README.md

🌐 Çok Dilli Destek

GitHub Action ile desteklenmektedir (Otomatik ve Her Zaman Güncel)

Arapça | Bengalce | Bulgarca | Birmanca (Myanmar) | Çince (Basitleştirilmiş) | Çince (Geleneksel, Hong Kong) | Çince (Geleneksel, Makao) | Çince (Geleneksel, Tayvan) | Hırvatça | Çekçe | Danca | Flemenkçe | Estonca | Fince | Fransızca | Almanca | Yunanca | İbranice | Hintçe | Macarca | Endonezyaca | İtalyanca | Japonca | Kannada | Khmer | Korece | Litvanca | Malayca | Malayalamca | Marathi | Nepalce | Nijerya Pidgin | Norveççe | Farsça (Farsi) | Lehçe | Portekizce (Brezilya) | Portekizce (Portekiz) | Pencapça (Gurmukhi) | Rumence | Rusça | Sırpça (Kiril) | Slovakça | Slovence | İspanyolca | Svahili | İsveççe | Tagalog (Filipince) | Tamilce | Telugu | Tayca | Türkçe | Ukraynaca | Urduca | Vietnamca

Yerel olarak klonlamayı mı tercih edersiniz?

Bu depo 50'den fazla dil çevirisi içermektedir, bu da indirme boyutunu önemli ölçüde artırır. Çevirisiz klonlamak için sparse checkout kullanabilirsiniz:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Bu, kursu tamamlamak için ihtiyacınız olan her şeyi çok daha hızlı bir indirmeyle sağlar.

Topluluğumuza Katılın

Discord'da yapay zeka ile öğrenme serimiz devam ediyor, 18 - 30 Eylül 2025 tarihleri arasında daha fazlasını öğrenmek ve bize katılmak için Learn with AI Serisi adresini ziyaret edin. Veri Bilimi için GitHub Copilot kullanımına dair ipuçları ve püf noktaları edineceksiniz.

Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat

🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı gezin 🌍

Microsoft'tan Bulut Savunucuları, tamamen Makine Öğrenimi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, bazen klasik makine öğrenimi olarak adlandırılan, esas olarak Scikit-learn kütüphanesini kullanarak derin öğrenmeden kaçınan ve derin öğrenmenin yer aldığı Yapay Zeka için Yeni Başlayanlar müfredatı ile birlikte öğrenilen bir yaklaşımı öğreneceksiniz. Dersleri ayrıca 'Yeni Başlayanlar için Veri Bilimi müfredatı' ile eşleştirin!

Bu klasik teknikleri dünyanın çeşitli bölgelerinden gelen veriler üzerinde uygularken bizimle birlikte seyahat edin. Her ders, ders öncesi ve sonrası sınavları, tamamlamanız için yazılı yönergeler, çözüm, görev ve daha fazlasını içerir. Projeye dayalı pedagojimiz, yeni becerilerin öğrenilirken kalıcı olmasını sağlayan kanıtlanmış bir yöntemdir.

✍️ Yazarlarımıza içten teşekkürler Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd

🎨 Çizerlerimize de teşekkürler Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımız, inceleyiciler ve içerik katkıda bulunanlarımıza, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal

🤩 Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya R derslerimiz için ekstra teşekkürler!

Başlarken

Şu adımları izleyin:

1. Depoyu Forklayın: Sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın.
2. Depoyu Klonlayın: git clone https://github.com/microsoft/ML-For-Beginners.git

Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

🔧 Yardıma mı ihtiyacınız var? Kurulum, yapılandırma ve dersleri çalıştırmayla ilgili yaygın sorunlar için Sorun Giderme Kılavuzumuza göz atın.

Öğrenciler, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza forklayın ve alıştırmaları bireysel ya da grubunuzla tamamlayın:

• Ön-lecture sınavıyla başlayın.
• Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
• Çözüm kodunu çalıştırmaktan ziyade dersleri anlayarak projeleri yaratmaya çalışın; ancak o kod her proje odaklı dersin /solution klasöründe mevcuttur.
• Ders sonrası sınavı çözün.
• Meydan okumayı tamamlayın.
• Ödevi tamamlayın.
• Bir ders grubunu tamamladıktan sonra Tartışma Panosu ziyaret edin ve uygun PAT puanlama formunu doldurarak “yüksek sesle öğrenin”. 'PAT', ilerlemenizi değerlendiren bir araçtır. Diğer PAT'lara da tepki vererek beraber öğrenebiliriz.

