# 100 Sayfalık Makine Öğrenmesi Kitabı: Görsel Rota ```{note} Bu bölüm, masaüstündeki `monospace-site/kitap` ve `sss/ml-kitabi-ozet.html` içindeki saf `The Hundred-Page Machine Learning Book` omurgası temel alınarak bu projeye görsel bir öğrenme rotası olarak eklendi. ```
Bölüm 5 / Saf Kitap İzi

Bu rota, makine öğrenmesini algoritma ezberi olarak değil, bir düşünme biçimi olarak okumaya çağırır: önce problemi tanımla, sonra gösterimi kur, ardından öğrenme algoritmasının anatomisini anla, metrik ve genelleme disiplinini oturt, en son daha karmaşık modellere geç.

Temel Algoritmalar Doğrusal regresyondan perceptrona, ağaçtan kNN ve SVM'ye kadar temel aileleri tek rota içinde gör. Ensemble Öğrenme Bagging, random forest ve boosting ile tek modelden model topluluğuna geçişi gör. Öğrenme Anatomisi Veri, model, kayıp, kapasite ve regularizasyonun nasıl birlikte çalıştığını canlı olarak gör. Temel Pratik Eşik, karışıklık matrisi, precision, recall ve F1 gibi kavramların kararları nasıl değiştirdiğini hisset. Sinir Ağları Aktivasyon, temsil, fonksiyon yaklaştırma ve geri yayılım çizgisini kitap sırasına oturt. Model Seçimi Basitlik, karmaşıklık ve genelleme arasındaki gerilimi doğrulama eğrileri üzerinde oku. Düzenlileştirme Weight decay, dropout ve early stopping ile güçlü modeli nasıl dizginleyeceğini gör. Belirsizlik ve Kalibrasyon Posterior düşünme, güvenilir olasılık ve kapsama garantisini karar diline çevir. Karar Verme Eşik, maliyet matrisi ve çekimser kalma ile skoru gerçek karar kuralına dönüştür. Yorumlanabilirlik Özellik önemi, hata dilimleri ve kırılma modları ile modelin neye yaslandığını ve nerede çöktüğünü gör. Veri ve Nedensellik Daha iyi veri, counterfactual düşünme ve confounding sezgisi ile modeli yalnızca tahmin değil müdahale açısından da düşün. Shift ve Robustluk Covariate shift, OOD ve stres eğrileri ile modelin değişen dünyada ne kadar ayakta kaldığını gör. Aktif Öğrenme ve Üretim Etiket bütçesi, human-in-the-loop kararları ve monitoring ile modeli yalnızca eğitme değil yaşatma döngüsünü gör. Deneyler ve Güvenli Yayın A/B testi, challenger akışı, rollout ve rollback ile yeni modeli güvenle canlıya çıkarma disiplinini gör. Adalet, Gizlilik ve Yönetişim Fairness açıklarını, gizlilik bütçesini ve yönetişim kapısını aynı görsel hat içinde oku. Saldırı Direnci Karşıt örnekler, kötüye kullanım kaçışı, sahtecilik ekonomisi ve kırmızı takım baskısını aynı savunma hattında gör. Müdahale ve Politika Nedensel etki, hedefli politika, bandit keşfi ve uzun vadeli karar dizilerini tek görsel hatta oku. Gözetimsiz ve Ötesi K-Ortalamalar, PCA, metrik öğrenmesi, ranking, öneri ve self-supervised çizgiyi tek rota içinde bağla.
## Kitabın Düşünme Sırası | Kitap fikri | Bu projedeki karşılığı | | --- | --- | | Giriş ve öğrenme türleri | Bu sayfa | | Gösterim, notasyon, kayıp ve parametre fikri | Bu sayfa + Öğrenme Anatomisi | | Temel algoritmalar | Temel Algoritmalar + Ensemble Öğrenme | | Öğrenme algoritmasının anatomisi | Öğrenme Anatomisi | | Temel pratik | Temel Pratik | | Sinir ağları ve derin öğrenme | Sinir Ağları + mevcut sinir ağı demoları | | İleri pratik | Model Seçimi ve Genelleme + Düzenlileştirme + Belirsizlik ve Kalibrasyon + Karar Verme + Yorumlanabilirlik + Veri ve Nedensellik + Shift ve Robustluk + Aktif Öğrenme ve Üretim + Deneyler ve Güvenli Yayın + Adalet, Gizlilik ve Yönetişim + Saldırı Direnci + Müdahale ve Politika | | Gözetimsiz öğrenme ve diğer formlar | Gözetimsiz ve Diğer Öğrenme + PCA / K-Ortalamalar + yeni canlı demolar | | Sonuç | Kapanış ve Kontrol Listesi | ## İlk İki Bölümün Özeti Kitabın ilk bölümü makine öğrenmesini dört öğrenme biçimi üzerinden çerçeveler: gözetimli, gözetimsiz, yarı gözetimli ve pekiştirmeli öğrenme. Asıl vurgu, her problemin önce `veri`, `hedef`, `çıktı türü` ve `karar` açısından doğru kurulması gerektiğidir. İkinci bölüm, geri kalan her şeyin üstüne oturduğu dili kurar: skaler, vektör, matris, iç çarpım, türev, gradyan, olasılık, beklenen değer, regresyon ve sınıflandırma. Bu bölümün ana mesajı şudur: model konuşmaya başlamadan önce, matematiksel nesnelerin neyi temsil ettiğini netleştirmek gerekir. ## Bu Rotayı Nasıl Okumalı?
