# Academyou AI

> Sıfırdan yapay zekâ öğrenmek isteyenler için Türkçe, görsel ve interaktif dersler. Matematik temellerinden istatistiğe, makine öğrenmesinden derin öğrenme, NLP, LLM ve prompt mühendisliğine kadar. Her ders somut bir sayı örneğiyle başlar, çalıştırılmış Python koduyla (NumPy, scikit-learn, PyTorch) devam eder. Ücretsizdir, üyelik gerekmez.

Dersler önkoşul sırasıyla ilerler: matematik → istatistik → veri bilimi → makine öğrenmesi → derin öğrenme → prompt mühendisliği.

- [Yol haritası](https://ai.academyou.co/yol-haritasi/): derslerin önkoşul grafiği
- [Sözlük](https://ai.academyou.co/sozluk/): derslerde geçen kavramların Türkçe-İngilizce sözlüğü
- [Özet kartları](https://ai.academyou.co/ozet-kartlari/): her dersin beş maddelik özeti

## Ek: Matematik Temelleri

Vektör, matris, türev ve gradyan inişi. Tüm dersler: https://ai.academyou.co/dersler/ek-matematik/

- [Neden matematik? (korkuyu kırma)](https://ai.academyou.co/dersler/ek-matematik/neden-matematik-korkuyu-kirma/): Σ (sigma) korkutucu görünüyor ama sadece 'listeyi topla' demek -- np.sum() ile elle toplama aynı sonucu veriyor. Her sembol, bildiğin bir işlemin kısaltmasıdır.
- [Vektör nedir, veri neden vektördür](https://ai.academyou.co/dersler/ek-matematik/vektor-nedir-veri-neden-vektordur/): Elma ile armut arasındaki uzaklık sadece 20; elma ile karpuz arasındaki uzaklık 4850. Vektör uzayında yakınlık, gerçek dünyada benzerliğe karşılık gelir.
- [Vektör işlemleri ve norm](https://ai.academyou.co/dersler/ek-matematik/vektor-islemleri-ve-norm/): 3 birim doğuya, 4 birim kuzeye yürüyünce toplam (3,4) olur; normu tam 5 -- ünlü 3-4-5 üçgeni. Norm, Pisagor teoreminin her boyuta genelleşmiş halidir.
- [Nokta çarpım: benzerliğin matematiği](https://ai.academyou.co/dersler/ek-matematik/nokta-carpim-benzerligin-matematigi/): İki vektörün nokta çarpımı tek bir sayı verir; işareti yön ilişkisini, kosinüse bölünmüşü ise gerçek benzerliği ölçer -- normdan bağımsız, sadece yöne bakar.
- [Matris nedir](https://ai.academyou.co/dersler/ek-matematik/matris-nedir/): Bir matris, aynı boyuttaki birden fazla vektörün üst üste yığılmasıyla oluşan bir tablodur. Satırları örnekleri, sütunları özellikleri temsil eder.
- [Matris çarpımı: dönüşüm olarak okumak](https://ai.academyou.co/dersler/ek-matematik/matris-carpimi-donusum-olarak-okumak/): Bir matrisi bir vektörle çarpmak, o vektörü uzayda döndürür, ölçekler veya eğer -- matris, bir sayı tablosu değil, bir dönüşüm makinesidir.
- [Özdeğer ve özvektör (PCA'ya hazırlık)](https://ai.academyou.co/dersler/ek-matematik/ozdeger-ve-ozvektor-pcaya-hazirlik/): Çoğu vektörün yönünü bir matris değiştirir -- ama bazı özel vektörlerin (özvektör) yönü hiç değişmez, sadece boyu değişir (özdeğer kadar). PCA bunu kullanır.
- [Fonksiyon ve grafik sezgisi](https://ai.academyou.co/dersler/ek-matematik/fonksiyon-ve-grafik-sezgisi/): Bir fonksiyon, girdi alıp çıktı üreten bir makinedir -- f(3) her zaman aynı sonucu verir. Grafiği, tüm (girdi, çıktı) çiftlerinin resmidir.
- [Türev: değişim hızı](https://ai.academyou.co/dersler/ek-matematik/turev-degisim-hizi/): Türev, bir noktadaki anlık değişim hızıdır -- mesafe sıfıra yaklaştıkça ortalama hızın yakınsadığı değer. Geometrik olarak, teğet doğrunun eğimidir.
- [Zincir kuralı (backprop'un kalbi)](https://ai.academyou.co/dersler/ek-matematik/zincir-kurali-backpropun-kalbi/): İç içe fonksiyonların türevi, her katmanın yerel türevi çarpılarak bulunur. Backpropagation, bu zincir kuralının tüm katmanlara tekrar tekrar uygulanmasıdır.
- [Kısmi türev ve gradyan](https://ai.academyou.co/dersler/ek-matematik/kismi-turev-ve-gradyan/): Kısmi türev, diğer değişkeni sabit tutup birine göre türev almaktır. Gradyan, tüm kısmi türevleri toplayan vektördür -- en dik çıkış yönünü gösterir.
- [Gradyan inişi](https://ai.academyou.co/dersler/ek-matematik/gradyan-inisi/): Gradyan inişi, gradyanın tersi yönünde küçük adımlar atarak bir fonksiyonun en küçük noktasını arar. Adım büyüklüğü (öğrenme oranı) yakınsamayı belirler.
- [Logaritma ve üstel: neden her yerdeler](https://ai.academyou.co/dersler/ek-matematik/logaritma-ve-ustel-neden-her-yerdeler/): Üstel fonksiyon katlanarak büyümeyi, logaritma onun tersini anlatır. Logaritma çarpmayı toplamaya çevirir -- ML'de sayısal alt taşmayı önlemenin anahtarıdır.
- [Matematik özet kartı](https://ai.academyou.co/dersler/ek-matematik/matematik-ozet-karti/): 14 dersin özeti: vektörden gradyan inişine her fikir, aynı sayılarla yeniden doğrulandı. Bu bilgiler kalıcı -- kursun geri kalanında sürekli karşına çıkacak.

