Yapay zekâ ve makine öğrenmesi konuları sıklıkla konuştuğumuz ama bence tam olarak kavramakta güçlük çekebildiğimiz kavramlar. Hem konunun daha rahat anlaşılabilmesi hem de hepimizin aynı bilgi seviyesinde ilerleyebilmesi için, öncelikle yapay zekâ ve makine öğrenmesi konularıyla ilgili temel kavramları ele almak istiyorum.
1. Yapay Zekâ ve Makine Öğrenmesinin Temel Kavramları
Sanıyorum öncelikle konuya yapay zekâ ve makine öğrenmesi kavramlarını tanımlayarak başlamak gerekiyor.
Yapay Zekâ Nedir?
Yapay zekâ, bilgisayar sistemlerinin insan benzeri zekâ ve davranışları simüle etme amacını taşır. Bu sistemler, karmaşık görevleri yerine getirmek, çevreyi algılamak, kararlar almak ve hatta öğrenmek gibi yeteneklere sahiptirler.
Makine Öğrenmesi Nedir?
Makine öğrenimi, bilgisayar sistemlerinin veri analizi yaparak örüntüleri tanımlamasını ve bu örüntülerden öğrenerek gelecekteki kararlarını geliştirmesini sağlayan bir yapay zekâ alt dalıdır.
Veri Nedir?
Veri, herhangi bir bilgi kaynağını temsil eden bilgilerin toplamıdır. Sayılar, metinler, sesler, görüntüler ve daha fazlası gibi çeşitli biçimlerde olabilir. Veri, genellikle anlamlı bilgi elde etmek için toplanır, depolanır ve işlenir. Bilgi teknolojisi ve iletişim teknolojilerinin gelişmesiyle birlikte, veri üretimi ve kullanımı giderek artmıştır.
Algoritma Nedir?
Algoritma, belirli bir problemi çözmek veya belirli bir amaca ulaşmak için adım adım talimatlar içeren bir mantıksal işlem serisidir. Bilgisayar biliminde ve matematikte yaygın olarak kullanılan bir terimdir. Bir algoritma, belirli bir girişe (input) dayalı olarak belirli bir çıkışı (output) üretmek için tasarlanmıştır. Bu talimatlar, basit aritmetik işlemleri, karar verme süreçlerini ve döngüleri içerebilir.
Model Nedir?
Model, bir sistemi veya olguyu temsil etmek için oluşturulan basitleştirilmiş bir versiyon veya matematiksel bir formüldür. Bir model, gerçek dünyadaki karmaşıklığı anlamak ve öngörülerde bulunmak için kullanılır. Bilim, mühendislik, ekonomi, sosyal bilimler ve daha birçok alanda kullanılan bir kavramdır. Bir model, genellikle belirli bir problemi çözmek veya bir hipotezi test etmek amacıyla tasarlanır. Matematiksel modeller, denklemler ve formüller aracılığıyla gerçek dünyadaki ilişkileri tanımlar.
Öngörü Nedir?
Öngörü, gelecekteki olayları veya durumları tahmin etme veya belirleme sürecidir. Bu süreç genellikle mevcut verilerin analizi ve geçmiş trendlerin incelenmesiyle gerçekleştirilir. Öngörü, birçok alanda kullanılır ve stratejik planlama, karar verme ve risk yönetimi gibi çeşitli uygulamalara sahiptir.
Değişken Nedir?
Değişken, bir araştırma veya analiz sürecinde incelenen veya ölçülen herhangi bir özellik veya faktördür. Bir değişken, farklı değerler alabilen bir özellik veya kategoridir ve genellikle bir sembol veya isimle temsil edilir. Değişkenler, veri analizi ve model oluşturma süreçlerinde kullanılır. İstatistiksel analizlerde, değişkenler arasındaki ilişkileri incelemek ve sonuçları yorumlamak için kullanılırlar.
2. Anahtar Veri ve Değişkenlerin Doğru Belirlenmesi
Satış ve sipariş tahmini, işletmelerin gelecekteki satışları ve talebi belirlemek için kritik bir öneme sahip bir süreçtir. Bu tahminler, stok yönetimi, sipariş planlaması, üretim programlama ve pazarlama stratejileri gibi birçok operasyonel kararın temelini oluşturur. Doğru tahminler elde etmek için anahtar veri ve değişkenlerin doğru belirlenmesi kritik öneme sahiptir.
