Yapay Zekânın Alfabesi: Kavramlar, Türler ve Disiplinler Arası Yolculuk

 

1. Giriş: Dijital Çağın Merkezindeki Sistemler

Günlük yaşamımızın akışı içinde, farkında olarak ya da olmayarak sürekli etkileşim hâlinde olduğumuz görünmez bir teknolojik doku mevcut. Cebimizdeki akıllı telefonlarda anında yardıma koşan sesli asistanlar, en karmaşık şehir trafiğinde yolumuzu milimetrik hesaplarla çizen navigasyon ve harita uygulamaları ya da dijital yayın platformlarında tam da ruh hâlimize uygun içerikleri önümüze getiren öneri sistemleri... Tüm bu teknolojilerin merkezinde; veriyi işleme, karmaşık örüntüleri analiz etme ve eğitildiği alanda rasyonel kararlar üretebilme kapasitesiyle yapay zekâ yer alıyor.

Günümüzde devasa veri hacimleri, yüksek işlem gücü ve gelişmiş algoritmaların eş zamanlı olarak olgunlaşması, yapay zekâyı yalnızca mühendislik laboratuvarlarında yürütülen teknik bir araştırma konusu olmaktan çıkarmıştır. Sağlıktan finansa, eğitimden ulaşıma, savunma sanayiinden üretime kadar pek çok sektörde aktif olarak kullanılan yapay zekâ; artık ekonomik, toplumsal ve stratejik boyutları bulunan, uluslararası rekabeti ve kurumsal dönüşüm süreçlerini şekillendiren devasa bir dönüşüm alanıdır.

2. Yapay Zekâ Nedir ve Geleneksel Yazılımdan Nasıl Ayrılır?

2.1. Temel Tanım ve Bilişsel Süreçler

Yapay zekâ (YZ), en genel anlamıyla bir bilgisayarın ya da bilgisayar kontrolündeki bir robotun, verilen görevleri zeki canlılara benzer şekilde yerine getirebilme kabiliyetidir (Mülga T.C. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi ve T.C. Sanayi ve Teknoloji Bakanlığı, 2021). Bu sistemler, insan zihnine özgü kabul edilen temel bilişsel süreçleri simüle etmeyi ve gerçekleştirmeyi hedefler. Bu süreçler şu ana başlıklar altında toplanır:

• Öğrenme: Deneyimden ve veriden hareketle performansını zamanla iyileştirme.
• Problem Çözme: Belirli kısıtlar altında karmaşık durumları analiz ederek hedefe ulaşma.
• Karar Verme: Alternatif senaryolar arasından olasılıksal açıdan en rasyonel seçeneği belirleme.
• Dil Anlama: İnsan dilinin yapısal ve anlamsal karmaşıklığını çözümleyip yanıt üretebilme.
• Örüntü Tanıma: Veri kümeleri içerisindeki gizli kalıpları, benzerlikleri ve ilişkileri keşfetme.
• Tahmin Üretme: Geçmiş verilerden elde edilen modellemelerle geleceğe yönelik öngörüler oluşturma.

2.2. Geleneksel Programlama vs. Yapay Zekâ Yaklaşımı

Geleneksel programlama yaklaşımında bir sistemin nasıl davranacağı, yazılımcı tarafından açık ve net kurallarla (örneğin "Sıcaklık 25 derecenin üzerindeyse klimayı çalıştır") kodlanır. Bu sistemler deterministik bir mantıkla çalışır; aynı girdi sunulduğunda her zaman aynı kesin çıktıyı verirler ve kendilerine öğretilen kuralların dışına kesinlikle çıkamazlar.

Ancak insan yüzünü tanımak, doğal dildeki bir metni anlamlandırmak veya sahte finansal işlemleri tespit etmek gibi gerçek dünya problemleri, tüm olasılıkların kural olarak yazılamayacağı kadar karmaşıktır. Yapay zekâ yaklaşımında ise kurallar elle kodlanmaz. Algoritmalar, büyük veri kümelerini analiz ederek aralarındaki gizli ilişkileri kendisi öğrenir. Bu yaklaşım, sisteme yeni durumlara uyum sağlama (adaptasyon) ve öğrendiklerini hiç karşılaşmadığı verilere genelleme yeteneği kazandırır.

