Bilişim Ders Notları
Yapay Zekâ · 21. hafta · Yapay Zekâ Uygulamaları Geliştirme

Veri Temizleme ve Kalite

Yapay Zekâ Uygulamaları · 21. hafta ders notu · YZU1.3.1

Öğrenme çıktıları
YZU1.3.1
  • Bir veri setinde hatalı etiketli, tekrar eden, bulanık, karanlık ve ilgisiz örnekleri bulur.
  • Her sorunlu örnek için düzeltme, taşıma ya da silme kararını gerekçesiyle verir.
  • Tek tip veriden kaynaklanan önyargının modelin kararlarını nasıl bozduğunu örnekle açıklar.
  • Temizlik sonrası sınıf sayılarını yeniden kontrol ederek dengeyi korur.
Bilgisayarsız sınıf alternatifi

Kart kutusunda temizlik

Öğretmen içinde bilerek hatalar bulunan bir kart destesi hazırlar: yanlış kutuya konmuş gazete, iki kez basılmış aynı resim, üzerine kalemle karalanmış (bulanık) kart, yalnızca el çizilmiş kart. Gruplar kartları tarar, hatalıları kırmızı, düzeltilecekleri sarı zarfa koyar. Elma-armut önyargısı gerçek meyvelerle canlandırılır.

Konu anlatımı

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

01Kirli veri, kötü model
egitim › plastik · 12 örnek plastik_001plastik_002plastik_003plastik_004plastik_005plastik_006plastik_007plastik_008plastik_009plastik_010plastik_011plastik_012 Bu klasörde 6 sorunlu örnek var. Hangileri?
  1. 1Hatalı etiket (gazete)Kâğıt atık plastik klasörüne konmuş; kâğıt klasörüne taşınmalı.Dokun, adını gör
  2. 2Tekrar eden örnek5. fotoğraf 4. fotoğrafın aynısı; kopyalardan biri silinir.Dokun, adını gör
  3. 3Bulanık (gürültülü)Nesnenin kenarları seçilemiyor; yeniden çekilmeli ya da silinmeli.Dokun, adını gör
  4. 4Çok karanlıkIşık yetersiz; model nesneyi göremez. Yeniden çekilir.Dokun, adını gör
  5. 5İlgisiz görüntüYalnızca el var, atık yok; silinir.Dokun, adını gör
  6. 6Hatalı etiket (kutu)Metal içecek kutusu; metal klasörüne taşınmalı.Dokun, adını gör
  7. 7Temiz örnekFarklı renkte ama doğru etiketli şişe: çeşitlilik için saklanır.Dokun, adını gör

Önce sorunlu örnekleri kendin bul, sonra numaralara dokunarak kontrol et.

?"Çöp girerse çöp çıkar" ne demek?
Modelin kalitesi verinin kalitesini geçemez. Hatalı etiketli, bulanık ya da ilgisiz örneklerle eğitilen model, ne kadar uzun eğitilirse eğitilsin, aynı hataları öğrenir.
?Gürültülü veri ne demektir?
Asıl bilgiyi bozan her şeydir: bulanıklık, aşırı karanlık, kadrajın yarısını kaplayan parmak, arkadan geçen bir kişi. Az gürültü modeli dayanıklı yapar, çok gürültü ise öğrenmeyi zorlaştırır.
?İlgisiz görüntü neden "Boş" klasörüne de konmaz?
"Boş" sınıfı kameranın önünde hiçbir atık yokken görülen sahneyi temsil eder. Yalnızca el olan kare atık değildir, ama "Boş" sahnenin tipik görüntüsü de değildir; oyunda nasıl kullanılacağına karar verilmeden eklenmemelidir.
Anahtar kavramlar: Veri temizlemeHatalı etiketGürültüTekrar eden örnek
02Temizlik kararları

Soru işaretli kutulara dokun.

?Loş ışıktaki her fotoğrafı silmeli miyiz?
Hayır. Nesne seçilebiliyorsa loş fotoğraflar değerlidir, çünkü model gerçekte loş ışıkla da karşılaşacak. Yalnızca nesnenin hiç görünmediği kareler silinir.
Biliyor muydun?

Temizlik sırasında ne yaptığınızı veri kartına not edin: "3 örnek metal klasörüne taşındı, 2 kopya silindi."

