Yapay Zeka ve Makine Öğrenmesi 2024-2025 Final Soruları

Cevap: E) plt.scatter(x,y)
Açıklama : Veri biliminde ve istatistikte iki sürekli değişken (örneğin yaş ve mutluluk oranı) arasındaki doğrusal veya doğrusal olmayan ilişkiyi (korelasyonu) görsel olarak incelemek için en uygun grafik türü “Serpilme Diyagramı” (Scatter Plot)’dır. Python’un Matplotlib kütüphanesinde bu grafiği çizdirmek için `plt.scatter()` fonksiyonu kullanılır. `plt.hist()` tek değişkenin dağılımını (histogram), `plt.boxplot()` ise verinin çeyrekliklerini ve aykırı değerlerini (kutu grafiği) gösterir; iki değişken arası ilişki tayininde doğrudan kullanılmazlar.

Cevap: C) Bir kişinin boyu.
Açıklama: İstatistiksel veriler nicel (sayısal) bağlamda “Ayrık” (Discrete) ve “Sürekli” (Continuous) olmak üzere ikiye ayrılır. Ayrık veriler belirli bir aralıktaki sadece tam sayı değerlerini alabilen, sayılabilen (counted) ve aralarında küsuratlı değer bulunmayan verilerdir (öğrenci sayısı, zarın üst yüzü, gol sayısı gibi). Ancak “bir kişinin boyu” (veya ağırlığı, yaşı, sıcaklık), iki değer arasında sonsuz sayıda ondalık (küsuratlı) değer alabilen, sayılmayan ancak ölçülebilen (measured) verilerdir; bu nedenle ayrık değil “Sürekli Veri” örneğidir.

Cevap: E) ChatGPT
Açıklama: Büyük Dil Modelleri (Large Language Models – LLM), devasa boyutlardaki metin verileri üzerinde eğitilen, doğal dili işleme, anlama ve insan benzeri metinler üretme kapasitesine sahip Derin Öğrenme tabanlı yapay zeka modelleridir. (Transformer mimarisine dayanırlar). OpenAI tarafından geliştirilen GPT (Generative Pre-trained Transformer) tabanlı sohbet botu “ChatGPT”, LLM teknolojisinin günümüzdeki en ünlü ve en güçlü temsilcilerinden (örneklerinden) biridir. Deep Blue bir satranç programı, IoT (Nesnelerin İnterneti) bir donanım ağı konsepti, Turing Testi ise zeka ölçüm metodolojisidir.

Cevap: C) Naive Bayes Sınıflandırıcı ile Bayes Sınıflandırıcı (Full Bayes Classifier) birbirinin aynısı yöntemlerdir.
Açıklama : Naive Bayes ve Tam (Full) Bayes sınıflandırıcıları temelini aynı teoremden (Bayes Teoremi) alsalar da, matematiksel işleyişleri açısından birbirinin aynısı değildirler. Tam Bayes sınıflandırıcıları, nitelikler (features) arasındaki her türlü ortak etkileşimi ve koşullu bağımlılığı hesaplamak zorundadır ve bu nedenle devasa bir işlem yükü gerektirir. “Naive” (Saf) Bayes ise, problemin çözümünü inanılmaz derecede basitleştirmek için veri setindeki tüm özelliklerin birbirinden “tamamen bağımsız” olduğu gibi gerçek dışı (safça) bir varsayıma dayanır. Bu bağımsızlık varsayımı, iki algoritmayı birbirinden ayıran en temel farktır.

Cevap: C) 6.6
Açıklama :Çoklu doğrusal regresyon modelinde tahmin denklemi:
Y = β₀ + β₁X₁ + β₂X₂
şeklindedir.
Verilen değerlere göre:
Y = 2.5 + (0.05 × 40) + (0.03 × 70)
Y = 2.5 + 2 + 2.1
Y = 6.6
Buna göre CPU kullanım oranı 40 ve ekran parlaklığı seviyesi 70 olan bir akıllı telefonun tahmini günlük ortalama batarya tüketimi 6.6 birimdir.

