DL'in klasik ML'e tek üstünlüğü 'daha iyi sonuç' mu?

Hayır — büyük üstünlüğü **özellik mühendisliğinden kurtarması**. Feature engineering (özellik çıkarımı) klasik ML projelerinin %80'ini alır; DL bunu öğrenir. Ama bedeli: 10-1000x daha fazla veri ve hesap.

AI vs ML vs DL: Doğru Hiyerarşi ve Pratik Sonuçları

Q: Lineer regresyon eski bir teknik, hâlâ kullanılıyor mu?

Evet, hem de yoğun şekilde. Çoğu üretim sisteminde (kredi, fiyatlama, sigortacılık) lineer/logistic regresyon hâlâ ilk tercih. Hızlı, açıklanabilir ve regülasyona uygun.

Üç kavram en sık karıştırılanlardan: Yapay Zeka (AI), Makine Öğrenmesi (ML) ve Derin Öğrenme (DL). Bu derste hiyerarşiyi netleştirip pratik kararlar vermenize yardım edecek bir karar ağacı çıkaracağız.

Şükrü Yusuf KAYA

16 dakikalık okuma

13.05.2026

Başlangıç

AI vs ML vs DL: Doğru Hiyerarşi ve Pratik Sonuçları

🎯 Bu derste öğreneceğiniz

(1) AI ⊃ ML ⊃ DL hiyerarşisi neden böyledir? (2) Symbolic AI ile statistical AI arasındaki fark ve hangisi ne zaman kullanılır? (3) Hangi probleme hangi yaklaşımı uygulayalım? karar ağacı.

"AI", "ML", "DL" — Aynı şey mi farklı mı?#

Bu üç terim, özellikle yatırım haberlerinde ve LinkedIn unvanlarında iç içe geçmiş gibi kullanılır. Oysa aralarında net ve önemli farklar var.

Hızlı cevap: Tüm DL → ML'dir. Tüm ML → AI'dır. Ama tüm AI → ML değildir. Tüm ML → DL değildir.

Bunu görsel olarak en iyi iç içe daire (Venn diyagramı) ile anlatırız.

AI, ML, DL Venn diyagramı: iç içe geçmiş 3 daire — AI ⊃ ML ⊃ DL — DL en içteki en dar alan.

Tanım: Akıllı görünen davranış üreten her tür yazılım. Hem kural-tabanlı (symbolic) hem de veri-tabanlı (statistical) yaklaşımları kapsar.

Örnekler:

Bir uzman sistem: 200 IF-THEN kuralı ile hastalık teşhisi (kural-tabanlı, ML değil)
Bir karar ağacı modeli: 10.000 hastayı eğitmiş classifier (ML, dolayısıyla AI)
Bir dama programı: minimax algoritması (klasik AI, ML değil)
A* pathfinding (oyunda yol bulma): klasik AI

Kural-tabanlı AI ne zaman kullanılır?

Kurallar net ve değişmez (vergi hesaplama)
Veri yok ya da az
Açıklanabilirlik kritik (regülasyon)

En basit ML modeli: Lineer Regresyon#

Bir öğrenme algoritmasının ne demek olduğunu anlamak için en basit örnekle başlayalım. Diyelim ev fiyatını metrekareye göre tahmin etmek istiyoruz.

Burada:

$x$ = girdi (örn. metrekare)
$\hat{y}$ = tahmin (fiyat)
$w$ = ağırlık (eğim)
$b$ = bias (kesişim)

Öğrenme = $w$ ve $b$ 'yi veriden bulma sürecidir. Ölçüt: gerçek

y

ile tahmin

\hat{y}

arasındaki ortalama kare farkı (MSE) en küçük olsun.

python

from sklearn.linear_model import LinearRegression
import numpy as np
 
# 5 evin metrekaresi ve fiyatı (TL bin)
X = np.array([[60], [75], [90], [120], [150]])
y = np.array([350, 470, 600, 850, 1100])
 
model = LinearRegression()
model.fit(X, y)
 
print(f"Eğim (w): {model.coef_[0]:.2f}")
print(f"Kesişim (b): {model.intercept_:.2f}")
print(f"100 m² ev tahmini: {model.predict([[100]])[0]:.0f} bin TL")

scikit-learn ile 5 satır kod — eğitim, parametreler, tahmin.

