ML-For-Beginners/translations/tr

Başlangıç Seviyesi İçin Makine Öğrenimi - Bir Müfredat

🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı dolaşın 🌍

Microsoft'taki Bulut Savunucuları olarak, tamamen Makine Öğrenimi üzerine 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyuyoruz. Bu müfredatta, genellikle klasik makine öğrenimi olarak adlandırılan konuları öğreneceksiniz, ağırlıklı olarak Scikit-learn kütüphanesini kullanarak ve derin öğrenmeyi atlayarak, ki bu konu Başlangıç Seviyesi İçin AI Müfredatımızda ele alınmaktadır. Bu dersleri, 'Başlangıç Seviyesi İçin Veri Bilimi' müfredatımızla birleştirin!

Klasik teknikleri dünyanın farklı bölgelerinden veriler üzerinde uygularken bizimle birlikte dünyayı dolaşın. Her ders, ders öncesi ve sonrası sınavları, dersi tamamlama talimatlarını, bir çözümü, bir ödevi ve daha fazlasını içerir. Proje tabanlı pedagojimiz, yeni becerilerin 'kalıcı' olmasını sağlayan, öğrenirken inşa etmenizi sağlayan kanıtlanmış bir yoldur.

✍️ Yazarlarımıza içten teşekkürler Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd

🎨 İllüstratörlerimize teşekkürler Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Microsoft Öğrenci Elçileri yazarlarımıza, gözden geçirenlerimize ve içerik katkıda bulunanlarımıza özel teşekkürler, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal

🤩 R derslerimiz için Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya ekstra teşekkürler!

Başlarken

Aşağıdaki adımları izleyin:

1. Depoyu Çatallayın: Bu sayfanın sağ üst köşesindeki "Fork" düğmesine tıklayın.
2. Depoyu Klonlayın: git clone https://github.com/microsoft/ML-For-Beginners.git

Bu kurs için ek kaynakların tümünü Microsoft Learn koleksiyonumuzda bulun

Öğrenciler, bu müfredatı kullanmak için, tüm repo'yu kendi GitHub hesabınıza çatallayın ve alıştırmaları kendi başınıza veya bir grup ile tamamlayın:

• Ders öncesi sınavla başlayın.
• Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
• Çözüm kodunu çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak bu kod her proje odaklı derste /solution klasörlerinde mevcuttur.
• Ders sonrası sınavı yapın.
• Meydan okumayı tamamlayın.
• Ödevi tamamlayın.
• Bir ders grubunu tamamladıktan sonra, Tartışma Panosu ziyaret edin ve uygun PAT rubriğini doldurarak "yüksek sesle öğrenin". Bir 'PAT', öğrenmenizi daha da ilerletmek için doldurduğunuz bir rubriktir. Ayrıca diğer PAT'lere de tepki verebilirsiniz, böylece birlikte öğrenebiliriz.

Daha fazla çalışma için, bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.

Öğretmenler, bu müfredatı nasıl kullanacağınıza dair bazı öneriler ekledik.

---

Video Yürüyüşleri

Bazı dersler kısa video formatında mevcuttur. Tüm bu videoları derslerin içinde veya Microsoft Developer YouTube kanalındaki Başlangıç Seviyesi İçin ML oynatma listesinde bulabilirsiniz, aşağıdaki resme tıklayarak.

---

Ekibi Tanıyın

Gif by Mohit Jaisal

🎥 Proje ve projeyi oluşturan kişiler hakkında bir video için yukarıdaki resme tıklayın!

---

Pedagoji

Bu müfredatı oluştururken iki pedagojik ilkeyi seçtik: elverişli ve proje tabanlı olmasını ve sık sınavlar içermesini sağlamak. Ayrıca, bu müfredatın uyumlu bir temaya sahip olmasını sağladık.

İçeriğin projelerle uyumlu olmasını sağlayarak, süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, bir ders öncesinde düşük riskli bir sınav, öğrencinin bir konuyu öğrenmeye yönelik niyetini belirlerken, ders sonrası ikinci bir sınav daha fazla kalıcılığı sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamı veya kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca, ekstra kredi veya tartışma temeli olarak kullanılabilecek ML'nin gerçek dünya uygulamaları üzerine bir ek içerir.

Davranış Kuralları, Katkıda Bulunma ve Çeviri yönergelerimizi bulun. Yapıcı geri bildiriminizi bekliyoruz!

Her Ders İçerir

• isteğe bağlı sketchnote
• isteğe bağlı ek video
• video yürüyüşü (bazı derslerde)
• ders öncesi ısınma sınavı
• yazılı ders
• proje tabanlı dersler için, projeyi nasıl oluşturacağınızla ilgili adım adım kılavuzlar
• bilgi kontrolleri
• bir meydan okuma
• ek okuma
• ödev
• ders sonrası sınav

Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidin ve R derslerini arayın. Bu dersler, bir R Markdown dosyasını temsil eden .rmd uzantısına sahiptir ve bu dosya, code chunks (R veya diğer dillerin) ve YAML header (PDF gibi çıktıları nasıl biçimlendireceğinizi yönlendiren) bir Markdown document içinde yerleştirilmiş bir şekilde basitçe tanımlanabilir. Bu nedenle, veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder, çünkü kodunuzu, çıktısını ve düşüncelerinizi birleştirmenize olanak tanır ve bunları Markdown ile yazmanıza olanak tanır. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.

Sınavlar hakkında bir not: Tüm sınavlar Quiz App klasöründe yer alır, her biri üç sorudan oluşan toplam 52 sınav. Derslerden bağlantılıdır, ancak quiz uygulaması yerel olarak çalıştırılabilir; yerel olarak barındırmak veya Azure'a dağıtmak için quiz-app klasöründeki talimatları izleyin.

