Makine Öğrenmesi 2024-2025 Vize Soruları (Güz)

Giriş

Öğrenme, bilgi edinme, deneyim kazanma ve davranışsal değişiklikleri içeren karmaşık bir süreçtir. Makine öğrenmesi ise, bu süreci algoritmalar aracılığıyla modelleyerek, veri yoğun dünyamızda bilgi çıkarmak ve kararlar almak için kullanılan önemli bir araçtır. Makine öğrenmesi; finans, ulaşım, güvenlik ve tıp gibi birçok anahtar sektörde kullanılmaktadır. Bu makalede, makine öğrenmesinin temel türleri, kullanılan algoritmalar ve bu süreçte kullanılan araçlar incelenecektir.

Makine Öğrenmesi Türleri

Makine öğrenmesi, öğrenme yöntemine göre üç ana kategoriye ayrılır:

• Denetimli Öğrenme (Supervised Learning): Algoritmanın, girdilerin ve beklenen çıktıların (etiketlerin) bulunduğu bir veri seti ile eğitildiği türdür. Geçmiş verilere dayanarak gelecekteki sıcaklık veya yağmur olasılığını tahmin eden “hava durumu uygulamaları” veya “e-posta sınıflandırıcıları” bu öğrenme türüne örnektir.
• Denetimsiz Öğrenme (Unsupervised Learning): Etiketli verilerin olmadığı, algoritmanın verideki gizli yapıları ve örüntüleri kendi başına bulmaya çalıştığı türdür. “Müşteri kategorizasyonu” (kümeleme) bu türe bir örnektir.
• Pekiştirmeli Öğrenme (Reinforcement Learning): Bir ajanın, bir ortamda deneme-yanılma yoluyla ödüllerini maksimize etmeyi öğrendiği türdür.

Makine Öğrenmesi Süreci ve Veri Hazırlığı

Başarılı bir makine öğrenmesi modeli geliştirmek, doğru bir süreç izlemeyi gerektirir. Model seçim sürecinde; verilerin doğru etiketlenmesi, uygun biçimlendirilmesi ve performans metriklerine göre modelin eğitilmesinin tekrarlanması önemlidir. Veri hazırlığı aşamasında, veri setindeki genel eğilimin dışına çıkan veya belirgin fark gösteren gözlemler olan “aykırı verilerin” (Outliers) tespiti ve yönetimi de kritik bir adımdır.

Temel Makine Öğrenmesi Algoritmaları

• K-En Yakın Komşu (K-NN): Denetimli öğrenme algoritmasıdır. Çalışma prensibi, yeni gelen veriyi, eğitim setindeki “tüm veriler arasındaki uzaklık” (genellikle Öklid denklemi) prensibine göre sınıflandırmaktır. ‘k’ değeri, performansı etkileyen önemli bir hiperparametredir; küçük ‘k’ değeri gürültüden etkilenebilir, büyük ‘k’ değeri ise sınırları belirsizleştirebilir. Bu modelin performansı Doğruluk, Kesinlik ve F1 Skoru gibi metriklerle ölçülür; “Destek” ise bir performans metriği değildir.
• Naive Bayes (Saf Bayes): Temelinde “olasılık ilkesi” (Bayes Teoremi) yatan bir sınıflandırma algoritmasıdır. Temel varsayımı, tüm özelliklerin birbirinden bağımsız olduğudur. Eğitim için kullanılan veri miktarı arttıkça, modelin doğruluğunun artması beklenir (azalması değil).
  • Multinomial Naive Bayes: Özellikle sayısal (frekans) veriler için, metin sınıflandırma (spam tespiti vb.) problemlerinde tercih edilen türüdür.
• Karar Ağaçları: Çıktısı bilinen verilerle eğitilen bir “denetimli öğrenme” algoritmasıdır.
• Monte-Carlo Tree Search (MCTS): Özellikle oyun oynamada ve karmaşık durum uzaylarına sahip problemlerde kullanılan bir arama algoritmasıdır.