## İstatistik

Dağılımlar, merkezi limit teoremi, hipotez testi. Tüm dersler: https://ai.academyou.co/dersler/istatistik/

- [Veriye bakmak: merkez ve yayılım](https://ai.academyou.co/dersler/istatistik/veriye-bakmak-merkez-ve-yayilim/): 12 kişilik bir sınıfın sınav puanlarıyla ortalama, medyan ve mod arasındaki farkı; bir aykırı değerin ortalamayı nasıl yanılttığını görüyoruz.
- [Olasılığın temelleri](https://ai.academyou.co/dersler/istatistik/olasiligin-temelleri/): Zar atışlarıyla olasılığın ne olduğunu, olayların birleşimini/kesişimini ve bağımsızlığı deneysel olarak kuruyoruz.
- [Olasılık dağılım fonksiyonları](https://ai.academyou.co/dersler/istatistik/olasilik-dagilim-fonksiyonlari/): Rassal değişken nedir, kesikli (PMF) ve sürekli (PDF) dağılımlar nasıl farklı çalışır, CDF ikisini nasıl aynı çatı altında toplar?
- [Bernoulli ve Binom](https://ai.academyou.co/dersler/istatistik/bernoulli-ve-binom/): Tek bir e-posta açılır mı açılmaz mı (Bernoulli), 20 e-postalık bir kampanyada kaçı açılır (Binom)? İlk kesikli dağılım ailemizi kuruyoruz.
- [Poisson](https://ai.academyou.co/dersler/istatistik/poisson/): Bir kafeye saatte ortalama 4 müşteri geliyorsa, hiç müşteri gelmeyen ya da aşırı yoğun bir saat ne kadar olası? Poisson dağılımı bunu ölçer.
- [Normal dağılım](https://ai.academyou.co/dersler/istatistik/normal-dagilim/): Neden bu kadar çok şey çan eğrisine benziyor? Normal dağılımın PDF ve CDF eğrilerini sınav puanları üzerinden kurup okuyacağız.
- [Uniform dağılım](https://ai.academyou.co/dersler/istatistik/uniform-dagilim/): Bir otobüs durağında rastgele bir anda beklemeye başladığında, bekleme süren neden her değeri eşit olasılıkla alır? Uniform dağılımı kuruyoruz.
- [Log-normal](https://ai.academyou.co/dersler/istatistik/log-normal/): Şirket gelirleri, ev fiyatları neden hep sağa çarpık çıkar? Bir değişkenin logaritması normal dağılınca ortaya çıkan Log-normal dağılımı kuruyoruz.
- [Pareto](https://ai.academyou.co/dersler/istatistik/pareto/): Bir mobil oyunda oyuncuların %20'si gelirin %59'unu mu oluşturuyor? Pareto dağılımıyla "80/20 kuralının" arkasındaki matematiği kuruyoruz.
- [Merkezi limit teoremi](https://ai.academyou.co/dersler/istatistik/merkezi-limit-teoremi/): Kaynak veri ne kadar çarpık olursa olsun, örneklem ortalamaları neden hep Normal dağılıma yaklaşır? İstatistiğin en güçlü teoremini kuruyoruz.
- [Örnekleme ve örneklem hatası](https://ai.academyou.co/dersler/istatistik/ornekleme-ve-orneklem-hatasi/): 50.000 haneli bir şehirde herkese ulaşamıyorsun. 200 haneli bir örneklem gerçeği ne kadar yansıtır, ve yanlış seçilmiş bir örneklem seni nasıl yanıltır?
- [Güven aralığı](https://ai.academyou.co/dersler/istatistik/guven-araligi/): "%95 güvenle ortalama 67-73 arasında" ne demek — gerçek ortalamanın %95 ihtimalle orada olduğu mu? Hayır. 100 aralık çizip gerçek anlamını görüyoruz.
- [Hipotez testi mantığı](https://ai.academyou.co/dersler/istatistik/hipotez-testi-mantigi/): Yeni bir öğretim yöntemiyle sınıf ortalaması 70den 73.2ye çıktı. Bu gerçek bir iyileşme mi, yoksa şans mı? Hipotez testinin mantığını kuruyoruz.
- [z-testi ve p-değeri](https://ai.academyou.co/dersler/istatistik/z-testi-ve-p-degeri/): Bir A/B testinde yeni buton %10.5, eski buton %8.0 dönüşüm aldı. 2000 kişilik veriyle bu fark "anlamlı" mı? İki oranlı z-testini kuruyoruz.
- [t-testi](https://ai.academyou.co/dersler/istatistik/t-testi/): 14 kişilik küçük bir pilot grupla yeni bir öğretim yöntemini test ediyoruz. n bu kadar küçükken z-testi neden yetmiyor, t-testi nasıl devreye giriyor?
- [Tip 1 / Tip 2 hata ve istatistiksel güç](https://ai.academyou.co/dersler/istatistik/tip-1-tip-2-hata-ve-istatistiksel-guc/): Bir test yanlış alarm mı veriyor, yoksa gerçek bir etkiyi mi kaçırıyor? İki hata türünü ve bunları önlemenin tek yolu olan istatistiksel gücü kuruyoruz.
- [Ki-kare testi](https://ai.academyou.co/dersler/istatistik/ki-kare-testi/): Üç farklı e-posta başlığı %24, %29 ve %19 açılma oranı aldı. Bu fark başlıktan mı kaynaklanıyor, yoksa şans mı? Kategorik veride ki-kare testini kuruyoruz.
- [ANOVA](https://ai.academyou.co/dersler/istatistik/anova/): Üç öğretim yöntemini karşılaştırmak için neden 3 ayrı t-testi değil de tek bir ANOVA testi kullanırız? Cevap: 3 testin gizli bir bedeli var.
- [Bayes teoremi](https://ai.academyou.co/dersler/istatistik/bayes-teoremi/): %90 doğru bir test pozitif çıktı. Gerçekten hasta olma ihtimalin %90 mı? Hayır — %32.1. Bayes teoremi ve taban oranı yanılgısını kuruyoruz.
- [Korelasyon, nedensellik ve yaygın tuzaklar](https://ai.academyou.co/dersler/istatistik/korelasyon-nedensellik-ve-yaygin-tuzaklar/): Dört farklı veri seti, dördü de r=0.816 — ama biri doğrusal, biri eğrisel, biri tek bir aykırı değerden ibaret. r tek başına neden yetmiyor?

## Veri Bilimi

NumPy, pandas, keşifsel veri analizi, öznitelik mühendisliği. Tüm dersler: https://ai.academyou.co/dersler/veri-bilimi/

