Yapay Zekâ Uygulama Alanları

Bu dersin kazanımları

• Yapay zekânın günlük hayattaki uygulama alanlarını tanımlar.

• Görüntü işleme (Computer Vision) sistemlerinin çalışma mantığını açıklar.

• Doğal Dil İşleme (NLP) teknolojilerinin kullanım alanlarını açıklar.

• Öneri sistemlerinin temel mantığını kavrar.

• Otonom araçların kullandığı yapay zekâ teknolojilerini açıklar.

• Günlük yaşamda karşılaştığı uygulamaları AI alanlarına göre sınıflandırabilir.

• Python ile temel AI uygulamalarının mantığını inceleyebilir.

1. Yapay Zekâ Uygulama Alanlarına Giriş

Yapay zekâ neden bu kadar yaygınlaştı?

Günümüzde yapay zekâ yalnızca teknoloji şirketlerinin kullandığı bir araç değildir. Sağlıktan eğitime, bankacılıktan tarıma kadar neredeyse her sektörde kullanılmaktadır.

Yapay zekânın bulunduğu alanlar

Alan	Günlük Örnek
📱 Mobil Uygulamalar	Yüz tanıma, sesli asistan, kamera filtreleri.
🎬 Eğlence	Netflix film önerileri, Spotify müzik önerileri.
🛒 E-Ticaret	Amazon ürün önerileri.
🚗 Ulaşım	Otonom araçlar, trafik tahmini.
🏥 Sağlık	MR görüntü analizi, hastalık tahmini.
🌾 Tarım	Bitki hastalığı tespiti.
🎓 Eğitim	Kişiselleştirilmiş öğrenme sistemleri.

Yapay zekâ uygulamalarının ortak çalışma süreci

AI iş akışı

Veriden Karara

Her yapay zekâ sistemi veriyi toplar, modeli eğitir, tahmin üretir ve bir karar ya da öneri sunar.

Telefonunuzda bugün kullandığınız hangi uygulamalarda yapay zekâ vardır?

Yaklaşık 5 dakika beyin fırtınası yaptırın.

Yapay Zekânın En Yaygın 4 Alanı

Alan	Kısaltma	Temel Görev
Görüntü İşleme	Computer Vision	Resim ve videoları anlamak.
Doğal Dil İşleme	NLP	İnsan dilini anlamak.
Öneri Sistemleri	Recommendation	Kullanıcıya öneriler sunmak.
Otonom Araçlar	Autonomous AI	Çevreyi algılayıp karar vermek.

2. Görüntü İşleme (Computer Vision)

Computer Vision nedir?

Bilgisayarların kamera veya görüntülerden bilgi elde etmesini sağlayan yapay zekâ alanıdır.

İnsan gözü nasıl nesneleri görüp ayırt ediyorsa bilgisayar da piksel verilerini analiz ederek nesneleri tanır.

Görüntü İşleme Nerelerde Kullanılır?

Uygulama	Açıklama
😀 Yüz Tanıma	Telefon kilidi açma.
📷 Nesne Tanıma	Kameradaki nesneleri belirleme.
📝 OCR	Resimdeki yazıyı metne dönüştürme.
🚦 Trafik Analizi	Araç ve yaya tespiti.
🏥 Tıbbi Görüntüleme	MR, tomografi analizi.

Görüntü Bilgisayar İçin Nedir?

Bir görüntü aslında sayılardan oluşur.

Kavram	Açıklama
Piksel	En küçük görüntü birimi.
RGB	Kırmızı-Yeşil-Mavi renk kanalları.
Çözünürlük	Piksel sayısı.
Gri Tonlama	Tek kanal görüntü.

RGB Mantığı

Bir piksel örneği:

(255,0,0)=Kırmızı(255,0,0)=\text{Kırmızı}(255,0,0)=Kırmızı

(0,255,0)=Yes¸il(0,255,0)=\text{Yeşil}(0,255,0)=Yes¸il

(0,0,255)=Mavi(0,0,255)=\text{Mavi}(0,0,255)=Mavi

Görüntü İşleme Aşamaları

Aşama	Görev
1	Görüntü alma.
2	Ön işleme.
3	Özellik çıkarma.
4	Sınıflandırma.
5	Sonuç üretme.

Fotoğraf → Piksel → Kenarlar → Şekiller → Nesne → Etiket

OpenCV Nedir?

Python'da görüntü işleme için en popüler kütüphanelerden biridir.

Kurulum

Bash

pip install opencv-python

Python Örneği — Resmi Açma

Python

import cv2

resim = cv2.imread("araba.jpg")

cv2.imshow("Resim", resim)

cv2.waitKey(0)
cv2.destroyAllWindows()

Kodun Açıklaması

Fonksiyon	Görevi
imread()	Resmi okur.
imshow()	Ekranda gösterir.
waitKey()	Tuş bekler.

Python Örneği — Gri Tonlama

Python

import cv2

resim = cv2.imread("araba.jpg")

gri = cv2.cvtColor(resim, cv2.COLOR_BGR2GRAY)

cv2.imshow("Gri", gri)
cv2.waitKey(0)

Neden griye çevrilir?

• Daha az veri.

• Daha hızlı işlem.

• Kenar bulma kolaylaşır.

Nesne Tanıma (Object Detection)

Sistem görüntüdeki nesnelerin yerini bulur.

