Makine Öğrenmesi ve Yapay Zekâ ile Veri Analizi

Son güncelleme:

Makine öğrenmesi ve yapay zekâ ile veri analizi, verideki örüntülerden tahmin, sınıflandırma ya da gruplama yapan modellerin kurulup dürüstçe doğrulanmasıdır; Basira’nın Uzmanla Çalış hizmetinde bu analizi tez, makale ve proje için bir uzman yapar. Model, veri sızıntısına karşı korunan bir doğrulama düzeniyle değerlendirilir ve basit bir temel modelle karşılaştırılır. Teslim Türkçe, İngilizce ya da iki dilli çalışma raporu, danışan bilgi notu ve analiz planından oluşur. Teklifi onaylamadan ödeme yapmazsınız.

  • Bir iş günü İlk yanıt: teklif ya da soru
  • Onaydan sonra ödeme Teklif 14 gün geçerli
  • Gizlilik sözleşmesi KVKK uyumlu, veriler AB'de
  • 30 gün soru hakkı Teslimden sonra, ücretsiz

Kimler için

İstatistik ya da programlama bilgisi gerekmez. Araştırma sorunuzu, verinizi ve neyi tahmin etmek istediğinizi kendi cümlelerinizle anlatmanız yeterlidir; uzman kapsamı sizinle birlikte netleştirir.

Tez öğrencileri

Yüksek lisans ve doktora tezinde sınıflandırma, tahmin ya da kümeleme modeli kuranlar. Tez türleri talep formunda ayrı seçeneklerdir.

Makale yazarları

Tahmin modelini dergiye gönderecek ve TRIPOD+AI gibi raporlama kılavuzlarına uymak isteyen araştırmacılar.

Sağlık ve klinik araştırmacılar

Tanı ya da prognoz modeli geliştirenler; kalibrasyon ve dış doğrulama gerektiren çalışmalar.

Modeli sorunlu olanlar

Başarımı şüphe uyandıracak kadar yüksek çıkan, hakemin veri sızıntısı ya da aşırı uyum sorduğu modeller. Doğrulama düzeni baştan denetlenir.

Kurumlar için makine öğrenmesi ve yapay zekâ ile veri analizi, kurum araştırmaları, hastane ve ilaç firmaları için biyoistatistik Tahliz İstatistik’in alanıdır: tahliz.com.

Bu hizmetin uzmanı

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

Uzmanla Çalış uzmanı · İstatistik danışmanı ve eğitmen

Basira blogundaki rehberlerin bilimsel gözden geçireni

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Ne teslim edilir

Dosyalar analiz tamamlandığında talep sayfanıza yüklenir. Raporun dili talepte seçilir.

Çalışma raporu

Türkçe, İngilizce ya da iki dilli hazırlanır. Veri hazırlığı, doğrulama düzeni, modellerin başarımı ve güven aralıkları, kalibrasyon ve değişkenlerin önemi tablo ve şekillerle verilir. Kullanılan yazılım, sürümler ve rastgelelik tohumları yazılır; analiz aynı sonuçla yeniden üretilebilir. Analiz kodu istenirse teklife eklenir.

Danışan bilgi notu

Başarım ölçütlerinin ve şekillerin nasıl okunacağını açıklayan nottur. Danışmanınızla görüşmeye hazırlanırken başvurabileceğiniz bir kaynaktır; tez metni yerine geçmez.

Analiz planı ve yöntem gerekçesi

Modellerin, ölçütlerin ve doğrulama düzeninin neden seçildiği, sızıntının nasıl önlendiği ve sonuçların hangi kılavuza göre raporlandığı literatüre dayanarak yazılır.

Teslimden sonra soru hakkı

Çalışmanız tamamlandıktan sonra 30 gün boyunca açıklama sorularınızı talep sayfasından ücretsiz sorabilirsiniz. Yeni bir analiz ya da yeni bir hakem revizyonu ayrıca tekliflendirilir.

Teslim bu dört kalemden oluşur. Bulguların yorumu ve akademik metin teslime girmez; gerekçesi aşağıdaki “Akademik dürüstlük” bölümündedir.