Anahtar Veri ve Değişkenlerin Belirlenmesi
o Geçmiş Satış Verileri: Geçmiş satış verileri, gelecekteki talebi tahmin etmek için en temel veridir. Bu veriler, belirli bir dönemdeki satış miktarlarını, ürünleri, bölgeleri ve müşteri segmentlerini içerir.
o Hava Durumu Verileri: Bazı sektörlerde hava durumu, talep üzerinde önemli bir etkiye sahip olabilir. Özellikle perakende sektöründe, hava durumu tahmini satış tahminlerini doğrudan etkileyebilir.
o Ekonomik Göstergeler: Ekonomik göstergeler, genel ekonomik koşulları ve tüketici güvenini yansıtan önemli verilerdir. İşsizlik oranı, tüketici harcamaları, faiz oranları ve enflasyon gibi göstergeler, satış tahminleri için dikkate alınabilir.
o Mevcut Stok Düzeyleri: Mevcut stok düzeyleri, gelecekteki talebi tahmin etmek için önemli bir göstergedir. Düşük stoklar, talebi karşılayamama riskini artırabilirken, fazla stoklar da maliyetleri artırabilir.
o Rekabet Analizi: Rekabet analizi, rakip firmaların faaliyetlerini ve pazar paylarını anlamak için kullanılır. Rekabetin yoğun olduğu bir pazarda, rakip firmaların hareketleri, satış tahminlerini etkileyebilir.
o Pazarlama Harcamaları: Pazarlama harcamaları, tanıtım, reklam ve satış teşvikleri gibi pazarlama faaliyetlerinin etkisini değerlendirmek için önemlidir. Yüksek pazarlama harcamaları genellikle satışları artırabilir.
o Mevcut Müşteri Verileri: Müşteri verileri, mevcut müşteri segmentleri, alışveriş alışkanlıkları ve tercihleri hakkında değerli bilgiler sağlar. Bu veriler, kişiselleştirilmiş pazarlama stratejileri geliştirmek için kullanılabilir.
Doğru Veri ve Değişken Seçimi
Doğru veri ve değişkenlerin seçilmesi, doğru tahminler elde etmek için kritik öneme sahiptir. Bu nedenle, işletmelerin bu süreçte dikkatle analiz etmeleri ve seçmeleri gerekmektedir. Ayrıca, belirlenen veri ve değişkenlerin doğruluğu ve güncelliği de sürekli olarak gözden geçirilmeli ve güncellenmelidir.
3. Satış ve Sipariş Tahminini Etkileyen Faktörler
Satış ve sipariş tahmini, işletmelerin gelecekteki satışları ve talebi öngörmek için kritik bir rol oynar. Bu tahminler, stok yönetimi, sipariş planlaması, üretim programlama ve pazarlama stratejileri gibi birçok operasyonel kararın temelini oluşturur. Müşteri profili, bölgesel değişim ve mevsimsel değişim gibi faktörler, satış ve sipariş tahminlerini etkileyen en önemli unsurlardır.
Müşteri Profili
Müşteri profili, bir işletmenin müşterilerinin demografik, sosyo-ekonomik ve davranışsal özelliklerini tanımlar. Müşteri profili, satın alma alışkanlıkları, tercihleri ve satın alma gücü gibi faktörlerin belirlenmesinde önemlidir. Örneğin, belirli bir ürün veya hizmetin genç profesyoneller arasında popüler olması, bu grup müşterilere yönelik satış ve sipariş tahminlerini artırabilir. Müşteri profili verileri, doğru segmentasyon ve kişiselleştirilmiş pazarlama stratejileri oluşturmak için kullanılabilir.
Bölgesel Değişim
Bölgesel değişim, coğrafi bölgelere göre satış ve siparişlerde görülen farklılıkları ifade eder. Coğrafi konum, tüketici tercihlerini, pazar talebini ve rekabet koşullarını etkiler. Örneğin, bir ürünün belirli bir bölgede mevsimsel olarak talebi artabilir veya azalabilir. Ayrıca, bölgesel ekonomik koşullar, tüketici harcamalarını ve satın alma gücünü etkileyerek satış tahminlerini etkileyebilir. Bölgesel değişim verileri, farklı bölgelerdeki talep trendlerini analiz etmek ve buna göre stratejik kararlar almak için kullanılabilir.
