ML-For-Beginners/translations/tr

🌐 Çok Dilli Destek

GitHub Action ile desteklenir (Otomatik ve Her Zaman Güncel)

Arapça | Bengalce | Bulgarca | Birmence (Myanmar) | Çince (Basitleştirilmiş) | Çince (Geleneksel, Hong Kong) | Çince (Geleneksel, Makao) | Çince (Geleneksel, Tayvan) | Hırvatça | Çekçe | Danca | Flemenkçe | Estonca | Fince | Fransızca | Almanca | Yunanca | İbranice | Hintçe | Macarca | Endonezce | İtalyanca | Japonca | Kannada | Korece | Litvanca | Malayca | Malayalam | Marathi | Nepalce | Nijerya Pidgincesi | Norveççe | Farsça (Farsi) | Lehçe | Portekizce (Brezilya) | Portekizce (Portekiz) | Pencapça (Gurmukhi) | Romence | Rusça | Sırpça (Kiril) | Slovakça | Slovence | İspanyolca | Svahili | İsveççe | Tagalog (Filipince) | Tamilce | Telugu | Tayca | Türkçe | Ukraynaca | Urduca | Vietnamca

Topluluğumuza Katılın

Discord üzerinde devam eden bir AI ile öğrenme serimiz var; daha fazlasını öğrenin ve 18 - 30 September, 2025 tarihlerinde bize katılın: AI ile Öğrenme Serisi. Veri Bilimi için GitHub Copilot kullanımıyla ilgili ipuçları ve püf noktaları alacaksınız.

Başlangıç İçin Makine Öğrenimi - Bir Müfredat

🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünya çapında seyahat edin 🌍

Microsoft Bulut Savunucuları, Makine Öğrenimi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan memnuniyet duyar. Bu müfredatta, genellikle bir kütüphane olarak Scikit-learn kullanılarak ve derin öğrenmeden kaçınılarak bazen "klasik makine öğrenimi" olarak adlandırılan konuları öğreneceksiniz; derin öğrenme, AI for Beginners' curriculum içinde ele alınmıştır. Bu dersleri ayrıca 'Data Science for Beginners' curriculum ile eşleştirin!

Bu klasik teknikleri dünyanın birçok bölgesinden gelen veriler üzerinde uygularken bizimle dünyayı gezin. Her ders öncesi ve sonrası kısa sınavlar, dersin tamamlanması için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlasını içerir. Proje tabanlı pedagojimiz, oluştururken öğrenmenizi sağlar; yeni becerilerin 'kalıcı' olmasını 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 de teşekkürler Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Özel teşekkürler 🙏 Microsoft Student Ambassador yazarlarımıza, inceleyicilerimize ve içerik katkıda bulunanlarımıza, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal

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

Başlarken

Bu adımları izleyin:

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

Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

🔧 Yardıma mı ihtiyacınız var? Kurulum, yapılandırma ve dersleri çalıştırmayla ilgili yaygın sorunlar için Sorun Giderme Rehberimizi kontrol edin.

Öğrenciler, bu müfredatı kullanmak için tüm repo'yu kendi GitHub hesabınıza fork'layın ve alıştırmaları kendi başınıza veya bir grupla tamamlayın:

• Ders öncesi kısa sınavla başlayın.
• Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
• Çözüm kodunu çalıştırmaktan ziyade dersleri anlayarak projeleri oluşturmaya çalışın; ancak bu kod her proje odaklı dersin /solution klasöründe mevcuttur.
• Ders sonrası kısa sınavı yapın.
• Meydan okumayı tamamlayın.
• Ödevi tamamlayın.
• Bir ders grubunu tamamladıktan sonra Tartışma Panosu'nu ziyaret edin ve uygun PAT değerlendirme formunu doldurarak "yüksek sesle öğrenin". 'PAT', öğreniminizi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracı (Progress Assessment Tool) olan bir derecelendirme formudur. Birlikte öğrenebilmemiz için diğer PAT'lere de tepki verebilirsiniz.

İleri çalışma için bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.

Öğretmenler, bu müfredatı nasıl kullanacağınıza dair bazı önerileri içeriyoruz.

---

Video anlatımları

Bazı dersler kısa format video olarak mevcuttur. Bunların tamamını derslerin içinde bulabilirsiniz ya da aşağıdaki görseli tıklayarak Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde izleyebilirsiniz.

---

Ekiple Tanışın

Gif tarafından Mohit Jaisal

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

---

Pedagoji

Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı ve proje tabanlı olmasını sağlamak ve içinde sık sık kısa sınavlar bulundurmak. Ayrıca, bu müfredatın bütünlüğünü sağlamak için ortak bir tema içerir.

İçeriğin projelerle hizalanmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, sınıftan önce yapılan düşük riskli bir sınav öğrencinin bir konuya yönelik niyetini belirlerken, sınıftan sonra yapılan ikinci bir sınav ek kalıcılık sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamını veya bir kısmını alabilirsiniz. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca gerçek dünya ML uygulamaları hakkında bir sonuç bölümü içerir; bu, ekstra kredi olarak veya tartışma temeli olarak kullanılabilir.

Davranış Kuralları, Katkıda Bulunma, Çeviri ve Sorun Giderme yönergelerimizi bulun: Davranış Kuralları, Katkıda Bulunma, Çeviri ve Sorun Giderme. Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz!