Geleneksel Programlama (Kural Tabanlı)	Yapay Zekâ Yaklaşımı (Veri Tabanlı)
Girdi (Input): Veriler ve geliştirici tarafından açıkça yazılmış kurallar (mantık).	Girdi (Input): Veriler ve elde edilmek istenen örnek çıktılar/sonuçlar.
İşleyiş (Process): Önceden tanımlanmış mantıksal kuralların adım adım yürütülmesi (Deterministik).	İşleyiş (Process): Algoritmaların veriyi analiz ederek kalıpları ve kuralları kendisinin öğrenmesi (Olasılıksal).
Çıktı (Output): Kodlanan kurallara harfiyen uyan kesin ve değişmez sonuç.	Çıktı (Output): Veriden öğrenilmiş genellenebilir kurallar ve tahmin modelleri.

2.3. Yapay Zekâ Sistemlerinin Üç Temel Bileşeni

Modern bir yapay zekâ sisteminin işleyişi, güçlü bir motorun çalışma mekanizmasına benzetilen üç temel sütuna dayanır:

• Veri (Sistemin Yakıtı): Öğrenme sürecinin temel hammaddesidir. Metinler, görseller, ses kayıtları veya sensör verileri olmadan bir modelin örüntü çıkarması ve öğrenmesi imkânsızdır.
• Algoritmalar (Sistemin Motoru): Verinin içerisindeki gizli kalıpları çıkartan ve matematiksel dönüşümleri gerçekleştiren yöntemlerdir. Sistemin mantıklı kararlar vermesini sağlayan asıl mekanizmadır.
• Hesaplama Gücü (Sistemin Enerjisi): Milyarlarca parametreden oluşan karmaşık modellerin eğitilebilmesi için gereken yüksek işlem kapasitesidir. Grafik İşlem Birimleri (GPU), paralel veri işleme mimarileri ve bulut bilişim altyapıları, derin öğrenmenin yükselişindeki anahtar enerjiyi sağlar.

3. Zekâ, Bilinç ve Hesaplama: Makineler Gerçekten Düşünür mü?

3.1. Zekâ ve Bilinç Ayrımı

Yapay zekâ tartışmalarında sıklıkla birbirine karıştırılan iki hayati kavram vardır: Zekâ ve bilinç. Zekâ; öğrenebilme, problem çözebilme, soyut düşünebilme ve bir hedefe yönelik etkili davranışlar üretebilme kapasitesidir (Gardner, 1983; Sternberg, 1985). Yapay zekâ açısından zekâ, tamamen işlevsel ve dışarıdan ölçülebilir davranışsal çıktılara dayanır.

Bilinç ise bireyin kendi varlığının, zihinsel durumlarının ve çevresinin farkında olması, öznel deneyimler (qualia) yaşaması durumudur. Chalmers (1995), bilinci açıklarken "kolay" ve "zor" problem ayrımını yapmış; öznel deneyimin salt hesaplamalı modellerle açıklanamayacağını savunmuştur. Nagel'in (1974) "Bir yarasa olmak nasıl bir şeydir?" sorusu da öznel deneyimin dışarıdan üçüncü şahıs gözüyle bütünüyle kavranamayacağını gösterir.

Bu noktada zihin felsefesindeki temel kuramlar devreye girer. Putnam (1967) ve Fodor (1975) tarafından geliştirilen Hesaplamalı Zihin Kuramı (Computational Theory of Mind), insan zihninin özünde sembolleri belirli kurallarla işleyen bir bilgi işleme sistemi olarak modellenebileceğini ileri sürer. Ancak Hubert Dreyfus (1972), yapay zekânın insan benzeri bir kavrayışa ulaşmasının önündeki en büyük engellerin bedenlilik (embodiment) ve bağlam duyarlılığı (context sensitivity) olduğunu vurgulamıştır. Dreyfus'a göre insan zekâsı, dünyada biyolojik bir bedenle var olmanın ve içinde bulunulan bağlamı sezgisel olarak kavramanın ayrılmaz bir parçasıdır; dolayısıyla soyut hesaplamalara indirgenemez.

