Bu makalede, AI ve makine öğrenimi için ihtiyacınız olan temel matematiği adım adım açıklayacağım. Ayrıca, bizzat bana yardımcı olan yol haritasını ve kaynakları da paylaşacağım. Hemen konuya girelim.
1. İstatistik ve Olasılık
Belirsizliğin, verinin ve çıkarımın dili
AI/ML sistemleri gürültülü, eksik ve belirsiz verilerden öğrenir. Olasılık ve istatistik, belirsizlik altında akıl yürütmek ve örneklerden güvenilir örüntüler çıkarmak için resmi araçlar sağlar.
1.1 Popülasyonlar ve Örnekleme
- Popülasyon: Olası tüm veri noktalarının tam kümesi (genellikle gözlemlenemez).
- Örnek: Popülasyondan çekilen bir alt küme.
- Örnekleme yanlılığını, temsil edilebilirliği ve varyansı anlamak, model genellemesi için çok önemlidir.
1.2 Betimsel İstatistik
- Ortalama, Medyan, Mod: Merkezi eğilim ölçüleri.
- Beklenen Değer: Olasılıksal ortalama; kayıp fonksiyonları ve risk minimizasyonunun temelidir.
1.3 Varyans ve Kovaryans
- Varyans: Verideki yayılmayı veya belirsizliği ölçer.
- Kovaryans: İki değişkenin birlikte nasıl değiştiğini ölçer.
- Doğrudan korelasyon, çoklu doğrusal bağlantı ve özellik etkileşimlerini anlamaya yol açar.
1.4 Rastgele Değişkenler
- Kesikli ve sürekli rastgele değişkenler.
- Olasılık kütle fonksiyonları (PMF'ler) ve olasılık yoğunluk fonksiyonları (PDF'ler).
1.5 Yaygın Olasılık Dağılımları
Bunlar, verinin nasıl oluşturulduğuna dair varsayımları tanımlar:
- Normal (Gaussian): Gürültü modelleri, hatalar, Merkezi Limit Teoremi.
- Binom: İkili sonuçlar, sınıflandırma sezgisi.
- Düzgün (Uniform): Bilgi vermeyen öncel dağılımlar ve rastgelelik taban çizgileri.
1.6 Merkezi Limit Teoremi (CLT)
- Gaussian varsayımlarının neden her yerde göründüğünü açıklar.
- Veri normal dağılmasa bile birçok istatistiksel yöntemi haklı çıkarır.
1.7 Koşullu Olasılık
- Kısmi bilgi verildiğinde olasılık.
- Akıl yürütme, tahmin ve nedensellik sezgisi için gereklidir.
1.8 Bayes Teoremi
- İnançları kanıtlarla günceller.
- Bayes çıkarımının, olasılıksal modellerin ve modern belirsizlik bilincine sahip ML'nin temelidir.
1.9 Maksimum Olabilirlik Tahmini (MLE)
- Model parametrelerini veriye uydurmak için çerçeve.
- MSE ve çapraz entropi gibi kayıp fonksiyonları doğal olarak MLE'den türetilir.
1.10 Doğrusal ve Lojistik Regresyon
- Doğrusal regresyon: Gaussian gürültüsü altında sürekli tahmin.
- Lojistik regresyon: Olasılıksal ikili sınıflandırma.
- Her ikisi de daha karmaşık modelleri anlamak için birer geçittir.
2. Lineer Cebir
Verinin ve modellerin yapısı
Makine öğreniminde neredeyse her şey bir matris işlemidir. Veri, parametreler, aktivasyonlar ve gradyanların tümü vektörler, matrisler veya tensörlerdir.
2.1 Skalerler, Vektörler, Matrisler, Tensörler
- Skalerler: Tek değerler.
- Vektörler: Özellik temsilleri.
- Matrisler: Veri kümeleri, ağırlıklar, dönüşümler.
