ML-For-Beginners/translations/tr

🌐 Çok Dilli Destek

GitHub Action ile Desteklenir (Otomatik ve Her Zaman Güncel)

Arapça | Bengalce | Bulgarca | Birmaca (Myanmar) | Çince (Basitleştirilmiş) | Çince (Geleneksel, Hong Kong) | Çince (Geleneksel, Macau) | Çince (Geleneksel, Tayvan) | Hırvatça | Çekçe | Danca | Hollandaca | Estonca | Fince | Fransızca | Almanca | Yunanca | İbranice | Hintçe | Macarca | Endonezce | İtalyanca | Japonca | Kannada | Korece | Litvanca | Malayca | Malayalamca | Marathi | Nepalce | Nijerya Pidgin | Norveççe | Farsça (Persian) | 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

Yapay Zeka ile Öğrenme (Learn with AI) serimiz Discord üzerinden devam ediyor; daha fazla bilgi edinin ve 18 - 30 Eylül 2025 tarihleri arasında bize katılın: Learn with AI Series. GitHub Copilot'u Veri Bilimi için kullanmaya dair ipuçları ve püf noktaları edineceksiniz.

Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat

🌍 Dünyayı gezerken dünya kültürleri aracılığıyla Makine Öğrenimini keşfedelim 🌍

Microsoft'taki Cloud Advocates ekibi, Makine Öğrenimi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan memnuniyet duyar. Bu müfredatta, esas olarak Scikit-learn kütüphanesini kullanarak ve derin öğrenmeden kaçınarak bazen klasik makine öğrenimi olarak adlandırılan konuları öğreneceksiniz; derin öğrenme, AI for Beginners' curriculum içinde ele alınmaktadır. Bu dersleri aynı zamanda 'Data Science for Beginners' müfredatıyla da eşleştirebilirsiniz.

Bu klasik teknikleri dünyanın birçok bölgesinden gelen veriler üzerinde uygularken bizimle birlikte dünyayı gezin. Her ders, ders öncesi ve sonrası sınavları, derse ilişkin yazılı talimatları, bir çözümü, bir ödevi ve daha fazlasını içerir. Proje tabanlı pedagojimiz, öğrenirken inşa etmenizi sağlar; yeni becerilerin 'kalıcı' olmasını sağlayan kanıtlanmış bir yöntemdir.

✍️ 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 Öğrenci Elçileri yazarlarımıza, değerlendiricilerimize 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 Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya ekstra teşekkürler!

Başlarken

Bu adımları izleyin:

1. Depoyu Forklayın: 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, ayar ve dersleri çalıştırma ile ilgili yaygın sorunlar için Sorun Giderme Kılavuzumuza bakın.

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

• Bir ders öncesi sınavla başlayın.
• Dersi okuyun ve etkinlikleri tamamlayın; her bilgi kontrolünde durup düşünün.
• Çözüm kodunu çalıştırmaktan ziyade dersleri anlayarak projeleri oluşturmaya çalışın; ancak o kod, proje odaklı her dersin /solution klasöründe mevcuttur.
• Ders sonrası sınavı çözün.
• Mücadeleyi tamamlayın.
• Ödevi tamamlayın.
• Bir ders grubunu tamamladıktan sonra, Tartışma Panosu ziyaret edin ve uygun PAT rubriğini doldurarak "yüksek sesle öğrenin". 'PAT', öğreniminizi ilerletmek için doldurduğunuz bir Değerlendirme Ölçeği (Progress Assessment Tool) olan bir rubriktir. Birlikte öğrenebilmemiz için diğer PAT'lara da tepki verebilirsiniz.

Daha ileri çalışmalar için, bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.

Öğretmenler, bu müfredatı nasıl kullanacağınıza dair bazı önerileri ekledik.

---

Video yürütmeleri

Bazı dersler kısa form videolar olarak mevcuttur. Tüm bu videoları derslerin içinde bulabilir veya aşağıdaki resme tıklayarak Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde bulabilirsiniz.

---

Takım ile Tanışın

Gif: Mohit Jaisal

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

---

Pedagoji

Bu müfredatı oluştururken iki pedagojik ilke seçtik: içeriğin uygulamalı ve proje tabanlı olmasını sağlamak ve sık aralıklı sınavlar içermesini temin etmek. Ayrıca, bu müfredatın bir tutarlılık kazandırmak için ortak bir temasi vardır.

İçeriğin projelerle uyumlu olmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artar. Ayrıca, ders öncesi düşük riskli bir sınav öğrencinin bir konu öğrenme niyetini belirlerken, ders sonrası ikinci bir sınav daha fazla kalıcılık sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tümüyle veya kısmen alınabilir. Projeler küçük başlayıp 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca gerçek dünya uygulamalarına dair bir postscript içerir; bu ek kredi olarak ya da tartışma temeli olarak kullanılabilir.