1. Önce düşünceyi kur Makine öğrenmesi önce bir problem kurma disiplinidir. Hangi değişken giriş, hangisi hedef, neyi optimize ediyoruz; bu sorular ilk sıradadır.
2. Sonra davranışı gör Bir modelin neden iyi ya da kötü davrandığı, çoğu zaman tek başına formülden değil, görsel davranışından anlaşılır. Bu yüzden rota boyunca canlı demolar var.
3. En son karmaşığa geç Kitabın ruhuna sadık kalarak burada da önce basit modeller ve temel disiplinler yerleştirilir; daha karmaşık mimariler bunun üstüne oturur.
## Klasik Model Aileleri Temel algoritmalar kısmı artık sadece kavramsal bir köprü değil. Kitabın çekirdek aileleri için canlı deneyimler var:
Doğrusal Regresyon Lojistik Regresyon Perceptron Karar Ağacı kNN SVM
## Ensemble Rotası Karar ağacından sonra gelen topluluk mantığı da artık bu omurganın parçası:
Genel Bakış Bagging Random Forest Gradient Boosting
## Sinir Ağı Rotası Kitabın sinir ağı bölümü artık kendi içinde de akıyor:
Aktivasyonlar Dönüşümler Yaklaştırma Geri Yayılım Kayıp Yüzeyi
## Düzenlileştirme Rotası Genelleme disiplininin pratik araçları artık ayrı bir mini hat olarak da açılıyor:
Genel Bakış Weight Decay Dropout Early Stopping
## Belirsizlik ve Kalibrasyon Rotası Güçlü modelden güvenilir karara geçiş için yeni hat burada:
Genel Bakış Bayes Kalibrasyon Conformal
## Karar Rotası Skoru gerçek eyleme çeviren hat artık ayrı bir mini omurga olarak da açılıyor:
Genel Bakış Eşik Maliyet Çekimserlik
## Yorumlanabilirlik Rotası Modelin neye yaslandığını ve nerede kırıldığını görünür yapan hat da artık yerel:
Genel Bakış Özellik Önemi Hata Dilimleri Kırılma Modları
## Veri ve Nedensellik Rotası Teşhis sonrası düzeltme ve müdahale sezgisi için yeni hat burada:
Genel Bakış Veri-Merkezli ML Counterfactual Nedensel Sezgi
## Shift ve Robustluk Rotası Değişen dünya, yabancı örnek ve stres altında performans için yeni hat burada:
Genel Bakış Covariate Shift OOD Robustluk Eğrileri
## Aktif Öğrenme ve Üretim Döngüsü Rotası Etiket kıtlığı, human-in-the-loop kararları ve üretim alarmı için yeni hat burada:
Genel Bakış Aktif Öğrenme İnsan Döngüde Üretim İzleme
## Deneyler ve Güvenli Yayın Rotası Yeni modeli canlıya güvenle çıkarma disiplini için yeni hat burada:
Genel Bakış A/B Testi Champion/Challenger Guarded Rollout Rollback
## Adalet, Gizlilik ve Yönetişim Rotası Modelin yalnızca iyi değil, savunulabilir ve hesap verebilir olması için yeni hat burada:
Genel Bakış Grup Adaleti Müdahaleler Gizlilik Bütçesi Yönetişim Kapısı
## Saldırılar, Kötüye Kullanım ve Sahtecilik Direnci Rotası Modelin yalnızca adil ve belgeli değil, kasıtlı saldırgan karşısında da dayanıklı olması için yeni hat burada:
Genel Bakış Karşıt Örnekler Kötüye Kullanım Sahtecilik Kırmızı Takım
## Nedensel Müdahale ve Politika Rotası Tahminden aksiyona, aksiyondan uzun vadeli karara geçmek için yeni hat burada:
Genel Bakış Nedensel Müdahale Politika Bandit Pekiştirmeli Karar
## Hemen Devam Et
Genel Harita Temel Algoritmalar Doğrusal Regresyon Lojistik Regresyon Perceptron Karar Ağacı kNN SVM Ensemble Bagging Random Forest Boosting Düzenlileştirme Weight Decay Dropout Early Stopping Belirsizlik Bayes Kalibrasyon Conformal Karar Verme Eşik Maliyet Çekimserlik Yorumlanabilirlik Özellik Önemi Hata Dilimleri Kırılma Modları Veri ve Nedensellik Veri-Merkezli ML Counterfactual Nedensel Sezgi Shift ve Robustluk Covariate Shift OOD Robustluk Eğrileri Aktif Öğrenme ve Üretim Aktif Öğrenme İnsan Döngüde Üretim İzleme Deneyler ve Güvenli Yayın A/B Testi Champion/Challenger Guarded Rollout Rollback Adalet ve Yönetişim Grup Adaleti Müdahaleler Gizlilik Yönetişim Kapısı Saldırı Direnci Karşıt Örnekler Kötüye Kullanım Sahtecilik Kırmızı Takım Müdahale ve Politika Nedensel Müdahale Politika Bandit Pekiştirmeli Karar K-Ortalamalar PCA Metrik Ranking Öneri Self-Supervised Öğrenme Anatomisi Kapanış