Makine Öğrenmesi Araçları: Python ve Anaconda

Makine öğrenmesi uygulamaları genellikle Python gibi dillerle geliştirilir. Python, kolay sözdizimi ve “geniş kütüphane” desteği sayesinde bu alanda çok yönlü bir kullanım sunar. Doğal dil işleme (NLP) projeleri için kullanılan en temel Python kütüphanelerinden biri “Natural Language Toolkit (NLTK)”dir.

Anaconda, veri bilimi ve makine öğrenmesi için gereken birçok kütüphaneyi ve aracı bir araya getiren popüler bir Python ve R dağıtımıdır. “Anaconda Navigator” ise bu dağıtımın grafiksel kullanıcı arayüzüdür.

1. KEn komşuluk algoritması için aşağıda verilen bilgilerden hangisi hatalı olarak verilmiştir?

A) Tercih edilen küçük ‘k’ değeri gürültünün etkisi altında kalabilir.
B) ‘k’ değeri performansı doğrudan etkileyen bir hiperparametredir.
C) Tercih edilen büyük ‘k’ değeri sınırların belirsizleşmesine neden olabilir.
D) K-NN’de uzaklık için kullanılan en yaygın yöntem Öklid denklemidir.
E) Genelde ‘k’ değeri deneme yanılma yöntemi ile belirlenir.

Cevap : E) Genelde ‘k’ değeri deneme yanılma yöntemi ile belirlenir.

Açıklama :

2. Aşağıda verilen bilgilerden hangisi Naive Bayes algoritmasının temelinde yatan hesaplama ilkesidir?

A) En küçük karesel hata ilkesi
B) Uzaklık ilkesi
C) Birliktelik ilkesi
D) Yerel minimumlar ilkesi
E) Olasılık ilkesi

Cevap : E) Olasılık ilkesi

Açıklama : Naive Bayes (Saf Bayes) algoritması, **Bayes Teoremi**’ne ve özelliklerin birbirinden bağımsız olduğu varsayımına dayanan **olasılıksal** bir sınıflandırma algoritmasıdır.

3. “Bir hava durumu uygulaması, geçmiş verilere dayanarak gelecekteki sıcaklık veya yağmur olasılığını tahmin etmeye çalışır.”
Bu uygulamayı en doğru şekilde geliştirmek için aşağıda verilen hangi makine öğrenmesi türü kullanılır?

A) Derin Öğrenme
B) Denetimsiz Öğrenme
C) Transfer Öğrenme
D) Denetimli Öğrenme
E) Pekiştirmeli Öğrenme

Cevap : D) Denetimli Öğrenme

Açıklama : Hava durumu tahmini, geçmişteki **etiketli verilere** (sıcaklık, yağmur miktarı gibi çıktı değişkenleri bilinen) dayanarak gelecekteki bir değeri tahmin etme (regresyon) problemidir. Bu tür tahmin edici sistemler **Denetimli Öğrenme** türüne girer.

4. “…………….., veri setindeki genel eğilimin dışına çıkan veya diğer verilere kıyasla belirgin bir fark gösteren gözlemlerdir.”
Yukarıda verilen ifadede boş bırakılan yere aşağıdaki seçeneklerin hangisi gelmelidir?

A) Ham Veri
B) Kesikli Veri
C) Sürekli Veri
D) Eksik Veri
E) Aykırı Veri

Cevap : E) Aykırı Veri

Açıklama : Veri setinin çoğunluğundan önemli ölçüde sapma gösteren veya genel dağılımın dışında kalan gözlemlere **Aykırı Veri** (Outlier) adı verilir.

5. “………… veri bilimi ve makine öğrenmesi uygulamaları için popüler bir Python ve R dağıtımı olan …………’nın grafiksel bir kullanıcı arayüzüdür.”
Yukarıdaki ifadede boş bırakılan yerlere sırasıyla aşağıdakilerden hangisi gelmelidir?

A) Python Navigator – Anaconda
B) Python – Kullanıcı arayüzü
C) Jupiter Lab – Anaconda
D) Anaconda – R Dili
E) Anaconda Navigator – Anaconda

Cevap : E) Anaconda Navigator – Anaconda

Açıklama : **Anaconda**; Python ve R dilleri için veri bilimi kütüphanelerini içeren popüler bir dağıtımdır. **Anaconda Navigator** ise bu dağıtımdaki uygulamalara (Jupyter, Spyder vb.) erişim sağlayan grafiksel kullanıcı arayüzüdür.