Daha ileri inceleme için, bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.

Öğretmenler, bu müfredatı nasıl kullanacağınıza dair bazı öneriler ekledik.

---

Video anlatımlar

Bazı dersler kısa form video olarak mevcuttur. Bunların tümünü derslerde satır içi olarak veya Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde aşağıdaki resme tıklayarak bulabilirsiniz.

---

Takım ile Tanışın

Gif yapan Mohit Jaisal

🎥 Proje ve yaratan insanlar hakkında video için yukarıdaki resme tıklayın!

---

Pedagoji

Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı proje tabanlı olması ve sık quizler içermesi. Ayrıca, müfredatın birlikteliği için ortak bir tema içerir.

İçeriğin projelerle uyumlu olmasını sağlamak, süreci öğrenciler için daha ilgi çekici yapar ve kavramların kalıcılığını artırır. Ayrıca, ders öncesi düşük riskli bir quiz öğrencinin öğrenmeye niyetini belirlerken, ders sonrası ikinci bir quiz bilgilerin kalıcılığını pekiştirir. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamen ya da kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Müfredat ayrıca, gerçek dünyadaki ML uygulamalarına ilişkin bir son not içerir; bu da ekstra kredi veya tartışma temeli olarak kullanılabilir.

Davranış Kuralları, Katkıda Bulunma, Çeviriler ve Sorun Giderme rehberlerimizi bulun. Yapıcı geri bildiriminizi bekliyoruz!

Her ders şunları içerir

• isteğe bağlı sketchnot
• isteğe bağlı ek video
• video anlatım (sadece bazı derslerde)
• ders öncesi ısınma sınavı
• yazılı ders
• proje tabanlı dersler için, projenin nasıl inşa edileceğine dair adım adım rehberler
• bilgi kontrolleri
• bir meydan okuma
• ek okuma
• ödev
• ders sonrası sınav

Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidip R derslerini arayın. Bunlar, code chunks (R veya diğer dillerden) ve YAML header (PDF gibi çıktıların nasıl biçimlendirileceğini yöneten) içeren bir R Markdown dosyasını temsil eden .rmd uzantısına sahiptir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazma çerçevesi hizmeti görür. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.

Sınavlar hakkında bir not: Tüm sınavlar Quiz App klasöründe bulunmaktadır, toplamda her biri üç sorudan oluşan 52 sınav mevcuttur. Dersler içerisinde bağlantıları vardır ancak quiz uygulaması yerel olarak da çalıştırılabilir; yerel olarak barındırmak veya Azure’a dağıtmak için quiz-app klasöründeki talimatları izleyin.