Cevap: C) from sklearn.preprocessing import MinMaxScaler
Açıklama : Veri setindeki farklı ölçeklere sahip sayısal niteliklerin makine öğrenmesi algoritmaları (özellikle KNN, SVM veya yapay sinir ağları) tarafından yanlış ağırlıklandırılmasını önlemek için “Normalizasyon” (Ölçeklendirme) yapılır. Tüm verileri [0, 1] aralığına doğrusal olarak sıkıştıran işlem “Min-Max Normalizasyonu”dur ve Python’da scikit-learn kütüphanesindeki `MinMaxScaler` sınıfı ile uygulanır. (`StandardScaler` veriyi ortalaması 0, standart sapması 1 olacak şekilde Z-skoruna göre ölçeklendirir, aralığı [0,1] değildir).

Cevap: B) Derin öğrenme
Açıklama: Geleneksel makine öğrenmesi modellerinde özellik çıkarımı (feature extraction) insanlar tarafından elle yapılır. Ancak “Derin Öğrenme” (Deep Learning), yapay sinir ağlarının çok sayıda gizli katman (deep layers) kullanılarak eğitildiği bir alt daldır. Bu katmanlar, veriyi hiyerarşik olarak işler; ilk katmanlar basit kenarları veya pikselleri (kavramları) öğrenirken, derinlere inildikçe bu basit özellikler birleşerek yüzler, şekiller ve karmaşık anlamlar oluşturur. Bu “kavramlar hiyerarşisi” inşa ederek öğrenme süreci doğrudan Derin Öğrenmenin felsefi ve teknik tanımıdır.

Cevap: D) from sklearn.neighbors
Açıklama : Python’da makine öğrenmesi uygulamaları geliştirmek için standart kabul edilen kütüphane “scikit-learn” (sklearn)’dir. Bu kütüphanenin alt modülleri algoritmaların türlerine göre gruplandırılmıştır. k-En Yakın Komşu (k-NN) algoritması, mesafelere (komşuluk ilişkilerine) dayalı bir model olduğu için `neighbors` modülünün altında yer alır. Sınıflandırma problemi için bu kütüphaneyi içeri aktarırken kullanılması gereken doğru ve tam kod satırı `from sklearn.neighbors import KNeighborsClassifier` şeklindedir.

Cevap: D) Sınıfı etiketi bilinmeyen x örneğine en yakın k komşunun sınıf etiketlerine bakılır. Sayıca en fazla olan sınıf etiketi atanır.
Açıklama : k-En Yakın Komşu (k-NN – k-Nearest Neighbors) algoritması tembel bir öğrenme (lazy learning) algoritmasıdır. Sınıflandırma problemlerinde, yeni gelen ve sınıfı bilinmeyen veri noktasının (x örneğinin), eğitim veri setindeki diğer noktalara olan uzaklıkları hesaplanır. En yakın ‘k’ adet komşu seçilir. “Çoğunluk oylaması” (majority voting) mantığı gereği, bu ‘k’ adet komşu arasında hangi sınıf etiketine ait veri sayısı daha fazlaysa, yeni gelen veri noktasına o sınıfın etiketi atanır. Ağırlıklı oylama (weighted voting) farklı bir yöntemdir, standart çoğunluk oylamasında sadece sınıfların frekansına (sayıca çokluğuna) bakılır.

Cevap: A) mean_squared_error
Açıklama: Makine öğrenmesinde metrikler problemin türüne (sınıflandırma veya regresyon) göre tamamen değişir. Soru kökünde bir “Çoklu Doğrusal Regresyon” probleminden bahsedilmiştir. Regresyon algoritmaları kategorik değil, sürekli/sayısal (fiyat, yaş, tüketim vb.) tahminler yapar. Bu yüzden gerçek değerler ile tahmin edilen değerler arasındaki “hatayı” (farkı) ölçen Ortalama Kare Hata (MSE – mean_squared_error), Ortalama Mutlak Hata (MAE) veya R-Kare gibi metrikler kullanılır. Diğer şıklarda yer alan classification_report, recall_score ve confusion_matrix yalnızca sınıflandırma (kategorik) algoritmalarının başarısını ölçen metriklerdir.

