Bilişim Ders Notları
6. Sınıf · 14. hafta · Yapay Zekâ

Yapay Zekânın Girdisi: Veri

6. Sınıf Bilişim Teknolojileri ve Yazılım · 14. hafta ders notu · BTY.6.5.1

Öğrenme çıktıları
BTY.6.5.1
  • Yapay zekânın öğrenmek için kullandığı veri türlerini (metin, görüntü, ses, sayısal, sensör) örneklerle açıklar.
  • Veri seti, etiketleme, eğitim verisi ve test verisi kavramlarını açıklar.
  • Veri miktarının ve kalitesinin modelin başarısını nasıl etkilediğini tartışır.
  • Önyargılı (dengesiz) verinin hatalı sonuçlara yol açtığını örnekle gösterir.
Bilgisayarsız sınıf alternatifi

Kart destesiyle veri seti

Tüm ders kâğıt kartlarla yapılabilir: kartlar etiketlenir, eğitim ve test destesi olarak %80–%20 ayrılır. Dengesiz destenin etkisini görmek için bir grup yalnızca kırmızı elmalarla "eğitilir", sonra yeşil elma ve muz kartlarını tahmin eder.

Konu anlatımı

Önce konuyu aç, sonra sorulara dokun: cevap altında açılır. Soru işaretli kutulara dokununca cevap görünür.

01Yapay zekâ neyle öğrenir?
?Yapay zekânın girdisi nedir?
Yapay zekâ modelleri veriyle beslenir. Bir çocuğun birçok kedi görerek kediyi tanıması gibi, model de binlerce örneğe bakarak örüntüleri öğrenir.
?Veri ile bilgi arasındaki fark nedir?
Veri işlenmemiş ham gerçeklerdir (ör. 21, 23, 19). Veri düzenlenip anlam kazandığında bilgiye dönüşür (ör. "Bu hafta ortalama sıcaklık 21 °C").
?Modelin öğrenmesi ne demektir?
Model verilerdeki ortak özellikleri (renk, biçim, ses tonu gibi) bulur ve bunları yeni örnekler hakkında tahmin yapmak için kullanır.
02Veri türleri

Kartlara dokun.

Metin"Merhaba!" Görüntüfotoğraf, çizim Seskonuşma, müzik Sayısal23, 7, 15 Sensörsıcaklık 21 °C Yapay zekâ Çıktı TahminSınıflamaÖneriKarar
03Veri seti ve etiketleme
?Veri seti nedir?
Aynı amaç için toplanmış, düzenli örnekler topluluğudur. Örneğin binlerce elma ve muz fotoğrafından oluşan bir klasör bir veri setidir.
?Etiketleme nedir?
Her örneğe doğru cevabın yazılmasıdır: bu fotoğraf "elma", bu fotoğraf "muz". Model neyin ne olduğunu etiketlerden öğrenir; bu işi çoğunlukla insanlar yapar.
?Eğitim verisi ve test verisi neden ayrılır?
Model eğitim verisiyle öğrenir (çoğunlukla verinin %80'i), hiç görmediği test verisiyle sınanır (%20). Böylece modelin ezberlemediği, gerçekten öğrendiği anlaşılır.
Anahtar kavramlar: Veri setiEtiketEğitim verisiTest verisi
Veri seti = etiketlenmiş örnekler elma muz elma elma muz muz elma muz elma muz Eğitim verisi (%80): model bunlarla öğrenir Test (%20)
04Veri kalitesi, miktarı ve önyargı
?Veri miktarı neden önemlidir?
Az örnekle öğrenen model yalnızca gördüğü birkaç duruma benzeyenleri tanır. Çok sayıda örnek modelin genelleme yapmasını sağlar.
?Kaliteli veri nasıl olmalıdır?
Doğru etiketlenmiş, net, konuyla ilgili ve çeşitli olmalıdır. Bulanık ya da yanlış etiketli örnekler modeli yanıltır.
?Önyargılı veri nedir?
Gerçek dünyayı dengeli yansıtmayan veridir. Yalnızca kırmızı elma gören model yeşil elmayı tanıyamaz; yalnızca belli bir gruptan insan yüzüyle eğitilen bir sistem başka gruplarda daha çok hata yapar.
Biliyor muydun?