Nesne	Etiket
🚗	Car
🚶	Person
🐶	Dog
🚦	Traffic Light

Günlük Kullanım

• Güvenlik kameraları.

• Otopark sistemi.

• Market kasa sistemi.

• Fabrika kalite kontrol.

OCR (Optical Character Recognition)

Resimdeki yazıyı bilgisayar metne dönüştürür.

Örnek kullanım:

• Kimlik okuma.

• Plaka okuma.

• Fatura okuma.

• Kitap tarama.

Python Kütüphanesi

Bash

pip install pytesseract

Tıbbi Görüntü İşleme

Yapay zekâ;

• Tümör tespiti

• Akciğer hastalıkları

• Kemik kırığı analizi

• Diyabet retinası analizi

gibi alanlarda yardımcı sistem olarak kullanılmaktadır.

Etik Uyarı

AI doktor değildir.

Kararı uzman hekim verir.

Görüntü İşleme Özeti

Teknoloji	Günlük Örnek
Face Recognition	Telefon kilidi.
OCR	Belge tarama.
Object Detection	Trafik kameraları.
Image Classification	Bitki hastalığı tespiti.

Mini Etkinlik 1 — Görüntü İşleme

Aşağıdaki örnekleri hangi teknoloji kullanıyor?

Örnek	Cevap
Google Lens	OCR + Nesne Tanıma
Telefon yüz kilidi	Yüz Tanıma
Plaka okuma sistemi	OCR
Akıllı güvenlik kamerası	Nesne Tanıma

Bölüm Sonu Mini Quiz

1. Computer Vision nedir?

2. Piksel nedir?

3. RGB neyi ifade eder?

4. OCR hangi amaçla kullanılır?

5. OpenCV hangi dilde yaygın kullanılır?

6. Yüz tanıma hangi AI alanıdır?

7. Nesne tespitinde dikdörtgen kutular neyi gösterir?

8. Gri tonlama neden kullanılır?

9. Tıbbi görüntülemede AI ne yapar?

10. AI doktor yerine karar verir mi?

Doğal Dil İşleme (NLP – Natural Language Processing)

NLP, bilgisayarların insanların konuştuğu veya yazdığı dili anlamasını, analiz etmesini ve üretmesini sağlayan yapay zekâ alanıdır.

Bölüm Kazanımları

Bu bölüm sonunda kursiyerler:

• NLP kavramını tanımlar.

• Metin işleme süreçlerini açıklar.

• ChatGPT benzeri sistemlerin temel çalışma mantığını kavrar.

• Duygu analizi, çeviri ve metin sınıflandırmayı örneklerle açıklar.

• Python ile temel NLP uygulamalarını çalıştırabilir.

2.1 NLP Nedir?

İnsan dili bilgisayar için neden zordur?

İnsan dili belirsizliklerle doludur.

Örneğin:

|

Cümle

|

Bilgisayarın Anlaması Gereken

|

| --- | --- |

|

Bugün hava çok sıcak.

|

Hava durumu yorumu

|

|

Çok sıcak biri.

|

İnsan hakkında mecaz anlam

|

|

Telefonum dondu.

|

Teknik sorun

|

|

Dondurma çok güzel.

|

Yiyecek

|

Bilgisayar yalnızca kelimeleri değil bağlamı (context) anlamaya çalışır.

NLP'nin Tanımı

NLP;

• Metni okur.

• Dili analiz eder.

• Anlam çıkarır.

• Gerekirse yeni metin üretir.

NLP Nerelerde Kullanılır?

Uygulama	NLP Görevi
💬 ChatGPT	Metin üretme, soru-cevap.
🌍 Google Translate	Makine çevirisi.
🎙 Siri / Alexa	Ses tanıma ve anlama.
📧 Gmail	Spam tespiti.
😊 Sosyal Medya	Duygu analizi.
📝 Otomatik Özetleme	Uzun metni kısaltma.

2.2 NLP Nasıl Çalışır?

Metinden Anlama Süreci

NLP işlem hattı

Metin önce parçalara ayrılır, sayısal temsillere dönüştürülür ve model bu temsil üzerinden tahmin üretir.

Adım Adım

Adım	Açıklama
1	Metin alınır.
2	Kelimelere ayrılır (Tokenization).
3	Kelimeler sayısal vektörlere dönüştürülür.
4	Model anlam ilişkilerini öğrenir.
5	Cevap veya tahmin üretir.

2.3 Token Nedir?

Tokenization

Bir cümleyi küçük parçalara ayırma işlemidir.

Örnek

Cümle:

Bugün yapay zekâ öğreniyorum.

Tokenlar:

Bugün

yapay

zekâ

öğreniyorum

Model kelimeleri veya kelime parçalarını token olarak işler.

Python ile Tokenization

Python

cumle = "Bugün yapay zekâ öğreniyorum."

tokenlar = cumle.split()

print(tokenlar)

Çıktı:

['Bugün','yapay','zekâ','öğreniyorum']

Kelime Parçalama (Subword Token)

Modern modeller kelimeleri parçalayabilir.

Örneğin:

Öğreniyorum ↓ Öğren iyor um

Bu yöntem bilinmeyen kelimelerle daha iyi çalışmayı sağlar.

Avantajı

• Daha az sözlük.

• Bilinmeyen kelimeleri anlayabilir.

2.4 Embedding Nedir?

Kelimeleri Sayıya Dönüştürmek

Bilgisayar kelimeleri sayı olarak işler.

