Model eğitimi nasıl yapılır?

Bir yapay zekâ modeli, yazıldığı anda zeki değildir; veriyle eğitilerek zekâlaşır. Bu derste model eğitiminin nasıl yürütüldüğünü — veri hazırlamadan üretime kadar — adım adım ve somut örneklerle anlatıyoruz. Kavramın genel tanımını işlediğimiz model eğitimi nedir? dersinin üzerine inşa ediyoruz; serinin tamamı için Yapay Zekâ dersleri bölümümüze bakabilirsin.

Model Eğitimi Adım Adım Nasıl Yapılır?

Eğitim, tek seferlik bir hamle değil; tekrar tekrar dönen bir döngüdür. Klasik bir eğitim süreci şu aşamalardan geçer:

1. Probleme uygun veriyi topla, temizle ve düzenle.
2. Veriyi eğitim, doğrulama ve test olarak üçe böl.
3. Probleme uygun modeli (algoritma veya mimariyi) seç.
4. Öğrenme döngüsünü çalıştır: tahmin üret, hatayı ölç, parametreleri güncelle.
5. Doğrulama sonuçlarına göre ayarları değiştir, gerekiyorsa başa dön.
6. Test kümesiyle son sınavı yap ve modeli yayına al.

İlk denemede her şey yolunda gitmez; asıl süreç, adımlar arasında ileri geri giderek hatayı küçültmektir.

1. Adım: Veriyi Hazırlamak

Modelin başarısı büyük ölçüde verinin kalitesine bağlıdır; eğitimin en zahmetli aşaması çoğu zaman budur. Hazırlık şu işleri kapsar:

• Toplama: Problemi temsil eden örnekler derlenir: ev fiyatı tahmini için ilan kayıtları, spam filtresi için e-postalar ve spam/normal etiketleri.
• Temizleme: Eksik, hatalı ve tekrarlı kayıtlar ayıklanır; tutarsız biçimler tek hâle getirilir.
• Özellik ve etiket ayrımı: Her örnekte modele verilecek girdiler ile öğrenilmesi istenen cevap netleştirilir. Girdilere özellik (feature), öğrenilecek cevaba etiket (label) denir.
• Dengeleme: Sınıflardan biri çok baskınsa (ör. 1000 normal, 10 spam) model çoğunluğa yatkın hâle gelir.

Veri tarafının detayları yapay zekâda veri ve veri seti nedir? derslerinde ayrıca işlenmektedir.

2. Adım: Veriyi Üçe Bölmek

Veriyi eğitim, doğrulama ve test olarak üçe bölmenin mantığını — soru bankası, deneme sınavı ve final sınavı benzetmesini, test verisinin tekrar kullanılmasının yol açtığı veri sızıntısı (data leakage) riskiyle birlikte — model eğitimi nedir? dersinde ayrıntılı işledik. Buradaki pratik kural yalnızca şudur: test kümesine eğitim boyunca hiç dokunma, ona yalnızca sonda bir kez bak.

3. Adım: Öğrenme Döngüsü — Tahmin, Kayıp, Güncelleme

Eğitimin kalbi, defalarca tekrarlanan küçük bir döngüdür:

1. Model, eğitim verisinden bir örnek alır ve bir tahmin üretir.
2. Tahmin ile doğru cevap arasındaki fark kayıp (loss) fonksiyonuyla bir sayıya çevrilir; kayıp büyüdükçe modelin yanılgısı büyür.
3. Optimizasyon algoritması (en yaygını gradyan inişi), hatayı azaltacak yönde modelin parametrelerini küçük adımlarla günceller.
4. Tüm örnekler için yinelenir; veri setinin baştan sona bir kez dolaşılmasına bir epoch (epok) denir ve eğitim çoğu zaman onlarca epoch sürer.

Süreç ıskalayan bir okçuya benzer: her atıştan sonra nişanını (parametrelerini) biraz düzeltir ve hedefe yakınsar. Güncellemelerin boyutunu belirleyen ayara öğrenme oranı (learning rate) denir; çok büyük seçilirse model hedefi ıskalayıp öte yana savrulur, çok küçük seçilirse öğrenme aşırı yavaşlar.