Cevap: D)
Tabloda toplam 5 durum bulunmaktadır. Bunlardan 4 tanesi “Başarılı”, 1 tanesi ise “Başarısız”dır.
Entropi formülü gereği:
[latex]E = - \sum p_i \log_2(p_i)[/latex]
Bu duruma uyarladığımızda:
[latex]Entropi = - \left( \frac{1}{5} \log_2\left(\frac{1}{5}\right) \right) - \left( \frac{4}{5} \log_2\left(\frac{4}{5}\right) \right)[/latex]
[latex]Entropi = -\frac{1}{5} \log_2\left(\frac{1}{5}\right) - \frac{4}{5} \log_2\left(\frac{4}{5}\right)[/latex]

Cevap: E) model.add(InputLayer(input_shape=(X_train.shape[1],), name=”Girdi_Katmani”))
Açıklama : Python’da derin öğrenme ve yapay sinir ağları mimarilerini hızlıca tasarlamak için kullanılan yüksek seviyeli kütüphanelerden biri Keras’tır. Keras’ın `Sequential` (Sıralı) API’si kullanılarak bir sinir ağı tasarlanırken; ağa girdi katmanı (InputLayer), gizli katmanlar (Dense, Dropout vb.) veya çıktı katmanları eklemek için özel olarak `.add()` (ekle) metodu (fonksiyonu) kullanılır. Python listelerindeki `.append()` veya `.insert()` fonksiyonları bu nesne yapısında katman eklemek için kullanılmaz. Ağın inşası ancak `.add()` komutuyla zincirleme olarak sağlanır.

Cevap: A) I, II, III, IV ve V
Açıklama : k-NN algoritması, veri noktaları arasındaki mesafeyi ölçerek sınıflandırma veya regresyon yapar. Bu mesafeyi ölçmek için veri setinin tipine (sayısal, kategorik, metin) göre farklı uzaklık/benzerlik metrikleri kullanılır. Sayısal verilerde en çok Öklid (Euclidean), Manhattan ve Chebyshev kullanılırken; metin madenciliği veya yönsel benzerliklerde Cosine (Kosinüs) benzerliği; kategorik/ikili verilerde ise Jaccard katsayısı uzaklık fonksiyonu olarak kullanılabilir. Ancak VI numaralı “Adam” bir uzaklık fonksiyonu değil, derin öğrenmede (yapay sinir ağlarında) kullanılan bir optimizasyon algoritmasıdır. Bu nedenle doğru grup I, II, III, IV ve V’tir.

Cevap: A) Geriye Yayılım Algoritması
Açıklama: Yapay Sinir Ağları (Artificial Neural Networks – ANN), insan beyninin çalışma prensibini taklit eden katmanlı matematiksel modellerdir. Bu ağların “öğrenme” (ağırlıklarını güncelleme) aşamasında en yaygın kullanılan temel algoritma “Geriye Yayılım” (Backpropagation) algoritmasıdır. İleri yönlü beslemeden sonra elde edilen tahmin hatası (loss/error), türev kuralları (zincir kuralı) yardımıyla çıkış katmanından giriş katmanına doğru geriye doğru yayılır ve aradaki bağlantı ağırlıkları bu hatayı minimize edecek şekilde güncellenir. Diğer seçenekler geleneksel makine öğrenmesi algoritmalarıdır.

Cevap: A) Sosyal Medya Etkileşimi
Açıklama : Çoklu Doğrusal Regresyon gibi istatistiksel modellerde, bağımsız bir değişkenin modele (tahmin gücüne) olan anlamlı katkısı “p-değeri” (p-value) üzerinden değerlendirilir. Genel kabul görmüş istatistiksel anlamlılık eşiği $p < 0.05$’tir (yani %95 güven aralığı). p-değeri 0.05’ten küçük olan değişkenler modele anlamlı katkı sağlar. Tablo incelendiğinde; Reklam Harcaması (0.005), Web Trafiği (0.030), Müşteri Memnuniyeti (0.000) ve Sepet Tutarı (0.040) bu eşiğin altındadır. Ancak “Sosyal Medya Etkileşimi” değişkeninin p-değeri 0.600’dür (0.05’ten çok büyüktür). Bu durum, bu değişkenin katsayısının şans eseri oluşabileceğini ve modele istatistiksel açıdan anlamlı hiçbir katkı sağlamadığını gösterir.

