YAPAY ZEKA EĞİTİM PROGRAMLARI İLE İŞİNİZİ GELECEĞE TAŞIYIN

Yapay zekayı müşteri hizmetleri, iletişim, satış, stres yönetimi ve liderlik alanlarında doğru şekilde entegre ederek verimliliği artıran, kaliteyi koruyan danışmanlık ve eğitimler; AI destekli chatbot/voicebot, kalite otomasyonu, akıllı yönlendirme, bilgi yönetimi ve CRM süreçlerinin birlikte çalıştığı, ölçülebilir ve sürdürülebilir servis modelleri.

Yapay Zeka Eğitimi

Farklı seviyelerdeki katılımcılar için hazırladığımız bu kapsamlı eğitim programı, temel kavramlardan ileri teknolojilere, etik konulardan geleceğe uzanan geniş bir yelpaze sunuyor.

BÖLÜM 1: YAPAY ZEKAYA GİRİŞ VE TEMEL KAVRAMLAR

1.1 Yapay Zeka Nedir?

• Yapay zekanın tanımı ve kapsamı

• YZ'nin kısa tarihi: Dartmouth Konferansı'ndan günümüze

• Günlük hayatta YZ örnekleri

1.2 YZ vs Otomasyon vs Algoritmalar

• Kavramsal farklılıklar

• Geleneksel programlama ile YZ arasındaki farklar

• Karar ağaçları ve kural tabanlı sistemler

  
  

BÖLÜM 2: MAKİNE ÖĞRENMESİ (MACHINE LEARNING - ML)

2.1 Makine Öğrenmesine Giriş

• ML nedir ve neden önemlidir?

• Geleneksel programlama vs ML yaklaşımı

• ML'nin iş dünyasındaki uygulamaları

2.2 ML Türleri

Denetimli Öğrenme (Supervised Learning)

• Sınıflandırma (Classification)

• Regresyon (Regression)

• Örnekler: Spam filtreleme, fiyat tahmini

Denetimsiz Öğrenme (Unsupervised Learning)

• Kümeleme (Clustering)

• Boyut indirgeme

• Örnekler: Müşteri segmentasyonu, anomali tespiti

Pekiştirmeli Öğrenme (Reinforcement Learning)

• Ajan, ortam, ödül kavramları

• Örnekler: Oyun yapay zekaları, robotik

Yarı-Denetimli ve Transfer Öğrenme

2.3 Popüler ML Algoritmaları

• Karar ağaçları (Decision Trees)

• Random Forest

• Support Vector Machines (SVM)

• K-Nearest Neighbors (KNN)

• Naive Bayes

• Linear/Logistic Regression

2.4 ML Projesinin Aşamaları

• Veri toplama ve hazırlama

• Özellik mühendisliği (Feature Engineering)

• Model seçimi ve eğitimi

• Değerlendirme metrikleri (Accuracy, Precision, Recall, F1-Score)

• Overfitting ve Underfitting
  

BÖLÜM 3: DERİN ÖĞRENME (DEEP LEARNING - DL)

3.1 Derin Öğrenmeye Giriş

• DL nedir? ML'den farkları

• Neden "derin" öğrenme?

• DL'nin yükselişi: GPU'lar ve büyük veri

3.2 Yapay Sinir Ağları (Artificial Neural Networks - ANN)

• Biyolojik nöronlardan yapay nörona

• Perceptron ve çok katmanlı ağlar

• Aktivasyon fonksiyonları (ReLU, Sigmoid, Tanh)

• Backpropagation algoritması

• Gradient Descent ve optimizasyon

3.3 İleri Düzey DL Mimarileri

Convolutional Neural Networks (CNN)

• Görüntü işleme için CNN

• Convolution, Pooling katmanları

• Uygulamalar: Yüz tanıma, tıbbi görüntü analizi, otonom araçlar

Recurrent Neural Networks (RNN) ve LSTM

• Sıralı veri işleme

• Uzun-kısa süreli bellek (LSTM)

• Uygulamalar: Metin üretimi, zaman serisi tahmini

Generative Adversarial Networks (GAN)

• Üretici ve ayırt edici ağlar

• Deepfake teknolojisi

• Sanat ve tasarımda kullanımı

Transformer Mimarisi

• Attention mekanizması

• BERT, GPT modelleri

• Modern dil modellerinin temeli

3.4 Transfer Learning ve Fine-Tuning

• Ön eğitimli modellerin kullanımı

• Az veriyle yüksek performans
  

BÖLÜM 4: DOĞAL DİL İŞLEME (NATURAL LANGUAGE PROCESSING - NLP)