- [Veri bilimi süreci: soru → veri → model → karar](https://ai.academyou.co/dersler/veri-bilimi/veri-bilimi-sureci/): Sepet terk etme oranını azaltmak istiyorsun. Veri bilimi burada nereden başlar, nerede biter? Dört adımlık döngüyü uçtan uca kuruyoruz.
- [NumPy: dizi düşüncesi](https://ai.academyou.co/dersler/veri-bilimi/numpy-dizi-dusuncesi/): 8 ürüne KDV eklemek için döngü mü yazarsın, tek satır mı? NumPy dizileri, veriyi tek tek değil toplu düşünmeyi öğretir.
- [Broadcasting](https://ai.academyou.co/dersler/veri-bilimi/broadcasting/): 5 bölge × 4 kategorilik bir fiyat matrisine, 4 elemanlık bir kargo vektörü nasıl döngüsüz eklenir? NumPy'nin hizalama kurallarını kuruyoruz.
- [Vektörleştirme: döngüyü bırakmak](https://ai.academyou.co/dersler/veri-bilimi/vektorlestirme-donguyu-birakmak/): 1 milyon sipariş tutarına KDV eklerken Python döngüsü 0.237 saniye sürdü, NumPy 0.00173 saniye — 137 kat fark. Bu fark nereden geliyor?
- [pandas: Series ve DataFrame](https://ai.academyou.co/dersler/veri-bilimi/pandas-series-ve-dataframe/): NumPy dizisi sadece sayı tutar, sipariş numarasını unutur. pandas'ın Series ve DataFrame'i, veriye etiket ekleyerek bu sorunu çözüyor.
- [Veri okuma ve tip sorunları](https://ai.academyou.co/dersler/veri-bilimi/veri-okuma-ve-tip-sorunlari/): Bir CSV'yi okudun, tutar sütunu sayı gibi görünüyor ama toplama yapamıyorsun. pandas neden bazen sayıyı metin sanıyor, ve bunu nasıl düzeltiyoruz?
- [Seçme, filtreleme, indeksleme](https://ai.academyou.co/dersler/veri-bilimi/secme-filtreleme-indeksleme/): 300 siparişten sadece 'Elektronik ve 200 TL üstü' olanları nasıl çekersin? .loc, .iloc ve boolean filtrelemeyle pandas'ta veriyi kesip biçmeyi öğreniyoruz.
- [groupby ve pivot](https://ai.academyou.co/dersler/veri-bilimi/groupby-ve-pivot/): 7. derste her kategori için ayrı ayrı filtre yazmıştık. groupby, bunu tek satırda yapıyor — ve pivot_table, sonucu bir Excel çapraz tablosuna çeviriyor.
- [Birleştirme (merge, join, concat)](https://ai.academyou.co/dersler/veri-bilimi/birlestirme-merge-join-concat/): Sipariş tablosunda müşteri tablosunda olmayan bir müşteri var. İki tabloyu birleştirince o sipariş kaybolsun mu, kalsın mı? Cevap merge türüne bağlı.
- [Eksik veri stratejileri](https://ai.academyou.co/dersler/veri-bilimi/eksik-veri-stratejileri/): 200 müşteriden eksik verili satırları silersen %26'sını kaybedersin. Silmek mi, doldurmak mı — ve hangi değerle?
- [Aykırı değer tespiti](https://ai.academyou.co/dersler/veri-bilimi/aykiri-deger-tespiti/): IQR yöntemi 7, z-skoru yöntemi 6 aykırı değer buldu — aynı veride farklı sonuç. Hangisine güvenmeli, ve bulduktan sonra ne yapmalı?
- [Keşifçi veri analizi (EDA) yöntemi](https://ai.academyou.co/dersler/veri-bilimi/kesifci-veri-analizi-eda-yontemi/): Yeni bir veri seti aldın, hiç tanımıyorsun. Rastgele grafik çizmeden önce izlenecek üç adımlı bir sıra var — EDA'yı kuruyoruz.
- [matplotlib ile grafiğin anatomisi](https://ai.academyou.co/dersler/veri-bilimi/matplotlib-ile-grafigin-anatomisi/): plt.plot() mü yazmalısın, ax.plot() mü? İkisi de çalışır ama biri, birden fazla grafik olunca seni kurtarır. Figure ve Axes'i kuruyoruz.
- [seaborn: hangi grafik ne zaman](https://ai.academyou.co/dersler/veri-bilimi/seaborn-hangi-grafik-ne-zaman/): Histogram mı, kutu grafiği mi, serpme grafik mi, ısı haritası mı? Verinin tipine göre doğru grafiği seçmek için bir karar ağacı kuruyoruz.
- [Öznitelik mühendisliği, ölçekleme ve kodlama](https://ai.academyou.co/dersler/veri-bilimi/oznitelik-muhendisligi-olcekleme-ve-kodlama/): tutar 12-715 arasında, adet 1-5 arasında. Bir modele ikisini birden verirsen, tutar adedi ezip geçer — ölçekleme burada devreye giriyor.
- [Veri sızıntısı (leakage): en pahalı hata](https://ai.academyou.co/dersler/veri-bilimi/veri-sizintisi-leakage-en-pahali-hata/): Aynı veri, aynı model — sadece kodlamayı split'ten önce mi sonra mı yaptığına göre R² 0.739 ya da 0.677 çıkıyor. Test skoru nasıl yalan söyler?

## Makine Öğrenmesi

Regresyondan karar ağaçlarına, boosting ve kümelemeye. Tüm dersler: https://ai.academyou.co/dersler/makine-ogrenmesi/