SorunNasıl anlarız?Karar
Hatalı etiket
Tekrar eden örnek
Bulanık
Çok karanlık
İlgisiz
Kişisel veri
03Veriden gelen önyargı
?Önyargılı model ne demektir?
Eğitim verisindeki eksiklik ya da tek tiplik yüzünden bazı durumlarda sürekli hatalı karar veren modeldir. Elma-armut örneğinde model şekli değil rengi öğrendi, çünkü veride renk her zaman sınıfı ele veriyordu.
?Gerçek hayatta böyle bir örnek var mı?
Araştırmacılar kurt ve husky köpeklerini ayıran bir modelin aslında hayvana değil karlı arka plana baktığını gösterdi: kurt fotoğraflarının çoğu kardaydı. Yüz tanıma sistemlerinin de eğitim verisinde az bulunan gruplarda daha çok hata yaptığı araştırmalarla ortaya kondu.
?Önyargıyı nasıl azaltırız?
Her sınıfı mümkün olan her görünüşüyle temsil eden veri toplarız: yeşil elma, kırmızı armut, farklı zeminler. Test ederken de özellikle "zor" örnekleri deneyip modelin neye baktığını sınarız.
Anahtar kavramlar: ÖnyargıTemsilKısa yol öğrenme
Eğitim verisi Elma Armut Bütün elmalar kırmızı,bütün armutlar yeşil. Test Yeşil elma Armut%78Elma%22 Model şekli değil,rengi öğrendi! Veri tek tipse model önyargılı olur.
04Temiz veri kontrol listesi

Kartlara dokun.

Ders akışı

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

6dk

Isınma: Model neyi öğrendi?

Önyargı çizimini göster: eğitimde bütün elmalar kırmızı, bütün armutlar yeşil. Teste yeşil bir elma gelince model neden "Armut" dedi? Öğrencilerin "şekli değil rengi öğrenmiş" sonucuna kendileri ulaşmasını bekle.

Eğitim verisi Elma Armut Bütün elmalar kırmızı,bütün armutlar yeşil. Test Yeşil elma Armut%78Elma%22 Model şekli değil,rengi öğrendi! Veri tek tipse model önyargılı olur.
10dk

Keşif: Altı sorunlu örnek

Temizlik ekranını aç ve "Bu klasörde altı sorunlu örnek var" de. Öğrenciler tahtaya gelip sorunlu karelere dokunur, sonra numaralı görselle cevapları açarak kontrol eder. Her sorunun adını tahtaya yaz: hatalı etiket, tekrar, bulanık, karanlık, ilgisiz.

egitim › plastik · 12 örnek plastik_001plastik_002plastik_003plastik_004plastik_005plastik_006plastik_007plastik_008plastik_009plastik_010plastik_011plastik_012 Bu klasörde 6 sorunlu örnek var. Hangileri?
16dk

Etkinlik: Temizlik ekibi

Geçen haftaki fotoğrafları ekiplere dağıt. Her ekip kendi klasörünü kontrol listesiyle tarar ve her sorunlu örnek için karar yazar: düzelt (doğru klasöre taşı), sil ya da yeniden çek. Sonunda her ekip klasöründe kaç örnek kaldığını tahtadaki sayım tablosuna yazar.

8dk

Değerlendirme: Denge yeniden

Sayım tablosuna bak: temizlikten sonra bir sınıf 60'tan 41'e düştüyse denge bozulmuştur. Sınıfça hangi sınıfa kaç fotoğraf daha çekileceğine ve hangi koşullardan çekileceğine karar verin. Öğrenciler "Temiz veri neden önemli?" sorusunu bir cümleyle yanıtlar.

Doğru mu, yanlış mı?

Dersin sonunda tahtada ya da öğrencinin kendi cihazında çözülür.

1. Yanlış klasöre konmuş bir fotoğraf modele yanlış bir bilgi öğretir.

Cevabı gösterDoğru · Model etiketi doğru kabul eder; plastik klasöründeki gazeteyi "plastik böyle görünür" diye öğrenir.

2. Aynı fotoğrafın kopyalarını veri setinde bırakmak modelin daha iyi öğrenmesini sağlar.

Cevabı gösterYanlış · Kopyalar yeni bilgi taşımaz, yalnızca o örneğin ağırlığını artırır. Bir kopya hem eğitim hem test setine düşerse test sonucu da gerçeğinden iyi görünür.