Mevsimsel Değişim
Mevsimsel değişim, belirli zaman dilimlerinde görülen satış ve siparişlerdeki dalgalanmaları ifade eder. Mevsimsel faktörler, hava durumu, tatil sezonları, okul dönemleri ve diğer dönemsel etkinlikler gibi unsurları içerebilir. Örneğin, yaz aylarında dondurma satışlarının artması veya kış aylarında mont satışlarının artması gibi mevsimsel trendler gözlemlenebilir. Mevsimsel değişim verileri, geçmiş trendlerin analiz edilmesi ve gelecekteki talep dalgalanmalarının tahmin edilmesi için kullanılabilir.
4. Örnek Veri Seti Nasıl Oluşturulur?
Örnek veri setleri, veri analizi, makine öğrenmesi ve istatistiksel modelleme gibi birçok alanda kullanılan önemli bir kaynaktır. Doğru ve temsilci bir örnek veri seti, analizlerin ve modellerin doğru sonuçlar üretmesine olanak tanır. Ancak, bir örnek veri seti oluşturmak, dikkatli planlama ve yöntemler gerektirir. Aşağıdaki adımları izleyerek doğru bir veri seti oluşturulabilir:
o Amaç ve Hedeflerin Belirlenmesi
Öncelikle, örnek veri setini ne amaçla kullanacağınızı ve hangi sorulara cevap aradığınızı belirlemeniz gerekir. Örneğin, pazarlama stratejilerini analiz etmek istiyorsanız müşteri satın alma verilerini toplamanız gerekir. Bu sebeple amacınızı belirlediğinizde ilgili verileri belirlemeniz de daha kolay olacaktır.
o Veri Türlerinin Belirlenmesi
Hangi tür verilerin (sayısal, kategorik, metin vb.) ihtiyacınız olduğunu belirlemek önemlidir. Örneğin, sayısal veriler müşteri yaşları gibi nicel ölçümleri temsil ederken, kategorik veriler müşteri cinsiyeti gibi kategorilere ayrılabilir.
o Veri Toplama Yöntemlerinin Belirlenmesi
Veri toplama yöntemleri, anketler, gözlemler, ölçümler, web taramaları gibi çeşitli tekniklerle gerçekleştirilebilir. Veri toplama yönteminin doğru seçilmesi, veri setinin kalitesini ve güvenilirliğini etkiler.
o Örneklem Seçimi
Örneklem, tüm popülasyonu temsil etmek için seçilen bir alt kümedir. Örneklem seçiminde rastgele örnekleme, stratifiye örnekleme veya gruplandırılmış örnekleme gibi yöntemler kullanılabilir.
o Veri Temizliği ve Düzenlemesi
Toplanan verilerin temizlenmesi ve düzenlenmesi gerekebilir. Eksik veya hatalı verilerin düzeltilmesi, aykırı değerlerin ele alınması ve veri formatlarının uygun hale getirilmesi önemlidir.
o Değişkenlerin Tanımlanması
Her değişkenin neyi temsil ettiğini açıkça tanımlamak önemlidir. Değişkenlerin isimlendirilmesi ve açıklanması, veri setinin anlaşılabilirliğini artırır.
o Veri Setinin Belgelenmesi
Veri setinin oluşturulma sürecini ve içeriğini detaylı bir şekilde belgelemek önemlidir. Bu belgeleme, veri setini paylaşmak veya başkalarıyla iş birliği yapmak istediğinizde faydalı olacaktır.
o Veri Güvenliği ve Gizliliği
Veri setinin güvenliği ve gizliliği, hassas bilgilerin korunmasını sağlamak için önemlidir. Kişisel bilgilerin gizliliğinin korunması ve uygun güvenlik önlemlerinin alınması gerekmektedir.
o Veri Analizi ve Doğrulama
Oluşturulan veri setinin analiz edilmesi ve doğrulanması önemlidir. Veri setinin doğruluğunu ve güvenilirliğini test etmek için çeşitli istatistiksel ve görsel analizler yapılabilir.
o Veri Setinin Paylaşılması ve Yayınlanması
Veri setinin paylaşılması, bilimsel araştırmalarda, akademik çalışmalarda veya genel kullanım için yapılacaksa, uygun lisanslama ve paylaşım politikalarına uyulmalıdır. Ayrıca, veri setinin uygun bir şekilde belgelenmesi ve kullanım koşullarının açıkça belirtilmesi önemlidir.