Örnek

Kelime	Vektör
Öğretmen	$0.22, -0.44, 0.91, ...$
Okul	$0.18, -0.51, 0.88, ...$
Kedi	$0.95, 0.11, -0.32, ...$

Benzer anlamlı kelimelerin vektörleri birbirine yakın olur.

Embedding Uzayı

"Öğretmen" ile "Okul" birbirine yakın.

"Kedi" farklı bölgede.

2.5 Transformer Mimarisi

ChatGPT Nasıl Çalışıyor?

Günümüzde büyük dil modelleri Transformer mimarisini kullanır.

Temel Bileşenler

Bileşen	Görev
Tokenizer	Metni parçalar.
Embedding	Sayısal temsil oluşturur.
Attention	Önemli kelimeleri bulur.
Decoder	Yeni metin üretir.

Attention Mekanizması

Örnek:

Ali kitabı Ayşe'ye verdi çünkü o çok seviyordu.

Model "o" kelimesinin Ali mi Ayşe mi olduğunu bağlamdan tahmin eder.

Attention önemli kelimelere ağırlık verir.

2.6 NLP Görevleri

1. Metin Sınıflandırma

Bir metni kategoriye ayırır.

Örnek kategoriler:

Metin	Kategori
Bugün hava güzel.	Hava Durumu
Fatura ödendi.	Finans
Maç çok heyecanlıydı.	Spor

Python Mini Örneği

Python

metin = "Bugün hava çok güzel."

if "hava" in metin:
    print("Kategori: Hava Durumu")

Bu gerçek AI değildir.

Sadece mantığı göstermektedir.

2.7 Duygu Analizi (Sentiment Analysis)

Bir metindeki duyguyu belirleme işlemidir.

Duygular

Duygu	Örnek
😊 Pozitif	Bu filmi çok beğendim.
😐 Nötr	Film bugün yayınlandı.
😡 Negatif	Film çok kötüydü.

Python ile Basit Duygu Analizi

Python

pozitif = ["güzel","harika","mükemmel"]
negatif = ["kötü","berbat","üzücü"]

metin = input("Yorum: ")

puan = 0

for kelime in pozitif:
    if kelime in metin.lower():
        puan += 1

for kelime in negatif:
    if kelime in metin.lower():
        puan -= 1

if puan > 0:
    print("Pozitif")

elif puan < 0:
    print("Negatif")

else:
    print("Nötr")

Bu örnek kurallıdır.

Gerçek sistemler milyonlarca yorumla eğitilir.

2.8 Makine Çevirisi

NLP'nin en başarılı uygulamalarından biridir.

Çalışma Süreci

Türkçe → İngilizce

İngilizce → Arapça

İngilizce → Fransızca

Kullanım Alanları

• Google Translate

• DeepL

• Microsoft Translator

2.9 Konuşmayı Yazıya Dönüştürme

Ses → Metin

Örnekler:

• YouTube altyazıları.

• WhatsApp sesli mesaj yazıya dönüştürme.

• Telefon diktesi.

Tersi Nasıl Çalışır?

Text-to-Speech

Metin → Ses

Kullanım:

• Siri

• Alexa

• Google Assistant

• Erişilebilirlik uygulamaları

2.10 Chatbotlar

Chatbotlar NLP kullanarak kullanıcıyla konuşur.

Kullanım Alanları

Alan	Örnek
Banka	Hesap sorgulama.
E-Ticaret	Sipariş takibi.
Eğitim	Soru cevap.
Sağlık	Randevu asistanı.

ChatGPT Benzeri Sistem Nasıl Cevap Üretiyor?

Model aslında sıradaki kelimeyi tahmin eder.

Örnek:

Yapay zekâ gelecekte...

Tahmin eder:

• çok

• önemli

• olacak

2.11 Türkçe NLP

Türkçe'nin Zorlukları

Türkçe eklemeli (agglutinative) bir dildir.

Örnek

Ev Evler Evlerden Evlerimizden Evlerimizdekilerden

Tek kökten çok sayıda farklı kelime üretilebilir.

NLP modelleri bu yapıyı öğrenmek zorundadır.

Türkçe NLP Araçları

Kütüphane	Kullanım
Zemberek	Türkçe kök bulma.
spaCy	Dil işleme.
NLTK	Temel NLP.
Transformers	BERT, GPT modelleri.

spaCy Kurulumu

Bash

pip install spacy

İngilizce model:

Bash

python -m spacy download en_core_web_sm

Python Örneği — Kelime Türleri

Python

import spacy

nlp = spacy.load("en_core_web_sm")

doc = nlp("Artificial Intelligence changes education.")

for token in doc:
    print(token.text, token.pos_)

Çıktı örneği:

Kelime	Tür
Artificial	Adjective
Intelligence	Noun
changes	Verb
education	Noun

2.12 Hugging Face Nedir?

Yüzlerce hazır NLP modeli sunar.

Kullanım Alanları

• Çeviri

• Özetleme

• Duygu analizi

• Soru-cevap

• Metin üretimi

Python ile Hazır Duygu Analizi

Python

from transformers import pipeline

analiz = pipeline("sentiment-analysis")

print(analiz("I love artificial intelligence"))

Çıktı

Positive

2.13 NLP Uygulama Alanları

Sektör	Uygulama
Sağlık	Tıbbi rapor analizi.
Eğitim	Akıllı öğretmen asistanı.
Hukuk	Sözleşme özetleme.
Finans	Dolandırıcılık mesaj analizi.
Müşteri Hizmetleri	Canlı chatbot.

