ML-For-Beginners/translations/tr

🌐 Çok Dilli Destek

GitHub Action ile Desteklenir (Otomatik & Her Zaman Güncel)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Yerel olarak klonlamayı mı tercih edersiniz?

Bu depo 50’den fazla dil çevirisi içeriyor ve bu da indirme boyutunu önemli ölçüde artırır. Çeviriler olmadan klonlamak için sparse checkout kullanın:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Bu, kursu tamamlamak için ihtiyacınız olan her şeyi çok daha hızlı bir indirme ile size sunar.

Topluluğumuza Katılın

Bizim Discord'da AI ile öğrenme serimiz devam ediyor, daha fazlasını öğrenmek ve katılmak için Learn with AI Series adresine 18 - 30 Eylül 2025 tarihleri arasında gelen davetimizi kabul edin. GitHub Copilot’u Veri Bilimi için kullanırken ipuçları ve püf noktaları edineceksiniz.

Başlangıç Seviyesi Makine Öğrenimi - Müfredat

🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünya turuna çıkın 🌍

Microsoft’taki Cloud Advocates, tamamı Makine Öğrenimi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan memnuniyet duyuyor. Bu müfredatta, çoğunlukla Scikit-learn kütüphanesi kullanılarak ve derin öğrenmeden (bu, bizim AI for Beginners müfredatımızda ele alınıyor) kaçınılarak bazen klasik makine öğrenimi olarak adlandırılan şeyleri öğrenirsiniz. Bu dersleri bizim 'Başlangıç Seviyesi Veri Bilimi müfredatımızla' da eşleştirin!

Bu klasik teknikleri, dünyanın birçok bölgesinden veri üzerinde uygularken bizimle beraber seyahat edin. Her ders öncesinde ve sonrasında sınavlar, tamamlamanız için yazılı talimatlar, çözüm, bir görev ve daha fazlası bulunur. Proje temelli pedagojimiz, yeni becerilerin 'yerleşmesi' için kanıtlanmış bir yöntem olan yaparak öğrenmenizi sağlar.

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

🎨 Teşekkürler ayrıca illüstratörlerimize Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Özel teşekkürlerimiz 🙏 Microsoft Öğrenci Elçileri yazarlarımıza, gözden geçirenlere ve içerik katkılarımıza, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal

🤩 Ek teşekkürlerimiz Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta’ya R derslerimiz için!

Başlarken

Bu adımları izleyin:

1. Depoyu çatallayın (Fork): Bu sayfanın sağ üst köşesindeki "Fork" düğmesine tıklayın.
2. Depoyu kopyalayın (Clone): git clone https://github.com/microsoft/ML-For-Beginners.git

Bu kursla ilgili tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

🔧 Yardıma mı ihtiyacınız var? Kurulum, ayar ve ders çalıştırma ile ilgili sık karşılaşılan sorunlar için Sorun Giderme Rehberi sayfamıza bakın.

Öğrenciler, bu müfredatı kullanmak için, tüm depoyu kendi GitHub hesabınıza fork edin ve alıştırmaları kendi başınıza veya bir grupla tamamlayın:

• Ders öncesi sınavla başlayın.
• Dersi okuyun ve etkinlikleri tamamlayın, her bilgi kontrolünde duraklayıp düşünün.
• Projeleri, çözüm kodunu çalıştırmak yerine dersleri anlayarak oluşturmaya çalışın; ancak bu kod her proje odaklı derste /solution klasörlerinde mevcuttur.
• Ders sonrası sınava girin.
• Meydan okumayı tamamlayın.
• Ödevi tamamlayın.
• Bir ders grubunu tamamladıktan sonra Tartışma Panosu sayfasına gidin ve uygun PAT derecelendirmesini doldurarak "yüksek sesle öğrenin". 'PAT', öğrenmenizi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracıdır. Başka PAT’lere de tepki verebilirsiniz, böylece birlikte öğrenebiliriz.

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

Öğretmenler, bu müfredatı nasıl kullanacağınıza dair bazı öneriler sunduk.