4.1 NLP'ye Giriş

• Dil ve bilgisayarlar

• NLP'nin zorluğu: Belirsizlik, bağlam, dil çeşitliliği

4.2 Temel NLP Teknikleri

• Tokenization (Simgeleme)

• Stemming ve Lemmatization

• Part-of-Speech (POS) Tagging

• Named Entity Recognition (NER)

• Word Embeddings (Word2Vec, GloVe)

4.3 İleri NLP Uygulamaları

• Sentiment Analysis (Duygu analizi)

• Makine çevirisi

• Soru-cevap sistemleri

• Text summarization (Metin özetleme)

• Chatbot'lar ve konuşma sistemleri

4.4 Büyük Dil Modelleri (LLM)

• GPT, Claude, Gemini gibi modeller

• Prompt Engineering temel prensipleri

• İş dünyasında LLM kullanımı

• RAG (Retrieval Augmented Generation)
  

BÖLÜM 5: BİLGİSAYARLI GÖRÜ (COMPUTER VISION)

5.1 Görüntü İşleme Temelleri

• Dijital görüntüler ve pixel'ler

• Görüntü önişleme teknikleri

5.2 CV Uygulamaları

• Nesne tanıma ve tespiti (Object Detection)

• Yüz tanıma ve biometrik sistemler

• Optik karakter tanıma (OCR)

• Tıbbi görüntü analizi

• Otonom araçlarda görü sistemleri

• Kalite kontrol ve kusur tespiti

5.3 Görüntü Üretimi

• Stable Diffusion, DALL-E, Midjourney

• Text-to-Image uygulamaları

• İş dünyasında yaratıcı AI kullanımı
  

BÖLÜM 6: BÜyÜK VERİ (BIG DATA) VE YZ

6.1 Big Data Nedir?

• 5V: Volume, Velocity, Variety, Veracity, Value

• Geleneksel veri vs Büyük veri

• Veri gölleri (Data Lakes) ve veri ambarları

6.2 Big Data Teknolojileri

• Hadoop ekosistemi

• Apache Spark

• NoSQL veritabanları

• Dağıtık sistemler

6.3 Big Data ve YZ İlişkisi

• Veri YZ'nin yakıtıdır

• Veri kalitesi ve önişleme

• Feature stores ve ML altyapısı

• Gerçek zamanlı veri işleme ve ML
  

BÖLÜM 7: NESNELERIN İNTERNETİ (IoT) VE YZ

7.1 IoT Temelleri

• IoT nedir?

• Sensörler, aktüatörler, bağlantı

• IoT mimarisi ve protokoller

7.2 IoT ve YZ Entegrasyonu

• Edge AI: Uçta yapay zeka

• Predictive maintenance (Kestirimci bakım)

• Akıllı şehirler ve akıllı evler

• Endüstriyel IoT (IIoT)

• Tarımda IoT ve YZ

7.3 Gerçek Dünya Örnekleri

• Akıllı termostatlar

• Giyilebilir sağlık cihazları

• Fabrika 4.0 ve dijital ikizler
  

BÖLÜM 8: SANAL GERÇEKLİK (VR), ARTTIRILMIŞ GERÇEKLİK (AR) VE YZ

8.1 VR ve AR Temelleri

• VR nedir? AR nedir? MR (Mixed Reality) nedir?

• Teknolojik altyapı ve cihazlar

8.2 YZ ile Zenginleştirilmiş VR/AR

• Akıllı NPC'ler (Non-Player Characters)

• Gerçek zamanlı çeviri ve AR overlay

• Sanal asistanlar

• Procedural content generation

8.3 Uygulama Alanları

• Eğitim ve simülasyon

• Sağlık ve tıbbi eğitim

• Mimarlık ve tasarım

• Perakende ve e-ticaret (Sanal deneme)

• Metaverse konsepti

BÖLÜM 9: YZ VE SİBER GÜVENLİK

9.1 Siber Güvenlikte YZ Kullanımı

• Anomali tespiti

• Tehdit istihbaratı

• Phishing ve malware tespiti

• SIEM sistemleri ve YZ

• Davranışsal analiz

9.2 YZ Sistemlerinin Güvenliği

• Adversarial attacks (Düşman saldırıları)