2.14 Günlük Hayatta NLP Örnekleri

Uygulama	AI Alanı
WhatsApp mesaj önerisi	NLP
Google Çeviri	NLP
ChatGPT	NLP
YouTube otomatik altyazı	Speech-to-Text
Sesli navigasyon	Text-to-Speech

Laboratuvar Etkinliği (10 Dakika)

Etkinlik Adı: Günlük Yorum Analizi

Görev

Aşağıdaki yorumları Pozitif / Negatif / Nötr olarak sınıflandırın.

Yorum	Sınıf
Bu telefon harika.
Bugün yağmur yağdı.

|

| Ürün çok kötü çıktı. |

|

| Eğitim gerçekten çok faydalıydı. |

|

| Kargo bugün teslim edildi. |

|

Python Mini Lab

Öğrenciler aşağıdaki listeyi analiz etsin.

Python

yorumlar = [
    "Harika bir film.",
    "Çok kötüydü.",
    "Normal bir gündü.",
    "Muhteşem olmuş.",
    "Hiç beğenmedim."
]

Görev

• Pozitif yorum sayısı.

• Negatif yorum sayısı.

• Nötr yorum sayısı.

Sınıf Etkinliği

AI mi? NLP mi?

Aşağıdaki uygulamaları doğru kategoriye yerleştirin.

Uygulama	Kategori
Google Lens
ChatGPT

|

| Netflix önerileri |

|

| Spotify önerileri |

|

| Google Translate |

|

| Siri |

|

Eğitmen Tartışma Soruları

1. ChatGPT gerçekten dili anlıyor mu, yoksa olası kelimeleri mi tahmin ediyor?

2. Makine çevirisi her zaman doğru sonuç verir mi?

3. Duygu analizi ironiyi anlayabilir mi?

4. Türkçe NLP neden İngilizceye göre daha zordur?

5. Bir chatbot ile insan arasındaki fark nedir?

Bölüm Sonu Mini Quiz (10 Soru)

1. NLP'nin açılımı nedir?

2. Tokenization nedir?

3. Embedding neyi ifade eder?

4. Transformer mimarisinde Attention ne yapar?

5. Duygu analizi hangi NLP görevidir?

6. Spam filtreleri hangi AI alanını kullanır?

7. ChatGPT hangi AI alanına örnektir?

8. Speech-to-Text nedir?

9. Türkçe neden NLP açısından zordur?

10. Hugging Face ne amaçla kullanılır?

Bölüm 2 tamamlandı

Doğal Dil İşleme (NLP)

Bu bölüm yaklaşık 12–14 sayfalık öğretmen kılavuzu içeriğine eşdeğerdir ve 25 dakikalık ders süresini kapsar.

Öneri Sistemleri (Recommendation Systems)

Öneri sistemleri, kullanıcıların ilgi alanlarını analiz ederek kişiye özel ürün, film, müzik veya içerik öneren yapay zekâ sistemleridir.

Bölüm Kazanımları

Bu bölüm sonunda kursiyerler:

• Öneri sistemlerinin temel çalışma mantığını açıklar.

• İçerik tabanlı ve işbirlikçi filtreleme arasındaki farkı bilir.

• Kullanıcı davranışlarının önerilere nasıl dönüştüğünü açıklar.

• Python ile basit bir film öneri sistemi oluşturabilir.

• Günlük hayattaki öneri sistemlerini analiz edebilir.

3.1 Öneri Sistemleri Nedir?

Günlük Hayatta Sürekli Karşımıza Çıkan AI

Her gün kullandığımız uygulamaların büyük bölümü öneri sistemleri kullanır.

En Bilinen Örnekler

Platform	Ne Öneriyor?
🎬 Netflix	Film ve diziler.
🎵 Spotify	Müzikler ve podcastler.
📺 YouTube	Videolar.
🛒 Amazon / Trendyol	Ürünler.
📱 TikTok / Instagram	Videolar ve gönderiler.

Neden Öneri Yapılıyor?

Amaç kullanıcıya en ilgili içeriği göstermektir.

3.2 Öneri Sistemi Nasıl Çalışır?

Temel Akış

6

Adım adım öneri akışı

Kullanıcının izlediği, dinlediği veya satın aldığı içerikler modele giriş olur; model benzer içerikleri önerir.

Kullanıcının Bıraktığı İzler

Davranış	AI İçin Veri
İzlediği film	Film tercihi.
Dinlediği müzik	Müzik türü.
Beğendiği video	İlgi alanı.
Arama geçmişi	Merak edilen konular.
Satın aldığı ürün	Alışveriş alışkanlığı.

3.3 Öneri Sistemlerinin Türleri

İki Temel Yaklaşım

Yöntem	Mantık
Content-Based	Kullanıcının sevdiği içeriğe benzeyen içerikleri önerir.
Collaborative Filtering	Benzer kullanıcıların tercihlerini önerir.

3.4 Content-Based Filtering

İçeriğe Göre Önerme

Örneğin kullanıcı bilim kurgu filmleri seviyorsa sistem benzer türleri önerir.

Örnek

İzlenen Film	Önerilen
Interstellar	The Martian
Inception	Tenet
Matrix	Blade Runner

Avantajları

• Kullanıcı geçmişi yeterlidir.