Özetle, bir örnek veri seti oluşturmak, dikkatle planlama, doğru yöntemlerin seçilmesi ve titizlikle uygulanması gereken bir süreçtir. Doğru ve temsilci bir veri seti, analizlerin ve modellemelerin doğru sonuçlar üretmesine olanak tanır ve karar alma süreçlerini destekleyecektir.
5. Verinin Temizlenmesi Neden Önemli?
Veri toplama süreci genellikle karmaşıktır; dolayısıyla çeşitli hatalara açıktır. Bu sebeple, toplanan verinin temizlenmesi, doğrulanması ve düzenlenmesi kritik bir adımdır:
o Veri Kalitesini Artırmak: Temiz veri, doğru, güvenilir ve tutarlıdır. Veri temizleme işlemi, eksik, hatalı veya tutarsız verilerin tespit edilmesini ve düzeltilmesini sağlar. Bu, veri setinin kalitesini artırır ve doğru analizlerin ve sonuçların elde edilmesine olanak tanır.
o Yanlış Yorumların Önlenmesi: Hatalı veya yanlış veriler, yanlış analizlere ve sonuçlara yol açabilir. Örneğin, yanlış girilmiş bir sayısal veri, istatistiksel analizlerde yanıltıcı sonuçlara neden olabilir. Veri temizleme, bu tür hataları tespit ederek yanlış yorumların önlenmesine yardımcı olur.
o Analiz Güvenilirliğini Sağlamak: Temiz veri, analizlerin ve modellemelerin güvenilirliğini artırır. Doğru ve tutarlı verilerle çalışmak, alınan sonuçların güvenilirliğini ve geçerliliğini artırır. Bu da doğru kararlar alınmasına ve stratejik planlamaya olanak tanır.
o Verinin Bozulmasını Önlemek: Veri toplama sürecinde, veri bozulması veya bozulmuş veri oluşabilir. Veri bozulması, verinin yanlışlıkla değiştirilmesi, kaybolması veya kötüye kullanılması anlamına gelir. Veri temizleme işlemi, bu tür sorunların tespit edilmesini ve düzeltilmesini sağlar, böylece verinin bütünlüğünü korur.
o Veriyi Analiz ve Modelleme İçin Hazır Hale Getirmek: Temiz veri setleri, analizlerin ve modellemelerin yapılması için hazır hale getirilmiş veri setleridir. Temiz veri setleri, analizlerin ve modellemelerin daha hızlı ve daha verimli bir şekilde gerçekleştirilmesini sağlar. Bu da işletmelerin ve araştırmacıların daha hızlı kararlar almasına olanak tanır.
o Veri Güvenliği Sağlamak: Veri toplama sürecinde, hassas veya kişisel bilgilerin gizliliğinin korunması önemlidir. Veri temizleme işlemi, bu tür bilgilerin korunmasına yardımcı olur ve veri güvenliğini sağlar.
Yani verinin hatalardan, tekrarlardan, bozuk veri parçalarından ve tutarsız verilerden temizlenmesi; yapılacak analizin doğru, sorunsuz ve güvenilir olmasını garanti edecektir. Böylece yapılan analizlerden çıkaracağınız sonuçlar da en doğru bilgiyi kullanarak en büyük faydayı elde etmenize destek olacaktır.
6. Yapay Zekâ Veriyi Nasıl İşler?
YZ, karmaşık algoritmalar ve veri analizi teknikleri kullanarak veriyi işler. Veri işleme süreci, YZ sistemlerinin öğrenmesi, karar vermesi ve problem çözmesi için temel bir adımdır. Yapay zekânın veriyi işlerken kullandığı temel adımlar şöyle sıralanabilir:
Veri Toplama ve Hazırlama:
Yapay zekâ sistemleri genellikle büyük miktarlarda veriyle eğitilir. Bu veriler, çeşitli kaynaklardan toplanır ve işlenir. Veri toplama süreci, veri setinin doğruluğunu, güvenilirliğini ve temsilciliğini sağlamak için dikkatli bir şekilde yapılır. Daha sonra, toplanan veri, model eğitimi için uygun bir formata dönüştürülür ve temizlenir.
Veri Ön İşleme:
Veri ön işleme adımında, toplanan veri temizlenir, düzenlenir ve hazırlanır. Bu adımda eksik veya hatalı veriler düzeltilir, aykırı değerler ele alınır ve veri formatları uygun hale getirilir. Ayrıca, verinin özellikleri (features) ve hedef değişkenler (labels) belirlenir ve veri seti uygun şekilde bölünür.
