Yapay Zeka ve Makine Öğrenmesi Final Sınavı Soruları ve Çözümleri

Yapay Zeka ve Makine Öğrenmesi 2025 Final

Bu final sınavı; Keras kütüphanesi ile yapay sinir ağı (YSA) katmanlarının oluşturulması, k-En Yakın Komşu (k-NN) algoritmasında kullanılan uzaklık metrikleri ve çoğunluk oylaması, Naive Bayes ve Karar Ağaçları (CART, C4.5, ID3) sınıflandırma mantıkları, entropi hesaplamaları, çoklu doğrusal regresyonda katsayı tahmini ve çapraz geçerleme (StratifiedKFold) performans değerlendirme yöntemlerini kapsamaktadır.

Sınavda Hangi Konular Var? (Özeti Görmek İçin Tıkla ⬇️)

Sağlanan metin, “Yapay Zeka ve Makine Öğrenmesi Final 2025” başlıklı bir sınav veya alıştırma kağıdından oluşmaktadır. İçerik, Makine Öğrenmesi (ML) ve Yapay Sinir Ağları (YSA) konularını kapsamaktadır.

Makine Öğrenmesi Kavramları ve Algoritmaları:

K-En Yakın Komşu (k-NN) Algoritması:
- Uzaklık fonksiyonları olarak Euclidean (Öklid), Manhattan, Chebyshev ve Cosine (Kosinüs) kullanılabilir. Jaccard da listelenmiştir.
- Python’da KNeighborsClassifier kullanmak için from sklearn.neighbors ifadesi ile tamamlanmalıdır.
- Karar aşamasında çoğunluk oylaması (majority voting), bilinmeyen bir örneğe en yakın $k$ komşunun sınıf etiketlerine bakılarak sayıca en fazla olan sınıf etiketinin atanmasıdır.
Sınıflandırma Ağaçları:
- Sınıflandırma için kullanılabilen karar ağacı algoritmaları ID3, C4.5, C5.0 ve CART’tır. ID4.5 de listelenmiştir.
- Entropi değeri, karar ağaçlarında niteliklerin belirsizliğini ölçmek için kullanılır.
- CART sınıflandırıcı modeli oluşturulmak istendiğinde boşluğa DecisionTree Classifier getirilmelidir.
Naive Bayes Sınıflandırıcı:
- Bayes Teoremi’ne dayanır.
- “Naive” (saf/basit) adını, sınıflandırma için kullanılan tahmini sağlayan nitelikler arasındaki bağımsızlık varsayımı nedeniyle almıştır.
- Analiz sonucunda olasılığı en yüksek çıkan sınıf değeri, sınıfı bilinmeyen örneğin sınıfı olarak atanır.
- Naive Bayes Sınıflandırıcı ile Bayes Sınıflandırıcı (Full Bayes Classifier) aynı yöntemler değildir.

Yapay Sinir Ağları ve Derin Öğrenme:

Keras kütüphanesi ile bir YSA modeli oluşturulurken girdi katmanı eklemek için model.add(InputLayer(input_shape=(X_train.shape[1],), name=" Girdi_Katmani")) seçeneği kullanılır.
Yapay sinir ağlarında kullanılan bir öğrenme algoritması Geriye Yayılım Algoritması‘dır.
Derin öğrenme, bilgisayarların deneyimlerden öğrenmesini sağlamak ve karmaşık kavramları daha basit olanlardan oluşturarak dünyayı bir kavramlar hiyerarşisi açısından anlamak olarak görülebilir.
Büyük dil modellerine (LLM) bir örnek ChatGPT‘dir.

Regresyon Analizi ve Performans Değerlendirme:

Çoklu doğrusal regresyon analizi sonucunda model performansını değerlendirmek için from sklearn.metrics import **mean_squared_error** ifadesi uygundur.
İstatistiksel açıdan anlamlı bir katkı sağlamayan değişken, p-değeri 0.600 olan Sosyal Medya Etkileşimi‘dir.
Tahmini günlük ortalama batarya tüketimi miktarı $\beta_0 + \beta_1(CPU) + \beta_2(Ekran\ Parlaklığı) = 2.5 + 0.05(40) + 0.03(70) = 2.5 + 2.0 + 2.1 = 6.6$’dır.