Yöntem yaklaşımı

Temel istatistikten makine öğrenmesi ve yapay zekâ yöntemlerine kadar, çalışmanın gerektirdiği yöntem; araştırma sorusuna, veri yapısına ve alanın uluslararası literatürüne göre seçilir ve uygulanır. Seçimi uzman yapar; her kararın gerekçesi teslimdeki analiz planında yazılıdır.

  1. Araştırma sorusu ve desenHipotezler, ölçüm düzeyleri ve örneklem yapısı yöntemi belirler.
  2. Alanın literatürüTez, makale ya da proje hangi alandaysa o alanın uluslararası raporlama ve yöntem standartları izlenir.
  3. Varsayımlar ve duyarlılıkVarsayımlar denetlenir; sonuç bir varsayıma bağlıysa duyarlılık analizi raporlanır.
  4. Raporlamaİstatistik değeri, etki büyüklüğü ve güven aralığı APA 7’ye uygun biçimde birlikte verilir.

Makine öğrenmesinde bu ilkeler şu anlama gelir: modelin başarımı onu hiç görmemiş veriyle ölçülür; karmaşık bir model ancak basit bir temel modeli geçerse tercih edilir; tek bir doğruluk sayısı yerine ayırt etme, kalibrasyon ve belirsizlik birlikte raporlanır.

Problem türleri

Sınıflandırma, sürekli sonucun tahmini, kümeleme ve boyut indirgeme; metin ve görüntü verisi için derin öğrenme.

Veri hazırlığı ve sızıntı

Sonuçtan sonra oluşan ya da sonuçtan türetilen değişkenlerin ayıklanması; eksik veri ve ölçekleme işlemlerinin doğrulama kümesine sızmadan yapılması.

Doğrulama

Eğitim ve test ayrımı, çapraz doğrulama, hiperparametre seçimi için iç içe çapraz doğrulama, olanak varsa dış doğrulama.

Modeller

Cezalı regresyon, karar ağaçları, rastgele orman, gradyan artırma, destek vektör makineleri ve sinir ağları; her zaman bir temel modelle karşılaştırma.

Ölçütler

AUC, duyarlılık ve özgüllük, F1, Brier skoru, kalibrasyon, sürekli sonuçta RMSE ve R²; hepsi güven aralığıyla.

Açıklanabilirlik ve raporlama

Permütasyon önemi ve SHAP değerleri; TRIPOD+AI gibi kılavuzlara uygun raporlama.

Analizler Python ve R ile, çalışmanın gerektirdiği kütüphanelerle yapılır. Kurduğunuz bir model varsa kodunuzu ve çıktınızı talebe ekleyebilirsiniz; doğrulama düzeni ve sonuçlar denetlenir.

Talep formunda “Veri Analizi” kartını seçip çalışmanızı anlatmanız yeterlidir. Veri dosyanızı, değişkenlerin açıklamasını ve varsa kodunuzu ekleyin. Bir talebe en çok 15 dosya eklenir; her dosya en çok 50 MB olabilir. Hangi kartı seçeceğinizden emin değilseniz “Kararsızım / Yönlendirin” kartıyla durumunuzu anlatın.

Örnek çıktı: temerrüt tahmininde üç modelin karşılaştırması

Örnek çıktı Demo verisi

Aşağıdaki bölüm, Basira’nın demo verisiyle hazırlanmış bir çalışma raporu örneğidir. Gerçek bir teslimde modeller ve ölçütler sizin araştırma sorunuza göre seçilir.

Python 3.13 · scikit-learn 1.7.2 · analiz 22 Kasım 2026’da yapıldı

1.200 kredi başvurusunda (%30’u temerrüde düştü) başvuru anındaki dokuz değişkenden temerrüdün tahmin edilip edilemeyeceği incelendi. Üç değişkende verinin %6’sı eksikti. Veri bir kez eğitim (900 başvuru) ve test (300 başvuru) kümelerine ayrıldı; test kümesi yalnız son değerlendirmede kullanıldı. Eksik değerlerin doldurulması ve ölçekleme eğitim verisinden öğrenildi. Lojistik regresyon temel model olarak, rastgele orman ve gradyan artırma ile karşılaştırıldı; iki modelin ayarları iç içe çapraz doğrulamayla (dış 5, iç 5 kat) seçildi.