• Model poisoning

• Data poisoning

• Privacy-preserving ML

• Federated Learning

9.3 Etik Hacking ve YZ

• Penetrasyon testlerinde YZ

• Otomatik zafiyet tarama

• YZ ile sosyal mühendislik
  

BÖLÜM 10: YAPAY ZEKANIN SEKTÖREL UYGULAMALARI

10.1 Finans ve Bankacılık

• Algoritmik trading

• Kredi skorlama

• Fraud detection (Dolandırıcılık tespiti)

• Robo-advisors

• Risk yönetimi

10.2 Sağlık

• Hastalık teşhisi

• İlaç keşfi

• Kişiselleştirilmiş tıp

• Radyoloji ve patoloji analizi

• Robotik cerrahi

10.3 Perakende ve E-Ticaret

• Öneri sistemleri

• Fiyatlandırma optimizasyonu

• Müşteri segmentasyonu

• Chatbot'lar ve sanal asistanlar

• Talep tahmini

10.4 Üretim

• Kalite kontrol

• Kestirimci bakım

• Tedarik zinciri optimizasyonu

• Robotik ve otomasyon

• Dijital ikiz

10.5 Ulaştırma

• Otonom araçlar

• Trafik yönetimi

• Rota optimizasyonu

• Lojistik

10.6 İnsan Kaynakları

• CV tarama

• Yetenek eşleştirme

• Çalışan tutma (retention) analizi

• Performans değerlendirme

10.7 Pazarlama

• Kişiselleştirilmiş kampanyalar

• Müşteri yaşam boyu değeri tahmini

• Sosyal medya analizi

• İçerik üretimi

BÖLÜM 11: YAPAY ZEKANIN HUKUKİ BOYUTU

11.1 YZ ve Mevzuat

• AB Yapay Zeka Yasası (EU AI Act)

• GDPR ve veri koruma

• Türkiye'de YZ düzenlemeleri

• Sektörel düzenlemeler (finans, sağlık, vb.)

11.2 Sorumluluk ve Hesap Verebilirlik

• YZ kararlarının sorumluluğu

• Hukuki kişilik tartışmaları

• Ürün sorumluluğu

• Malpraktis ve tıbbi hatalar

11.3 Fikri Mülkiyet

• YZ tarafından üretilen içeriğin telif hakları

• Patent ve YZ

• Veri sahipliği

• Açık kaynak modeller ve lisanslama

11.4 Sözleşmeler ve Compliance

• YZ kullanım sözleşmeleri

• Vendor management

• SLA'lar (Service Level Agreements)

• Denetim ve compliance gereksinimleri
  

BÖLÜM 12: YAPAY ZEKANIN ETİK BOYUTU

12.1 YZ Etiği Temelleri

• Etik neden önemli?

• Temel etik prensipler: Şeffaflık, adalet, mahremiyet

• Etik çerçeveler ve standartlar

12.2 Önyargı ve Ayrımcılık (Bias)

• Algoritmik önyargı nasıl oluşur?

• Tarihsel örnekler (Amazon'un CV tarama sistemi, COMPAS)

• Veri setlerindeki önyargı

• Fairness metrikleri

• Önyargıyı azaltma stratejileri

12.3 Şeffaflık ve Açıklanabilirlik (Explainability)

• Kara kutu problemi

• XAI (Explainable AI) yöntemleri

• LIME, SHAP gibi araçlar

• Açıklama hakkı

12.4 Mahremiyet ve Veri Koruma

• Differential Privacy

• Veri minimizasyonu

• Anonimleştirme vs De-anonimleştirme

• Kişisel verilerin korunması

12.5 İşsizlik ve Ekonomik Etki

• Otomasyon ve iş kayıpları

• Yeni iş alanları

• Beceri dönüşümü

• Evrensel temel gelir tartışmaları

12.6 Manipülasyon ve Dezenformasyon

• Deepfakes

• Propaganda ve mikro-hedefleme

• Echo chambers (Yankı odaları)

• Sosyal medya algoritmaları

12.7 Otonom Silahlar ve Askeri Kullanım

• Katil robotlar (Lethal autonomous weapons)

• Savaş etiği

• Uluslararası düzenlemeler

12.8 Sürdürülebilirlik

• YZ modellerinin karbon ayak izi

• Enerji tüketimi

• Yeşil YZ (Green AI)
  

BÖLÜM 13: YZ PROJE YÖNETİMİ VE UYGULAMA

13.1 YZ Projesine Başlamak

• İş problemi tanımlama

• YZ uygun mu? (When not to use AI)