Diğer Konular:

Ayrık (discret) veri örneği olmayan, yani sürekli veri örneği bir kişinin boyu‘dur.

Veri setindeki nümerik nitelikleri $[0,1]$ aralığına ölçeklendirmek için from sklearn.preprocessing import MinMaxScaler kullanılır.

İki nitelik arasında doğrusal ilişkiyi grafik üzerinde incelemek için plt.scatter(x, y) kodu getirilmelidir.

StratifiedKFold ile $k=10$ olarak ayarlandığında, kullanılan performans değerlendirme yöntemi Tabakalı 10-kat çapraz geçerleme‘dir.

Sonuçlar

#1. model = Sequential(name=”YSA Modelim”) Keras kütüphanesi yardımı ile bir yapay sinir ağı modeli oluşturulurken modele bir girdi katmanı eklemek için aşağıdaki seçeneklerin hangisi kullanılabilir?

model.add(InputLayer(input_shape=(X_train.shape[1] ) name=”Girdi_Katmani”))

model.insert(InputLayer(input_shape=(X_train.shape[1] ) name=”Girdi_Katmani”))

model.append(InputLayer(input_shape=(X_train.shape[1] ) name=”Girdi_Katmani”))

model.get(InputLayer(input_shape=(X_train.shape[1] ) name=”Girdi_Katmani”))

model.create(InputLayer(input_shape=(X_train.shape[1] ) name=”Girdi_Katmani”))

#2. …… import KNeighborsClassifier k-En Yakın Komşu Algoritması ile Python’da çalışmak isteyen bir araştırmacı yukarıda …… ile verilen kod satırını aşağıdaki seçeneklerden hangisi ile tamamlamalıdır?

from sklearn.model_selection

import matplotlib.pyplot

from sklearn.neighbors

from sklearn.preprocessing

from sklearn.metrics

#3. I. Euclidean (Öklid) II. Manhattan III. Chebyshev IV. Cosine V. Jaccard VI. Adam Yukarıdaki uzaklık fonksiyonlarından hangisi ya da hangileri k-En Yakın Komşu Algoritması’nın uzaklık fonksiyonu olarak kullanılabilir?

I II III IV ve V

I II ve III

I II III ve IV

I ve VI

I ve II

#4. Proje Tamamlanma Durumu: Başarılı Başarısız Başarılı Başarılı Başarılı. Yukarıda verilen tabloya göre karar ağaçlarında niteliklerin belirsizliğini ölçmek için kullanılan Entropi değeri Proje Tamamlanma Durumu niteliği için aşağıdaki seçeneklerin hangisi kullanılarak doğru biçimde hesaplanabilir?

#5. Bir araştırmacı veri setinde yer alan tüm nümerik nitelikleri [0 1] aralığına ölçeklendirmek istiyor. Bunun için aşağıda verilen Python kodlarından hangisi kullanılabilir?

from matplotlib.cbook import boxplot_stats

from sklearn.model_selection import train_test_split

import seaborn as sns

from sklearn.preprocessing import StandardScaler

from sklearn.preprocessing import MinMaxScaler

#6. Güncelleme Gecikmesi: Var Var Yok Yok Yok. Zararlı Yazılım Bulaşma Durumu: Evet Evet Evet Evet Hayır. Yukarıdaki tabloya göre sisteme zararlı yazılım bulaştığı bilinen bir durumda (Evet) söz konusu sistemde güncelleme gecikmesi olma (Var) koşullu olasılığı aşağıdakilerden hangisidir?