• Yeni kullanıcı için çalışabilir.

Dezavantajları

• Sürekli benzer içerikler önerir.

• Yeni türler keşfetmek zorlaşabilir.

3.5 Collaborative Filtering

Benzer Kullanıcılardan Öğrenme

Aynı zevke sahip kullanıcılar bulunur.

Örnek

Kullanıcı	İzlediği Filmler
Ayşe	Matrix, Interstellar
Ali	Matrix, Interstellar, Dune
Mehmet	Dune, Blade Runner

Sistem Ayşe'ye Dune önerebilir.

Mantık

Benzer kullanıcı → Benzer öneri.

3.6 Netflix Nasıl Film Öneriyor?

Netflix birçok veriyi birlikte değerlendirir.

Kullanılan Veriler

Veri	Neden Önemli?
İzleme süresi	Filmi gerçekten izledi mi?
Durdurduğu yer	Sıkıldı mı?
Beğeni	Memnuniyet.
Tür	Aksiyon, komedi...
Benzer kullanıcılar	Collaborative Filtering.

3.7 Spotify Discover Weekly

Spotify;

• Dinlediğiniz sanatçılar.

• Dinleme süresi.

• Atladığınız şarkılar.

• Benzer kullanıcılar.

gibi verileri analiz eder.

Örnek

Dinlenen Sanatçı	Yeni Öneriler
Sezen Aksu	Levent Yüksel
Yalın	Emre Aydın
Manga	Mor ve Ötesi

3.8 YouTube Öneri Sistemi

YouTube yalnızca izlenen videoya bakmaz.

Değerlendirilen Faktörler

Davranış	Etki
Tıklama	İlgi gösterdi.
İzleme süresi	Beğendi.
Abonelik	İlgili kanal.
Yorum	Etkileşim.
Beğeni	Kalite sinyali.

3.9 Amazon / Trendyol Ürün Önerileri

5

Görülen Öneriler

• Bunları alanlar bunları da aldı.

• Son görüntülediğiniz ürünler.

• İlginizi çekebilir.

Kullanılan Veriler

Veri	Örnek
Sepet	Mouse aldı → Mouse pad öner.
Geçmiş	Laptop baktı → Çanta öner.
Kategori	Elektronik seviyor.

3.10 Benzerlik Hesabı (Similarity)

AI Benzerliği Nasıl Ölçüyor?

En yaygın yöntemlerden biri Cosine Similarity'dir.

Mantık

İki vektör arasındaki açı küçüldükçe benzerlik artar.

Cosine Similarity=A⋅B∣∣A∣∣×∣∣B∣∣\text{Cosine Similarity}=\frac{A\cdot B}{||A||\times||B||}Cosine Similarity=∣∣A∣∣×∣∣B∣∣A⋅B

Görsel Mantık

4

3.11 Python ile Basit Film Önerisi

Film Listesi

Python

filmler = {
    "Interstellar":"Bilim Kurgu",
    "Matrix":"Bilim Kurgu",
    "The Martian":"Bilim Kurgu",
    "Titanic":"Romantik",
    "Notebook":"Romantik",
    "John Wick":"Aksiyon"
}

Kullanıcının Sevdiği Tür

Python

tercih = input("Sevdiğin tür: ")

for film, tur in filmler.items():
    if tur.lower() == tercih.lower():
        print(film)

Çalışma Mantığı

Kullanıcı:

Bilim Kurgu

Çıktı:

Interstellar
Matrix
The Martian

3.12 Python Mini Proje – Film Öneri Sistemi

Python

filmler = [
    {"isim":"Interstellar","tur":"Bilim Kurgu","puan":9.5},
    {"isim":"Matrix","tur":"Bilim Kurgu","puan":9.2},
    {"isim":"Titanic","tur":"Romantik","puan":8.8},
    {"isim":"John Wick","tur":"Aksiyon","puan":9.0},
    {"isim":"The Martian","tur":"Bilim Kurgu","puan":8.9},
]

tur = input("Film türü seçiniz: ")

oneriler = []

for film in filmler:
    if film["tur"].lower() == tur.lower():
        oneriler.append(film)

oneriler = sorted(oneriler,key=lambda x:x["puan"],reverse=True)

for film in oneriler:
    print(film["isim"],film["puan"])

Öğrenci Görevi

Programı geliştirerek;

• Komedi ekleyin.

• Korku ekleyin.

• En yüksek puanlı ilk 3 filmi gösterin.

3.13 Müzik Öneri Sistemi Mini Lab

Veri

Python

muzikler = [
    ("Yalın","Pop"),
    ("Manga","Rock"),
    ("Mor ve Ötesi","Rock"),
    ("Tarkan","Pop"),
    ("Sezen Aksu","Pop"),
    ("Duman","Rock")
]

Görev

Kullanıcı Rock seçerse Rock sanatçılarını listeleyin.

3.14 Haber Öneri Sistemi

Google News;

• Okunan haberler.

• İlgi alanları.

• Konum.

• Dil.

gibi bilgileri kullanabilir.

3.15 Eğitimde Öneri Sistemleri

AI Öğrenciye Ne Önerir?

Davranış	Öneri
Python testinde başarısız.	Python tekrar videosu.
Matematik eksik.	Ek soru seti.
Başarılı.	Daha ileri seviye içerik.

BTK Akademi ve MEB Örneği

Kişiye uygun eğitim önerileri üretilebilir.