- [Makine öğrenmesine giriş](https://ai.academyou.co/dersler/makine-ogrenmesi/makine-ogrenmesine-giris/): Spam tespiti için kural mı yazarsın, yoksa örneklerden mi öğretirsin? İkisini de deneyip makine öğrenmesinin ne olduğunu somut bir farkla kuruyoruz.
- [Denetimli / denetimsiz / pekiştirmeli](https://ai.academyou.co/dersler/makine-ogrenmesi/denetimli-denetimsiz-pekistirmeli/): Etiketli veri, etiketsiz veri, ya da sadece bir ödül sinyali — makine öğrenmesinin üç ailesini, üç somut örnekle ayırıyoruz.
- [Basit doğrusal regresyon](https://ai.academyou.co/dersler/makine-ogrenmesi/basit-dogrusal-regresyon/): 20 evin metrekare-fiyat verisinden, hatayı 16.4 kat azaltan bir doğru buluyoruz. Bu doğru nasıl 'bulunuyor', hangi doğru en iyisi?
- [Çoklu doğrusal regresyon](https://ai.academyou.co/dersler/makine-ogrenmesi/coklu-dogrusal-regresyon/): Metrekareye oda sayısını ekleyince kapalı formül yetersiz kalmaya başlayabilir. Gradyan inişi, aynı sonuca adım adım nasıl ulaşıyor?
- [Regresyon başarı metrikleri](https://ai.academyou.co/dersler/makine-ogrenmesi/regresyon-basari-metrikleri/): MSE'yi zaten biliyorsun. Peki MAE, RMSE ve R² ne işe yarar, ve tek bir aykırı değer neden RMSE'yi %191 artırırken MAE'yi sadece %69 artırıyor?
- [Polinom regresyon](https://ai.academyou.co/dersler/makine-ogrenmesi/polinom-regresyon/): Metrekarenin karesini eklemek MSE'yi 2.7 kat düşürüyor -- ama dereceyi 15'e çıkarmak neden daha da kötü sonuç veriyor?
- [Aşırı öğrenme ve bias-variance](https://ai.academyou.co/dersler/makine-ogrenmesi/asiri-ogrenme-ve-bias-variance/): Derece=1 model de kötü, derece=16 model de kötü -- ama farklı nedenlerle. Aradaki derece=7 neden en iyisi, ve bunu nasıl anlarız?
- [Ridge, Lasso, Elastic Net](https://ai.academyou.co/dersler/makine-ogrenmesi/ridge-lasso-elastic-net/): 6 öznitelikten 3'ü saf gürültü. Lasso bu 3'ünü katsayısını tam sıfıra indirerek 'eliyor' -- Ridge neden aynısını yapamıyor?
- [Çapraz doğrulama türleri](https://ai.academyou.co/dersler/makine-ogrenmesi/capraz-dogrulama-turleri/): Karıştırılmış bir K-Fold, zaman serisi verisinde R²=0.31 gösteriyor; doğru yöntem R²=-3.71 buluyor. Aradaki fark, gelecekteki veriyi eğitime sızdırmak.
- [Lojistik regresyon](https://ai.academyou.co/dersler/makine-ogrenmesi/lojistik-regresyon/): Doğrusal regresyon, 0 saat çalışan bir öğrenciye -0.11 geçme 'olasılığı' veriyor. Bu anlamsız sayı, lojistik regresyona neden ihtiyacımız olduğunu gösteriyor.
- [Sınıflandırma başarı metrikleri](https://ai.academyou.co/dersler/makine-ogrenmesi/siniflandirma-basari-metrikleri/): Herkese 'hastalık yok' diyen bir model %90 doğruluk alıyor ama tüm hastaları kaçırıyor. Doğruluk neden bazen yanıltıcı, hangi metrik ne zaman doğru?
- [Dengesiz veri seti](https://ai.academyou.co/dersler/makine-ogrenmesi/dengesiz-veri-seti/): 1000 işlemden 30'u dolandırıcılık. Düz bir model bunların tek birini bile yakalayamıyor -- recall tam olarak sıfır. İki basit düzeltme bunu nasıl çözüyor?
- [Destek vektör makineleri](https://ai.academyou.co/dersler/makine-ogrenmesi/destek-vektor-makineleri/): Lojistik regresyon 'bir sınır bulur'. SVM 'en geniş marjinli sınırı' bulur -- ve bu marjini sadece 2 nokta belirliyor. Diğer 38 nokta neden önemsiz?
- [Kernel hilesi](https://ai.academyou.co/dersler/makine-ogrenmesi/kernel-hilesi/): Öznitelikleri elle 3 boyuta genişletmek ile RBF kernel kullanmak aynı sonucu veriyor. Farkları ne, ve kernel neden 'hile' olarak adlandırılıyor?
- [Naive Bayes](https://ai.academyou.co/dersler/makine-ogrenmesi/naive-bayes/): Model, öznitelikler bağımsızmış gibi davranıyor -- ama gerçekte aralarında 0.375 korelasyon var. Bu 'yanlış' varsayım neden hâlâ %92.5 doğruluk veriyor?
- [KNN](https://ai.academyou.co/dersler/makine-ogrenmesi/knn/): KNN hiç 'eğitilmiyor' -- tahmin anında tüm veriye bakıyor. Ama bir özniteliği 100 kat büyütmek doğruluğu %97.8'den %73.3'e düşürüyor. Neden?
- [Karar ağaçları](https://ai.academyou.co/dersler/makine-ogrenmesi/karar-agaclari/): Sınırsız derinlikli bir ağaç eğitim verisini %100 ezberliyor ama çapraz doğrulamada derinlik=2'den neredeyse hiç iyi değil. Nasıl ezberliyor, nasıl önleriz?
- [Entropi, Gini, bilgi kazancı](https://ai.academyou.co/dersler/makine-ogrenmesi/entropi-gini-bilgi-kazanci/): Aynı veriye Gini kriteriyle kurulan ağaç %94.2, entropi kriteriyle kurulan ağaç %86.7 doğruluk veriyor. İki 'kirlilik' ölçüsü neden farklı ağaçlar üretiyor?
- [Topluluk (ensemble) yöntemleri](https://ai.academyou.co/dersler/makine-ogrenmesi/topluluk-yontemleri/): Aynı veriye kurulan 8 karar ağacı, aynı yeni müşteri için 2 farklı tahmin veriyor. Tek bir ağaca güvenmek yerine, hepsinin oyunu alsak?
- [Random Forest](https://ai.academyou.co/dersler/makine-ogrenmesi/random-forest/): Random Forest, 4 saf gürültü özniteliğini kendi kendine düşük öneme indiriyor -- hiçbirini elle çıkarmadan. Bagging'den tek farkı nedir?
- [AdaBoost](https://ai.academyou.co/dersler/makine-ogrenmesi/adaboost/): Tek bir 'karar kütüğü' %68 doğruluk veriyor. 50 tanesini AdaBoost ile art arda birleştirince %98.5'e çıkıyor. Ağaçlar burada neden sırayla kuruluyor?
- [Gradient Boosting](https://ai.academyou.co/dersler/makine-ogrenmesi/gradient-boosting/): Her yeni ağaç, fiyata değil bir öncekinin hatasına uyduruluyor. 3 turda MSE 74.6'dan 11.3'e iniyor -- ama en yüksek öğrenme oranı çapraz doğrulamada en kötüsü.
- [XGBoost](https://ai.academyou.co/dersler/makine-ogrenmesi/xgboost/): 1000 ağaç istendi ama XGBoost 27'de kendiliğinden durdu -- ve scikit-learn'ün Gradient Boosting'inden 2.6 kat hızlı, neredeyse aynı doğrulukla.
- [LightGBM](https://ai.academyou.co/dersler/makine-ogrenmesi/lightgbm/): 20.000 satırda LightGBM, XGBoost'tan 2.9 kat hızlı -- kategorik bir özniteliği one-hot encode etmeden de kullanabiliyor. Hız nereden geliyor?
- [Box-Cox dönüşümü](https://ai.academyou.co/dersler/makine-ogrenmesi/box-cox-donusumu/): Gelirin çarpıklığı 2.543. Box-Cox sonrası -0.001'e iniyor, Shapiro-Wilk p-değeri 0.00000'dan 0.84489'a fırlıyor. Tek formül bunu nasıl başarıyor?
- [PCA](https://ai.academyou.co/dersler/makine-ogrenmesi/pca/): 5 öznitelikli bir veri setinde ilk 2 bileşen varyansın %99.6'sını açıklıyor. 5 sayı yerine 2 sayı yeterliyse, diğer 3'ü nereye kayboldu?
- [K-Means](https://ai.academyou.co/dersler/makine-ogrenmesi/k-means/): 20 rastgele başlangıçtan 9'u kötü bir yerel optimuma takılıyor. K-Means'in 'ata, sonra merkez güncelle' döngüsü neden bazen yanlış bir yerde durabiliyor?
- [Kümeleme başarı metrikleri](https://ai.academyou.co/dersler/makine-ogrenmesi/kumeleme-basari-metrikleri/): Inertia, k arttıkça hep azalır -- asla bir 'en iyi k' göstermez. Silhouette skoru ise k=3'te tam zirve yapıp sonra düşüyor. Aradaki fark ne?
- [Hiyerarşik kümeleme](https://ai.academyou.co/dersler/makine-ogrenmesi/hiyerarsik-kumeleme/): İki kümeyi ince bir nokta köprüsü birleştiriyor. single-linkage köprüyü takip edip kümeleri yanlışlıkla birleştiriyor (ARI=0.725), diğer 3 yöntem düşmüyor.
- [DBSCAN](https://ai.academyou.co/dersler/makine-ogrenmesi/dbscan/): İki 'ay' şeklindeki kümede K-Means'in ARI'si sadece 0.245. DBSCAN aynı veride 2 kümeyi doğru buluyor ve 11 gürültü noktasını fark ediyor. Fark nereden geliyor?
- [Isolation Forest](https://ai.academyou.co/dersler/makine-ogrenmesi/isolation-forest/): Normal bir noktayı rastgele bölünmelerle izole etmek ortalama 12.3 adım sürüyor. Bir anomaliyi izole etmek sadece 4.8 adım. Neden bu kadar farklı?

