AI Giriş Bölüm 6 | Yapay Zeka Geliştirme Araçları ve Süreçleri

Yapay Zakaya Giriş Ders Notları

Bu yazımız BTK Yapay Zeka'ya giriş ders notlarindan oluşmatadır.

22 Şubat 2026 6 dk Muhammet Abdullah Şahin

Yapay Zeka AI AI Araçları AI Süreçler

Programlama Dilleri ve Kütüphaneler

Python
- NumPy
  - Doğrudan AI kullanılmaz.
  - Bilimsel hesaplamalar için kullanılan bir kütüphanedir.
  - Çok boyutlu diziler ve matematiksel fonksiyonlar sağlar.
  - AI uygulamalarında çok sayıda matris hesaplamaları kullanıldığı için bir AI modelini sıfırdan implemente etmek için kullanılır.
- Pandas
  - Veri analizi ve işleme için kullanılan bir kütüphanedir.
  - Veri çerçevelerini (data frame) manipüle etmek için kullanılır.
  - Veri ön işleme adımında AI projelerinde sıklıkla tercih edilir.
- SciPy
  - Bilimsel ve teknik hesaplamalar için kullanılır.
  - Optimizasyon, lineer cebir, istatistik ve sinyal işleme fonksiyonları içerir.
  - NumPy üzerine inşa edilmiştir.
- TensorFlow/Keras
  - Derin öğrenmede kullanılan en popüler kütüphanelerdir.
    - TensorFlow, Google tarafından geliştirilmiştir. Derin öğrenme modelleri oluşturmak için açık kaynak bir kütüphanedir.
    - Keras ise TensorFlow üzerinde koşan yüksek seviyeli bir API’dır.
  - Derin öğrenme modellerini hızlı ve kolay bir şekilde oluşturmayı amaçlar.
  - Yeni başlayanlar için Keras ile başlamak tavsiye edilir.
- PyTorch
  - Bir derin öğrenme kütüphanesidir.
  - Meta tarafından geliştirilmiştir.
  - Dinamik hesaplama grafiklerine bağlıdır (dynamic computation graph).
  - Esneklik ve hız açısından popülerdir.
  - Araştırma odaklı projelerde sıklıkla kullanılır.
- JAX
  - Google tarafından geliştirilen yüksek performanslı sayısal hesaplama kütüphanesidir.
  - Otomatik türev (automatic differentiation) desteği sunar.
  - TPU ve GPU üzerinde yüksek performans sağlar.
- Scikit-learn
  - Makine öğrenmesi algoritmalarını ve araçlarını içeren bir kütüphanedir.
  - Neredeyse tüm klasik makine öğrenmesi modelleri için metot ve fonksiyonları vardır.
  - İçerisinde farklı veri setleri de barındırır.
- XGBoost
  - Gradient Boosting algoritmasını optimize edilmiş şekilde sunar.
  - Tabular veri problemlerinde yüksek performans sağlar.
- LightGBM
  - Microsoft tarafından geliştirilmiştir.
  - Büyük veri setlerinde hızlı ve hafif bir gradient boosting çözümüdür.
- CatBoost
  - Özellikle kategorik verilerde başarılıdır.
  - Gradient boosting tabanlıdır.
- Hugging Face Transformers
  - NLP ve LLM modellerini kullanmak için popüler bir kütüphanedir.
  - BERT, GPT, T5 gibi hazır modeller sunar.
- CNTK (Microsoft Cognitive Toolkit)
  - Microsoft tarafından geliştirilen açık kaynaklı bir derin öğrenme kütüphanesidir.