3.16 Öneri Sistemlerinin Avantaj ve Riskleri

Avantaj	Risk
İlgi çekici içerik.	Filtre balonu oluşabilir.
Zaman kazandırır.	Yeni içerikler görünmeyebilir.
Kişiselleştirme.	Gizlilik konusu önemlidir.
Satış artışı.	Kullanıcı davranışına aşırı bağımlılık.

• Aynı fikirleri gösteren sistemler toplumu etkiler mi?

• Sürekli benzer içerikler görmek avantaj mı dezavantaj mı?

3.17 Günlük Hayatta AI Örneklerini Sınıflandırma Etkinliği

Grup Çalışması (10 Dakika)

4

Görev

Aşağıdaki uygulamaları uygun AI alanına yerleştirin.

Uygulama	Görüntü İşleme	NLP	Öneri Sistemi	Otonom AI
Google Lens	✅
Netflix			✅
Spotify			✅
ChatGPT		✅
Google Translate		✅
Tesla Otopilot	✅			✅
Telefon Yüz Kilidi	✅
YouTube			✅

Laboratuvar Etkinliği – Mini Tavsiye Motoru

Görev

Bir kitap öneri sistemi yazınız.

Python

kitaplar = [
    {"isim":"Python 101","tur":"Yazılım"},
    {"isim":"Veri Bilimi","tur":"Yazılım"},
    {"isim":"Suç ve Ceza","tur":"Roman"},
    {"isim":"Sefiller","tur":"Roman"},
    {"isim":"Nutuk","tur":"Tarih"},
]

İstenenler

• Kullanıcı tür seçsin.

• Aynı türde kitapları listeleyin.

• Sonra rastgele bir öneri verin.

Eğitmen Uygulaması (Sınıf Oyunu)

AI Dedektifi

Öğrencileri 4 gruba ayırın.

Her grup;

• Bir mobil uygulama seçer.

• Hangi AI alanlarını kullandığını açıklar.

• Kullanılan verileri tahmin eder.

• Gizlilik açısından hangi verilerin işlendiğini tartışır.

Örnek uygulamalar:

• Instagram

• TikTok

• EBA

• Spotify

• Yemeksepeti

• Google Maps

Bölüm Sonu Mini Quiz (10 Soru)

1. Recommendation System nedir?

2. Content-Based Filtering nasıl çalışır?

3. Collaborative Filtering nasıl çalışır?

4. Netflix hangi verileri kullanabilir?

5. Spotify Discover Weekly neyi analiz eder?

6. Cosine Similarity neyi ölçer?

7. Amazon neden benzer ürün önerir?

8. Eğitim platformlarında öneri sistemi ne işe yarar?

9. Filtre balonu nedir?

10. Python'da öneri sistemi geliştirmek için hangi veri yapısı kullanılabilir?

Bölüm 3 Tamamlandı

Bu bölüm yaklaşık 10–12 sayfalık öğretmen kılavuzu içeriğine karşılık gelir ve 20 dakikalık ders anlatımını kapsar.

Otonom Araçlar ve Robotik Yapay Zekâ (Autonomous AI)

Süre: 20 Dakika

Hedef: Katılımcılar otonom araçların ve akıllı robotların kullandığı yapay zekâ teknolojilerini tanır, sensörlerin çalışma mantığını öğrenir ve Python ile temel bir sensör simülasyonu geliştirir.

4. Ana Konu

Otonom Araçlar ve Robotik Yapay Zekâ

Otonom araçlar; çevresini algılayan, yorumlayan ve belirli görevleri insan müdahalesi olmadan yerine getirebilen yapay zekâ destekli sistemlerdir.

Bölüm Kazanımları

Bu bölüm sonunda kursiyerler:

• Otonom araç kavramını açıklar.

• Sensör türlerini tanımlar.

• Kamera, LiDAR ve Radar arasındaki farkları açıklar.

• Sensör füzyonu kavramını öğrenir.

• Robotlarda kullanılan AI teknolojilerini tanır.

• Python ile basit sensör verisi simülasyonu oluşturur.

• Günlük hayattaki AI uygulamalarını sınıflandırabilir.

4.1 Otonom Araç Nedir?

Sürücüsüz Araç Kavramı

Otonom araçlar, çevresini algılayarak direksiyon, gaz ve fren gibi işlemleri belirli koşullarda kendisi gerçekleştirebilen araçlardır.

Günlük Hayattan Örnekler

Araç / Sistem	Kullanım
🚘 Tesla Autopilot	Şerit takibi, adaptif hız.
🚖 Waymo Robotaksi	Sürücüsüz şehir içi ulaşım.
🚗 Mercedes Drive Pilot	Belirli koşullarda otomatik sürüş desteği.
🇹🇷 TOGG ADAS	Sürüş destek sistemleri.

Eğitmen Notu: Otonom sürüş ile sürüş destek sistemlerinin aynı şey olmadığını vurgulayın.

4.2 Otonom Araçlar Çevreyi Nasıl Görüyor?

İnsan Gözü Yerine Sensörler

Bir insan gözleriyle yolu görür; araç ise birçok sensör kullanır.

Araçta Bulunan Temel Sensörler

Sensör	Görevi
📷 Kamera	Yol, tabela, yaya, araç algılar.
📡 LiDAR	3B mesafe haritası oluşturur.
📻 Radar	Hız ve mesafe ölçer.
📏 Ultrasonik	Kısa mesafede engel algılar.
🛰 GPS	Konumu belirler.
🧭 IMU	Hızlanma ve yön değişimini ölçer.