## Derin Öğrenme: Görüntü

Sinir ağı temelleri, backpropagation, optimizerlar ve CNN. Tüm dersler: https://ai.academyou.co/dersler/derin-ogrenme-vision/

- [Perceptron](https://ai.academyou.co/dersler/derin-ogrenme-vision/perceptron/): Perceptron, VE kapısını 4 turda öğreniyor. XOR'da 200 tur sonunda bile doğruluk hep %50'de kalıyor -- eğitim sorunu değil, matematiksel imkansızlık.
- [Yapay sinir ağına giriş](https://ai.academyou.co/dersler/derin-ogrenme-vision/yapay-sinir-agina-giris/): 1. derste tek bir doğru XOR'u asla tam çözemiyordu. Araya sadece bir gizli katman eklemek, aynı problemi %100 doğrulukla çözüyor. Fark nereden geliyor?
- [İleri yayılım](https://ai.academyou.co/dersler/derin-ogrenme-vision/ileri-yayilim/): 10.000 örneği tek tek işlemek 0.055 saniye sürüyor. Aynı işi tek bir matris çarpımıyla yapmak 0.0003 saniye -- 179 kat hızlı. Fark nereden geliyor?
- [Geri yayılım](https://ai.academyou.co/dersler/derin-ogrenme-vision/geri-yayilim/): Elle türetilen gradyan -0.175500. Ağırlığı ε kadar oynatıp ölçülen gradyan de -0.175500. Fark tam sıfır -- zincir kuralı gerçekten çalışıyor mu?
- [Kaybolan gradyan problemi](https://ai.academyou.co/dersler/derin-ogrenme-vision/kaybolan-gradyan-problemi/): 15 katmanlı bir ağda sigmoid'in ilk katman gradyanı 1.05e-10. ReLU'da tam olarak 1.00 -- 928 milyon kat fark. Neden bu kadar büyük?
- [Sigmoid](https://ai.academyou.co/dersler/derin-ogrenme-vision/sigmoid/): x=0'da sigmoid'in türevi 0.25 (maksimum). x=10'da sadece 0.000045. 5. dersteki kaybolan gradyanın kök nedeni, bu tek eğrinin şeklinde saklı.
- [TanH](https://ai.academyou.co/dersler/derin-ogrenme-vision/tanh/): tanh(x), 2·sigmoid(2x)-1 ile birebir aynı çıkıyor -- fark her yerde tam sıfır. İki 'farklı' fonksiyon aslında aynı eğrinin yeniden ölçeklenmiş hali mi?
- [ReLU ve GELU](https://ai.academyou.co/dersler/derin-ogrenme-vision/relu-ve-gelu/): Kötü bir başlangıçla ReLU'nun gradyanı tam sıfır -- asla toparlanamaz. Aynı senaryoda GELU'nun gradyanı küçük ama sıfır değil. Neden?
- [Softmax](https://ai.academyou.co/dersler/derin-ogrenme-vision/softmax/): Negatif logit içeren bir kümeyi sadece toplama bölmek, negatif bir 'olasılık' üretiyor. Softmax aynı kümede tüm değerleri pozitif tutuyor. Fark nereden geliyor?
- [Aktivasyon fonksiyonu özet kartı](https://ai.academyou.co/dersler/derin-ogrenme-vision/aktivasyon-fonksiyonu-ozet-karti/): 4 dersin özeti: ReLU'nun x=-5'teki türevi tam 0.00000, GELU'nunki -0.00000. Neredeyse aynı görünüyor ama biri kalıcı ölüm, diğeri toparlanma şansı demek.
- [Kayıp ve maliyet fonksiyonları](https://ai.academyou.co/dersler/derin-ogrenme-vision/kayip-ve-maliyet-fonksiyonlari/): 4 tahminin hatalarını doğrudan ortalarsak sonuç tam olarak 0.0000 çıkıyor -- model 'mükemmel' görünüyor! Ama hiçbir tahmin doğru değildi. Ne oldu?
- [Regresyon kayıp fonksiyonları](https://ai.academyou.co/dersler/derin-ogrenme-vision/regresyon-kayip-fonksiyonlari/): Tek bir tahmin gerçekten çok saparsa MSE ~910 kat, MAE 15 kat, Huber 173 kat büyüyor. Aynı aykırı değer, kayıp fonksiyonuna göre çok farklı bir 'felaket' demek.
- [Sınıflandırma kayıp fonksiyonları](https://ai.academyou.co/dersler/derin-ogrenme-vision/siniflandirma-kayip-fonksiyonlari/): z=-5.0'da MSE+sigmoid'in gradyanı sadece -0.013, cross-entropy'ninki -0.993 -- 75 kat fark. Aynı 'çok yanlış' tahminde biri ağırlığı zar zor kımıldatıyor.
- [Optimizasyona giriş](https://ai.academyou.co/dersler/derin-ogrenme-vision/optimizasyona-giris/): lr=1.2 ile w, 10'dan başlayıp -9.2, 17.7, -20.0 diye salınarak büyüyor. lr=0.4 ile aynı başlangıç 3 adımda minimuma iniyor. Tek fark: öğrenme oranı.
- [SGD, batch, momentum](https://ai.academyou.co/dersler/derin-ogrenme-vision/sgd-batch-momentum/): Aynı w'de batch=1 gradyanları std=4.28 ile sıçrıyor; batch=32'de 0.73'e iniyor. Momentum (β=0.9) gürültünün std'sini 2.16'dan 0.36'ya, 6 kat indiriyor.
- [Adagrad](https://ai.academyou.co/dersler/derin-ogrenme-vision/adagrad/): SGD ile sık ve seyrek ağırlık benzer hızda küçülür (-7 ve -5). Adagrad ile seyrek ağırlık çok daha az küçülür (1.17 ve 3.71) -- kendi geçmişini hatırlıyor.
- [RMSprop ve Adadelta](https://ai.academyou.co/dersler/derin-ogrenme-vision/rmsprop-ve-adadelta/): Sabit gradyanla Adagrad'ın efektif lr'ı 200 adımda 0.4'ten 0.028'e sürekli küçülüyor. RMSprop aynı koşulda 100. adımdan sonra 0.1'de sabitleniyor.
