Psikoloji ve nörobilim alanlarında yapay zekayı farklı şekillerde kullanıyoruz. Bunların başında çeşitli altbaşlıklarıyla makine öğrenmesi geliyor. Psikoloji ve nörobilimde makine öğrenmesini nasıl kullanıyoruz? Yapay zekadan kendi araştırmalarımızda, kendi bilimsel çalışmalarımızda nasıl faydalanabiliriz? Bunun için öğrenmeye nereden başlamak gerekir?
Çoğu kişi bu konuları öğrenmek istediğinde sonsuz teknik detay ve matematiksel gösterim dolayısıyla biraz ürker. Motivasyonunu koruyamaz… Bizce, teknik ve matematiksel detayları bir kenara ayırıp önce kavramsal temelleri öğrenmek herkes için en sağlıklı yol! Dolayısıyla makine öğrenmesine, daha spesifik olarak makine öğrenmesinin psikoloji ve nörobilimdeki kullanımına kavramsal ve kuşbakışı bir giriş yapıyoruz.
En başta bu alanlarda öğrenci veya araştırmacılar, ardından ilgili herkes alanında uzman Dr. Yusuf Can Semerci rehberliğinde konuya kavramsal ve kapsamlı bir giriş yapabilir!
Ders Tanıtımı:
Makine öğrenmesi, verideki örüntüleri keşfetmemizi sağlayan hesaplamalı (computational, işlemlemesel) bir yaklaşım. Beyin görüntüleme, EEG ve davranış verilerinin hızla büyüdüğü günümüzde bu yöntemleri anlamak, bilişsel bilim ile ilgilenen herkes için vazgeçilmez hale geliyor. Bir tümörü MRI görüntüsünden ayırt etmekten EEG sinyallerinde zamansal örüntüler bulmaya kadar, makine öğrenmesinin hikâyesi aynı zamanda insan beyninin öğrenme biçimlerinden ilham alan algoritmaların hikâyesidir.
Dört hafta sürecek bu eğitim programı farklı disiplinlerden katılımcılar için tasarlandı. Matematik ya da programlama altyapısı gerektirmiyor. Katılımcılar verinin ne olduğundan ve nasıl temsil edildiğinden başlayarak kümeleme, denetimli öğrenme ve sinir ağlarına uzanan bir yolculukta temel algoritmaların nasıl çalıştığını, nasıl değerlendirildiğini ve verilere nasıl uygulandığını öğrenecekler.
Eğitmenimiz Dr. Yusuf Can Semerci, Maastricht Üniversitesi Fen ve Mühendislik Fakültesi İleri Hesaplama Bilimleri (Advanced Computing Sciences) bölümünde Yardımcı Doçent olarak görev yapmaktadır. Doktorasını Yeditepe Üniversitesi Bilgisayar Mühendisliği bölümünde tamamlamış, 2011-2020 yılları arasında aynı üniversitede araştırma görevlisi olarak çalışmıştır. Bu dönemde ayrıca Siemens Türkiye (2014-2016) ve Cenasis Software‘de (2016-2018) yazılım geliştirme alanında deneyim kazanmış, 2019-2020’de Boğaziçi Üniversitesi’nde misafir araştırmacı olarak bulunmuştur. Doktora sürecinde Timeline Travel ve EMBOA (Erasmus+) projelerinde araştırmacı olarak yer almış, Ocak 2021’de Maastricht Üniversitesi’ne doktora sonrası araştırmacı olarak katılmış ve Ocak 2025’te yardımcı doçent olmuştur.
Çalışmalarında insan davranışı ve insan-bilgisayar etkileşimi üzerine yoğunlaşıyor, bu alanlarda yapay zekâ temelli hesaplamalı yöntemler kullanıyor. İlgi alanları arasında duygusal hesaplama (affective computing), eğitsel bilişim (educational computing), doğal dil işleme (natural language processing) ve bilgisayarlı görü (computer vision) yer alıyor. İnsan Merkezli Yapay Zekâ Araştırma Grubu‘nun eş-koordinatörlüğünü yürüten ve Bilişsel Sistemler Araştırma Grubu‘nun (Cognitive Systems Research Group) üyesi olan Dr. Semerci, VOXReality, XR2Learn, JOINclusion ve PROCare4Life gibi disiplinler arası projelerde yer almıştır.