"Çöp girerse çöp çıkar": bir modelin başarısı, ona verdiğimiz verinin kalitesinden daha iyi olamaz.

Dengesiz veri 90 elma10 muz Tahmin: elma Dengeli veri 50 elma50 muz Tahmin: muz

Ders akışı

40 dakikalık bir ders saati için planlandı. Adımın başlığına dokun, ayrıntılar açılsın.

5dk

Isınma: Kediyi nasıl tanıdık?

"Size kimse kedinin kurallarını yazmadı; kediyi nasıl tanımayı öğrendiniz?" diye sor. Cevapları (çok kedi gördük, biri "bu kedi" dedi) tahtaya yaz ve yapay zekânın da örneklerden öğrendiğini, bu örneklere veri dendiğini söyle.

8dk

Keşif: Veri türleri

Çizimdeki beş veri türünü günlük hayattan YZ örnekleriyle eşleştir: metin → çeviri, görüntü → yüz tanıma, ses → sesli asistan, sayısal → hava tahmini, sensör → akıllı ev. Öğrencilerden her tür için bir örnek daha iste.

Metin"Merhaba!" Görüntüfotoğraf, çizim Seskonuşma, müzik Sayısal23, 7, 15 Sensörsıcaklık 21 °C Yapay zekâ Çıktı TahminSınıflamaÖneriKarar
10dk

Keşif: Veri seti ve etiketleme

Çizimdeki etiketli meyve kutucuklarını göster: etiket, örneğin doğru cevabıdır. Verinin %80'inin eğitime, %20'sinin teste ayrıldığını, testin "çalışmadığın sorularla sınav" gibi olduğunu anlat.

Veri seti = etiketlenmiş örnekler elma muz elma elma muz muz elma muz elma muz Eğitim verisi (%80): model bunlarla öğrenir Test (%20)
12dk

Etkinlik: Sınıfın veri seti

Gruplara etiketsiz meyve kartları ver; gruplar etiket şeritlerini yapıştırır. Bir gruba bilerek neredeyse hep kırmızı elmadan oluşan deste ver. Ardından yeşil elma ve muz kartıyla "test" yap; dengesiz desteyle çalışan grubun nerede yanıldığını sınıfça tartışın.

Dengesiz veri 90 elma10 muz Tahmin: elma Dengeli veri 50 elma50 muz Tahmin: muz
5dk

Değerlendirme: Veri dedektifi

"Hangi veri türü?" sürükle-bırak oyununu aç. Tahtaya gelen öğrenci bir öğeyi doğru gruba taşır ve bu veriyi kullanan bir YZ uygulaması söyler.

Doğru mu, yanlış mı?

Dersin sonunda tahtada ya da öğrencinin kendi cihazında çözülür.

1. Yapay zekâ modelleri örnek verilerden öğrenir.

Cevabı gösterDoğru

2. Bir termometreden gelen sıcaklık ölçümleri sensör verisine örnektir.

Cevabı gösterDoğru

3. Etiketleme, verilere "elma", "muz" gibi doğru cevapların eklenmesidir.

Cevabı gösterDoğru

4. Modeli test ederken eğitimde kullandığımız resimlerin aynısını kullanmak en doğru sonucu verir.

Cevabı gösterYanlış · Test verisi modelin daha önce görmediği örneklerden oluşmalıdır; yoksa model ezberlemiş olsa bile başarılı görünür.

5. Veri ne kadar az olursa model o kadar iyi öğrenir.

Cevabı gösterYanlış · Genellikle daha çok ve çeşitli veri modelin daha iyi öğrenmesini sağlar; az veriyle öğrenen model yeni durumlarda yanılır.