6. Aşağıda verilen makine öğrenmesi türleri ile gerçek dünya problemleri eşleştirilmesinden hangisi hatalı olarak verilmiştir?

A) Denetimsiz Öğrenme – Araç Asistanları
B) Denetimsiz Öğrenme – Müşteri Kategorizasyonu
C) Denetimsiz Öğrenme – Sosyal Medya Analitiği
D) Denetimli Öğrenme – Tahminleyici Sistemler
E) Denetimli Öğrenme – E-posta Sınıflandırıcıları

Cevap : A) Denetimsiz Öğrenme – Araç Asistanları

Açıklama : Otonom araçlardaki **Araç Asistanları** (Pekiştirmeli Öğrenme ve Denetimli Öğrenme/Tahminleme kombinasyonu) Denetimsiz Öğrenme’nin temel uygulamalarından biri değildir. Müşteri kategorizasyonu ise kümeleme (Denetimsiz Öğrenme) uygulamasıdır.

7. “…………., veri yoğun dünyamızda bilgi çıkarmanın ve kararlar almamızın önemli bir aracı haline gelmiştir.”
Yukarıda verilen cümledeki noktalı yere aşağıdakilerden hangisi gelmelidir?

A) Olasılık
B) Matematik
C) Makine öğrenmesi
D) Mühendislik
E) Büyük Veri Teknolojileri

Cevap : C) Makine öğrenmesi

Açıklama : Veri yoğun dünyada, büyük miktarda veriden otomatik olarak örüntüleri ve bilgileri çıkararak akıllı kararlar almayı sağlayan disiplin **Makine Öğrenmesi**’dir.

8. K-En komşuluk algoritması kullanılarak gerçekleştirilen uygulamalarda modelin performansı için aşağıda verilen hangi metrik kullanılamaz?

A) F1 Skoru
B) Doğruluk
C) Destek
D) Kesinlik
E) Duyarlılık

Cevap : C) Destek

Açıklama : K-En Yakın Komşu (K-NN) algoritması bir sınıflandırma modelidir. Modelin performansını ölçmek için **F1 Skoru, Doğruluk (Accuracy), Kesinlik (Precision) ve Duyarlılık (Recall)** kullanılır. **Destek (Support)** ise genellikle bir performans metriği değil, veri setindeki her sınıfın gözlem sayısını ifade eden bir terimdir.

9. “………………., çeşitli karmaşık süreçleri içeren ve kesin olarak tanımlanması zor olan bir kavram olup bilgi edinme, deneyim kazanma ve davranışsal değişiklikleri içeren bir süreç olarak tanımlanabilir.”
Yukarıda verilen cümledeki noktalı yere aşağıdakilerden hangisi gelmelidir?

A) Konuşma
B) Denklem Çıkarımı
C) Öğrenme
D) Kümeleme
E) İstatistik

Cevap : C) Öğrenme

Açıklama : Tanımda belirtilen “bilgi edinme, deneyim kazanma ve davranışsal değişiklikleri içeren karmaşık süreç”, en genel anlamıyla **Öğrenme** kavramına aittir. Makine öğrenmesi bu sürecin algoritmalarla modellenmesidir.

10. I. 1995 yılında Guido van Rossum tarafından geliştirildi.
II. Geliştirmesi kolay bir programlama dili.
III. Geniş kütüphanesi ve çok yönlülüğü.
IV. Kolay sözdizimi.
Yukarıdaki bilgilerden hangileri Python programlama dili için doğru verilmiştir?

A) II, III ve IV
B) III ve IV
C) II ve III
D) I, II ve IV
E) I, III ve IV

Cevap : B) III ve IV

Açıklama :

11. Aşağıda verilen bilgilerden hangisi Naive Bayes algoritmasının avantajları arasında gösterilemez?

A) Hem sürekli hem de kategorik verileri işleyebilir.
B) İlgisiz verilere duyarlı değildir ve tuttuğu varsayımları takip etmez.
C) Çok sayıda veri noktası ve öngörücü ile düşük ölçeklenebilirliğe sahiptir.
D) Diğer ayrım yapan modellere göre daha hızlı bir yakınsamaya sahiptir.
E) Büyük miktarda eğitim verisine ihtiyaç duymaz.