Karşılaştırma Ölçütü	Zekâ	Bilinç
Tanım	Öğrenme, problem çözme ve çevresel koşullara uyum sağlama kapasitesi.	Kendi varlığının, zihinsel durumlarının ve çevresinin özfarkında olma durumu.
Doğa	Belirli bir hedefe yönelik işlevsel, rasyonel ve ölçülebilir davranışlar üretir.	Öznel deneyimler (qualia), duygulanım ve içsel farkındalık içerir.
Gözlemlenebilirlik	Dışsal ve davranışsal performans çıktıları üzerinden objektif olarak ölçülebilir.	Tamamen içsel ve özneldir; dışarıdan doğrudan gözlemlenip ölçülemez.

3.2. Zeki Sistemlere Dair 4 Kuramsal Yaklaşım (Russell & Norvig)

Russell ve Norvig (2021), yapay zekâ literatüründeki tanımları iki eksen (Düşünme vs. Davranış ve İnsana Benzerlik vs. Rasyonellik) üzerinden dört temel kuramsal yaklaşımla ele almıştır:

1. İnsan Gibi Düşünmek: Makinelerin insan zihninin bilişsel işleyişini taklit etmesi (Haugeland, 1985; Bellman, 1978).
2. Rasyonel Düşünmek: Biçimsel mantık kurallarına ve hatasız çıkarımlara dayalı zihinsel süreçler (Charniak & McDermott, 1985; Winston, 1992).
3. İnsan Gibi Davranmak: Sistemin dışarıdan gözlemlenen davranışlarının insanla ayırt edilemeyecek düzeyde olması (Kurzweil, 1990; Rich & Knight, 1991). Bunun kuramsal temelini Turing Testi (Turing, 1950) oluşturur.
4. Rasyonel Davranmak: Tanımlı bir amaca ulaşmak için mevcut veriler ışığında en doğru eylemi gerçekleştiren akıllı etmenlerin (smart agents) tasarımı (Poole vd., 1998; Nilsson, 1998).

Neden "Rasyonel Davranmak" Yaklaşımı Baskındır? Günümüz yapay zekâ mühendisliğinde ve araştırmalarında en yaygın benimsenen yaklaşım "rasyonel davranmak"tır. Çünkü insan beyninin nörobiyolojik tüm gizemlerini ve bilincin doğasını çözmeye çalışmak son derece karmaşık ve hesaplamalı olarak imkânsıza yakındır. Mühendislik açısından uygulanabilir olan; sistemin, tanımlanan bir amaç fonksiyonunu (objective function) en yüksek başarıyla optimize edecek rasyonel kararlar almasını sağlamaktır.

3.3. Güçlü YZ ve Zayıf YZ Ayrımı (Searle)

John Searle (1980), Minds, Brains, and Programs makalesinde zekâ ve hesaplama ilişkisini iki temel kategoriye ayırmıştır:

• Zayıf Yapay Zekâ (Weak AI): Bilgisayarların yalnızca zeki davranışların simülasyonunu yaptığını, gerçek anlamda bir zihne, anlamlandırmaya veya deneyime sahip olmadığını savunur. Günümüzde kullanılan ve piyasada var olan ticari sistemlerin tamamı zayıf yapay zekâ kategorisindedir (Boden, 2016).
• Güçlü Yapay Zekâ (Strong AI): Uygun şekilde örgütlenmiş bir hesaplama sürecinin salt simülasyon olmayacağını; kendi içinde gerçek bir zihne, bilince ve kavrayışa sahip olabileceğini savunur.

3.4. Sohbet Robotları ve Empati Yanılsaması

Blog İpucu / Notu: Bir sohbet robotu size "Seni anlıyorum, bu yaşadıkların gerçekten çok zor olmalı" dediğinde gerçekten bir empati hissetmiş olur mu?

Kesinlikle hayır. Bilişsel nörobilim açısından empati; karşı tarafın duygusal durumunu zihinsel olarak temsil edebilme, bu duruma duygusal bir tepki verebilme ve kendi benliği ile ötekinin benliği arasındaki sınırı koruma süreçlerini içerir (Decety & Jackson, 2004). Dil modelleri ise eğitildikleri devasa metinlerdeki kelime dizilimlerinin istatistiksel olasılıklarını hesaplar. Robotun kurduğu cümle, duygusal bir farkındalığın değil; istatistiksel bir dil simülasyonunun ve insan benzeri bir performansın ürünüdür.