---

Video anlatımları

Bazı dersler kısa video formatında mevcuttur. Bu videoları derslerin içinde ya da Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde aşağıdaki resme tıklayarak bulabilirsiniz.

---

Ekibi Tanıyın

Gif yapan Mohit Jaisal

🎥 Proje ve onu yaratan kişiler hakkında bir video için yukarıdaki resme tıklayın!

---

Pedagoji

Bu müfredatı oluştururken iki pedagojik ilke seçtik: öğrencinin doğrudan uygulayabileceği proje tabanlı olmasını ve sık aralıklarla sınavlar içermesini sağlamak. Ayrıca, birleştirici olması için ortak bir tema içeriyor.

İçeriğin projelerle hizalanmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların akılda kalıcılığı artırılır. Ayrıca, sınıf öncesi düşük riskli bir sınav öğrencinin öğrenme niyetini belirlerken, ders sonrası ikinci sınav öğrenmenin devamlılığını sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlandı, tamamı ya da parça parça alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Müfredatta gerçek dünyada ML uygulamaları hakkında bir sonraki bölüm de vardır, bu ek kredi veya tartışma temeli olarak kullanılabilir.

Davranış Kuralları, Katkıda Bulunma, Çeviri ve Sorun Giderme yönergelerimizi bulun. Yapıcı geri bildirimlerinize açığız!

Her derste şunlar bulunur

• isteğe bağlı eskiz notu
• isteğe bağlı destekleyici video
• video anlatım (sadece bazı derslerde)
• ders öncesi ısınma sınavı
• yazılı ders
• proje tabanlı derslerde, proje oluşturma adım adım kılavuzu
• bilgi kontrolleri
• bir meydan okuma
• destekleyici okumalar
• ödev
• ders sonrası sınav

Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidip R derslerine bakın. Bunlar .rmd uzantılıdır ve R Markdown dosyasını temsil eder. Bu, kod parçacıklarının (R veya diğer dillerde) ve YAML başlığının (PDF gibi çıktıların nasıl biçimlendirileceğini yönlendiren) Markdown belgesi içine gömülmesi olarak basitçe tanımlanabilir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown’da yazmanıza izin vererek veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir. Quizler hakkında bir not: Tüm quizler, her biri üç sorudan oluşan toplam 52 quiz için Quiz App klasöründe bulunmaktadır. Derslerin içinde bağlantılıdırlar ancak quiz uygulaması yerel olarak çalıştırılabilir; quiz-app klasöründeki talimatları izleyerek yerel olarak barındırabilir veya Azure'a dağıtabilirsiniz.