- [Adam](https://ai.academyou.co/dersler/derin-ogrenme-vision/adam/): Bias düzeltmesi olmadan Adam'ın ilk adımları 3-5 kat büyük, w minimumu aşıp -2.97'ye savruluyor. (1-beta^t)'ye bölen tek satırla adımlar tam lr=0.3 oluyor.
- [Patlayan gradyan ve clipping](https://ai.academyou.co/dersler/derin-ogrenme-vision/patlayan-gradyan-ve-clipping/): w=1.5 (sadece %50 büyük) 20 katmanda gradyanı 2216 katına çıkarıyor. Tek güncelleme ağırlığı 1.5'ten -20.7'ye savuruyor -- clipping bunu 5'e sabitliyor.
- [Ağırlık ilklendirme](https://ai.academyou.co/dersler/derin-ogrenme-vision/agirlik-ilklendirme/): Sıfır ilklendirmede 4 nöron tamamen aynı gradyanı alıyor -- asla ayrışmıyorlar. ReLU ile Xavier 10. katmanda sinyali 0.027'ye düşürürken He 0.57'de tutuyor.
- [L1/L2 düzenlileştirme](https://ai.academyou.co/dersler/derin-ogrenme-vision/l1-l2-duzenlilestirme/): weight_decay=0'da ağ eğitim verisini ezberliyor (kayıp~0, ağırlık normu 666). wd=0.01'de test kaybı en düşük (0.017); wd=0.1'de yetersiz öğrenmeye kayıyor.
- [Dropout](https://ai.academyou.co/dersler/derin-ogrenme-vision/dropout/): train()'da aynı girdiye 3 farklı çıktı geliyor (rastgele maskeleme); eval()'da hep aynı. Dropout=0.1 test kaybını 0.0715'ten 0.0515'e düşürüyor.
- [Batch normalization](https://ai.academyou.co/dersler/derin-ogrenme-vision/batch-normalization/): Kötü ilklendirmeyle (std=0.1) sinyal BatchNorm'suz 10 katmanda 1.00'den 0.24'e sürünüyor. BatchNorm'la ilk katmandan sonra ~0.63'te sabitleniyor.
- [Layer normalization](https://ai.academyou.co/dersler/derin-ogrenme-vision/layer-normalization/): Aynı örnek, LayerNorm'da her zaman aynı sonucu veriyor. BatchNorm'da ise komşulara göre [0,0,0,0] veya [-0.49,0.51,-1.29,1.11] gibi farklı sonuçlar çıkıyor.
- [Görüntü verisi nedir](https://ai.academyou.co/dersler/derin-ogrenme-vision/goruntu-verisi-nedir/): 4x4'lük bir 'görüntü' aslında sadece 16 sayı. RGB versiyonu (4,4,3) şeklinde -- her piksel artık 3 sayı. PyTorch bu kanalları NumPy'dan farklı sırada bekliyor.
- [Neden tam bağlı ağ yetmez](https://ai.academyou.co/dersler/derin-ogrenme-vision/neden-tam-bagli-ag-yetmez/): 224x224 görüntüde tek gizli katman 77 milyon parametre gerektiriyor. Daha kötüsü: kareyi köşeden köşeye kaydırınca doğruluk %100'den %55'e (rastgele) düşüyor.
- [Konvolüsyon işlemi](https://ai.academyou.co/dersler/derin-ogrenme-vision/konvolusyon-islemi/): Aynı 10x10 görsele üç farklı 3x3 çekirdek uygulanınca üç tamamen farklı sonuç çıkıyor: biri kenarı vurguluyor, biri bulanıklaştırıyor, biri keskinleştiriyor.
- [Filtre, stride, padding](https://ai.academyou.co/dersler/derin-ogrenme-vision/filtre-stride-padding/): Padding'siz 5x5 görselde köşe piksel pencere tarafından sadece 1 kez görülüyor -- merkez piksel 9 kez. Padding ekleyince köşe 4 kez görülüyor.
- [Pooling katmanları](https://ai.academyou.co/dersler/derin-ogrenme-vision/pooling-katmanlari/): Tek bir aykırı piksel (100) eklenince MaxPool bunu doğrudan yansıtıyor (6->100), AvgPool ise ortalamaya gizleyip 28.5'e çıkıyor -- çok daha az etkileniyor.
- [CNN mimarisinin tamamı](https://ai.academyou.co/dersler/derin-ogrenme-vision/cnn-mimarisinin-tamami/): Aynı 16x16 'artı' şekli conv->relu->pool->conv->relu->pool->flatten->FC->softmax'tan geçip 10 sınıf üzerinde bir dağılıma dönüşüyor -- en yüksek olasılık %64.
- [Klasik mimariler (LeNet → ResNet)](https://ai.academyou.co/dersler/derin-ogrenme-vision/klasik-mimariler/): 30 katmanlı düz bir ağda gradyan tam 0.0'a (float32'nin altına) düşüyor. Atlama bağlantılı (ResNet) ağda aynı derinlikte gradyan 99.45'e kadar büyüyor.
- [Veri artırma](https://ai.academyou.co/dersler/derin-ogrenme-vision/veri-artirma/): Augmentation'sız eğitilen bir CNN, eğitimde %100 ama yeni pozisyonlarda sadece %60 doğru. Rastgele kaydırma eklenince ikisi de %100'e çıkıyor.
- [Transfer öğrenme](https://ai.academyou.co/dersler/derin-ogrenme-vision/transfer-ogrenme/): 11.7M parametreli ResNet18'i dondurup son katmanı değiştirince, eğitilebilir oran %0.022'ye iniyor -- neredeyse hiçbir şey yeniden öğrenilmiyor.
- [Nesne tespitine giriş](https://ai.academyou.co/dersler/derin-ogrenme-vision/nesne-tespitine-giris/): 4 aday kutudan 3'ü aynı nesneyi işaret ediyordu (IoU>0.5). Non-Max Suppression bunları tek kutuya indirip 2 net tespit bıraktı.
- [Segmentasyona giriş](https://ai.academyou.co/dersler/derin-ogrenme-vision/segmentasyona-giris/): Hiçbir piksel işaretlemeyen bir tahmin bile %85.94 piksel doğruluğu alıyor (arka plan baskın olduğu için) ama IoU'su tam sıfır -- IoU çok daha dürüst.