Özellik Mühendisliği:
Özellik mühendisliği, veri setindeki özelliklerin veya değişkenlerin analiz edilmesi ve yeni özelliklerin oluşturulması sürecidir. Bu adım, verinin daha iyi anlaşılmasını ve modelin daha iyi performans göstermesini sağlar. Özellik mühendisliği, veri dönüşümleri, özellik seçimi ve özellik çıkarma gibi teknikler kullanılarak gerçekleştirilir.
Model Seçimi ve Eğitimi:
Model seçimi, yapay zekâ sisteminin kullanılacak algoritmasının belirlenmesini içerir. Bu adımda, veri seti belirlenen bir model üzerinde eğitilir. Eğitim süreci, modelin veriyi analiz etmesi, desenleri tanıması ve kararlar alması için kullanılır. YZ modelleri, derin öğrenme, destek vektör makineleri, karar ağaçları gibi çeşitli algoritmalar kullanabilir.
Model Değerlendirme ve Doğrulama:
Model eğitildikten sonra, performansını değerlendirmek ve doğrulamak önemlidir. Modelin tahmin yeteneği, doğruluk, hassasiyet, geri çağırma gibi metriklerle değerlendirilir. Bu adımda, ayrı bir test veri seti kullanılarak modelin genelleme yeteneği test edilir.
Model Ayarlaması ve Optimizasyon:
Modelin performansını artırmak için model ayarlaması ve optimizasyonu yapılır. Bu adımda, hiperparametrelerin ayarlanması, modelin karmaşıklığının düzenlenmesi ve veri setinin boyutunun optimize edilmesi gibi teknikler kullanılır.
Model Dağıtımı ve Uygulama:
Model başarıyla eğitildikten ve doğrulandıktan sonra, gerçek dünya uygulamalarında kullanılmak üzere dağıtılır. Modelin entegrasyonu, hizmete sunulması ve güncellenmesi gibi süreçler bu adımda gerçekleştirilir.
Sürekli İyileştirme ve Güncelleme:
Yapay zekâ sistemlerinin sürekli olarak iyileştirilmesi ve güncellenmesi önemlidir. Bu süreçte geri bildirim mekanizmaları kullanılarak modelin performansı izlenir ve gerekli düzeltmeler yapılır.
Sonuç olarak yapay zekâ kendisine girdi olarak verilen verileri işlerken bir dizi karmaşık süreci takip eder. Bu süreçlerin dikkatle yönetilmesi ve doğru şekilde uygulanması, yapay zekâ sistemlerinin başarısını belirleyecektir.
7. Zaman Serisi İşleme Nedir?
Zaman serisi, belirli bir zaman aralığında gözlemlenen verilerin kronolojik sırayla kaydedildiği veri türünü ifade eder. Zaman serisi analizi, bu verilerin incelenmesi, modellemesi ve gelecekteki değerlerin tahmin edilmesi için kullanılan istatistiksel ve matematiksel teknikleri içerir. Zaman serisi işleme, birçok alanda, özellikle ekonomi, finans ve endüstriyel üretim gibi alanlarda yaygın olarak kullanılmaktadır. Örneğin üretim hacimleri, üretim verimliliği, malzeme tedariki ve envanter yönetimi gibi alanlarda zaman serisi işleme önemli sonuçlar elde edilmesini sağlar.
8. Öngörüler Hazır!
Büyük miktarda veriyi analiz eden yapay zekâ, desenleri ve kavramlar arasındaki ilişkileri tanımlayabilir. Eğitilen ve doğrulanan model, gelecekteki olayları tahmin etmek için kullanılır. Öngörüler genellikle belirli bir zaman aralığında yapılır ve belirli bir güven aralığı ile sunulur. Modelin performansı düşükse veya öngörüler istenilen doğrulukta değilse, model iyileştirilir. Bu süreçte, modelin hiperparametreleri ayarlanabilir veya daha fazla veri ile eğitilebilir.
Öngörüler, gerçek dünya uygulamalarında kullanılmak üzere uygulanır. Öngörülerin uygulanmasıyla elde edilen sonuçlar izlenir ve gerçekle karşılaştırılır. Bu adımda, modelin gerçek dünya koşullarında ne kadar başarılı olduğu belirlenir ve gerekirse model güncellenir veya yeniden eğitilir.