Cevap : C) Çok sayıda veri noktası ve öngörücü ile düşük ölçeklenebilirliğe sahiptir.

Açıklama : Tam tersine, Naive Bayes algoritmasının en büyük avantajlarından biri, basit yapısı nedeniyle **yüksek ölçeklenebilirliğe** sahip olmasıdır; yani çok sayıda veri noktası ve öngörücü ile hızlı ve etkin bir şekilde çalışabilir.

12. Aşağıdakilerden hangisi doğru makine öğrenmesi modelinin seçimi işlemi esnasında dikkat edilmesi gereken hususlardan biri değildir?

A) Toplanan verilerin uygun bir şekilde biçimlendirilmesi.
B) Performans metriğinin arzu edilen doğruluk seviyesine ulaşıncaya kadar modelin eğitiminin tekrarlanması.
C) Toplanan verilerin doğru bir şekilde etiketlenmesi.
D) Kullanılacak algoritmaların performans metriklerini modelleme.
E) Potansiyel veri girişlerinin doğru belirlenmesi.

Cevap : D) Kullanılacak algoritmaların performans metriklerini modelleme.

Açıklama : Makine öğrenmesi modeli seçim sürecinde; verilerin etiketlenmesi, biçimlendirilmesi ve eğitim/tekrar (iterasyon) önemlidir. **Performans metriklerini modelleme** yerine, metrikler (doğruluk, kesinlik vb.) modelin **performansını ölçmek** için kullanılır; modelin kendisi metrikleri modellemez.

13. Aşağıda verilen tabirlerden hangisi yapay zekanın temel amaçları arasında yer almaz?

A) Bilgisayarın görevlerini yerine getirme
B) Problem çözme
C) Düşünme
D) Dil anlama ve insan gibi davranma
E) Öğrenme

Cevap : A) Bilgisayarın görevlerini yerine getirme

Açıklama :

14. K-En komşuluk algoritmasının çalışma prensibi aşağıdaki seçeneklerin hangisinde doğru olarak verilmiştir?

A) Veri ile eğitim setindeki tüm veriler arasındaki uzaklık prensibine göre hesaplanır.
B) Test verisinin en küçük hata hesaplamaları için gaussian dağılımına göre hesaplanır.
C) Veri seti ile eğitim setindeki tüm verilerin ortalama ağırlıklarının dağılımı prensibine göre hesaplanır.
D) Etiketli verilerin uzaydaki genel dağılımına göre en küçük karesel hata prensibine göre hesaplanır.
E) Kümeleme algoritmalarının kesişim ve birleşim prensibine göre hesaplanır.

Cevap : A) Veri ile eğitim setindeki tüm veriler arasındaki uzaklık prensibine göre hesaplanır.

Açıklama : K-En Yakın Komşu (K-NN) algoritması, yeni gelen test verisini, eğitim setindeki **en yakın ‘k’ adet komşuya olan uzaklık** (genellikle Öklid uzaklığı) prensibine göre sınıflandırır veya tahmin eder.

15. “Doğal dil işleme projeleri için oluşturulmuş bir kütüphanedir. Metin madenciliği, metin analizi ve dil işleme görevleri için geniş bir araç ve İngilizce dilindeki metinler için büyük miktarda veri tabanı ve kaynak içerir.”
Python ortamı için verilen kütüphane aşağıdakilerden hangisidir?

A) Tensorflow
B) Natural Language Toolkit
C) Keras
D) Scikit-Learn
E) Matplotlib

Cevap : B) Natural Language Toolkit

Açıklama : Doğal Dil İşleme (NLP) görevleri için kullanılan ve metin madenciliği/analizi araçları ile kaynakları içeren Python kütüphanesi **Natural Language Toolkit (NLTK)**’tir.