## Derin Öğrenme: NLP & LLM

Tokenization, gömme, RNN, attention, transformer ve dil modelleri. Tüm dersler: https://ai.academyou.co/dersler/derin-ogrenme-nlp/

- [NLP'ye giriş](https://ai.academyou.co/dersler/derin-ogrenme-nlp/nlp-ye-giris/): Zıt anlamlı iki cümle -- 'çok iyi, hiç kötü değil' ve 'hiç iyi değil, çok kötü' -- bag-of-words'te birebir aynı sayı dizisine dönüşüyor. Sorun nedir?
- [Metin ön işleme](https://ai.academyou.co/dersler/derin-ogrenme-nlp/metin-on-isleme/): 'değil'i durak kelime sayıp çıkarınca cümle sadece ['iyi','kötü'] kalıyor -- olumsuzluk kayboluyor. Gövde bulma da 'masa'yı yanlışlıkla 'mas'a kırpıyor.
- [Tokenization ve BPE](https://ai.academyou.co/dersler/derin-ogrenme-nlp/tokenization-ve-bpe/): Aynı tokenizer ile İngilizce kelimeler ortalama 1.33 token'a inerken Türkçe kelimeler 6.67 token'a bölünüyor -- 5 kat fark. Neden?
- [Bag-of-words'ten gömmeye](https://ai.academyou.co/dersler/derin-ogrenme-nlp/bag-of-words-ten-gommeye/): One-hot'ta 'kral'-'kraliçe' benzerliği 0.00 -- 'kral'-'masa' ile birebir aynı. TF-IDF bile bu kelime-anlamı sorununu çözmüyor.
- [Word embedding (Word2Vec, GloVe)](https://ai.academyou.co/dersler/derin-ogrenme-nlp/word-embedding/): 4. derste 'kral-kraliçe' benzerliği 0.00'dı. Embedding'lerde kraliçe kralın en yakın komşusu oluyor -- 'kral-erkek+kadın' aritmetiği de kraliçe'yi buluyor.
- [RNN](https://ai.academyou.co/dersler/derin-ogrenme-nlp/rnn/): 1. derste bag-of-words aynı vektörü verdi. Eğitilmemiş bir RNN bile bu iki cümleyi farklı son gizli durumlara çeviriyor -- sadece sıraya duyarlı olduğu için.
- [LSTM ve GRU](https://ai.academyou.co/dersler/derin-ogrenme-nlp/lstm-ve-gru/): 50 adımlık dizide RNN'in gradyanı 4.6e-16'ya çöküyor. LSTM'inki aynı uzunlukta 58.759 kat büyük -- hücre durumu, ResNet'in atlama fikrini zamanda uyguluyor.
- [Sekans modellerinin sınırı](https://ai.academyou.co/dersler/derin-ogrenme-nlp/sekans-modellerinin-siniri/): 100 kelimelik bir dizide LSTM'nin gradyanı 5.7e-22'ye çöküyor -- ilk kelime fiilen unutuluyor. Üstelik dizi 16 kat uzayınca işlem süresi de 8 kat artıyor.
- [Attention fikri](https://ai.academyou.co/dersler/derin-ogrenme-nlp/attention-fikri/): 'kral ülkeyi adaletle yönetti'de bir sorgu, kral'a 0.614, ülkeyi'ye 0.337 ağırlık verir -- tek vektör yerine, kelimelerin ağırlıklı karışımı alınır.
- [Self-attention mekaniği (Q, K, V)](https://ai.academyou.co/dersler/derin-ogrenme-nlp/self-attention-mekanigi/): 'Kedi masaya çıktı çünkü o yorulmuştu' cümlesinde self-attention, 'o' zamirinin %52 ağırlıkla 'Kedi'ye baktığını hiçbir dilbilgisi kuralı olmadan buluyor.
- [Attention'ın Python'la adım adım kurulumu](https://ai.academyou.co/dersler/derin-ogrenme-nlp/attentionin-pythonla-adim-adim-kurulumu/): Elle yazılan attention fonksiyonu, PyTorch'un yerleşiğiyle 2.4e-07 farkla eşleşiyor. Nedensel maskeyle bir token, gelecekteki kelimeleri artık hiç göremiyor.
- [Multi-head attention](https://ai.academyou.co/dersler/derin-ogrenme-nlp/multi-head-attention/): Tek başlık 'çıktı'nın nereye baktığını bulamadı (ağırlıklar 0.136-0.204 arası düz). İki başlıkla, biri 'o→Kedi'yi biri 'çıktı→masaya'yı yakalıyor.
- [Pozisyonel kodlama](https://ai.academyou.co/dersler/derin-ogrenme-nlp/pozisyonel-kodlama/): Token sırası karıştırılıp geri sıralanınca self-attention çıktısı değişmiyor (fark ~0) -- konum kavramı yok. Sinüzoidal kodlama eklenince fark 1.40'a çıkıyor.
- [Layer norm ve artık bağlantılar](https://ai.academyou.co/dersler/derin-ogrenme-nlp/layer-norm-ve-artik-baglantilar/): 50 katman üst üste yığılınca, artık bağlantı olmadan gradyan 1.23e-06'ya çöküyor. Artık bağlantıyla 448'de kalıyor -- layer norm da büyüklüğü 4.0'da sabitliyor.
- [Position-wise feed-forward ağ](https://ai.academyou.co/dersler/derin-ogrenme-nlp/position-wise-feed-forward-ag/): 0. token'ı değiştirince attention'da diğer token'ların çıktısı değişiyor (fark 3-12); FFN'de fark tam sıfır. FFN, parametrelerin attention'ın 2 katını taşıyor.
- [Encoder-decoder yapısı](https://ai.academyou.co/dersler/derin-ogrenme-nlp/encoder-decoder-yapisi/): 'cat' üretilirken çapraz dikkat, kaynak cümledeki 'Kedi'ye 0.658 ağırlıkla bakıyor. Decoder, encoder çıktısına bu yeni dikkat türüyle bağlanır.
- [Transformer'ın eğitimi ve çıkarımı](https://ai.academyou.co/dersler/derin-ogrenme-nlp/transformerin-egitimi-ve-cikarimi/): Eğitilen bir decoder, 'ABCABC...' örüntüsünü kayıp 0.0001'e inene kadar öğrendi ve kendi tahminleriyle 20 token doğru üretti. Çıkarım, eğitimin 7.3 katı yavaş.
- [GPT ile "Attention is All You Need" farkı](https://ai.academyou.co/dersler/derin-ogrenme-nlp/gpt-ile-attention-is-all-you-need-farki/): GPT çapraz dikkati atar, sadece decoder kullanır (%75 parametre). Post-norm'da gradyan 100 katmanda 45.000 kat büyüyor; pre-norm makul aralıkta kalıyor.
- [Transformer mimarisi: bütün resim](https://ai.academyou.co/dersler/derin-ogrenme-nlp/transformer-mimarisi-butun-resim/): 6.179 parametrelik eğitilmiş bir mini-GPT, 'ABCAB'den sonra 'C'yi %99.99 olasılıkla tahmin ediyor -- 9-18. dersin tüm parçaları burada birleşiyor.
- [Dil modeli nedir, ne yapar](https://ai.academyou.co/dersler/derin-ogrenme-nlp/dil-modeli-nedir-ne-yapar/): Eğitilmemiş modelin şaşırması (perplexity) 3.94; eğitilmiş modelinki 1.0001'e iniyor. Model, hiç görmediği bağlam uzunluklarında bile doğru tahmin yapıyor.
- [Ön eğitim, ince ayar, hizalama (RLHF/DPO)](https://ai.academyou.co/dersler/derin-ogrenme-nlp/on-egitim-ince-ayar-hizalama-rlhf-dpo/): Aynı yönlü yeni görevde ince ayar adım 0'da kayıpsız başlıyor (pozitif transfer). Ters yönlü görevde sıfırdan eğitimden bile yavaş kalıyor (negatif transfer).
- [Bir sonraki token: örnekleme, temperature, top-k/top-p](https://ai.academyou.co/dersler/derin-ogrenme-nlp/bir-sonraki-token-ornekleme-temperature-top-k-top-p/): Model 'AB'den sonra %61.6 C, %38.4 D öğreniyor. Açgözlü çözme her zaman C üretir; 1000 örneklemede gerçek oran %61.5/%38.5 -- örnekleme belirsizliği korur.

