Kazanimlar:
- Veri biliminin altı aşamalı iş akışını (problem tanımı, toplama, temizleme, keşif, modelleme, iletişim) ve yapay zekanın her aşamada hangi yetkiyle çalıştığını görev risk düzeyine göre ayırt edebilme
- Her yapay zeka çıktısını kaynağa bağlama, çalıştırıp karşılaştırma ve uzman süzgecinden geçirme adımlarıyla doğrulayan bir disiplin uygulayabilme
- Yeniden üretilebilirlik ve gizlilik ilkelerini (koda yazma, anonimleştirme) daha ilk günden analiz alışkanlığına dönüştürebilme
Bir veri bilimcinin masasına her gün ham, dağınık ve çoğu zaman "yalan söyleyen" veri düşer. Satış tablosunda tarih sütunu üç farklı biçimde yazılmıştır; müşteri numaraları bazı satırlarda boştur; bir kolonun adı "gelir" ama içinde hem TL hem USD değerler karışıktır. Veri biliminin işi bu kaostan güvenilir bir karar çıkarmaktır: veriyi toplamak, temizlemek, keşfetmek, model kurmak, sonucu doğrulamak ve bir hikâyeye dönüştürmek. Yapay zeka (kısaca YZ ya da İngilizcesiyle AI — metin ve kod üretebilen, örüntü tanıyan, özetleyen ve tahmin yapabilen bilgisayar sistemleri) bu zincirin her halkasına dokunabilir: dakikalar içinde temizleme kodu yazar, keşifsel analiz için grafik önerir, bir modelin metriğini yorumlar, bir SQL sorgusunu düzeltir. Ama aynı YZ, size hiç görmediği bir veri için "korelasyon 0,72" gibi kendinden emin bir uydurma da sunabilir.
Bu ilk ünite bir kütüphane tanıtımı değildir. Amacı, YZ'yi veri bilimi iş akışının neresine koyacağınızı ve neresine asla koymayacağınızı netleştirmektir. Temel ilkeyi baştan koyalım: Yapay zeka bir asistandır, veri bilimci değildir. Hangi verinin toplanacağı, hangi metriğin karara bağlanacağı, bir modelin üretime alınıp alınmayacağı ve etik sınırların nerede çizileceği kararı yetkin uzmana aittir. Doğrulanmamış bir YZ çıktısı, imzalanmamış bir analiz raporu gibi risklidir.
Veri bilimi iş akışı: uçtan uca harita
Bir veri projesini anlamak için işi altı aşamaya ayırmak yararlıdır. Bu modülün tümü bu haritayı takip eder.
1. Problem tanımı: Neyi, neden, hangi kararı desteklemek için ölçüyoruz? Bu aşama YZ'ye devredilmez; işi tanımlayan insandır.
2. Veri toplama: Kaynakları belirleme, veri çekme, örnekleme. (Ünite 2)
3. Veri temizleme ve ön işleme: Eksik değer, aykırı değer, tip dönüşümü. (Ünite 3)
4. Keşifsel veri analizi (İngilizcesiyle EDA — Exploratory Data Analysis, verinin dağılımını ve ilişkilerini "gözle" tanıma aşaması): (Ünite 4)
5. Özellik mühendisliği ve modelleme: Değişken üretme, algoritma seçme, eğitme, değerlendirme. (Ünite 5, 6, 7)
6. İletişim ve üretim: Görselleştirme, hikâye, MLOps (modeli canlıya alma ve izleme disiplini). (Ünite 8, 11)
YZ bu altı aşamanın her birinde farklı bir yetkiyle çalışır. Aşağıdaki tablo bu yetki dağılımını özetler; modülün en önemli tek tablosu budur.
Aşama
YZ'nin rolü
Risk düzeyi
Kim onaylar
Problem tanımı
Beyin fırtınası ortağı
Düşük
Veri bilimci + paydaş
Temizleme kodu yazma
Kod taslağı üreteci
Orta
Veri bilimci (kod okunur)
EDA yorumu
Örüntü önericisi
Orta
Veri bilimci
Özellik üretme
Fikir ve kod üreteci
Orta-yüksek
Sızıntı kontrolü şart
Model seçimi/metrik
Danışman
Yüksek
Veri bilimci
Üretime alma kararı
Yardımcı girdi
Çok yüksek
Ekip + iş sahibi
Etik/gizlilik onayı
Uyarıcı
Çok yüksek
İnsan, her zaman
Bu tablodaki tek cümleyi aklınızda tutun: risk yükseldikçe YZ'nin rolü küçülür, insanın onayı büyür.