3. Nesnenin seçilemediği çok bulanık ya da çok karanlık fotoğraflar temizlik sırasında silinebilir ya da yeniden çekilebilir.

Cevabı gösterDoğru

4. Temizlik yalnızca silmek demektir; hatalı etiketli bir fotoğraf her zaman silinir.

Cevabı gösterYanlış · Hatalı etiketli ama kaliteli bir fotoğraf doğru klasöre taşınarak kurtarılır. Temizlikte düzeltmek, taşımak ve silmek ayrı kararlardır.

5. Bütün elmaları kırmızı, bütün armutları yeşil olan bir veriyle eğitilen model yeşil elmaya "Armut" diyebilir.

Cevabı gösterDoğru

6. Önyargı yalnızca insanlarda olur; yapay zekâ modelleri önyargılı olamaz.

Cevabı gösterYanlış · Model veriden öğrenir. Veri bir grubu eksik ya da tek tip gösterirse model de o gruba karşı hatalı kararlar verir; buna veriden gelen önyargı denir.

7. Bütün "Kâğıt" fotoğrafları beyaz tahta önünde çekilirse model beyaz tahtayı kâğıt sanabilir.

Cevabı gösterDoğru

8. Temizlikten sonra sınıfların örnek sayıları yeniden kontrol edilmelidir.

Cevabı gösterDoğru · Temizlik bir sınıftan çok örnek eksiltebilir; denge bozulduysa o sınıfa yeni örnek eklenir.

9. Veri ne kadar kalabalıksa temizliğe o kadar az gerek vardır.

Cevabı gösterYanlış · Büyük veri setlerinde hatalar da çoğalır ve fark edilmesi zorlaşır. "Çöp girerse çöp çıkar" kuralı her büyüklükte geçerlidir.
← Önceki haftaVeri Toplama ve Etiketleme Sonraki hafta →Proje 1: Geri Dönüşüm Sınıflandırıcı

21. hafta günlük planı

2026–2027 1. düzey Seçmeli Yapay Zekâ Uygulamaları dersi 21. hafta günlük planı. Okul ve öğretmen bilgileriyle doldurulmuş Word dosyası için etkileşimli sürümde Evraklar › Günlük planlar bölümünü kullanın.

