun konuşmacı, tarih ve karar gibi alanlarda doğrulanması gerektiği; üretilen özetlerin karar kaydı yerine koşulsuz kullanılamayacağı vurgulandı.

Tetikleyici-eylem tabanlı otomasyonlarda bağlantı izinleri, hatalı tekrarlar, veri aktarım sınırları ve hizmet bağımlılıkları ele alındı. Kişisel ve kurumsal bilgilerin üçüncü taraf hizmetlerde işlenmesinin gizlilik, saklama ve erişim açısından ayrıca değerlendirilmesi gerektiği belirtildi.

Dijital Üniversite Platformu — 2026–2027

2025–2026 dönemindeki Veri Analizi Okulu eğitimimin ardından YÖK Dijital Üniversite Platformu 2026–2027: Yapay Zeka Eğitimleri programına kabul edilerek yeni eğitim sürecime başladım. Yapay Zeka Okulu kapsamında Yapay Zeka: Makine Öğrenmesi ve Modern Yazılım Geliştirme modüllerini seçtim.

3 Kasım 2026 tarihindeki program açılışından sonra ortak dersler başlayacak. Modern Yazılım Geliştirme dersleri 3 Mart–2 Haziran 2027, Makine Öğrenmesi dersleri ise 5 Mart–4 Haziran 2027 arasında yapılacak. Eğitim boyunca aldığım notları yeni sayfamda kaydedecek, ilgili Akademi derslerini çalıştığım konularla genişleteceğim.

Güncel takvim ve modül bilgileri Dijital Üniversite Platformunun resmi programında yer alıyor.

Eğitimde Ele Alınan Yöntemler

Ortak eğitimde değişken türleri, örnekleme, veri temizleme, betimleyici ve çıkarımsal istatistik, hipotez testleri ve programatik veri analizi üzerinde çalıştım. Excel ve SPSS ile başlayan uygulamalar Python, NumPy ve pandas kullanılarak sürdürüldü.

Makine Öğrenmesi modülünde model seçimi, sınıflandırma, regresyon, kümeleme, boyut indirgeme, sinir ağları ve büyük dil modelleri; Kolaylaştırıcı Araçlar modülünde ise metin analizi, transkripsiyon, araştırma verilerinin düzenlenmesi, görselleştirme, akademik kaynak taraması ve otomasyon işlendi. Eğitim ve test verisinin ayrılması, uygun değerlendirme ölçütlerinin seçimi, kaynakların doğrulanması ve yapay zeka çıktılarının insan denetiminden geçirilmesi her iki modülle bağlantılı yöntemsel konulardı.