Neden doğrulama bu işin kalbidir
Yapay zeka dil modelleri emin görünür ama emin olmayabilir. Buna teknik dilde halüsinasyon denir: modelin gerçekte var olmayan bir bilgiyi, doğruymuş gibi akıcı bir cümleyle uydurmasıdır. Veri biliminde bu üç biçimde karşınıza çıkar. Birincisi uydurma sayı: modele veri vermeden "ortalama sipariş tutarı ne" diye sorarsanız size güvenle bir sayı söyler, oysa verinizi hiç görmemiştir. İkincisi var olmayan fonksiyon: model pandas.read_excel_fast() gibi hiç olmayan bir fonksiyon önerebilir. Üçüncüsü yanlış istatistik yorumu: model "p-değeri 0,04, demek ki hipotez %96 doğru" gibi klasik bir istatistik hatasını akıcı biçimde tekrarlayabilir.
Doğrulama disiplini üç adımdan oluşur:
- Kaynağa bağla: Her sayı, oran ve trend, YZ'nin belleğinden değil sizin verinizden gelmelidir. YZ'yi verinin üzerinde işlem yapan kod için kullanın, veriyi hatırlaması için değil.
- Çalıştır ve karşılaştır: YZ'nin verdiği her kod parçasını kendiniz çalıştırın; ürettiği her metriği bağımsız bir baseline (temel kıyas noktası) ile karşılaştırın.
- Uzman süzgeci: Çıktının istatistik ve alan bilgisiyle çelişip çelişmediğini kendi gözünüzle sınayın.
Dikkat: YZ'nin yazdığı bir analizi çalıştırmadan ve okumadan bir sunuma koymak, imzalanmamış bir rapor sunmak gibidir. Kod çalışıyor olması doğru olduğu anlamına gelmez; yanlış sütunu toplayan bir kod da hatasız çalışır.
Reproducibility: aynı sonucu iki kez üretebilmek
Veri biliminin sessiz ama kritik ilkesi yeniden üretilebilirlik (İngilizcesiyle reproducibility): bir analizi, altı ay sonra veya başka bir bilgisayarda tekrar çalıştırdığınızda aynı sonucu almanızdır. YZ ile çalışırken bu risk artar, çünkü YZ'ye "şu grafiği çıkar" deyip elle oynadığınızda adımlar kaybolur. Kural: her adım kodda ve sürüm kontrolünde (Git gibi) kayıtlı olmalı; rastgelelik içeren adımlarda random seed (rastgele sayı üretecinin başlangıç değeri; sabitlenirse sonuç tekrarlanabilir olur) sabitlenmelidir. Bu konuyu Ünite 10'da derinleştireceğiz; şimdilik şu alışkanlığı edinin: "Elle tıklama, koda yaz."
Üç mini vaka
Vaka 1 — Güvenli hızlandırma. Bir e-ticaret analisti, 240 bin satırlık sipariş tablosunu temizlemek için normalde yarım gün harcıyordu. Sütun adlarını ve ilk 5 satırı (kişisel veri olmadan) YZ'ye verip pandas temizleme kodu istedi. YZ 8 saniyede taslak üretti; analist kodu satır satır okudu, tarih ayrıştırmadaki bir hatayı düzeltti ve çalıştırdı. Süre: 4 saat yerine 35 dakika. YZ kod verdi, doğrulama insanda kaldı.
Vaka 2 — Uydurma metrik tuzağı. Bir stajyer, modeli hiç eğitmeden YZ'ye "random forest bu veride ne kadar doğruluk verir" diye sordu. YZ "yaklaşık %89" dedi. Stajyer bunu sunuma koydu; gerçek model eğitilince doğruluk %71 çıktı. Hata: YZ'ye veri ve model vermeden metrik beklemek.
Vaka 3 — Sessiz sızıntı. Bir ekip, YZ'nin önerdiği "hedef değişkenin ortalamasını özellik olarak ekle" fikrini sorgulamadan uyguladı. Model test setinde %98 başarı gösterdi ama üretimde çöktü, çünkü özellik geleceğin bilgisini sızdırıyordu (veri sızıntısı, Ünite 10). Hata: YZ önerisini istatistiksel süzgeçten geçirmemek.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Bu satış verisini analiz et ve bana ortalama geliri söyle.
