Makine Öğrenmesi vs Derin Öğrenme: Farklar ve Kullanım Alanları

Makine Öğrenmesi Temel Prensibi

ML, veriden kalıplar (pattern) çıkarmak için matematiksel ve istatistiksel yöntemler kullanır. Bir ML modeli şu süreçlerden geçer:

1. Veri Toplama: İlgili ve yeterli miktarda veri elde edilir
2. Ön İşleme: Veri temizlenir, dönüştürülür ve hazırlanır
3. Özellik Mühendisliği: Uzman tarafından önemli özellikler seçilir
4. Model Eğitimi: Algoritma veriden öğrenir
5. Değerlendirme: Model performansı test verileriyle ölçülür
6. Dağıtım: Başarılı model üretime alınır

💡 Bilgi

Makine öğrenmesinin en kritik adımı özellik mühendisliği (feature engineering)'dir. Bu adımda alan uzmanları, ham veriden modelin öğrenebileceği anlamlı özellikler çıkarır. Bu, derin öğrenme ile en temel farklardan biridir.

🎯 Denetimli Öğrenme (Supervised Learning)

Etiketlenmiş veri ile çalışır. Model, girdi-çıktı çiftlerinden öğrenerek yeni girdiler için tahmin yapar. Bir öğretmenin rehberliğinde öğrenmeye benzer.

Algoritmalar:

• Lineer Regresyon, Lojistik Regresyon
• Karar Ağaçları (Decision Trees)
• Random Forest, Gradient Boosting (XGBoost, LightGBM)
• Support Vector Machines (SVM)
• K-Nearest Neighbors (KNN)
• Naive Bayes

Kullanım Örnekleri: Spam tespiti, kredi risk analizi, hastalık teşhisi, fiyat tahmini, görüntü sınıflandırma

🔍 Denetimsiz Öğrenme (Unsupervised Learning)

Etiketsiz veri ile çalışır. Model, verideki gizli kalıpları, grupları ve yapıları kendi başına keşfeder. Kendi başına keşfetmeye benzer.

Algoritmalar:

• K-Means Kümeleme
• Hierarchical Clustering
• DBSCAN
• Principal Component Analysis (PCA)
• t-SNE, UMAP
• Association Rules (Apriori)

Kullanım Örnekleri: Müşteri segmentasyonu, anomali tespiti, öneri sistemleri, pazar sepet analizi, boyut azaltma

🎮 Pekiştirmeli Öğrenme (Reinforcement Learning)

Ajan (agent), bir ortamda eylemler gerçekleştirerek ödül veya ceza alır. Amacı toplam ödülü maksimize etmektir. Deneme-yanılma yoluyla öğrenmeye benzer.

Algoritmalar:

• Q-Learning
• Deep Q-Network (DQN)
• Policy Gradient Methods
• Actor-Critic (A2C, A3C, PPO)
• Monte Carlo Tree Search (MCTS)

Kullanım Örnekleri: Oyun oynama (AlphaGo), robotik kontrol, otonom araçlar, kaynak optimizasyonu, kişiselleştirilmiş öneriler

Makine Öğrenmesi Türleri Hiyerarşisi

Yapay Sinir Ağı Yapısı

Bir derin sinir ağı temel olarak üç katman türünden oluşur:

⚠️ Uyarı

Derin öğrenme modelleri genellikle "kara kutu" (black box) olarak adlandırılır çünkü karar süreçlerini açıklamak zordur. Bu, sağlık ve finans gibi şeffaflık gerektiren sektörlerde önemli bir dezavantaj olabilir. Explainable AI (XAI) bu soruna çözüm aramaktadır.

🖼️ CNN (Convolutional Neural Network)

Görüntü işleme için tasarlanmış mimaridir. Konvolüsyon katmanları ile görüntüdeki kenarlar, dokular ve nesneler gibi özellikleri hiyerarşik olarak öğrenir.

Önemli Modeller: LeNet, AlexNet, VGG, ResNet, Inception, EfficientNet

Kullanım: Görüntü sınıflandırma, nesne tespiti, yüz tanıma, tıbbi görüntü analizi, otonom araçlar

🔄 RNN (Recurrent Neural Network)

Sıralı veriler (zaman serileri, metin, ses) için tasarlanmış mimaridir. Hafıza mekanizmasıyla önceki bilgileri hatırlayarak bağlamsal tahminler yapar.