⚠️ Yaygın yanılgı

"Lineer regresyon ML değil, istatistik" — yanlış. Tarihsel olarak istatistikten gelir, ama ML'in tam parçasıdır. ML, istatistiğin tahmin odaklı uygulamasıdır; aralarında felsefi bir ayrım var (istatistik → çıkarım, ML → tahmin) ama yöntem aynı yöntem.

Boşluk doldur · text

AI'nin alt dalı 'dir; 'in alt dalı ise 'dir. Yani  ⊃  ⊃  hiyerarşisi geçerlidir.

Hangi sorun → hangi yaklaşım? Karar ağacı#

Pratik bir problem geldiğinde sırasıyla şu soruları sor:

Kurallar açık ve değişmez mi? → Symbolic AI / sıradan yazılım
Veri var mı (>500 örnek)? → ML
Veri çok büyük mü (>100K) ve örüntü karmaşık mı (görsel/dil/ses)? → DL
Açıklanabilirlik kritik mi? → Klasik ML (DL'den uzak dur)
Real-time inference (<10ms) gerekli mi? → Küçük model + edge deployment

🇹🇷 Türkiye'den AI/ML Vaka Çalışmaları#

Yukarıdaki 5 senaryo soyut örneklerdi. Şimdi gerçek Türk teknoloji şirketlerinden hangi sorunda hangi yaklaşımı seçtiklerine bakalım — bu, kavramları somut hâle getirmenin en hızlı yolu.

Problem: 10 dakika teslimatta her şubedeki her ürün için bir saat sonra ne kadar satılacağını bilmek lazım. Yanlış stok = ya bayılma (stockout) ya israf.

Yaklaşım: Klasik ML / DL hibridi.

Amazon Forecast ile zaman serisi tahmin (DeepAR ailesi — bir DL modeli)
Amazon SageMaker + AWS Batch ile binlerce SKU × yüzlerce şube × günlük yenilenen model
Ürün kategori tahmin pipeline'ı: yeni eklenen ürünlerin doğru kategoriye atanması — supervised classification

Sonuç (resmi AWS vaka çalışması): Model eğitim sürelerinde %90 azalma, daha az stockout, daha düşük israf, daha az manuel kategori müdahalesi.

Hangi paradigma? Çoğu Getir AI'sı supervised learning + zaman serisi. RL yok denecek kadar az; çünkü 'feedback gecikmesi' yüksek (10 dakika sonra mı, ertesi gün mü?) operasyonel olarak RL'i pahalı kılıyor.

💡 Türk şirket örneklerinden çıkan ders

Çoğu Türk teknoloji şirketinde AI 'tek bir paradigma' değil, problem-bazında karışım. Görsel → DL. Tablo verisi + açıklanabilirlik → klasik ML. Optimizasyon → OR + ML. Asistan/sohbet → LLM (genelde frontier API + RAG). Bir ürün ekibine girersen, sınava 'ben DL uzmanıyım' diye değil, 'problem-yaklaşım eşleştirmesi yapabilen mühendisim' diye gir.

Hadi bir checkpoint sorusuyla anlamış olduğunu doğrulayalım#

Bu derste neler öğrendik?#

✓ AI ⊃ ML ⊃ DL — bu hiyerarşi her zaman geçerli. ✓ AI sembolik ve istatistiksel olabilir; ML her zaman istatistikseldir. ✓ DL = çok katmanlı sinir ağı kullanan ML. ✓ Her problem DL gerektirmez; tablo verisi + açıklanabilirlik gerekirse XGBoost ekseriyetle DL'i yener. ✓ Karar ağacı: kurallar net mi → veri var mı → veri çok ve karmaşık mı?

Sıradaki ders: ML'in 3 paradigması — supervised, unsupervised, reinforcement learning.

Sık Sorulan Sorular

Evet, hem de yoğun şekilde. Çoğu üretim sisteminde (kredi, fiyatlama, sigortacılık) lineer/logistic regresyon hâlâ ilk tercih. Hızlı, açıklanabilir ve regülasyona uygun.

Yorumlar & Soru-Cevap

(0)

Yorum yazmak için giriş yap.

Yorumlar yükleniyor...

İlgili İçerikler

Modül 1: Temeller