4/5

3/4

1/2

#7. from sklearn.metrics import … Çoklu doğrusal regresyon analizi sonucunda modelin performansını değerlendirmek isteyen bir araştırmacının yukarıda … ile verilen boşluğu aşağıdaki seçeneklerin hangisi ile doldurması uygun olur?

recall_score

mean_squared_error

classification_report

confusion_matrix

ConfusionMatrixDisplay

#8. Aşağıdakilerden hangisi Naive Bayes Sınıflandırıcı ile ilgili yanlış bir ifadedir?

Naive Bayes Sınıflandırıcı adındaki naive bu algoritmanın sınıflandırma için kullanılan tahmini sağlayan nitelikler arasındaki bağımsızlık varsayımı nedeni ile verilmiştir.

Naive Bayes Sınıflandırıcı ile gerçekleştirilen analizler sonucunda olasılığı en yüksek çıkan sınıf değeri sınıfı bilinmeyen örneğin sınıfı olarak atanır.

Naive Bayes Sınıflandırıcı Bayes Teoremi'ne dayanır.

Naive Bayes Sınıflandırıcı ile Bayes Sınıflandırıcı (Full Bayes Classifier) birbirinin aynısı yöntemlerdir.

Naive Bayes Sınıflandırıcı ile çalışırken niteliklerin veri tipinin sürekli olması durumunda normal dağılıma uygun dağıldığı kabul edilerek normal dağılım için olasılık yoğunluk fonksiyonu hesaplanabilir.

#9. Aşağıdakilerden hangisi yapay sinir ağlarında kullanılan bir öğrenme algoritmasıdır?

k-Ortalamalar Algoritması

k-En Yakın Komşu Algoritması

C5.0 Algoritması

Geriye Yayılım Algoritması

Naive Bayes Algoritması

#10. Bir akıllı telefon üreticisi farklı kullanım alışkanlıklarının günlük batarya tüketimine nasıl etki ettiğini anlamak amacıyla bir çoklu doğrusal regresyon modeli kurmuştur. Analiz sonucunda edilen model sabiti (𝛽0 = 2.5) CPU kullanım oranı katsayısı (𝛽1 = 0.05) ve ekran parlaklığı katsayısı (𝛽2 = 0.03) aşağıda verilmiştir. Bu çoklu doğrusal regresyon modeline göre CPU kullanım oranı 40 ve ekran parlaklık seviyesi 70 birim olan bir akıllı telefonun tahmini günlük ortalama batarya tüketimi miktarı aşağıdakilerden hangisidir?

8.3

3.7

6.6

2.5

5.5

#11. Bir e-ticaret şirketinin günlük satış gelirini açıklamaya yönelik potansiyel değişkenler bu değişkenlere ait tahmini beta katsayıları ve p-değerleri aşağıdaki gibidir: Reklam Harcaması p=0.005 Web Site Trafiği p=0.030 Müşteri Memnuniyeti p=0.000 Sosyal Medya Etkileşimi p=0.600 Ortalama Sepet Tutarı p=0.040. Yukarıdaki tabloda yer alan beş bağımsız değişkenden hangisinin modele istatistiksel açıdan anlamlı bir katkı sağlamadığı söylenebilir?

Reklam Harcaması (TL)

Müşteri Memnuniyeti

Web Site Trafiği (tıklama)

Ortalama Sepet Tutarı (TL)

Sosyal Medya Etkileşimi

#12. I. ID3 II. ID4.5 III. C4.5 IV. C5.0 V. CART Yukarıda verilenlerden hangisi ya da hangileri sınıflandırma için kullanılabilen karar ağacı algoritmalarındandır?

Yalnızca III

I III IV ve V

I II ve III

I III ve IV

Yanlızca I

#13. k-En Yakın Komşu Algoritması’nın karar aşamasında kullanılan çoğunluk oylaması (majority voting) ile ilgili aşağıda verilenlerden hangisi doğrudur?

Sınıfı etiketi bilinmeyen x örneğine en yakın k komşunun sınıf etiketlerine bakılır. Sayıca en fazla olan sınıf etiketi atanır.