Cevap: B) I, III, IV ve V
Açıklama: Makine öğrenmesinde karar ağacı yapısını kullanan temel algoritmaların tarihsel bir gelişim süreci vardır. Ross Quinlan tarafından geliştirilen ID3 algoritması, daha sonra sırasıyla C4.5 ve C5.0 algoritmalarına evrilerek gelişmiştir. Öte yandan Leo Breiman ve ekibi tarafından geliştirilen CART (Classification and Regression Trees) algoritması da (Gini safsızlığını kullanarak) hem sınıflandırma hem regresyon yapan bir diğer ünlü karar ağacı modelidir. Ancak “ID4.5” diye bir karar ağacı algoritması makine öğrenmesi literatürğinde mevcut değildir (C4.5 ile karıştırılmak için konmuş bir çeldiricidir). Dolayısıyla doğru karar ağacı algoritmaları I, III, IV ve V numaralı olanlardır.

Cevap: E) K2
Açıklama: k-Ortalamalar (K-Means) algoritması, bir veriyi merkezine en yakın olduğu (en çok benzerlik gösterdiği) kümeye atar. Atama işlemi genellikle iki nokta arasındaki Öklid uzaklığı (sqrt{(x_2 – x_1)^2 (y_2 – y_1)^2}) hesaplanarak bulunur. Yeni veri noktası (20, 21)’dir. En yakın görünen K2 (18, 20) ile arasındaki uzaklık hesabı: sqrt{(20 – 18)^2 (21 – 20)^2} = sqrt{2^2 1^2} = sqrt{5} approx 2.23’tür. Diğer merkezler, örneğin K1(5,5) veya K4(33,40) noktalarından çok daha uzaktadır. Matematiksel olarak minimum uzaklık (maksimum benzerlik) K2 merkezine ait olduğu için örnek veri K2 kümesine atanır.

Cevap: D) Tabakalı 10-kat çapraz geçerleme
Açıklama : Makine öğrenmesi modellerinde modelin genelleştirme yeteneğini ölçmek ve overfitting’i önlemek için çapraz geçerleme (cross-validation) yöntemleri kullanılır. Sınıf dengesizliği olan veri setlerinde her katmanda (fold) sınıfların orijinal oranda temsil edilmesini sağlayan yöntem “Tabakalı” (Stratified) çapraz geçerlemedir. Kod bloğunda `StratifiedKFold` fonksiyonu çağrılmış ve parametre olarak `n_splits=k` verilmiştir. `k` değişkeninin değeri 10 olarak tanımlandığı için, bu işlem doğrudan “Tabakalı 10-kat çapraz geçerleme” (Stratified 10-Fold Cross-Validation) anlamına gelir.

Cevap: B) DecisionTreeClassifier
Açıklama: Python makine öğrenmesi kütüphanesi scikit-learn (sklearn) içerisinde CART (Classification and Regression Trees) tabanlı Karar Ağacı modellerini kurmak için modüller bulunur. Soruda bir “sınıflandırıcı” (classifier) modeli oluşturulmak istendiği açıkça belirtilmiştir; regresyon (tahmin) değil. Sınıflandırma işlemleri için kullanılan doğru sınıfın adı DecisionTreeClassifier şeklindedir. Kod bloğu model = DecisionTreeClassifier(criterion=”gini”, max_depth=3, random_state=123) olarak tanımlanır.

Cevap: B) 1/2
Açıklama: İstenen olasılık bir “koşullu olasılık” (Conditional Probability) hesaplamasıdır. Soru, “Zararlı Yazılım Bulaşma Durumu = Evet” iken “Güncelleme Gecikmesi = Var” olma olasılığını sormaktadır, yani P(Var | Evet). Tabloya baktığımızda zararlı yazılım bulaşma durumu “Evet” olan toplam kayıt sayısı 4’tür. Bu 4 “Evet” kaydının içinde, güncelleme gecikmesinin “Var” olduğu kayıt sayısı 2’dir. Dolayısıyla P(Var | Evet) olasılığı 2/4 olur, bu da çözüldüğünde 1/2 (yani yüzde 50) sonucunu verir.