Her ders içerir

• isteğe bağlı sketchnote
• isteğe bağlı ek video
• video anlatımı (sadece bazı dersler)
• Derse öncesi ısınma sınavı
• yazılı ders
• proje tabanlı dersler için, projeyi nasıl oluşturacağınıza dair adım adım rehberler
• bilgi kontrolleri
• bir meydan okuma
• ek okuma
• ödev
• Ders sonrası kısa sınav

Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R olarak da mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidin ve R derslerini arayın. Bunlar .rmd uzantısı içerir; bu uzantı, R Markdown dosyasını temsil eder ve basitçe kod parçacıkları (R veya diğer dillerden) ve YAML başlığı (PDF gibi çıktıları nasıl biçimlendireceğinizi yönlendiren) içeren bir Markdown belgesi olarak tanımlanabilir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.

Quiz'ler hakkında bir not: Tüm sınavlar Quiz Uygulaması klasöründe bulunur; toplam 52 sınav, her biri üç sorudan oluşmaktadır. Bunlar derslerin içinden bağlantılanmıştır ancak quiz uygulaması yerel olarak çalıştırılabilir; yerel olarak barındırmak veya Azure'a dağıtmak için quiz-app klasöründeki talimatları izleyin.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Makine öğrenimine giriş	Giriş	Makine öğreniminin temel kavramlarını öğrenin	Ders	Muhammad
02	Makine öğreniminin tarihi	Giriş	Bu alanın tarihini öğrenin	Ders	Jen and Amy
03	Adillik ve makine öğrenimi	Giriş	Makine öğrenimi modelleri oluşturup uygularken öğrencilerin dikkate alması gereken adillik etrafındaki önemli felsefi konular nelerdir?	Ders	Tomomi
04	Makine öğrenimi teknikleri	Giriş	ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir?	Ders	Chris and 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	Makine öğrenimi için veri hazırlığı kapsamında verileri görselleştirin ve temizleyin	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Doğrusal ve polinomsal regresyon modelleri oluşturun	Python • R	Jen and Dmitry • Eric Wanjau
08	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Lojistik regresyon modeli oluşturun	Python • R	Jen • Eric Wanjau
09	Bir Web Uygulaması 🔌	Web Uygulaması	Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Sınıflandırma	Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş	Python • R	Jen and Cassie • Eric Wanjau
11	Lezzetli Asya ve Hint mutfağı 🍜	Sınıflandırma	Sınıflandırıcılara giriş	Python • R	Jen and Cassie • Eric Wanjau
12	Lezzetli Asya ve Hint mutfağı 🍜	Sınıflandırma	Daha fazla sınıflandırıcı	Python • R	Jen and Cassie • Eric Wanjau
13	Lezzetli Asya ve Hint mutfağı 🍜	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 Keşfetme 🎧	Kümeleme	K-Means kümeleme yöntemini keşfedin	Python • R	Jen • Eric Wanjau
16	Doğal dil işlemeye giriş ☕️	Doğal dil işleme	Basit bir bot oluşturarak doğal dil işleme (NLP) hakkında temel bilgileri öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Doğal dil işleme	Dil yapılarını ele alırken 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 yorumları ile duygu analizi 1	Python	Stephen
20	Avrupa'nın romantik otelleri ♥️	Doğal dil işleme	Otel yorumları ile duygu analizi 2	Python	Stephen
21	Zaman serisi tahminine giriş	Zaman serileri	Zaman serisi tahminine giriş	Python	Francesca
22	⚡️ Dünya Enerji Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Zaman serileri	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Enerji Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Zaman serileri	Destek Vektör Regresörü ile zaman serisi 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
Dipnot	Gerçek Dünyada ML senaryoları ve uygulamaları	ML in the Wild	Klasik ML'nin ilginç ve öğretici gerçek dünya uygulamaları	Ders	Takım
Dipnot	RAI panosu kullanarak ML'de model hata ayıklama	ML in the Wild	Responsible AI panosu bileşenlerini kullanarak Makine Öğreniminde model hata ayıklama	Ders	Ruth Yakubu

Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dökümantasyonu çevrimdışı olarak Docsify kullanarak çalıştırabilirsiniz. Bu depoyu fork edin, yerel makinenize Docsify yükleyin ve ardından bu deponun kök klasöründe docsify serve yazın. Web sitesi localhost'ınızda 3000 portundan sunulacaktır: localhost:3000.

PDF'ler

Müfredatın bağlantılarıyla birlikte PDF'ini burada bulabilirsiniz.

🎒 Diğer Kurslar

Ekibimiz başka kurslar da üretiyor! Göz atın:

LangChain

---

Azure / Edge / MCP / Ajanlar

---

Üretken Yapay Zeka Serisi

---

Temel Öğrenme

---

Copilot Serisi

Yardım

If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.

Eğer ürünle ilgili geri bildirimleriniz veya geliştirme sırasında karşılaştığınız hatalar varsa ziyaret edin:

---

Feragatname: Bu belge, yapay zeka çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluğu sağlamaya çalışsak da, otomatik çevirilerin hatalar veya eksiklikler içerebileceğini lütfen unutmayın. Belgenin orijinal dilindeki sürümü yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi tavsiye edilir. Bu çevirinin kullanımı sonucunda ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumdan sorumlu değiliz.