ML-For-Beginners/translations/tr

🌐 Çoklu Dil Desteği

GitHub Action ile Destekleniyor (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, indirme boyutunu önemli ölçüde artıran 50'den fazla dil çevirisi içerir. Çeviriler olmadan klonlamak için seyrek kontrolü (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 tamamlamanız için ihtiyacınız olan her şeyi çok daha hızlı bir indirme ile sağlar.

Topluluğumuza Katılın

Yapay Zeka ile öğrenme serimiz devam ediyor, daha fazla bilgi edinin ve 18 - 30 Eylül 2025 tarihleri arasında Learn with AI Series adresinde bize katılın. GitHub Copilot'u Veri Bilimi için kullanmanın ipuçlarını ve püf noktalarını öğreneceksiniz.

Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat

🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı gezin 🌍

Microsoft'taki Cloud Advocates ekibi, tamamen Makine Öğrenimi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, bazen klasik makine öğrenimi olarak adlandırılan ve başlıca Scikit-learn kütüphanesini kullanan derin öğrenmeden kaçınan yöntemleri öğreneceksiniz. Derin öğrenme, Başlangıç Düzeyi AI Müfredatımızda ele alınmaktadır. Bu dersleri, 'Yeni Başlayanlar için Veri Bilimi Müfredatıyla' eşleştirerek de kullanabilirsiniz.

Dünya genelinden birçok bölgeden veriler üzerinde bu klasik teknikleri uygularak bizimle seyahat edin. Her ders öncesinde ve sonrasında quizler, dersin tamamlanması için yazılı talimatlar, çözüm, ödev ve daha fazlası bulunmaktadır. Proje tabanlı pedagojimiz, yeni becerilerin 'kullanılabilir' hale gelmesi için kanıtlanmış bir yöntem olarak öğrenmeyi uygulamalı hale getirir.

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

🎨 Çizerlerimize de teşekkürler Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçileri yazarlarımıza, gözden geçirenlere ve içerik katkıda bulunanlara, 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 Çatallayın (Fork): 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 ders çalıştırma ile ilgili yaygın sorunlar için Sorun Giderme Kılavuzumuza göz atın.

Öğrenciler, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza çatallayın ve egzersizleri kendi başınıza veya bir grupla tamamlayın:

• Ders öncesi quiz ile başlayın.
• Dersi okuyun ve bilgilerinizi kontrol etmek için her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
• Projeleri çözüm kodunu çalıştırmak yerine dersleri anlayarak oluşturmayı deneyin; ancak bu kod, her proje odaklı derste /solution klasörlerinde mevcuttur.
• Ders sonu quizini yapın.
• Mücadeleyi tamamlayın.
• Ödevi tamamlayın.
• Bir ders grubunu tamamladıktan sonra Tartışma Panosunu ziyaret edin ve uygun PAT değerlendirme formunu doldurarak “yüksek sesle öğrenin”. PAT, öğrenmenizi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracıdır. Ayrıca diğer PAT'lere tepki verebilir ve birlikte öğrenebiliriz.

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

Öğretmenler, bu müfredatı nasıl kullanacağınıza dair bazı öneriler ekledik.

---

Video Anlatımları

Bazı dersler kısa video şeklindedir. Bunların tamamını derslerin içinde veya Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde aşağıdaki resme tıklayarak izleyebilirsiniz.

---

Takımla Tanışın

Gif için Mohit Jaisal

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

---

Pedagoji

Bu müfredatı oluştururken iki pedagoji ilkesini benimsedik: uygulamalı proje tabanlı olması ve sık quizlerin olması. Ayrıca bu müfredatın ortak bir teması bulunmaktadır.

İçeriğin projelerle uyumlu olmasını sağlayarak, süreç öğrenciler için daha ilgi çekici hale getirildi ve kavramların kalıcılığı artırıldı. Ayrıca, ders öncesinde yapılan düşük riskli bir quiz, öğrencinin öğrenme niyetini belirlerken, ders sonrası ikinci bir quiz kalıcılığı pekiştirir. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmış olup tamamı veya kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek karmaşıklaşır. Müfredat ayrıca ML'nin gerçek dünya uygulamalarına dair bir ek kısım içerir, bu ek kredi olarak veya tartışma tabanı olarak kullanılabilir.