Somutlaştıralım: Spam filtresinde model her e-postaya bir olasılık verir; "spam" dediği hâlde gerçekte normal mesajlarda kayıp büyür ve sonraki güncellemede parametreler hatayı azaltacak yönde değişir. Yüzlerce turun sonunda model spam desenlerini öğrenmiş olur.

4. Adım: Değerlendirme, Ayarlama ve Yayına Alma

Doğru metriği seçmek

Model önce doğrulama kümesinde ölçülür; yaygın ölçütler doğruluk (accuracy), hata oranı veya ortalama hata gibi metriklerdir. Metrik seçimi kritiktir: %99'u normal olan bir havuzda, her mesaja "normal" diyen basmakalıp bir model bile %99 doğruluk gösterir. Bu nedenle dengesiz veri problemlerinde tek başına doğruluğa bakılmaz.

Aşırı ve eksik öğrenme

Eğitim verisinde çok iyi, hiç görmediği veride kötü performans aşırı öğrenmeye (overfitting); iki tarafta da kötü performansa eksik öğrenme (underfitting) işarettir. Belirtilerini ve erken durdurma (early stopping) gibi çözümlerini model eğitimi nedir? dersinde ayrıntılı anlattık.

Hiperparametreler ve son sınav

Öğrenme oranı, epoch sayısı gibi eğitimden önce belirlenen ayarlara hiperparametre denir ve doğrulama sonuçlarına göre deneyerek iyileştirilir. En iyi ayar bulunduğunda model, hiç kullanılmamış test kümesinde bir kez değerlendirilir; sonuç kabul edildiyse yayına alınır. Yayın sonrası iş bitmez: gerçek veri zamanla değişir (spam taktikleri evrilir); model düzenli izlenir ve gerektiğinde taze veriyle yeniden eğitilir.

Günümüzde (2024–2025) tablo değişti: büyük dil modellerini sıfırdan eğitmek devasa veri ve binlerce hızlandırıcı kart gerektirdiğinden bireyler ve şirketler, hazır büyük modelleri ince ayarla (fine-tuning) kendi görevlerine uyarlıyor. Ön eğitim ve RLHF gibi insan geri bildirimli hizalama aşamalarının anlatısını model eğitimi nedir? dersinden hatırla; arka plandaki döngü ise aynı: veri hazırla, kaybı ölç, parametreleri güncelle, değerlendir.

Sık Yapılan Hatalar ve Yanılgılar

• "Ne kadar çok veri, o kadar iyi model." Her zaman değil: kirli, yanlış etiketli veya dengesiz veri, az ama temiz veriden kötü sonuç verir. Kalite, miktar kadar önemlidir.
• Test kümesini erken ve tekrar tekrar kullanmak. Bu, final sorularını ezberletir; ölçülen başarı gerçek performansı yansıtmaz.
• Doğruluğa tek başına güvenmek. Dengesiz veri kümelerinde doğruluk yanıltır; sınıfa özel metrikler gerekir.
• Veri sızıntısına dikkat etmemek. Öğrenilmek istenen cevabın özelliklere karışması ya da test bilgisinin eğitime sızması, eğitimde kusursuz ama gerçek dünyada çöken modeller üretir.
• Verideki önyargıyı göz ardı etmek. Verideki önyargı modele geçer: tek tip yüz fotoğrafıyla eğitilen bir sistem, diğer yüzlerde zayıf kalır.
• "Eğitim bir kez yapılır, biter" sanmak. Model yayına alındıktan sonra da izlenmeli; veri ve ihtiyaçlar değiştikçe yeniden eğitilmelidir.

Model eğitimi deneyimle olgunlaşan bir zanaattır; küçük bir veri setiyle tüm döngüyü baştan sona kurmak, onu kavramanın en hızlı yoludur. Devamı için makine öğrenmesi nedir? dersiyle komşu ünitemize geçebilirsin.