Varyasyonlar: Vanilla RNN, LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), Bidirectional RNN

Kullanım: Dil modelleme, makine çevirisi, konuşma tanıma, zaman serisi tahmini, müzik üretimi

⚡ Transformer

2017'de Google tarafından tanıtılan devrim niteliğindeki mimaridir. Self-Attention mekanizması sayesinde tüm girdi elemanları arasındaki ilişkileri paralel olarak öğrenir. RNN'lerin sıralı işleme sınırlamasını ortadan kaldırır.

Önemli Modeller: BERT, GPT serisi, T5, Claude, LLaMA, PaLM, ViT (Vision Transformer)

Kullanım: Doğal dil işleme, büyük dil modelleri (LLM), görüntü üretimi (DALL-E), çoklu modal AI, kod üretimi

Derin Öğrenme Mimarilerinin Evrimi

💡 Profesyonel İpucu

Pratikte en iyi strateji önce basit ML modellerinden başlamak, bir baseline oluşturmak ve ardından derin öğrenme ile karşılaştırmaktır. Bazen iyi ayarlanmış bir XGBoost modeli, karmaşık bir derin öğrenme modelinden daha iyi performans gösterebilir -- özellikle yapılandırılmış verilerle çalışırken.

⚠️ Maliyet Uyarısı

Derin öğrenme projelerine başlamadan önce bulut bilişim maliyetlerini dikkatli bir şekilde planlayın. AWS, Google Cloud ve Azure üzerinde GPU instance'ları saatlik $1-$30+ arasında değişir. Eğitim süreci haftalarca sürebileceğinden, maliyetler hızla artabilir. Spot/preemptible instance'lar kullanarak %60-90 tasarruf edebilirsiniz.

💡 Kariyer Tavsiyesi

2026 itibarıyla Türkiye'de ML/DL mühendisleri için maaşlar hızla artmaktadır. Junior pozisyonlarda aylık 80.000-150.000 TL, senior pozisyonlarda 200.000-500.000+ TL aralığında maaşlar sunulmaktadır. Uluslararası uzaktan çalışma fırsatları ile bu rakamlar daha da yüksek olabilir.

Soru 1: Derin öğrenme her zaman makine öğrenmesinden daha mı iyidir?

Hayır, kesinlikle değil. Derin öğrenme büyük ve yapılandırılmamış verilerle çalışırken üstünlük sağlar, ancak küçük veri setleri, yapılandırılmış veriler ve açıklanabilirlik gerektiren senaryolarda klasik ML algoritmaları (XGBoost, Random Forest gibi) daha iyi performans gösterebilir ve daha pratik olabilir.

Soru 2: ML öğrenmeden DL öğrenebilir miyim?

Teknik olarak mümkün olsa da önerilmez. ML'nin temel kavramları (bias-variance tradeoff, overfitting, cross-validation, gradient descent) derin öğrenmenin temelidir. Önce ML'deki bu kavramları sağlam öğrenmek, DL'ye geçişi çok daha verimli hale getirir.

Soru 3: Derin öğrenme için mutlaka GPU gerekir mi?

Küçük modeller ve prototipleme için CPU yeterli olabilir. Ancak gerçek projelerde ve büyük modellerde GPU neredeyse zorunludur. Google Colab (ücretsiz GPU), Kaggle veya Lambda Labs gibi platformlar başlangıç için iyi seçeneklerdir. Profesyonel işler için NVIDIA A100/H100 GPU'lar veya bulut çözümleri tercih edilir.

Soru 4: Transfer learning nedir ve neden önemlidir?

Transfer learning, bir görev için eğitilmiş modelin bilgisini farklı bir göreve aktarma tekniğidir. Örneğin, ImageNet üzerinde eğitilmiş bir CNN'i tıbbi görüntü analizi için kullanabilirsiniz. Bu teknik, eğitim süresini ve veri ihtiyacını %90'a kadar azaltabilir. Özellikle sınırlı veri veya kaynaklarla çalışırken büyük avantaj sağlar.

Soru 5: 2026'da hangi alan daha çok iş imkanı sunuyor?

Her iki alan da yüksek talep görmektedir. ML mühendisliği daha geniş bir iş piyasasına sahiptir çünkü neredeyse her sektörde uygulanabilir. DL uzmanlığı ise daha niş ancak genellikle daha yüksek maaşlı pozisyonlar sunar. Özellikle NLP, computer vision ve generative AI alanlarında DL uzmanlarına büyük talep vardır. İdeal strateji, her iki alanda da yetkinlik kazanmaktır.