6. Yanlış etiketlenmiş veriler modelin hatalı öğrenmesine yol açar.

Cevabı gösterDoğru

7. Eğitim verisinin neredeyse tamamı elma olan bir model, muz gördüğünde de "elma" deme eğiliminde olabilir.

Cevabı gösterDoğru

8. Yapay zekâ her zaman tarafsızdır; verideki önyargı sonuçları etkilemez.

Cevabı gösterYanlış · Model verideki dengesizlikleri ve önyargıları da öğrenir; önyargılı veri önyargılı sonuç üretir.

9. Bulanık ve yanlış çekilmiş resimler veri setine eklendikçe modelin başarısı artar.

Cevabı gösterYanlış · Bozuk ve konuyla ilgisiz örnekler modeli yanıltır. Çeşitlilik için farklı ışık ve açı iyidir, ama örnekler net ve doğru etiketli olmalıdır.

10. Bir fotoğraf görüntü verisi, bir konuşma kaydı ses verisidir.

Cevabı gösterDoğru
← Önceki haftaSiber Güvenlik ve Lisans Türleri Sonraki hafta →Üretken YZ ve Sohbet Botları

14. hafta günlük planı

2026–2027 6. sınıf Bilişim Teknolojileri ve Yazılım dersi 14. hafta günlük planı. Okul ve öğretmen bilgileriyle doldurulmuş Word dosyası için etkileşimli sürümde Evraklar › Günlük planlar bölümünü kullanın.