Bu istem hatalıdır: YZ'ye veri verilmemiştir, dolayısıyla "ortalama gelir" ancak uydurma olabilir. Ne sütunlar, ne dönem, ne para birimi bellidir.
Güçlü prompt:
Rolün: bir veri bilimciye yardımcı olan asistan.Bir pandas DataFrame'im var: df. Sütunlar:- siparis_tarihi (metin, "2024-03-01" biçiminde)- tutar_tl (ondalık, bazı satırlarda NaN)- musteri_id (tam sayı)Görev: (1) ortalama tutarı hesaplayan pandas kodunu yaz,(2) NaN değerleri nasıl ele aldığını açıkla,(3) kodun yaptığı varsayımları listele. Veri içeriğini uydurma;sadece kod üret, sonucu ben çalıştırıp doğrulayacağım.
Bu istemde şema, beklenti ve "uydurma yasağı" açıktır. Çıktıyı yine de kendiniz çalıştırıp doğrularsınız.
Etik ve gizliliğin başlangıcı
Veri bilimi çoğu zaman kişisel veriyle çalışır: müşteri, hasta, çalışan kayıtları. Türkiye'de KVKK (Kişisel Verilerin Korunması Kanunu), Avrupa'da GDPR bu veriyi korur. Herkese açık bir YZ aracına gerçek isim, TC kimlik, e-posta veya adres yapıştırmak ihlaldir. Kural: veriyi paylaşmadan önce anonimleştirin, sadece şema (sütun adları, tipler) ve gerekiyorsa sahte örnek satır verin. Etik konusunu Ünite 11'de derinleştireceğiz; ilkeyi baştan koyalım: veriyi anlamak için içeriğini değil yapısını paylaşmak çoğu zaman yeter.
Sık yapılan hatalar
- YZ'ye veri vermeden sayı/metrik beklemek. Model veriye erişemez; verdiği sayı uydurmadır. Sonucu daima siz hesaplatıp çalıştırın.
- Çalışan kodu doğru sanmak. Yanlış sütunu işleyen kod da hatasız çalışır; mantığı okumadan güvenmeyin.
- Gerçek kişisel veriyi açık araca yapıştırmak. İsim, TC, e-posta asla paylaşılmaz; şema yeter.
- Adımları elle yapıp koda yazmamak. Yeniden üretilemeyen analiz güvenilmezdir.
- YZ'nin istatistik yorumunu sorgusuz kabul etmek. p-değeri, korelasyon gibi kavramlarda YZ klasik hataları tekrarlayabilir.
İpucu: Her YZ oturumunuza kısa bir "kural satırı" ekleyin: "Veri içeriğini uydurma; sadece kod/analiz üret, sonucu ben çalıştırıp doğrulayacağım; emin olmadığın yeri 'emin değilim' diye belirt." Bu tek cümle halüsinasyon riskini belirgin biçimde azaltır.
Özetle
Yapay zeka veri biliminde güçlü bir asistandır: temizleme kodunu, EDA yorumunu, model önerisini ve görseli hızlandırır. Ama problem tanımı, metrik seçimi, üretim kararı ve etik sınır insana aittir. İş akışı altı aşamalıdır ve risk yükseldikçe YZ'nin rolü küçülür. Üç alışkanlık her şeyin temelidir: kaynağa bağlama (doğrulama), yeniden üretilebilirlik (koda yazma) ve anonimleştirme (gizlilik). Bu üçünü içselleştirdiğinizde modülün geri kalanındaki her araç sizin için güvenli bir hızlandırıcıya dönüşür.
Uygulama görevi
Elinizdeki (veya varsayımsal) küçük bir tablonun yalnızca şemasını çıkarın: sütun adları, tipleri ve 2-3 sahte örnek satır (gerçek kişisel veri olmadan). Yukarıdaki "Güçlü prompt" şablonunu kullanarak YZ'den bir özet istatistik kodu isteyin. Kodu çalıştırın, çıktıyı elle bir değerle karşılaştırın, uydurma bir varsayım var mı kontrol edin ve bulgularınızı 5 maddeyle not edin.
Kontrol listesi
- [ ] YZ'ye gerçek kişisel veri yerine yalnızca şema ve sahte örnek mi verdim?
- [ ] Ürettiği kodu satır satır okuyup çalıştırdım mı?
- [ ] Çıktıdaki her sayıyı bağımsız olarak doğruladım mı?
- [ ] Analizin her adımını koda yazıp tekrarlanabilir kıldım mı?
- [ ] Görevin risk düzeyini belirleyip nihai kararı bir insana bağladım mı?