Ders Numarası	Konu	Ders Grubu	Öğrenme Hedefleri	Bağlantılı Ders	Yazar
01	Makine öğrenimine giriş	Giriş	Makine öğrenimi ile ilgili temel kavramları öğrenin	Ders	Muhammad
02	Makine öğreniminin tarihi	Giriş	Bu alanın altındaki tarihi öğrenin	Ders	Jen ve Amy
03	Adalet ve makine öğrenimi	Giriş	Öğrencilerin ML modellerini oluştururken ve uygularken dikkate alması gereken önemli felsefi konular nelerdir?	Ders	Tomomi
04	Makine öğrenimi teknikleri	Introduction	ML araştırmacıları ML modelleri oluşturmak için hangi teknikleri kullanıyor?	Lesson	Chris ve Jen
05	Regresyona giriş	Regression	Regresyon modelleri için Python ve Scikit-learn ile başlayın	Python R	Jen Eric Wanjau
06	Kuzey Amerika kabak fiyatları 🎃	Regression	ML için hazırlık olarak verileri görselleştirin ve temizleyin	Python R	Jen Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regression	Doğrusal ve polinom regresyon modelleri oluşturun	Python R	Jen ve Dmitry Eric Wanjau
08	Kuzey Amerika kabak fiyatları 🎃	Regression	Lojistik regresyon modeli oluşturun	Python R	Jen Eric Wanjau
09	Bir Web Uygulaması 🔌	Web App	Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Classification	Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş	Python R	Jen ve Cassie Eric Wanjau
11	Lezzetli Asya ve Hint mutfakları 🍜	Classification	Sınıflandırıcılarla tanışın	Python R	Jen ve Cassie Eric Wanjau
12	Lezzetli Asya ve Hint mutfakları 🍜	Classification	Daha fazla sınıflandırıcı	Python R	Jen ve Cassie Eric Wanjau
13	Lezzetli Asya ve Hint mutfakları 🍜	Classification	Modelinizi kullanarak bir öneri web uygulaması oluşturun	Python	Jen
14	Kümelemeye giriş	Clustering	Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş	Python R	Jen Eric Wanjau
15	Nijeryalı Müzik Zevklerini Keşfetmek 🎧	Clustering	K-Means kümeleme yöntemini keşfedin	Python R	Jen Eric Wanjau
16	Doğal Dil İşlemeye Giriş ☕️	Natural language processing	Basit bir bot oluşturarak NLP hakkında temel bilgileri öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Natural language processing	Dil yapılarıyla uğraşırken gerekli olan yaygın görevleri anlayarak NLP bilginizi derinleştirin	Python	Stephen
18	Çeviri ve Duygu Analizi ♥️	Natural language processing	Jane Austen ile çeviri ve duygu analizi	Python	Stephen
19	Avrupa'nın Romantik Otelleri ♥️	Natural language processing	Otel yorumlarıyla duygu analizi 1	Python	Stephen
20	Avrupa'nın Romantik Otelleri ♥️	Natural language processing	Otel yorumlarıyla duygu analizi 2	Python	Stephen
21	Zaman Serisi Tahminine Giriş	Time series	Zaman serisi tahminine giriş	Python	Francesca
22	⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Time series	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Time series	Destek Vektör Regresörü ile zaman serisi tahmini	Python	Anirban
24	Pekiştirmeli Öğrenmeye Giriş	Reinforcement learning	Q-Learning ile pekiştirmeli öğrenmeye giriş	Python	Dmitry
25	Peter'ın kurttan kaçmasına yardım edin! 🐺	Reinforcement learning	Pekiştirmeli öğrenme Gym	Python	Dmitry
Postscript	Gerçek Dünya ML Senaryoları ve Uygulamaları	ML in the Wild	Klasik ML'nin ilginç ve açıklayıcı gerçek dünya uygulamaları	Lesson	Team
Postscript	RAI gösterge tablosunu kullanarak ML'de Model Hatalarını Ayıklama	ML in the Wild	Sorumlu AI gösterge tablosu bileşenlerini kullanarak Makine Öğreniminde Model Hatalarını Ayıklama	Lesson	Ruth Yakubu

bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dokümantasyonu Docsify kullanarak çevrimdışı çalıştırabilirsiniz. Bu repoyu fork'layın, Docsify'i yükleyin yerel makinenize ve ardından bu reponun kök klasöründe docsify serve yazın. Web sitesi localhost'unuzda 3000 portunda sunulacaktır: localhost:3000.

PDF'ler

Müfredatın PDF dosyasını bağlantılarla buradan bulabilirsiniz.

Yardım İstendi

Bir çeviri katkısında bulunmak ister misiniz? Lütfen çeviri yönergelerimizi okuyun ve iş yükünü yönetmek için şablonlu bir sorun ekleyin buradan.

Diğer Müfredatlar

Ekibimiz başka müfredatlar da üretiyor! Göz atın:

• AI for Beginners
• Data Science for Beginners
• Yeni Sürüm 2.0 - Generative AI for Beginners
• YENİ Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• Machine Learning for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for AI Paired Programming

Feragatname: Bu belge, makine tabanlı yapay zeka çeviri hizmetleri kullanılarak çevrilmiştir. Doğruluğu sağlamak için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belgenin kendi dilindeki hali, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilmektedir. Bu çevirinin kullanımından kaynaklanan yanlış anlama veya yanlış yorumlamalardan sorumlu değiliz.