  - Yüksek performanslı GPU hesaplaması ve dağıtılmış eğitim desteği sunar.
- MXNet
  - Apache MXNet, çoklu dilleri ve çoklu cihazları destekleyen bir derin öğrenme kütüphanesidir.
- Matplotlib
  - Verileri, model değerlendirmelerini, eğitim sırasında oluşan loss vb. değerleri görselleştirmemizi sağlar.
- Seaborn
  - İstatistiksel veri görselleştirme için kullanılır.
  - Matplotlib üzerine inşa edilmiştir.
- Plotly
  - İnteraktif görselleştirme sağlar.
  - Dashboard geliştirmede kullanılır.
- OpenCV
  - Bilgisayarlı görü uygulamalarında kullanılır.
  - Görüntü işleme, nesne tanıma, yüz tanıma gibi işlemleri içerir.
- NLTK
  - Doğal Dil İşleme (NLP) için kullanılan temel bir kütüphanedir.
- SpaCy
  - Endüstriyel seviyede NLP işlemleri için optimize edilmiştir.
- FastAPI
  - AI modellerini REST API olarak servis etmek için kullanılır.
- Flask
  - Hafif bir web framework’tür.
  - Model deployment için kullanılır.
- Streamlit
  - AI projeleri için hızlı arayüz geliştirmeye olanak sağlar.
- Gradio
  - Makine öğrenmesi modelleri için hızlı demo arayüzü oluşturmayı sağlar.
R
- Caret (Classification and Regression Training)
  - Makine öğrenmesi modellerini üretmek ve değerlendirmek için kullanılır.
- Dplyr
  - Veri manipülasyonu ve işlemesinde kullanılır.
  - Pandas kütüphanesinin R dilindeki karşılığı olarak düşünülebilir.
- ggplot2
  - Görselleştirme için yaygın olarak kullanılan bir kütüphanedir.
  - Matplotlib’in R dilindeki karşılığı olarak düşünülebilir.
- Shiny
  - Web tabanlı veri uygulamaları geliştirmek için kullanılır.
- randomForest
  - Random Forest algoritmasının R implementasyonudur.
- xgboost
  - Gradient boosting algoritmasını R ortamında kullanmayı sağlar.
Julia
- Flux.jl
  - Derin öğrenme modelleri oluşturmak için kullanılan bir kütüphanedir.
  - Hızlı ve esnektir.
- MLJ.jl
  - Makine öğrenmesi algoritmalarını bir araya getiren bir framework’tür.
Java
- Weka
  - Makine öğrenmesi ve veri madenciliği kütüphanesidir.
  - Açık kaynaklıdır.
- Deeplearning4j
  - JVM tabanlı derin öğrenme kütüphanesidir.
  - Enterprise projelerde kullanılır.
JavaScript
- TensorFlow.js
  - Tarayıcı tabanlı yapay zeka uygulamaları geliştirmek için kullanılır.
- Brain.js
  - JavaScript tabanlı neural network kütüphanesidir.
- ONNX Runtime Web
  - ONNX formatındaki modelleri tarayıcıda çalıştırmayı sağlar.
C++
- OpenCV
  - Açık kaynaklı bilgisayarlı görü ve makine öğrenimi kütüphanesidir.
- dlib
  - Yüz tanıma, nesne tanıma ve yüz ifadesi analizi gibi işlemleri destekler.
C#
- ML.NET
  - Microsoft tarafından geliştirilen açık kaynaklı bir makine öğrenimi kütüphanesidir.
- Accord.NET
  - Makine öğrenmesi, istatistik ve sinyal işleme araçları içerir.