Davranış Kurallarımızı, Katkıda Bulunma, Çeviri ve Sorun Giderme yönergelerimizi bulun. Yapıcı geri bildiriminizi bekliyoruz!

Her ders içerir

• isteğe bağlı eskiz notu
• isteğe bağlı ek video
• video anlatımı (bazı derslerde)
• ders öncesi ısınma quizi
• yazılı ders
• proje tabanlı derslerde projenin adım adım yapımı için rehberler
• bilgi kontrolleri
• bir meydan okuma
• ek okuma materyali
• ödev
• ders sonrası quiz

Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R diliyle de mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidip R derslerini arayın. Bu dersler bir R Markdown dosyası olan .rmd uzantısı içerir. R Markdown, R veya diğer dillerdeki kod bloklarının ve çıktı formatını (ör. PDF) düzenlemeyi yöneten YAML başlığının Markdown belgesi içinde gömülü hali olarak tanımlanabilir. Böylece kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazarak birleştirmenize olanak tanıyan veri bilimi için örnek bir yazar çerçevesi oluşturur. 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 bağlantıları verilmiştir ancak quiz uygulaması yerel olarak da çalıştırılabilir; yerelde barındırmak veya Azure’a yayınlamak için quiz-app klasöründeki talimatları izleyin.

Ders Numarası	Konu	Ders Grubu	Öğrenme Hedefleri	Bağlantılı Ders	Yazar
01	Makine öğrenimine giriş	Giriş	Makine öğrenmenin 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 dikkate alması gereken önemli felsefi adalet konuları nelerdir?	Ders	Tomomi
04	Makine öğrenimi teknikleri	Giriş	ML 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 hazırlığı için veriyi görselleştirin ve temizleyin	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Doğrusal ve polinom regresyon modelleri oluşturun	Python • R	Jen ve 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	Verinizi 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 öneri veren bir web uygulaması oluşturun	Python	Jen
14	Kümelemeye giriş	Kümeleme	Verinizi 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 işleme giriş ☕️	Doğal dil işleme	Basit bir bot oluşturarak NLP temellerini öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Doğal dil işleme	Dil yapılarıyla uğraşırken gerekli olan 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 tahmine giriş	Zaman serisi	Zaman serisi tahminine giriş	Python	Francesca
22	⚡️ Dünya Enerji Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Zaman serisi	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Enerji Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Zaman serisi	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 Gym	Python	Dmitry
Son Not	Gerçek Dünya ML senaryoları ve uygulamaları	Doğada ML	Klasik ML'in ilginç ve açıklayıcı gerçek dünya uygulamaları	Ders	Takım
Son Not	Sorumlu AI panosu kullanarak ML modelleri hata ayıklama	Doğada ML	Sorumlu AI panosu bileşenleri kullanarak Makine Öğrenimi modelleri hata ayıklama	Ders	Ruth Yakubu

bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dokümantasyonu Docsify kullanarak çevrimdışı çalıştırabilirsiniz. Bu repoyu fork’layın, yerel makinenize Docsify yükleyin ve ardından bu repodaki kök klasörde docsify serve yazın. Site, localhost’ta 3000 portunda çalışacak: localhost:3000.

PDF'ler

Müfredatın linklerle birlikte pdf'sini burada bulun.

🎒 Diğer Kurslar

Ekibimiz başka kurslar da üretiyor! İnceleyin:

LangChain

---

Azure / Edge / MCP / Ajanlar

---

Yaratıcı AI Serisi

---

Temel Öğrenim

---

Copilot Serisi

Yardım Alma

AI uygulamaları geliştirme hakkında takılırsanız veya herhangi bir sorunuz olursa, MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle buluşun. Soruların hoş karşılandığı ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur.

Ürün geri bildiriminiz veya geliştirme sırasında karşılaştığınız hatalar için ziyaret edin:

---

Feragatname:
Bu belge, yapay zeka çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba gösterilmekle birlikte, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayınız. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı nedeniyle oluşabilecek herhangi bir yanlış anlama veya yorum hatasından sorumlu olmadığımızı bildiririz.