• Veri keşfi ve fizibilite

• ROI hesaplama

13.2 Ekip Oluşturma

• Gerekli roller: Veri bilimcisi, ML mühendisi, veri mühendisi

• Domain uzmanlarının önemi

• MLOps ekipleri

13.3 YZ Proje Metodolojileri

• CRISP-DM

• Agile for ML

• Iteratif geliştirme

13.4 MLOps: Production'a Alma

• Model versiyonlama

• CI/CD for ML

• Model monitoring

• A/B testing

• Model retraining stratejileri

13.5 Yaygın Hatalar ve Önleme

• Data leakage

• Yanlış metrik seçimi

• Production-training gap

• Teknik borç
  

BÖLÜM 14: YZ ARAÇLARI VE PLATFORMLARI

14.1 Programlama ve Framework'ler

• Python ekosistemi

• TensorFlow ve Keras

• PyTorch

• Scikit-learn

• Hugging Face

14.2 Cloud AI Servisleri

• AWS AI/ML servisleri

• Google Cloud AI

• Microsoft Azure AI

• IBM Watson

14.3 No-Code / Low-Code Platformlar

• AutoML araçları

• Google AutoML

• DataRobot

• H2O.ai

14.4 Veri Labeling ve Annotation

• Labelbox

• Scale AI

• Amazon SageMaker Ground Truth

14.5 Model Deployment

• TensorFlow Serving

• ONNX

• Containerization (Docker, Kubernetes)
  

BÖLÜM 15: YAPAY ZEKANIN GELECEĞİ

15.1 Teknolojik Trendler

• Multimodal AI (Çok modlu YZ)

• Foundation models ve büyük modeller

• Quantum Machine Learning

• Neuromorphic computing

• Brain-computer interfaces

15.2 Genel Yapay Zeka (AGI) Yolunda

• AGI nedir ve ne zaman gerçekleşebilir?

• Süper zeka (Superintelligence) senaryoları

• Alignment problemi

• Varoluşsal riskler

15.3 Toplumsal Dönüşümler

• Eğitim sisteminin evrimi

• Çalışma hayatının geleceği

• Demokrasi ve yönetişim

• Sağlık hizmetlerinde devrim

15.4 Düzenleyici Gelecek

• Küresel YZ yönetişimi

• Standartlar ve sertifikasyon

• Uluslararası işbirliği

15.5 Etik ve Toplumsal Hazırlık

• YZ okuryazarlığı

• Toplumsal diyalog

• Kapsayıcı YZ geliştirme

• Çeşitlilik ve temsil
  

BÖLÜM 16: UYGULAMALI ÇALIŞTAY VE ÖRNEKLER

16.1 Hands-on Egzersizler

• Basit bir ML modeli oluşturma (Jupyter Notebook)

• ChatGPT/Claude ile prompt engineering

• AutoML aracı ile model eğitme

• Görüntü sınıflandırma demo'su

16.2 Vaka Çalışmaları

• Netflix öneri sistemi

• Tesla otonom sürüş

• AlphaGo ve oyun YZ'si

• GPT modelleri ve dil devrimi

16.3 İnteraktif Q&A ve Senaryolar

• Katılımcıların sektörüne özel örnekler

• Gerçek problemlere YZ çözümleri

BÖLÜM 17: KAYNAKLAR VE İLERİ ÖĞRENİM

17.1 Önerilen Kaynaklar

• Online kurslar (Coursera, edX, Udacity)

• Kitaplar (Pattern Recognition, Deep Learning Book)

• Araştırma kaynakları (arXiv, Papers with Code)

• Podcast'ler ve YouTube kanalları

17.2 Topluluklar

• Kaggle

• GitHub

• Reddit ML topluluğu

• Yerel meetup'lar

17.3 Sertifikasyonlar

• Google TensorFlow Certificate

• AWS ML Specialty

• Microsoft Azure AI Engineer
  

BONUS: YZ SÖZLÜĞÜ

Eğitim boyunca kullanılan tüm teknik terimlerin Türkçe-İngilizce karşılıkları ve açıklamaları

Sunum Formatı Önerileri:

Toplam Süre: 1 günlük temel, yoğun eğitim veya 2 günlük detaylı,  uygulamalı program

Hedef Kitle Bazlı Uyarlama:

• Yöneticiler için: Bölüm 1, 10, 11, 12, 15'e ağırlık

• Teknik ekipler için: Bölüm 2, 3, 4, 5, 13, 14'e ağırlık

• Karma gruplar için: Tüm bölümlerden dengeli seçim
  

Görsel Materyal:

• Her bölümde bol infografik

• Gerçek dünya örnekleri ve videolar

• Interaktif demonstrasyonlar

• Canlı coding örnekleri