16. “Özellikle oyun oynamada ve karmaşık durum uzaylarına sahip problemlerde kullanılan bir arama algoritması”
Yukarıda bilgisi verilen algoritma aşağıdaki seçeneklerin hangisinde doğru olarak verilmiştir?

A) Temporal Difference Algoritması
B) Apriori Search Algoritması
C) Q-Learning Algoritması
D) Monte-Carlo Tree Search Algoritması
E) Asynchronous Actor-Critic Agents Algoritması

Cevap : D) Monte-Carlo Tree Search Algoritması

Açıklama : **Monte-Carlo Tree Search (MCTS)**, özellikle Go ve satranç gibi **oyunlarda** ve karmaşık durum uzaylarında en iyi kararı bulmak için rastgele örnekleme ve ağaç aramayı birleştiren bir arama algoritmasıdır.

17. Aşağıdakilerden hangisi makine öğrenmesinin dünyadaki önemli anahtar noktaları arasında gösterilemez?

A) Güvenlik ve Savunma
B) Ulaşım ve Taşımacılık
C) Tıp ve Sağlık
D) Uzay ve Astronomi
E) Finans ve Yatırım

Cevap : D) Uzay ve Astronomi

Açıklama : Makine öğrenmesi, Güvenlik, Ulaşım, Sağlık ve Finans gibi temel sektörlerde büyük bir rol oynamaktadır. Uzay ve Astronomi, teknik olarak Makine Öğrenmesi kullanılan bir alan olsa da, genellikle ekonomik ve sosyal etkileri açısından diğerleri kadar **önemli anahtar noktalar** (ekonomik sektörler) arasında gösterilmez.

18. Sayısal (frekans) veriler için kullanılan, özellikle metin sınıflandırma problemlerinde tercih edilen makine öğrenmesi algoritması aşağıdakilerden hangisidir?

A) Multinomial Naive Bayes
B) Linear Naive Bayes
C) Gaussian Naive Bayes
D) Bernouli Naive Bayes
E) Laplace Naive Bayes

Cevap : A) Multinomial Naive Bayes

Açıklama : **Multinomial Naive Bayes**, metin sınıflandırma (spam tespiti, duygu analizi) gibi, verilerin frekans (sayısal) veya sayım tabanlı olduğu ayrık özelliklere sahip problemler için en uygun olan Naive Bayes çeşididir.

19. “……….. en büyük avantajlarından biri, bilimsel hesaplama, veri analizi ve makine öğrenmesi için gereken birçok kütüphaneyi ve aracı bir araya getirmesidir.”
Yukarıda verilen cümledeki noktalı yere aşağıdakilerden hangisi gelmelidir?

A) Python
B) Anaconda Navigator
C) JupyterLab
D) Spider
E) Java

Cevap : B) Anaconda Navigator

Açıklama : **Anaconda Navigator**, veri bilimi ve makine öğrenmesi için gerekli olan Python, R, Jupyter, Spyder gibi kütüphaneleri ve araçları tek bir platformda toplayan dağıtımdır.

20. Aşağıda verilen bilgilerden hangisi Naive Bayes algoritması için doğru değildir?

A) Eğitim verileri üzerinden olasılıklar hesaplanarak yeni gelen test verileri sınıflandırılır.
B) Eğitim için kullanılan veri miktarı arttıkça test verisinin doğru kategoriye atanma olasılığı azalır.
C) Test için kullanılan her bir özelliğin diğer özelliklerden bağımsız olarak sınıf etiketini etkilediği varsayılır.
D) Sınıflandırıcı belirli bir miktar eğitim verisi ile beslenerek öğrenmeye başlar.
E) Eğitim verilerinin belirli bir sınıf veya kategoriye ait olması beklenir.

Cevap : B) Eğitim için kullanılan veri miktarı arttıkça test verisinin doğru kategoriye atanma olasılığı azalır.

Açıklama : Makine öğrenmesinde, eğitim için kullanılan veri miktarı (genellikle) **arttıkça**, modelin performansı ve dolayısıyla test verisinin doğru kategoriye atanma olasılığı **artar**. Bu nedenle B şıkkı yanlıştır.