4.3 Kamera ile Görüntü Algılama

Kamera;

• Yol çizgilerini,

• Trafik tabelalarını,

• Yayaları,

• Bisikletleri,

• Araçları algılar.

Bilgisayarlı Görü Örneği

Kamera Nerelerde Kullanılır?

Görev	Örnek
Şerit Takibi	Yol çizgisini izleme.
Tabela Tanıma	Hız limiti okuma.
Yaya Algılama	Yaya geçidinde durma.
Trafik Lambası	Kırmızı ışığı tanıma.

4.4 LiDAR Nedir?

Işık ile Mesafe Ölçme

LiDAR (Light Detection and Ranging)

Lazer ışınları göndererek çevrenin üç boyutlu haritasını çıkarır.

Çalışma Mantığı

Lazer gönderilir.

Yansıyan ışık geri gelir.

Mesafe hesaplanır.

Nokta Bulutu (Point Cloud)

Araç çevresinin 3B modeli oluşur.

4.5 Radar Nedir?

Radyo Dalgaları ile Algılama

Radar;

• Mesafe,

• Hız,

• Hareket yönü

bilgilerini ölçebilir.

Nerede Kullanılır?

Özellik	Radar
Gece	✅
Yağmur	✅
Sis	✅
Hız Ölçme	✅

Adaptif Hız Sabitleyici

Öndeki araç yavaşlarsa hız düşürülür.

4.6 Ultrasonik Sensör

Yakın Mesafe Algılama

Park sensörleri ultrasonik ses dalgaları kullanır.

Kullanım Alanları

Alan	Örnek
Park Asistanı	Engel algılar.
Robot Süpürge	Mobilyaları algılar.
Endüstri	Mesafe ölçümü.

4.7 Sensör Füzyonu (Sensor Fusion)

Tek Sensör Yeterli Değildir

Araç birçok sensörü aynı anda kullanır.

Sensörlerin Birleşmesi

Sensör	Sağladığı Bilgi
Kamera	Görüntü.
LiDAR	3B mesafe.
Radar	Hız.
GPS	Konum.
IMU	Yön.

Sonuç

Daha güvenilir karar.

4.8 Otonom Sürüş Seviyeleri

Uluslararası SAE standardına göre 6 seviye bulunur.

Seviye	Açıklama
0	Sürücü her şeyi yapar.
1	Hız veya direksiyon desteği.
2	Direksiyon + hız desteği.
3	Bazı koşullarda araç sürer.
4	Belirli bölgelerde tamamen otonom.
5	Her ortamda tamamen otonom.

Önemli: Bugün satılan birçok otomobil tam otonom değil, gelişmiş sürüş destek sistemlerine sahiptir.

4.9 Yol Çizgisi Algılama

Kamera görüntüsünden yol çizgileri belirlenir.

İşlem Adımları

1. Görüntü alınır.

2. Gri tonlama.

3. Kenar bulma.

4. Çizgi tespiti.

5. Direksiyon kararı.

Python Mantığı (OpenCV)

Python

import cv2

resim = cv2.imread("yol.jpg")
gri = cv2.cvtColor(resim, cv2.COLOR_BGR2GRAY)

kenarlar = cv2.Canny(gri,50,150)

cv2.imshow("Kenarlar", kenarlar)
cv2.waitKey(0)

Eğitmen Açıklaması

Bu örnek yalnızca yol kenarlarını bulmaktadır.

Gerçek araçlarda derin öğrenme kullanılır.

4.10 Trafik Levhası Tanıma

AI hız limitini okuyabilir.

Tanınabilen Levhalar

Levha	Görev
30 km	Hız limiti.
Dur	Stop.
Yaya Geçidi	Yavaşla.
Dönüş Yasak	Yön değiştirme.

4.11 Yaya ve Bisiklet Algılama

Bilgisayar;

• İnsan,

• Bisiklet,

• Motosiklet,

• Çocuk

gibi nesneleri ayırabilir.

Güvenlik Önemi

Yaya algılanırsa fren sistemi çalışabilir.

4.12 Robotlarda Yapay Zekâ

Akıllı Robotlar

Kullanım Alanları

Robot	AI Kullanımı
Robot Süpürge	Haritalama.
Depo Robotu	Ürün taşıma.
İnsansı Robot	Konuşma ve görme.
Cerrahi Robot	Doktor desteği.

4.13 Drone Teknolojileri

6

AI destekli dronelar;

• Engel algılar.

• Tarla analiz eder.

• Nesne takip eder.

• Haritalama yapar.

Tarımda Drone

Bitki hastalığı tespiti.

Su ihtiyacını belirleme.

Verim analizi.

4.14 Akıllı Şehirlerde AI

Kullanım Alanları

Alan	AI Görevi
Trafik	Yoğunluğu analiz eder.
Enerji	Tüketimi optimize eder.
Güvenlik	Anormal durum algılar.
Toplu Taşıma	Rota planlama.

4.15 Python Mini Lab – Sensör Simülasyonu

Mesafe Sensörü

Python

mesafe = int(input("Mesafe (cm): "))

if mesafe < 20:
    print("Dur!")

elif mesafe < 50:
    print("Yavaşla")

else:
    print("Devam Et")

Çalışma Mantığı

Mesafe	Karar
15 cm	Dur.
30 cm	Yavaşla.
70 cm	Devam et.