4. Yetenek Düzeyine Göre Yapay Zekâ Türleri: Hayaller ve Gerçekler

4.1. Üç Temel Yapay Zekâ Türü

Dar Yapay Zekâ (Narrow AI)

• Tanım: Belirli ve dar bir görev alanı için özel olarak eğitilmiş, yalnızca o uzmanlık sınırları içinde performans gösterebilen sistemlerdir.
• Durum: Günümüzde var olan tek yapay zekâ türüdür. Hayatımızda karşılaştığımız tüm ticari uygulamalar bu gruptadır (Boden, 2016).
• Özellik: Bir alandaki başarısını başka bir alana aktaramaz. Örneğin, milyonlarca röntgen görüntüsünü inceleyip tümör tespiti yapan gelişmiş bir dar yapay zekâ modeli, aynı uzmanlıkla bir satranç hamlesi yapamaz veya finansal tavsiye veremez. Yüz tanıma sistemleri, spam filtreleri, öneri algoritmaları ve otonom araç yardımcıları bu türün en somut örnekleridir.

Genel Yapay Zekâ (AGI - Artificial General Intelligence)

• Tanım: İnsan zekâsına benzer şekilde, birbirinden tamamen farklı alanlarda öğrenebilen, edindiği tecrübeleri yeni durumlara aktarabilen ve esnek uyum sağlama yeteneğine sahip olan kuramsal türdür.
• Durum: Henüz gerçekleşmemiş bir hedeftir. Manning (2022) gibi uzmanlar, günümüzdeki devasa dil modellerinin genel yapay zekâya dair ilk emareleri sunduğunu tartışsa da AGI henüz bilimsel olarak ortaya konulabilmiş değildir.

Süper Yapay Zekâ (Superintelligence)

• Tanım: Bilimsel yaratıcılık, genel felsefi akıl yürütme, stratejik planlama ve sosyal beceriler dâhil olmak üzere tüm bilişsel alanlarda insan zekâsını açıkça aşan varsayımsal düzeydir.
• Durum: Varsayımsal bir aşamadır. Gelecekte ortaya çıkıp çıkmayacağı belirsizdir. Yapay zekâ güvenliği, insan denetiminin sürdürülebilirliği ve varoluşsal risk tartışmalarının odak noktasında yer alır.

4.2. Popüler Kültür ve Yapay Zekâ Algısı

Sinema dünyasındaki ikonik karakterleri hatırlayalım: Skynet (Terminator), Ava (Ex Machina), Samantha (Her), HAL 9000 (2001: A Space Odyssey) veya Sonny (I, Robot)... Bu yapımlarda resmedilen akıllı yapılar, popüler kültürün etkisiyle zihnimizde "yapay zekâ" imajını belirler.

Ancak bu kurgusal karakterlerin tamamı Genel Yapay Zekâ veya Süper Yapay Zekâ seviyesindeki kuramsal sistemlerdir. Popüler kültürün bu kurgusal temsilleri, toplumda gerçeklik ile hayal gücü arasındaki sınırın bulanıklaşmasına yol açar. Bir yanda teknolojinin yarın sabah bilince ulaşıp dünyayı ele geçireceğine dair aşırı distopik kaygılar, diğer yanda ise her sorunu anında çözecek mucizevi bir güç olduğuna dair aşırı iyimser beklentiler doğar. Gerçek dünya ile sinematik kurguyu birbirinden ayırabilmek, çağdaş yapay zekâ okuryazarlığının temel şartıdır.

5. Dev Bir Ekosistem: Yapay Zekânın Disiplinler Arası Doğası

5.1. Yapay Zekâyı Besleyen Bilim Dalları

Yapay zekâ, tek bir mühendislik disiplininin kendi başına ürettiği bir teknoloji değildir; aksine, asırlık bilimsel birikimlerin ortak bir potada eritildiği çok disiplinli bir sentezdir (McCorduck, 2004; Russell & Norvig, 2021). Bu dev ekosistemi besleyen ana damarları büyüleyici bir hikâyenin parçaları olarak inceleyebiliriz:

• Matematik ve İstatistik: Yapay zekânın evrensel dilidir. Lineer cebir matris dönüşümlerini sağlarken, olasılık ve optimizasyon yöntemleri makine öğrenmesinin kuramsal omurgasını oluşturur (Goodfellow vd., 2016). Derin ağların eğitilmesini sağlayan Geri Yayılım (Backpropagation) algoritması (Rumelhart, Hinton & Williams, 1986) ve belirsizlik altında akıl yürütmeyi sağlayan Bayesçi Ağlar (Pearl, 1988) bu disiplinin en büyük armağanlarıdır.
• Bilgisayar Bilimleri: İşin mutfağını ve altyapısını kurar. Algoritma tasarımları, veri yapıları, GPU mimarileri ve paralel hesaplama altyapıları olmasaydı, teorik modeller hiçbir zaman pratik kodlara dönüşemezdi.
• Psikoloji ve Bilişsel Bilimler: İnsan zihninin öğrenme haritasını çıkartır (Thagard, 2005). Örneğin B.F. Skinner'ın (1953) edimsel koşullanma (operant conditioning) kuramı, ödül ve ceza mekanizmaları üzerinden ajanın çevresiyle etkileşime girerek öğrenmesini sağlayan modern Pekiştirmeli Öğrenme (Reinforcement Learning) yaklaşımının ilham kaynağı olmuştur (Sutton & Barto, 2018).
• Nörobilim: Biyolojik sinir sisteminin yapısını inceler. McCulloch ve Pitts (1943), biyolojik bir nöronun çalışmasını matematiksel olarak modelleyerek yapay sinir ağlarının meşalesini yakmıştır. İnsan beynindeki görme korteksinin hiyerarşik katmanlarından ilham alınarak geliştirilen Evrişimsel Sinir Ağları (CNN), bilgisayarla görme alanında devrim yaratmıştır (Hassabis vd., 2017).
• Dil Bilim: Söz dizimi ve anlam bilim çalışmalarıyla yapay zekâya dilin kurallarını fısıldar (Manning, 2022). Vaswani ve arkadaşlarının (2017) çığır açan Attention is All You Need makalesinde tanıttığı Transformer mimarisi, istatistiksel öğrenme ile dil bilimsel örüntülerin muazzam bir sentezidir.
• Felsefe ve Etik: "Zihin nedir?", "Bir makine düşünebilir mi?" sorularından yola çıkarak sistemlerin sınırlarını çizer. Zihin felsefesi kuramlarının yanı sıra algoritmik ön yargı (bias), şeffaflık, hesap verebilirlik ve veri gizliliği gibi hayati etik konuları sorgulayarak teknolojinin insanlık yararına geliştirilmesini denetler (Boden, 2016; Floridi vd., 2018; Jobin vd., 2019).

5.2. Tarihsel Dönüm Noktaları ve Yöntemler

Günümüzde hayranlıkla izlediğimiz yapay zekâ sistemleri, henüz bu alan bağımsız bir disiplin olarak adlandırılmadan çok önce farklı bilim dallarında atılan kuramsal temellerin bir birikimidir:

Yıl / Teori - Yazar	Disiplin
1763 - Bayes Rule (Bayes)	Olasılık
1795 - Least Squares Regression (Gauss)	Matematik
1893 - First-order Logic (Frege)	Mantık
1922 - Maximum Likelihood (Fisher)	İstatistik
1943 - Artificial Neural Networks (McCulloch & Pitts)	Nörobilim
1944 - Minimax Games (von Neumann)	Ekonomi
1951 - Stochastic Gradient Descent (Robbins & Monro)	Optimizasyon
1956 - Uniform Cost Search (Dijkstra)	Algoritma
1957 - Value Iteration (Bellman)	Kontrol Teorisi

6. Yapay Zekâ Ne Yapabilir, Ne Yapamaz? (Sınırlar ve Etik)

6.1. Uygulama Alanları

Yapay zekâ günümüzde iş dünyasında ve gündelik yaşamda somut değerler üreten bir motor hâline gelmiştir:

• Sağlık: Tıbbi görüntüleme (Röntgen, MR) analizleriyle erken evre hastalık ve tümör teşhisi.
• Finans: Şüpheli hesap hareketlerinin ve dolandırıcılık işlemlerinin (fraud) anlık tespiti, risk analizleri.
• Eğitim: Öğrencinin hızına ve eksiklerine göre şekillenen kişiselleştirilmiş öğrenme platformları.
• Üretim: Fabrikalardaki makinelerin arıza yapacağı zamanı önceden kestiren kestirimci bakım sistemleri.
• Ulaşım: Otonom sürüş teknikleri ve şehir içi akıllı trafik/rota optimizasyonu.
• Savunma: Karar destek sistemleri ve güvenlik analizleri.