Lesson Number	Konu	Ders Grubu	Öğrenme Hedefleri	Bağlantılı Ders	Yazar
01	Makine öğrenimine giriş	Giriş	Makine öğrenmenin temel kavramlarını öğrenin	Ders	Muhammad
02	Makine öğrenmesinin tarihi	Giriş	Bu alanın tarihini öğrenin	Ders	Jen ve Amy
03	Adalet ve makine öğrenmesi	Giriş	ML modelleri oluştururken ve kullanırken öğrencilerin dikkate alması gereken önemli felsefi adalet konuları nelerdir?	Ders	Tomomi
04	Makine öğrenmesi teknikleri	Giriş	ML araştırmacıları ML modellerini oluşturmak için hangi teknikleri kullanır?	Ders	Chris ve Jen
05	Regresyona giriş	Regresyon	Regresyon modelleri için Python ve Scikit-learn kullanmaya başlayın	Python • R	Jen • Eric Wanjau
06	Kuzey Amerika balkabağı fiyatları 🎃	Regresyon	ML için veri görselleştirme ve temizleme	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika balkabağı fiyatları 🎃	Regresyon	Doğrusal ve polinomsal regresyon modelleri oluşturun	Python • R	Jen ve Dmitry • Eric Wanjau
08	Kuzey Amerika balkabağı fiyatları 🎃	Regresyon	Lojistik regresyon modeli oluşturun	Python • R	Jen • Eric Wanjau
09	Bir Web Uygulaması 🔌	Web App	Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Sınıflandırma	Verinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş	Python • R	Jen ve Cassie • Eric Wanjau
11	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Sınıflandırıcılara giriş	Python • R	Jen ve Cassie • Eric Wanjau
12	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Daha fazla sınıflandırıcı	Python • R	Jen ve Cassie • Eric Wanjau
13	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Modelinizi kullanarak öneri yapan bir web uygulaması oluşturun	Python	Jen
14	Kümelemeye giriş	Kümeleme	Verinizi temizleyin, hazırlayın ve görselleştirin; Kümelemeye giriş	Python • R	Jen • Eric Wanjau
15	Nijerya Müzik Zevklerini Keşfetme 🎧	Kümeleme	K-Means kümeleme yöntemini keşfedin	Python • R	Jen • Eric Wanjau
16	Doğal dil işleme'ye giriş ☕️	Doğal dil işleme	Basit bir bot oluşturarak NLP’nin temellerini öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Doğal dil işleme	Dil yapıları ile uğraşırken gerek duyulan yaygın görevleri anlayarak NLP bilginizi derinleştirin	Python	Stephen
18	Çeviri ve duygu analizi ♥️	Doğal dil işleme	Jane Austen ile çeviri ve duygu analizi	Python	Stephen
19	Avrupa’nın romantik otelleri ♥️	Doğal dil işleme	Otel yorumları ile duygu analizi 1	Python	Stephen
20	Avrupa’nın romantik otelleri ♥️	Doğal dil işleme	Otel yorumları ile duygu analizi 2	Python	Stephen
21	Zaman serisi tahmine giriş	Zaman serisi	Zaman serisi tahmine giriş	Python	Francesca
22	⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Zaman serisi	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Zaman serisi	Destek Vektör Regresörü ile zaman serisi tahmini	Python	Anirban
24	Pekiştirmeli öğrenmeye giriş	Pekiştirmeli öğrenme	Q-Öğrenme ile pekiştirmeli öğrenmeye giriş	Python	Dmitry
25	Peter’a kurttan kaçmasında yardım et! 🐺	Pekiştirmeli öğrenme	Pekiştirmeli öğrenme Gym	Python	Dmitry
Postscript	Gerçek Dünya ML senaryoları ve uygulamaları	Gerçek Dünya ML	Klasik ML’nin gerçek dünyadaki ilginç ve açıklayıcı uygulamaları	Ders	Takım
Postscript	RAI panosu kullanarak ML model hata ayıklaması	Gerçek Dünya ML	Sorumlu AI pano bileşenleri kullanarak Makine Öğrenmesi Model Hata Ayıklaması	Ders	Ruth Yakubu

Bu ders için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dokümantasyonu çevrimdışı kullanmak için Docsify kullanabilirsiniz. Bu depoyu çatallayın, yerel makinenize Docsify kurun ve bu deponun kök klasöründe docsify serve yazın. Web sitesi localhost’unuzda 3000 portunda sunulacaktır: localhost:3000.

PDF’ler

Program müfredatının bağlantılı bir pdf’ini burada bulun.

🎒 Diğer Kurslar

Ekibimiz başka kurslar da üretiyor! Göz atın:

LangChain

Azure / Edge / MCP / Agents

---

Üretken AI Serisi

---

Temel Öğrenim

---

Copilot Serisi

Yardım Alma

Makine Öğrenimi öğrenirken veya AI uygulamaları geliştirirken takılırsanız ya da sorularınız olursa endişelenmeyin — yardım mevcut.

Diğer öğrenenler ve geliştiricilerle tartışmalara katılabilir, sorular sorabilir ve fikirlerinizi toplulukla paylaşabilirsiniz.

• Sorular sormak ve başkalarıyla öğrenmek için topluluğa katılın
• Makine Öğrenimi kavramları ve proje fikirlerini tartışın
• Deneyimli geliştiricilerden rehberlik alın

Destekleyici bir topluluk, becerilerinizi geliştirmek ve sorunları daha hızlı çözmek için harika bir yoldur.

Microsoft Foundry Discord Topluluğu

Hatalarla, sorunlarla karşılaşırsanız veya iyileştirme önerileriniz varsa, sorunu bildirmek için bu depoda bir Issue açabilirsiniz.

Ürün geri bildirimi için veya mevcut topluluk gönderilerini aramak için Geliştirici Forumu'nu ziyaret edin:

Ek Öğrenme İpuçları

• Daha iyi anlamak için her dersten sonra not defterlerini gözden geçirin.
• Algoritmaları kendiniz uygulamayı deneyin.
• Öğrenilen kavramları kullanarak gerçek dünya veri setlerini keşfedin.

---

Feragatname:
Bu belge, AI çeviri servisi Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba sarf edilse de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi asli dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda oluşabilecek yanlış anlamalar veya yorum hatalarından sorumlu değiliz.