Ders Numarası	Konu	Ders Grubu	Öğrenme Hedefleri	Bağlantılı Ders	Yazar
01	Makine öğrenimine giriş	Giriş	Makine öğreniminin temel kavramlarını öğrenin	Ders	Muhammad
02	Makine öğreniminin tarihi	Giriş	Bu alanın tarihçesini öğrenin	Ders	Jen ve Amy
03	Adalet ve makine öğrenimi	Giriş	ML modelleri oluştururken ve uygularken öğrencilerin göz önünde bulundurması gereken önemli felsefi adalet konuları nelerdir?	Ders	Tomomi
04	Makine öğrenimi teknikleri	Giriş	Makine öğrenimi araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir?	Ders	Chris ve Jen
05	Regresyona giriş	Regresyon	Regresyon modelleri için Python ve Scikit-learn ile başlayın	Python • R	Jen • Eric Wanjau
06	Kuzey Amerika kabak fiyatları 🎃	Regresyon	ML için veri görselleştirme ve temizleme	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Doğrusal ve polinom regresyon modelleri kurun	Python • R	Jen ve Dmitry • Eric Wanjau
08	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Lojistik regresyon modeli kurun	Python • R	Jen • Eric Wanjau
09	Bir Web Uygulaması 🔌	Web App	Eğitilmiş modelinizi kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Sınıflandırma	Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş	Python • R	Jen ve Cassie • Eric Wanjau
11	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Sınıflandırıcılara giriş	Python • R	Jen ve Cassie • Eric Wanjau
12	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Daha fazla sınıflandırıcı	Python • R	Jen ve Cassie • Eric Wanjau
13	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Modelinizi kullanarak bir öneri web uygulaması oluşturun	Python	Jen
14	Kümelemeye giriş	Kümeleme	Verilerinizi temizleyin, hazırlayın ve görselleştirin; Kümelemeye giriş	Python • R	Jen • Eric Wanjau
15	Nijerya Müzik Zevklerini Keşfetmek 🎧	Kümeleme	K-Ortalamalar kümeleme yöntemini keşfedin	Python • R	Jen • Eric Wanjau
16	Doğal dil işlemesine giriş ☕️	Doğal dil işleme	Basit bir bot oluşturarak NLP'nin temellerini öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Doğal dil işleme	Dil yapılarını kullanırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin	Python	Stephen
18	Çeviri ve duygu analizi ♥️	Doğal dil işleme	Jane Austen ile çeviri ve duygu analizi	Python	Stephen
19	Avrupa'nın romantik otelleri ♥️	Doğal dil işleme	Otel yorumlarıyla duygu analizi 1	Python	Stephen
20	Avrupa'nın romantik otelleri ♥️	Doğal dil işleme	Otel yorumlarıyla duygu analizi 2	Python	Stephen
21	Zaman serileri tahminine giriş	Zaman serisi	Zaman serileri tahminine giriş	Python	Francesca
22	⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serileri tahmini	Zaman serisi	ARIMA ile zaman serileri tahmini	Python	Francesca
23	⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serileri tahmini	Zaman serisi	Destek Vektör Regresörü ile zaman serileri tahmini	Python	Anirban
24	Pekiştirmeli öğrenmeye giriş	Pekiştirmeli öğrenme	Q-Öğrenme ile pekiştirmeli öğrenmeye giriş	Python	Dmitry
25	Peter'ın kurttan kaçmasına yardım et! 🐺	Pekiştirmeli öğrenme	Pekiştirmeli öğrenme Gym	Python	Dmitry
Son söz	Gerçek dünya ML senaryoları ve uygulamaları	Vahşi ML	Klasik makine öğreniminin ilginç ve açıklayıcı gerçek dünya uygulamaları	Ders	Ekip
Son söz	Sorumlu AI pano bileşenleri kullanarak ML model hata ayıklama	Vahşi ML	Sorumlu AI pano bileşenlerini kullanarak Makine Öğrenimi Model Hata Ayıklama	Ders	Ruth Yakubu

Bu kursun tüm ek kaynaklarını Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dokümantasyonu çevrimdışı kullanmak için Docsify kullanabilirsiniz. Bu repoyu fork edin, yerel makinenize Docsify yükleyin ve ardından bu repodaki kök klasörde docsify serve yazın. Web sitesi, localhost:3000 adresinde 3000 portunda sunulacaktır: localhost:3000.

PDF'ler

Köprüler içeren müfredatın pdf'sini buradan bulun.

🎒 Diğer Kurslar

Ekibimiz başka kurslar üretiyor! Göz atın:

LangChain

---

Azure / Edge / MCP / Ajanlar

---

Üretken AI Serisi

---

Temel Öğrenim

---

Copilot Serisi

Yardım Almak

Yapay zeka uygulamaları geliştirirken takılırsanız veya herhangi bir sorunuz olursa, diğer öğrenenler ve deneyimli geliştiricilerle MCP hakkında tartışmalara katılın. Soruların hoş karşılandığı ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur.

Ürün geri bildirimi veya uygulama geliştirme sırasında hatalar için ziyaret edin:

---

Feragatname: Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba gösterilse de, otomatik çevirilerin hata veya yanlış anlamalar içerebileceğini lütfen unutmayınız. Orijinal belge, kendi yerel dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu oluşabilecek yanlış anlamalar veya yanlış yorumlamalardan sorumluluk kabul edilmemektedir.