6.2. Teknik Sınırlılıklar ve Etik Sorunlar

Tüm bu başarılara rağmen yapay zekâ sihirli bir değnek değildir ve ciddi sınırlılıklara sahiptir:

• Veri Bağımlılığı ve Ön Yargı (Bias): Modeller eğitildikleri verinin bir aynasıdır. Veri kümesindeki tarihsel ön yargılar, ayrımcılıklar veya eksiklikler, algoritmik kararlara doğrudan yansır.
• Nedensellik Eksikliği: Yapay zekâ modelleri neden-sonuç ilişkisini kavramaz; yalnızca verideki istatistiksel korelasyonlara bakar. Bu durum, bağlamsal yorumlama ve sezgi gerektiren durumlarda hatalara yol açar.
• Kara Kutusu (Black-Box) Problemi: Özellikle derin öğrenme modellerinin kararlarını milyonlarca parametre üzerinden nasıl ürettiğinin dışarıdan anlaşılamaması şeffaflık sorunu yaratır. Bu nokta, kararların gerekçelendirilmesini sağlayan Açıklanabilir Yapay Zekâ (XAI - Explainable AI) disiplinine olan ihtiyacı her geçen gün daha da kritik kılmaktadır.
• Yüksek Enerji ve Maliyet: Devasa modellerin eğitimi ciddi miktarda elektrik tüketimi, karbon ayak izi ve pahalı bir donanım altyapısı gerektirir.

6.3. İnsan Denetimi (Human-in-the-Loop) ve Kullanıcı Kabulü

En gelişmiş yapay zekâ modeli dahi, onu kullanacak uzmanlar tarafından güvenilir bulunmadığı, anlaşılmadığı ve iş akışına doğru entegre edilmediği sürece kâğıt üzerinde bir başarıdan ibaret kalır. Kullanıcı kabulü, teknolojik gelişmişlik kadar belirleyici bir faktördür.

Bu nedenle kritik kararların alındığı (sağlık, yargı, finans vb.) alanlarda yapay zekânın otonom bir karar verici değil, insanı sürecin merkezinde tutan bir karar destek aracı olarak tasarlanması; yani insan denetimi (human-in-the-loop) mekanizmasının korunması etik ve operasyonel bir zorunluluktur.

7. Sonuç ve Değerlendirme

Yapay zekâ; matematik, bilgisayar bilimi, nörobilim, felsefe ve dil bilim gibi pek çok köklü alanın tarihsel birikimiyle şekillenen, veriden öğrenme yeteneğiyle geleneksel yazılımlardan ayrılan güçlü bir bilgi işleme teknolojisidir. Ancak unutulmamalıdır ki bu sistemler, popüler kültürdeki gibi bilince, duygulara veya öz farkındalığa sahip varlıklar değil; belirli görevleri yüksek doğrulukla yerine getiren özelleşmiş dar yapay zekâ araçlarıdır. Teknolojinin sınırlarını ve potansiyelini doğru anlamak, geleceğin dünyasında pasif bir izleyici değil, sürece yön veren etkin bir birey olmanın ilk adımıdır.

Akılda Kalması Gereken 3 Ana Çıkarım:

1. Geleneksel Yazılımdan Farkı Veriden Öğrenmesidir: Yapay zekâ katı kurallarla değil; veri, algoritma ve hesaplama gücü bileşimiyle örüntüleri keşfederek olasılıksal kararlar üretir.
2. Günümüzdeki Tüm Uygulamalar "Dar Yapay Zekâ"dır: Popüler kültürdeki bilinçli ve her şeyi yapabilen yapay zekâ görselleri kuramsaldır; mevcut tüm ticari sistemler tek bir alana odaklanmış özelleşmiş araçlardır.
3. Etik ve İnsan Denetimi (Human-in-the-Loop) Şarttır: "Kara kutu" problemi ve veri kaynaklı ön yargılar nedeniyle, yapay zekâ sistemlerinin insan denetimi ve etik ilkeler rehberliğinde çalıştırılması hayati önem taşır.
   
   
   
   
   
   NOT: Bu yazı Anadolu Üniversitesi Açıköğretim Fakültesi Yapay Zeka Destekli Kodlama bölümü Yapay Zekaya Giriş dersi 1. Ünitesi referans alınarak yazılmıştır.