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

Her ders şunları içerir

• isteğe bağlı sketchnote
• isteğe bağlı ek video
• video yürütme (sadece bazı dersler)
• ders öncesi ısınma sınavı
• yazılı ders
• proje tabanlı dersler için, projeyi nasıl inşa edeceğinize dair adım adım rehberler
• bilgi kontrolleri
• bir meydan okuma
• ek okumalar
• 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. Bunlar, bir R Markdown dosyasını temsil eden .rmd uzantısını içerir; R veya diğer dillerdeki code chunks ve çıktıların nasıl biçimlendirileceğini yönlendiren bir YAML header içeren bir Markdown belgesi olarak tanımlanabilir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazım çerçevesi görevi görür. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.

Sınavlar hakkında bir not: Tüm sınavlar Quiz App folder içinde yer almaktadır; toplamda üçer sorudan oluşan 52 sınav vardır. Bunlar derslerden bağlantılıdır, ancak sınav 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 öğreniminin temel kavramlarını öğrenin	Ders	Muhammad
02	Makine öğreniminin tarihi	Giriş	Bu alanın tarihini öğrenin	Ders	Jen and Amy
03	Adalet ve makine öğrenimi	Giriş	Öğrencilerin ML modellerini oluştururken ve uygularken dikkate alması gereken adaletle ilgili önemli felsefi konular nelerdir?	Ders	Tomomi
04	Makine öğrenimi teknikleri	Giriş	ML araştırmacıları ML modelleri oluşturmak için hangi teknikleri kullanır?	Ders	Chris and 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 verileri görselleştirip temizleyin	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regression	Doğrusal ve polinomal regresyon modelleri oluşturun	Python • R	Jen and Dmitry • Eric Wanjau
08	Kuzey Amerika kabak fiyatları 🎃	Regression	Lojistik regresyon modeli oluşturun	Python • R	Jen • Eric Wanjau
09	Bir Web Uygulaması 🔌	Web Uygulaması	Eğitilmiş modelinizi kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Sınıflandırma	Verilerinizi temizleme, hazırlama ve görselleştirme; sınıflandırmaya giriş	Python • R	Jen and Cassie • Eric Wanjau
11	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Sınıflandırıcılara giriş	Python • R	Jen and Cassie • Eric Wanjau
12	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Daha fazla sınıflandırıcı	Python • R	Jen and Cassie • Eric Wanjau
13	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Modelinizi kullanarak bir önerici web uygulaması oluşturun	Python	Jen
14	Kümelemeye giriş	Kümeleme	Verilerinizi temizleme, hazırlama ve görselleştirme; kümelemeye giriş	Python • R	Jen • Eric Wanjau
15	Nijerya'nın müzik zevklerini keşfetme 🎧	Kümeleme	K-Means kümeleme yöntemini keşfedin	Python • R	Jen • Eric Wanjau
16	Doğal dil işlemeye giriş ☕️	Natural language processing	Basit bir bot oluşturarak NLP'nin temellerini öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Natural language processing	Dil yapılarıyla uğraşırken gereken 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	Zaman serileri	Zaman serisi tahminine giriş	Python	Francesca
22	⚡️ Dünya Elektrik Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Zaman serileri	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Elektrik Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Zaman serileri	Destek Vektör Regresörü ile zaman serisi tahmini	Python	Anirban
24	Takviyeli öğrenmeye giriş	Takviyeli öğrenme	Q-Öğrenme ile takviyeli öğrenmeye giriş	Python	Dmitry
25	Peter'ın kurttan kaçmasına yardım et! 🐺	Takviyeli öğrenme	Takviyeli öğrenme için Gym	Python	Dmitry
Sonsöz	Gerçek Dünya ML senaryoları ve uygulamaları	Gerçek Dünyada ML	Klasik ML'in ilginç ve öğretici gerçek dünya uygulamaları	Ders	Ekip
Sonsöz	RAI panosu kullanarak ML'de Model Hata Ayıklama	Gerçek Dünyada ML	Sorumlu AI pano bileşenlerini kullanarak Makine Öğreniminde Model Hata Ayıklama	Ders	Ruth Yakubu

Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu belgeleri Docsify kullanarak çevrimdışı çalıştırabilirsiniz. Bu depoyu fork'layın, yerel makinenize Docsify'i yükleyin ve ardından bu deponun kök klasöründe docsify serve yazın. Web sitesi localhost'unuzda 3000 portundan sunulacaktır: localhost:3000.

PDF'ler

Müfredatın bağlantılı PDF'ini buradan bulun.

🎒 Diğer Kurslar

Ekibimiz başka kurslar da hazırlıyor! Göz atın:

LangChain

---

Azure / Edge / MCP / Agents

---

Üretken Yapay Zeka Serisi

---

Temel Öğrenme

---

Copilot Serisi

Yardım

Eğer takılırsanız veya AI uygulamaları geliştirme konusunda herhangi bir sorunuz olursa. MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Burası soruların memnuniyetle karşılandığı ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur.

Eğer geliştirme sırasında ürünle ilgili geri bildirimde bulunmak veya hatalarla karşılaştıysanız, ziyaret edin:

---

Feragatname: Bu belge, yapay zeka çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstermemize rağmen, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belge, kaynak dilindeki metin olarak yetkili kaynak sayılmalıdır. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumlama nedeniyle sorumluluk kabul etmiyoruz.