2026–2027 EĞİTİM ÖĞRETİM YILI …………………………

6. SINIF BİLİŞİM TEKNOLOJİLERİ VE YAZILIM DERSİ GÜNLÜK PLANI · 14. HAFTA

BÖLÜM I · DERSE İLİŞKİN BİLGİLER
Ders6. Sınıf Bilişim Teknolojileri ve YazılımSınıf / Düzey6. sınıf
Hafta / Tarih14. Hafta · 21–25 Aralık (ARALIK)Süre2 ders saati (40' + 40')
TemaYAPAY ZEKÂ
KonuYapay Zekânın Girdisi: Veri
BÖLÜM II · ÖĞRENME ÇIKTILARI VE KAYNAKLAR
Öğrenme çıktısıBTY.6.5.1 Yapay zekâ girdileri hakkında bilgi toplayabilme
Süreç bileşenleri
  • Yapay zekânın öğrenmek için kullandığı veri türlerini (metin, görüntü, ses, sayısal, sensör) örneklerle açıklar.
  • Veri seti, etiketleme, eğitim verisi ve test verisi kavramlarını açıklar.
  • Veri miktarının ve kalitesinin modelin başarısını nasıl etkilediğini tartışır.
  • Önyargılı (dengesiz) verinin hatalı sonuçlara yol açtığını örnekle gösterir.
Araç, gereç ve kaynaklarAkıllı tahta · Meyve resim kartları (etiketsiz; elma ve muz) · Etiket şeritleri ya da yapışkan kâğıt · Veri türü kartları · Bilişim Ders Notları ders sayfası, sunum ve etkinlikler (bilisimdersnotlari.com)
BÖLÜM III · ÖĞRENME-ÖĞRETME UYGULAMALARI
SüreEtkinlik akışı
1. ders
5 dk		Isınma: Kediyi nasıl tanıdık?
"Size kimse kedinin kurallarını yazmadı; kediyi nasıl tanımayı öğrendiniz?" diye sor. Cevapları (çok kedi gördük, biri "bu kedi" dedi) tahtaya yaz ve yapay zekânın da örneklerden öğrendiğini, bu örneklere veri dendiğini söyle.
1. ders
8 dk		Keşif: Veri türleri
Çizimdeki beş veri türünü günlük hayattan YZ örnekleriyle eşleştir: metin → çeviri, görüntü → yüz tanıma, ses → sesli asistan, sayısal → hava tahmini, sensör → akıllı ev. Öğrencilerden her tür için bir örnek daha iste.
1. ders
10 dk		Keşif: Veri seti ve etiketleme
Çizimdeki etiketli meyve kutucuklarını göster: etiket, örneğin doğru cevabıdır. Verinin %80'inin eğitime, %20'sinin teste ayrıldığını, testin "çalışmadığın sorularla sınav" gibi olduğunu anlat.
1. ders
12 dk		Etkinlik: Sınıfın veri seti
Gruplara etiketsiz meyve kartları ver; gruplar etiket şeritlerini yapıştırır. Bir gruba bilerek neredeyse hep kırmızı elmadan oluşan deste ver. Ardından yeşil elma ve muz kartıyla "test" yap; dengesiz desteyle çalışan grubun nerede yanıldığını sınıfça tartışın.
1. ders
5 dk		Değerlendirme: Veri dedektifi
"Hangi veri türü?" sürükle-bırak oyununu aç. Tahtaya gelen öğrenci bir öğeyi doğru gruba taşır ve bu veriyi kullanan bir YZ uygulaması söyler.
2. ders
10 dk		Tekrar: Sunum
8 slaytlık ders sunumu akıllı tahtada açılır; önceki saatte öğrenilen kavramlar öğrencilerle birlikte tekrar edilir.
2. ders
20 dk		Uygulama: Etkinlikler
Akıllı tahtada etkileşimli etkinlikler oynanır: Hangi veri türü?; Bir modelin veri yolculuğu; Kavramı eşleştir; Doğru mu, yanlış mı?; Kutuyu aç: konu soruları; Test yarışması: Yapay Zekânın Girdisi: Veri.
2. ders
10 dk		Değerlendirme
10 soruluk doğru-yanlış testi tahtada birlikte çözülür; yanlış cevaplar gerekçeleriyle tartışılır.
FarklılaştırmaBilgisayarsız sınıf alternatifi: Kart destesiyle veri seti. Tüm ders kâğıt kartlarla yapılabilir: kartlar etiketlenir, eğitim ve test destesi olarak %80–%20 ayrılır. Dengesiz destenin etkisini görmek için bir grup yalnızca kırmızı elmalarla "eğitilir", sonra yeşil elma ve muz kartlarını tahmin eder.
BÖLÜM IV · ÖLÇME VE DEĞERLENDİRME
Ölçme araçlarıGözlem formu, dereceli puanlama anahtarı, performans görevi
Doğru-yanlış soruları
  1. Yapay zekâ modelleri örnek verilerden öğrenir. (D)
  2. Bir termometreden gelen sıcaklık ölçümleri sensör verisine örnektir. (D)
  3. Etiketleme, verilere "elma", "muz" gibi doğru cevapların eklenmesidir. (D)
  4. Modeli test ederken eğitimde kullandığımız resimlerin aynısını kullanmak en doğru sonucu verir. (Y)
  5. Veri ne kadar az olursa model o kadar iyi öğrenir. (Y)
  6. Yanlış etiketlenmiş veriler modelin hatalı öğrenmesine yol açar. (D)
  7. Eğitim verisinin neredeyse tamamı elma olan bir model, muz gördüğünde de "elma" deme eğiliminde olabilir. (D)
  8. Yapay zekâ her zaman tarafsızdır; verideki önyargı sonuçları etkilemez. (Y)
  9. Bulanık ve yanlış çekilmiş resimler veri setine eklendikçe modelin başarısı artar. (Y)
  10. Bir fotoğraf görüntü verisi, bir konuşma kaydı ses verisidir. (D)
Dersin uygulanmasına ilişkin açıklamalarEtiketleme etkinliğinde bir gruba bilerek dengesiz deste vermek, "önyargılı veri" kavramını soyut anlatmaktan çok daha akılda kalıcı kılar; kartları ders öncesi ayırın.
…………………………Bilişim Teknolojileri Öğretmeni
UYGUNDUR21.12.2026…………………………Okul Müdürü
Bu dersi sınıfta işleyinSunum, tahta modu ve etkileşimli etkinlikler için.
Etkileşimli sürümü aç →