Sınıfı etiketi bilinmeyen x örneğine en yakın k komşunun sınıf etiketlerine bakılır. Sayıca en az olan sınıf etiketi atanır.

Sınıfı etiketi bilinmeyen x örneğine en yakın k komşu arasında ağırlığı (weight) en fazla olan sınıf etiketi atanır.

Sınıfı etiketi bilinmeyen x örneğine en yakın k komşu arasında ağırlığı (weight) en az olan sınıf etiketi atanır.

Sınıfı etiketi bilinmeyen x örneğine en yakın k komşu arasında her zaman en yakınındaki gözleme ait sınıf etiketi atanır.

#14. Küme Merkezi: Küme 1 (5 5) Küme 2 (18 20) Küme 3 (220 3) Küme 4 (33 40) Küme 5 (200 210). k-Ortalamalar algoritması kullanılarak gerçekleştirilen kümeleme analizi sonucunda elde edilen kümeler ve küme merkezleri yukarıdaki tabloda verilmiştir. Buna göre örnek veri (20 21) aşağıdaki kümlerden hangisine benzerlik gösterir ve atanır?

Küme 1

Küme 5

Küme 2

Küme 3

Küme 4

#15. x = veri.yas y = veri.mutluluk … plt.xlabel(Yaş) plt.ylabel(Mutluluk Oranı) Yukarıdaki Python kod bloğu ile iki nitelik arasında doğrusal bir ilişkinin olup olmadığı grafik üzerinde incelenmek isteniyor. Bunun için yukarıda … ile boş bırakılan boşluğa aşağıdaki seçeneklerden hangisi getirilmelidir?

plt.scatter(x y)

plt.boxplot(x y)

plt.heatmap(x y)

plt.hist(x y)

plt.pie(x y)

#16. model = …(criterion=gini max_depth=3 random_state=123) Yukarıdaki Python kod satırında bir CART sınıflandırıcı modeli oluşturulmak istenmektedir. Bunun için … ile verilen boşluğa aşağıdaki seçeneklerde verilen ifadelerden hangisi getirilmelidir?

DecisionClassifier

TClassifier

DTRegressor

DecisionTreeRegressor

DecisionTreeClassifier

#17. Aşağıdaki seçeneklerde verilenlerden hangisi büyük dil modellerine (large language models) bir örnektir?

Turing Testi

IoT

API

ChatGPT

Deep Blue

#18. from sklearn.model_selection import StratifiedKFold k = 10 n = 2 perf_deg = StratifiedKFold(n_splits=k shuffle=True random_state=5) Bir araştırmacı model performans değerlendirmesi aşaması için yukarıdaki Python kod bloğunu çağırıyorsa aşağıda verilen performans değerlendirme yöntemlerinden hangisini kullanmaktadır?

Tabakalı 5-kat çapraz geçerleme

Tabakalı 10-kat çapraz geçerleme

Tabakalı ikili ayırma

Tabakalı 2-kat çapraz geçerleme

Tekrarlı ikili ayırma

#19. ………. bilgisayarların deneyimlerden (verilerden) öğrenmesini sağlamak ve dünyayı bir kavramlar hiyerarşisi açısından anlamak (yani karmaşık kavramları daha basit olanlardan oluşturarak öğrenmek) olarak görülebilir. Yukarıda … ile verilen boşluğa aşağıdaki seçeneklerden hangisi getirilmelidir?

Danışmansız öğrenme

Derin öğrenme

Tembel öğrenme

Danışmanlı öğrenme

Pekiştirmeli öğrenme

#20. Aşağıdaki seçeneklerden hangisi ayrık (discret) veri örneği değildir?

Bir futbol takımının attığı gol sayısı.

Bir fabrikanın günlük ürettiği ürün adedi.

Zar atıldığında üst yüze gelen nokta sayısı.

Bir sınıftaki öğrenci sayısı.

Bir kişinin boyu.

Öncesi

Sınavı Bitir ve Sonucu Gör.