## Prompt Mühendisliği

Bağlam, few-shot, RAG ve ajanlar. Tüm dersler: https://ai.academyou.co/dersler/prompt-muhendisligi/

- [Prompt nedir, model ne "görüyor"](https://ai.academyou.co/dersler/prompt-muhendisligi/prompt-nedir-model-ne-goruyor/): 'explain quantum computing to a five year old' 8 kelime ama 25 token -- 'quantum' 5 parçaya bölünüyor. Model cümleni okumaz, sadece bu sayı dizisini görür.
- [Bağlam penceresi, token ve maliyet](https://ai.academyou.co/dersler/prompt-muhendisligi/baglam-penceresi-token-ve-maliyet/): 100 token'lık pencerede, 10 mesajlık sohbetin 8 mesajı siliniyor. Her tur tüm geçmişi tekrar gönderdiği için maliyet doğrusal değil karesel büyüyor.
- [Prompt anatomisi: görev, bağlam, kısıt, format](https://ai.academyou.co/dersler/prompt-muhendisligi/prompt-anatomisi-gorev-baglam-kisit-format/): 'Write something about dogs' 19 token; görev+bağlam+kısıt+format ekleyince 83 token'a çıkıyor (4.4x). Ama bu, bir netleştirme turundan genelde daha ucuz.
- [Rol ve persona verme](https://ai.academyou.co/dersler/prompt-muhendisligi/rol-ve-persona-verme/): 'Sen bir fizik profesörüsün' eklemek, maliyeti 4.1x artırıyor ama aynı soruyu soruyor. Persona, modelin bilgisini değil, tonunu ve kaydını değiştirir.
- [Örnekle öğretme (few-shot)](https://ai.academyou.co/dersler/prompt-muhendisligi/ornekle-ogretme-few-shot/): 3 örnek eklemek (few-shot) maliyeti 3.6x artırıyor (67 -> 240 token) ama görevi değiştirmiyor. Model kuralı yazılı açıklamadan değil, örneklerden çıkarsıyor.
- [Düşünce zinciri (chain-of-thought) ve sınırları](https://ai.academyou.co/dersler/prompt-muhendisligi/dusunce-zinciri-chain-of-thought-ve-sinirlari/): 'Adım adım düşün' demek, toplam maliyeti 2.1x artırıyor (116 -> 239 token) -- çoğu ek maliyet çıktıdan (ara adımların yazılmasından) geliyor, istemden değil.
- [Yapılandırılmış çıktı alma (JSON, şema)](https://ai.academyou.co/dersler/prompt-muhendisligi/yapilandirilmis-cikti-alma-json-sema/): 4 gerçekçi model çıktısından sadece 1'i doğrudan json.loads() ile ayrıştırılabiliyor. Sağlam bir ayrıştırıcı (markdown/virgül temizleyen) bunu 4/4'e çıkarıyor.
- [Prompt'u iyileştirme döngüsü: ölç, değiştir, karşılaştır](https://ai.academyou.co/dersler/prompt-muhendisligi/promptu-iyilestirme-dongusu-ol-degistir-karsilastir/): 3 ölçülebilir kriterle puanlanan 3 prompt varyantı, her seferinde tek bir değişiklikle 1/3'ten 3/3'e çıkıyor -- hangi değişikliğin ne düzelttiği net.
- [Yaygın başarısızlık kalıpları](https://ai.academyou.co/dersler/prompt-muhendisligi/yaygin-basarisizlik-kaliplari/): 'Mention pricing' ile olumsuzu, token'larının %86'sını paylaşıyor -- sadece 3 token anlamı tersine çeviriyor. En az değişiklik en büyük farkı yaratabilir.
- [Halüsinasyon: neden olur, nasıl azaltılır](https://ai.academyou.co/dersler/prompt-muhendisligi/halusinasyon-neden-olur-nasil-azaltilir/): Eğitimde hiç görülmeyen bir bağlamda bile model %100 güvenle cevap üretiyor. 'Bilmiyorum' seçeneği yok -- softmax her zaman 1'e toplanan bir dağılım üretir.
- [RAG'e giriş](https://ai.academyou.co/dersler/prompt-muhendisligi/rag-giris/): Bir sorgu, 6 belge arasından doğru olanı 0.422 benzerlikle buluyor -- alakasız belgeler 0.0. RAG, bu bulunan bilgiyi bağlama ekleyerek uydurmayı önlüyor.
- [Ajan mantığına giriş](https://ai.academyou.co/dersler/prompt-muhendisligi/ajan-mantigina-giris/): Bir ajan döngüsü, bir soruyu gerçek arama ve hesaplamayla, iki araç çağrısıyla çözüyor. Güvenli hesap makinesi, kötü niyetli bir girdiyi reddediyor.