Eğitim 5, 12, 19, 26 Kasım Perşembe günleri saat 19:30 – 21:30 arasında çevrimiçi olarak Zoom uygulaması üzerinden gerçekleşecek. Toplamda yaklaşık 8 saat sürecek. Tüm oturumlar kaydedilmekte ve katılımcılarla paylaşılmaktadır. Oturumlara eğitim bittikten sonra da erişilebilir.
1. Hafta (5 Kasım): Temeller – Veri, Öznitelikler ve Öğrenme
- Makine öğrenmesi nedir?
- Veri türleri: tablo, görüntü, video, sinyal ve metin
- Beyin bilimi verileri: EEG, MEG, MRI/fMRI ve davranışsal veri
- Değişken türleri ve öznitelikler (features)
- Öğrenme paradigmaları: denetimli, denetimsiz ve pekiştirmeli öğrenme
- Model değerlendirme: aşırı öğrenme (overfitting), yetersiz öğrenme (underfitting), eğitim/doğrulama/test ayrımı
Bu oturumda makine öğrenmesinin temel mantığını, hangi tür verilerle çalıştığını ve bir modelin iyi öğrendiğini nasıl anlayacağımızı konuşacağız.
2. Hafta (12 Kasım): Denetimsiz Öğrenme – Kümeleme
- Denetimsiz öğrenme: etiketsiz veride gizli yapıyı keşfetmek
- Kümeleme yöntemleri: merkez, bağlantı, yoğunluk ve dağılım temelli yaklaşımlar
- K-Means algoritması ve başlangıç yöntemleri (naive sharding)
- Kümeleme sonuçlarını değerlendirmek: sahte örüntüler ve yorumlama zorlukları
- Boyut indirgemeye giriş: PCA, t-SNE
Bu oturumda verinin içindeki grupları nasıl bulabileceğimizi inceleyeceğiz.
3. Hafta (19 Kasım): Denetimli Öğrenme – Regresyon ve Sınıflandırma
- Etiketli veriden öğrenmek: girdi-çıktı ilişkisi ve etiketleme
- Regresyon ve sınıflandırma: sürekli değerler ve ayrık kategoriler
- Eğitim hedefi: ağırlıkları güncellemek, hata fonksiyonları (MSE, çapraz entropi)
- Doğrusal regresyon: nöron ateşleme hızı ve tepki süresi örneği
- Destek Vektör Makineleri (SVM): marjin, eşik ve yumuşak marjin
Bu oturumda en iyi çizgiyi çizmek ile veri noktalarını doğru kutuya koymak arasındaki farkı öğreneceğiz.
4. Hafta (26 Kasım): İleri Modeller – Sinir Ağlarından Derin Öğrenmeye
- Yapay nöron: biyolojik nörondan ilham, ağırlıklı toplam ve aktivasyon fonksiyonları
- Perseptron, yapay sinir ağları ve gradyan inişi
- Derin öğrenme: neden derin ağlara ihtiyaç duyduk? (Otomatik öznitelik çıkarımı, gradyan kaybolması sorunu)
- Evrişimli Sinir Ağları (CNN): görsel korteksten ilham alan yapılar
- Yinelemeli Sinir Ağları (RNN) ve LSTM: zamansal sinyaller için yapılar
- Otokodlayıcılar, GAN’lar ve Transformer: modern mimarilere genel bakış
Son oturumda yapay sinir ağlarının beyinden nasıl esinlendiğini konuşacak, farklı veri türleri için hangi derin mimarinin uygun olduğunu inceleyeceğiz.
Etkinliğin ücreti kişi başı KDV dahil 1850 TL’dir.
Ödeme bilgileri, kayıt formunu dolduran katılımcılar ile en kısa zamanda paylaşılacaktır.