Satış ve Sipariş Tahmini
Veriyi topladıktan, temizledikten, işledikten ve analiz ettikten sonra elde ettiğiniz öngörüler gelecekte satış ve siparişlerinizin nasıl görüneceğiyle ilgili büyük oranda doğru tahminlerde bulunmanızı sağlayacaktır. Elbette ideal şartlardan bahsediyoruz; yani analizi yaptıktan ve tahminleri belirledikten sonra global ya da ulusal çapta yaşanan gelişmelerin ışığında tahminleriniz gerçeğe yakın olmayabilir. Bu tür durumlar ne yazık ki yaşanıyor; ancak yapay zekâyı ve makine öğrenmesini verimli şekilde kullanarak bu durumlara karşı da önlem alabilmeniz mümkün.
Şöyle ki, çok büyük bir veri setinden anlamlı ilişkiler çıkarabilen yapay zekâ, aynı zamanda ona vereceğiniz çeşitli senaryolara karşı da önlem almanıza destek olabilir. Yani öngörüler bunlar; ancak bir yük gemisi daha Süveyş Kanalı’nda karaya oturup tedarik zincirini sekteye uğratırsa senaryosunu da hesaba katabilirsiniz. Böylece en belirgin ve gerçek olma olasılığı en yüksek aksaklıkları da göz önünde bulundurarak; gelecek aksiyonlarınızı bu olasılıklar dahilinde belirleyebilirsiniz.
Biliyorum, oldukça bilgi yoğun bir yazı oldu; bütün süreci uçtan uca ele almak istedim çünkü yapay zekâ konusunda sanki bir büyücüymüş gibi bakış açıları olduğunu da görüyorum. Yani yapay zekâyı tam anlamıyla kavrayamadıktan sonra neler yapabildiğini duymak insanları rahatsız edebiliyor. Bu nedenle süreci baştan sona ele almak istedim ki, bu teknolojinin takip ettiği mantık silsilesini tüm açıklığıyla ortaya koyabileyim. Sizin de eğer aklınızda hala oturmamış noktalar varsa, umuyorum açıklığa kavuşmuştur.
Tabi ki tek bir makale okuyarak tamamıyla çözülebilecek bir konu değil ne yazık ki. Benim bu yazıyla ve bağlantılı olarak verdiğim eğitimle amacım IT uzmanlarına yapay zekâyı anlatmak değil; beyaz yakaya ve yöneticilere, işi bu olmayan ancak temel kavramlar ile süreci temel olarak bilmeleri gereken kişilere destek olmak. Satış ve pazarlama departman yöneticisi analizleri yapmayacak olabilir; ancak gelecek satış projeksiyonlarının neye göre, hangi kriterlerle ve hangi süreçler işletilerek elde edildiğini bilmesi gerekiyor. Bu bağlamda bu makalenin sizlere yardımcı olacağını düşünüyorum. Ancak endüstrinize, konumunuza ve şirketinize özel, günlük hayattan gerçek örneklerle geliştirdiğim eğitimlerde çok daha detaya giriyoruz. Daha spesifik konuları ele alıyor ve nokta atışı cevaplar buluyoruz. Bu çerçevede eğer yapay zekâ konusunu daha yakından tanımak istiyorum, şirketimde bu konuda bilgi açığı var diyorsanız, web sitemi ziyaret edip eğitimle ilgili ayrıntılı bilgi sahibi olabilir, bize ulaşıp size özel bir eğitim programı oluşturabilmek için görüşebilirsiniz:https://www.aysegorucu.com/wp-content/uploads/2023/02/Ayse-Gorucu-egitim-katalogu-2023.pdf
Bir sonraki yazımda görüşmek dileğiyle; öğrendiğimiz ve öğrettiğimiz bir gün olsun. Kendinize çok iyi bakın!
Kaynaklar
https://cloud.google.com/learn/artificial-intelligence-vs-machine-learning
https://ai.engineering.columbia.edu/ai-vs-machine-learning/
https://www.techtarget.com/searchenterpriseai/definition/machine-learning-ML
https://centre.humdata.org/ufaqs/what-is-the-difference-between-key-variables-and-keys/
https://www.analytics8.com/blog/how-to-generate-demo-datasets/
https://it.chass.ncsu.edu/tutorials/spss/section2.php
https://www.tableau.com/learn/articles/what-is-data-cleaning