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

SEÇMELİ YAPAY ZEKÂ UYGULAMALARI 1. SEVİYE DERSİ GÜNLÜK PLANI · 21. HAFTA

BÖLÜM I · DERSE İLİŞKİN BİLGİLER
DersSeçmeli Yapay Zekâ Uygulamaları 1. SeviyeSınıf / Düzey1. düzey (seçmeli)
Hafta / Tarih21. Hafta · 22–26 Şubat (ŞUBAT)Süre2 ders saati (40' + 40')
TemaYAPAY ZEKÂ UYGULAMALARI GELİŞTİRME
KonuVeri Temizleme ve Kalite
BÖLÜM II · ÖĞRENME ÇIKTILARI VE KAYNAKLAR
Öğrenme çıktısıYZU1.3.1 – YZU1.3.2 Yapay zekâ modelinin girdilerini hazırlama ve model geliştirme
Süreç bileşenleri
  • Bir veri setinde hatalı etiketli, tekrar eden, bulanık, karanlık ve ilgisiz örnekleri bulur.
  • Her sorunlu örnek için düzeltme, taşıma ya da silme kararını gerekçesiyle verir.
  • Tek tip veriden kaynaklanan önyargının modelin kararlarını nasıl bozduğunu örnekle açıklar.
  • Temizlik sonrası sınıf sayılarını yeniden kontrol ederek dengeyi korur.
Araç, gereç ve kaynaklarAkıllı tahtada temizlik ekranı ve önyargı çizimleri · Geçen hafta toplanan fotoğraflar (yoksa basılı örnek kartları) · Kırmızı ve yeşil elma, yeşil armut (ya da resimleri) · Temizlik kontrol listesi çıktısı · Bilişim Ders Notları ders sayfası, sunum ve etkinlikler (bilisimdersnotlari.com)
BÖLÜM III · ÖĞRENME-ÖĞRETME UYGULAMALARI
SüreEtkinlik akışı
1. ders
6 dk		Isınma: Model neyi öğrendi?
Önyargı çizimini göster: eğitimde bütün elmalar kırmızı, bütün armutlar yeşil. Teste yeşil bir elma gelince model neden "Armut" dedi? Öğrencilerin "şekli değil rengi öğrenmiş" sonucuna kendileri ulaşmasını bekle.
1. ders
10 dk		Keşif: Altı sorunlu örnek
Temizlik ekranını aç ve "Bu klasörde altı sorunlu örnek var" de. Öğrenciler tahtaya gelip sorunlu karelere dokunur, sonra numaralı görselle cevapları açarak kontrol eder. Her sorunun adını tahtaya yaz: hatalı etiket, tekrar, bulanık, karanlık, ilgisiz.
1. ders
16 dk		Etkinlik: Temizlik ekibi
Geçen haftaki fotoğrafları ekiplere dağıt. Her ekip kendi klasörünü kontrol listesiyle tarar ve her sorunlu örnek için karar yazar: düzelt (doğru klasöre taşı), sil ya da yeniden çek. Sonunda her ekip klasöründe kaç örnek kaldığını tahtadaki sayım tablosuna yazar.
1. ders
8 dk		Değerlendirme: Denge yeniden
Sayım tablosuna bak: temizlikten sonra bir sınıf 60'tan 41'e düştüyse denge bozulmuştur. Sınıfça hangi sınıfa kaç fotoğraf daha çekileceğine ve hangi koşullardan çekileceğine karar verin. Öğrenciler "Temiz veri neden önemli?" sorusunu bir cümleyle yanıtlar.
2. ders
10 dk		Tekrar: Sunum
9 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: Sorunu kararla eşleştir; Önyargıya yol açar mı?; Bu örneği ne yapalım?; Doğru mu, yanlış mı?; Kutuyu aç: konu soruları; Test yarışması: Veri Temizleme ve Kalite.
2. ders
10 dk		Değerlendirme
9 soruluk doğru-yanlış testi tahtada birlikte çözülür; yanlış cevaplar gerekçeleriyle tartışılır.
FarklılaştırmaBilgisayarsız sınıf alternatifi: Kart kutusunda temizlik. Öğretmen içinde bilerek hatalar bulunan bir kart destesi hazırlar: yanlış kutuya konmuş gazete, iki kez basılmış aynı resim, üzerine kalemle karalanmış (bulanık) kart, yalnızca el çizilmiş kart. Gruplar kartları tarar, hatalıları kırmızı, düzeltilecekleri sarı zarfa koyar. Elma-armut önyargısı gerçek meyvelerle canlandırılır.
BÖLÜM IV · ÖLÇME VE DEĞERLENDİRME
Ölçme araçlarıKontrol listesi, dereceli puanlama anahtarı, öz ve akran değerlendirme
Doğru-yanlış soruları
  1. Yanlış klasöre konmuş bir fotoğraf modele yanlış bir bilgi öğretir. (D)
  2. Aynı fotoğrafın kopyalarını veri setinde bırakmak modelin daha iyi öğrenmesini sağlar. (Y)
  3. Nesnenin seçilemediği çok bulanık ya da çok karanlık fotoğraflar temizlik sırasında silinebilir ya da yeniden çekilebilir. (D)
  4. Temizlik yalnızca silmek demektir; hatalı etiketli bir fotoğraf her zaman silinir. (Y)
  5. Bütün elmaları kırmızı, bütün armutları yeşil olan bir veriyle eğitilen model yeşil elmaya "Armut" diyebilir. (D)
  6. Önyargı yalnızca insanlarda olur; yapay zekâ modelleri önyargılı olamaz. (Y)
  7. Bütün "Kâğıt" fotoğrafları beyaz tahta önünde çekilirse model beyaz tahtayı kâğıt sanabilir. (D)
  8. Temizlikten sonra sınıfların örnek sayıları yeniden kontrol edilmelidir. (D)
  9. Veri ne kadar kalabalıksa temizliğe o kadar az gerek vardır. (Y)
Dersin uygulanmasına ilişkin açıklamalarTemizlik etkinliğinde öğrenciler silme konusunda aşırı hevesli olabilir; her silme kararı için "Bu fotoğraf kurtarılabilir mi?" sorusunu sordurun. Silinen fotoğrafları çöp kutusunda bekletin, ders sonunda birlikte son kez gözden geçirin.
…………………………Bilişim Teknolojileri Öğretmeni
UYGUNDUR22.02.2027…………………………Okul Müdürü
Bu dersi sınıfta işleyinSunum, tahta modu ve etkileşimli etkinlikler için.
Etkileşimli sürümü aç →