Geliştirme Ortamları

Entegre Geliştirme Ortamları (IDEs)
- PyCharm
  - JetBrains tarafından geliştirilen ve Python geliştirme için popüler bir IDE’dir. Yapay zeka projelerinde TensorFIow, PyTorch gibi kütüphaneleri kullanmak için tercih edilir.
- Jupyter Notebook/JupyterLab
  - Veri analizi, görselleştirme ve yapay zeka modeli prototipleme için yaygın olarak kullanılan bir araçtır. Hem kodu hem de açıklamaları içeren belgeler oluşturmak için kullanılır.
  - İnteraktif bir döküman belgesine benzemektedir.
- Visual Studio Code (VSCode)
  - Microsoft tarafından geliştirilen ve Python, JavaScript, C++ gibi birçok dili destekleyen bir IDE’dir. Derin öğrenme projeleri için eklentilerle genişletilebilir.
- Spyder
  - Python bilimsel hesaplamaları için tasarlanmış bir IDEldir. NumPy, SciPy, Pandas gibi kütüphaneleri kullanarak yapay zeka projeleri geliştirmek için uygun bir ortamdır.
Bulut Tabanlı Geliştirme Ortamları
- Google Colab
  - Google’ın ücretsiz bulut tabanlı Jupyter Notebook hizmetidir. GPU ve TPU desteği sunar ve TensorFIow, PyTorch gibi kütüphaneleri kullanmak için uygun bir ortam sağlar.
- Microsoft Azure Notebooks
  - Microsoft’un bulut tabanlı Jupyter Notebook hizmetidir. Python, R ve F# dillerini destekler ve yapay zeka projelerini geliştirmek için kullanılabilir.
- Amazon SageMaker
  - Amazon Web Services (AWS) tarafından sağlanan bir hizmettir. Makine öğrenimi modellerini eğitmek, dağıtmak ve yönetmek için kullanılan bir bulut tabanlı platformdur. TensorFlow, PyTorch, MXNet gibi çeşitli derin öğrenme çerçevelerini destekler.
- IBM Watson Studio
  - IBM tarafın n sağlanan bir platformdur. Veri bilimi ve yapay zeka projeleri için kullanılan bir bulut tabanlı çözümdür. Python, R ve Scala gibi dilleri destekler ve derin öğrenme kütüphanelerini kullanmak için uygun bir ortam sağlar.

Süreçleri

DevOps (Development Operations)

Yazılım geliştirme ve bilgi teknolojileri operasyonları arasındaki işbirliğini ve iletişimi artırmayı amaçlayan bir kültür, hareket ve uygulama yaklaşımıdır.
Yazılım geliştirme süreçlerini ve operasyonel süreçleri entegre ederek, yazılım yayınlama süreçlerini hızlandırır, hata oranlarını azaltır ve yazılımın kalitesini artırır.

CAPTION DevOps Süreci¹

DataOps (Data Operations)

Veri yönetimi ve veri mühendisliği süreçlerini geliştirmeyi ve otomatize etmeyi amaçlayan bir metodoloji ve kültürdür.
Veri işleme, veri kalitesi, veri entegrasyonu ve veri analitiği gibi veri odaklı süreçlerin verimlılıgıni artırır ve işbirliğini teşvik eder.

CAPTION DataOps Süreci²

MLOps (Machine Learning Operations)

Makine öğrenimi projeleri için geliştirilen uygulama ve operasyonel pratikler bütünüdür.
Makine öğrenimi modellerini geliştirme, eğitme, dağıtma ve sürdürme süreçlerini otomatize ederek, makine öğrenimi projelerinin verimliliğini ve güvenilirliğini artırır.

CAPTION MLOps Süreci³

AIOps (Artifical Intelligence Operations)

Bilgisayar sistemlerinin ve ağların performansını, güvenliğini ve durumunu izlemek ve yönetmek için yapay zeka ve makine öğrenimi tekniklerini kullanan bir yaklaşımdır.
Büyük miktarda veriyi analiz ederek, anormal durumları tespit eder, sorunları tahmin eder ve operasyonel verimlılıgı artırır.

CAPTION AIOps Süreci⁴

LLMOps (Large Language Model Operations)

Büyük dil modelleri (LLM’ler) gibi büyük ölçekli dil modellerini geliştirme, dağıtma ve sürdürme süreçlerini yönetmek için kullanılan operasyonel ve yönetim pratiklerini kapsar.
Yüksek hesaplama kaynaklarına ve veriye dayalı olarak LLM’Ieri egı me ve etkin bir şekilde kullanmak için gereken altyapıyı sağlar.

CAPTION LLMOps Süreçleri⁵