4.16 Python Mini Lab – Park Asistanı

Python

sol = int(input("Sol sensör: "))
sag = int(input("Sağ sensör: "))

if sol < sag:
    print("Sağa dön")

elif sag < sol:
    print("Sola dön")

else:
    print("Düz git")

Öğrenci Görevi

• Ön sensör ekleyin.

• Geri sensör ekleyin.

• Sesli uyarı yazdırın.

4.17 Mini Proje – Robot Süpürge Mantığı

Görev

Robot;

• Engel görünce dönsün.

• Pil azalınca şarj istasyonuna dönsün.

• Temizlik tamamlanınca dursun.

Python Taslağı

Python

engel = True
pil = 35

if engel:
    print("Sağa dön")

if pil < 20:
    print("Şarj istasyonuna dön")

4.18 Yapay Zekâ Destekli Robot Türleri

Robot Türü	Görev
Endüstriyel Robot	Üretim.
AMR Robot	Depoda dolaşma.
İnsansı Robot	İletişim.
Cerrahi Robot	Operasyon desteği.
Servis Robotu	Kargo, otel hizmeti.

4.19 Otonom Araçların Avantajları ve Sınırlılıkları

Avantaj	Sınırlılık
Kaza riskini azaltmaya yardımcı olabilir.	Kötü hava koşulları algılamayı zorlaştırabilir.
Trafik akışını iyileştirebilir.	Sensör hataları olabilir.
Yakıt ve enerji tasarrufu sağlayabilir.	Harita güncelliği önemlidir.
Sürücüye destek olur.	Etik ve hukuki sorular vardır.

4.20 Sınıf Etkinliği – Günlük Hayatta AI Sınıflandırma

Grup Çalışması (15 Dakika)

Görev

Aşağıdaki örnekleri uygun AI alanına yerleştirin.

Uygulama	Görüntü İşleme	NLP	Öneri Sistemi	Otonom AI
Google Lens	✅
Telefon Yüz Kilidi	✅
ChatGPT		✅
Google Translate		✅
Netflix			✅
Spotify			✅
YouTube			✅
Robot Süpürge	✅			✅
Tesla Otopilot	✅			✅
Akıllı Drone	✅			✅

Tartışma Soruları

1. Bir uygulama aynı anda birden fazla AI alanı kullanabilir mi?

2. Robot süpürge görüntü işleme mi kullanıyor, sensör mü?

3. Otonom araçlar neden tek sensör kullanmıyor?

Ders Sonu Laboratuvar Projesi

Mini Proje: AI Uygulamalarını Sınıflandır

Amaç

Python ile kullanıcıdan uygulama adı alıp AI alanını söyleyen program yazınız.

Python

uygulamalar = {
    "ChatGPT":"NLP",
    "Google Lens":"Görüntü İşleme",
    "Netflix":"Öneri Sistemi",
    "Spotify":"Öneri Sistemi",
    "Tesla":"Otonom Araç",
    "Robot Süpürge":"Otonom Robot"
}

ad = input("Uygulama adı: ")

print(uygulamalar.get(ad,"Bilinmiyor"))

Geliştirme Görevi

• En az 20 uygulama ekleyin.

• Her uygulamaya kısa açıklama yazdırın.

• Kullanıcı yanlış yazarsa öneri sunun.

Ders 3 Genel Özeti

AI Alanı	Günlük Örnekler
🖼 Görüntü İşleme	Google Lens, yüz tanıma, OCR, tıbbi görüntüleme.
💬 Doğal Dil İşleme	ChatGPT, Siri, Google Translate, spam filtreleri.
⭐ Öneri Sistemleri	Netflix, Spotify, YouTube, Amazon, Trendyol.
🚗 Otonom Araçlar	Tesla, Waymo, robot süpürge, drone, akıllı şehirler.

Ders Sonu Değerlendirme (20 Soruluk Mini Quiz)

1–5: Görüntü İşleme

1. Computer Vision nedir?

2. OCR hangi amaçla kullanılır?

3. Piksel nedir?

4. RGB neyi ifade eder?

5. OpenCV hangi amaçla kullanılır?

6–10: NLP

6. NLP'nin açılımı nedir?

7. Token nedir?

8. Embedding ne işe yarar?

9. Duygu analizi nedir?

10. Transformer mimarisi hangi AI alanında kullanılır?

11–15: Öneri Sistemleri

11. Collaborative Filtering nedir?

12. Content-Based Filtering nedir?

13. Cosine Similarity neyi ölçer?

14. Spotify önerileri hangi AI alanıdır?

15. Netflix kullanıcıdan hangi verileri analiz edebilir?

16–20: Otonom AI

16. LiDAR ne yapar?

17. Radar neyi ölçebilir?

18. Sensor Fusion nedir?

19. Robot süpürge hangi sensörleri kullanabilir?

20. SAE Seviye 5 neyi ifade eder?

Ders 3 Tamamlandı

AI Uygulama Alanları (2 Saat)

Bu ders; Görüntü İşleme, NLP, Öneri Sistemleri ve Otonom Araçlar olmak üzere dört ana yapay zekâ uygulama alanını kapsayan yaklaşık 40–45 sayfalık MEB AEP öğretmen kılavuzu içeriğinin tamamıdır.