- Tensörler: Yüksek boyutlu genellemeler (derin öğrenme).
2.2 Matris İşlemleri
- Toplama ve Çıkarma: Sinyalleri birleştirme.
- Çarpma: Doğrusal dönüşümler ve sinir katmanları.
- Devrik (Transpoze): Şekil hizalama ve simetri.
- Bu işlemler modellerdeki ileri geçişleri (forward pass) tanımlar.
2.3 Determinantlar ve Ters Matrisler
- Determinant: Hacim ölçekleme ve tekilik.
- Ters: Doğrusal sistemleri çözme (pratikte nadiren doğrudan hesaplanır, ancak kavramsal olarak önemlidir).
2.4 Matris Rankı ve Doğrusal Bağımsızlık
- Rank, bilgi içeriğini belirler.
- Fazlalığı, özellik çökmesini ve tanımlanabilirliği açıklar.
2.5 Özdeğerler ve Özvektörler
- Dönüşümlerin değişmez yönlerini tanımlar.
- Kararlılık, yakınsama ve boyut indirgeme için merkezi öneme sahiptir.
2.6 Matris Ayrışımları
Veriyi basitleştirmek, analiz etmek ve sıkıştırmak için kullanılır:
- Tekil Değer Ayrışımı (SVD): Sayısal kararlılık ve düşük ranklı yaklaşım için temel araç.
- Temel Bileşen Analizi (PCA): Boyut indirgeme, gürültü filtreleme ve özellik çıkarımı.
3. Kalkülüs
Optimizasyon olarak öğrenme
Bir AI modelini eğitmek bir optimizasyon problemidir. Kalkülüs, modellerin nasıl öğrendiğini, ne kadar hızlı öğrendiğini ve hiç yakınsayıp yakınsamadığını açıklar.
3.1 Türevler ve Gradyanlar
- Türev: Değişim oranı.
- Gradyan: Yüksek boyutlarda en dik çıkış yönü.
- Gradyanlar, gradyan inişi yoluyla öğrenmeyi yönlendirir.
3.2 Vektör ve Matris Kalkülüsü
Modern modeller çok boyutludur:
- Jakobiyen: Vektör değerli fonksiyonların birinci dereceden türevleri.
- Hessian: İkinci dereceden eğrilik bilgisi.
- Zincir Kuralı: Geri yayılımın (backpropagation) omurgası.
3.3 Optimizasyonun Temelleri
Kayıp yüzeylerini (loss landscapes) anlamak kritiktir:
- Yerel ve Global Minimumlar: Eğitimin neden "takılıp kalabileceği".
- Eyer Noktaları: Yüksek boyutlu uzaylarda yaygındır.
- Dışbükeylik: Optimalliği ve kararlılığı garanti eder (nadir ancak önemlidir).
Bu Matematiği Aslında Nasıl Öğrendim (Kaynaklar)
İşte benim için işe yarayan yol haritası.
1. Önce Sezgiyi Geliştirin
Ders kitaplarından önce, görsel anlayışa odaklandım.
- 3Blue1Brown Özellikle:
- Lineer Cebrin Özü
- *Kalkülüsün Özü
2. Yapılandırılmış Kurslar
- Imperial College London – Makine Öğrenimi için Matematik Coursera üzerinde. Lineer cebir ve çok değişkenli kalkülüs için harika, çok pratik bir şekilde anlatılıyor.
3. İstatistik ve Olasılık
- Khan Academy Net açıklamalar ve bolca pratik.
4. Matematiği ML ile İlişkilendirmek
- Teorinin nasıl gerçek ML modellerine dönüştüğünü anlamak için mükemmel. Kitap: İstatistiksel Öğrenmeye Giriş
5. Her Şeyi Birbirine Bağlamak
- Tüm kavramların gerçek algoritmalarda nasıl bir araya geldiğini gösterir. Kitap: Makine Öğrenimi için Matematik
