[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-supervised-learning::tr":3,"gloss-cluster-supervised-learning::tr":23,"gloss-next-supervised-learning::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"supervised-learning","core-ai","Gözetimli Öğrenme","Gözetimli öğrenme, her eğitim örneğinin cevabı eklenmiş halde geldiği kurulumdur. Modele çiftler verirsiniz — bir e-posta ve spam etiketi, bir müşteri kaydı ve ayrılıp ayrılmadığı, bir fotoğraf ve içindeki nesne — ve eğitim, modelin tahmin ettiği cevaplar verilenlerle hiç görmediği örneklere genellenecek kadar örtüşene dek modeli ayarlar. Ticari olarak en çok konuşlandırılan makine öğrenmesi biçimidir, çünkü çoğu iş sorusu doğal olarak bu biçimdedir: bu şey hakkında bildiklerimize bakarak, önemsediğimiz alanı tahmin et. İki alt türü, cevabın bir kategori olduğu sınıflandırma ve bir sayı olduğu regresyondur. Aralarında seçim genelde bellidir ama sınır, nasıl değerlendirdiğiniz açısından önemlidir: doğruluk, dengeli sınıflandırma için makul, örneklerinizin %98'i tek sınıfa aitken ise fena halde yanıltıcı bir ölçüdür; o durumda hep çoğunluğu tahmin eden bir model mükemmel görünür ve işe yaramaz. Sınıflar dengesizken — iş verisinde genelde öyledir — gerçekten önemsediğiniz şey kesinlik, duyarlılık ve aralarındaki ödünleşimdir. Gözetimli öğrenmenin maliyeti etiketlerdir ve pratik darboğaz budur. Birinin binlerce örnek için, belirsiz olanlar dahil, tutarlı biçimde gerçek değeri belirlemesi gerekir; tutarsız etiketleme ise ulaşılabilir doğruluğa hiçbir model seçiminin kaldıramayacağı katı bir tavan koyar. Ekipler bunu düzenli olarak küçümser: çalışan bir sınıflandırıcıyla terk edilmiş bir sınıflandırıcı arasındaki olağan fark model mimarisi değil etiket kalitesidir. Etiketler ürünün bir yan ürünü olarak zaten varsa gözetimli öğrenme ucuzlar. Temsilcilerin zaten kategorilediği destek talepleri, kullanıcıların zaten spam işaretlediği e-postalar, birinin zaten girdiği faturalar, zaten iptal edilmiş ya da edilmemiş abonelikler; her biri parasını ödemek zorunda kalmadığınız etiketli bir veri kümesidir. Kendi veritabanınızda saklanan bu bedava gözetimi görmek, elinizdeki en yüksek kaldıraçlı hamledir ve genelde makine öğrenmesi değil ürün düşünme egzersizidir.","Gözetimli öğrenme, cevabı ekli örneklerle eğitilir; ulaşılabilir doğruluğu genelde model seçimi değil etiket kalitesi sınırlar.",null,[11,14,17,20],{"slug":12,"name":13},"golden-dataset","Altın Veri Kümesi",{"slug":15,"name":16},"machine-learning","Makine Öğrenmesi (ML)",{"slug":18,"name":19},"overfitting","Aşırı Öğrenme (Overfitting)",{"slug":21,"name":22},"unsupervised-learning","Gözetimsiz Öğrenme",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Agentic AI (Ajan Tabanlı Yapay Zeka)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Hizalama Vergisi (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Yapay Zekâ (AI)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Attention (Dikkat Mekanizması)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Işın Arama (Beam Search)",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Kıyaslama Kirlenmesi (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Felaketvari Unutma (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Bilgisayarlı Görü",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Anayasal Yapay Zekâ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Bağlam Penceresi (Context Window)",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Derin Öğrenme",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Difüzyon Modeli (Diffusion Model)"]