Sızıntı denetimi. Veride iki sütun dışarıda bırakıldı. Tahsilat bayrağı temerrütten sonra oluşan bir bilgidir: temerrüde düşenlerin %92,8’inde bayrak vardı. Risk kategorisi ise sonuçtan türetilmişti; düşük kategoride hiç temerrüt yoktu, yüksek kategoride hepsi temerrüde düşmüştü. Tahsilat bayrağı modele eklendiğinde test AUC’si .949’dan .993’e çıktı; bu yükseliş gerçek bir başarı değil, sızıntıdır.

Tablo 1

Modellerin Başarımı: İç İçe Çapraz Doğrulama ve Test Kümesi

ModelÇapraz doğrulama AUC (SS)Test AUC [%95 GA]BrierKalibrasyon eğimi
Lojistik regresyon.961 (.006).949 [.923, .971].0820.75
Rastgele orman.951 (.010).941 [.914, .967].0982.09
Gradyan artırma.947 (.010).947 [.923, .968].0861.35

Not. Test AUC’sinin güven aralığı 2.000 katmanlı bootstrap örneklemiyle hesaplandı. Yalnız temerrüt oranıyla yapılan tahminin Brier skoru .210’dur; küçük değer daha iyidir. Kalibrasyon eğiminin ideal değeri 1’dir. Lojistik regresyon ikinci bir uygulamayla (R, glm ve pROC) aynı bölmede yeniden kuruldu; tahminler milyonda birden küçük farkla örtüştü, AUC aynıydı (DeLong %95 GA [.925, .974]).

Şekil 1

Test Kümesinde AUC ve %95 Güven Aralıkları (Sızıntılı Modelle Birlikte)

Analizin öteki bulguları

Temel model geçilmedi

Rastgele ormanın AUC’si lojistik regresyonunkinden .008 düşüktü (eşli bootstrap %95 GA [−.024, .009]), gradyan artırmanınki .003 düşüktü ([−.019, .015]). Karmaşık modeller bu veride ek başarı sağlamadı; daha yorumlanabilir olan lojistik regresyon tercih edilir.

Kalibrasyon

Lojistik regresyonun kalibrasyon eğimi 0.75’ti; tahmin edilen olasılıklar biraz fazla uçtaydı. Rastgele ormanın eğimi 2.09’du; olasılıkları ortaya fazla yığılıyordu. Olasılığın kendisi kullanılacaksa cezalı regresyon ya da yeniden kalibrasyon raporda önerilir.

Değişkenlerin önemi

Test kümesinde bir değişkenin değerleri karıştırıldığında AUC en çok borç/gelir oranında (.239), kredi skorunda (.196), önceki kredi sayısında (.051) ve yıllık gelirde (.018) düştü. Öteki beş değişkenin katkısı sıfıra yakındı. İki model aynı sırayı verdi.

Kararlılık

İç içe çapraz doğrulamanın dış katlarında AUC’nin standart sapması .006 ile .010 arasındaydı; test sonucu çapraz doğrulama kestirimiyle tutarlıydı.

Bağımsız uygulama

Rastgele orman R’da başka bir kütüphaneyle (ranger) kurulduğunda test AUC’si .944’tü; lojistik regresyondan farkı anlamlı değildi (DeLong p = .566).

Teknik sonuç. Başvuru anındaki değişkenlerle temerrüt iyi ayırt edildi (test AUC = .949, %95 GA [.923, .971]). Rastgele orman ve gradyan artırma temel modeli geçmedi. Sonuçtan sonra oluşan tahsilat bayrağı modele girseydi başarım .993 gibi gerçekçi olmayan bir düzeye çıkacaktı. Olasılık tahmini amaçlanıyorsa modelin kalibrasyonu düzeltilmelidir.

Veri: Basira örnek veri setlerinden kredi riski seti (1.200 başvuru; tohumla üretilmiş demo verisi, gerçek bir araştırmanın verisi değildir). Verinin üretecine göre temerrüt, kredi skoru, borç/gelir oranı, önceki kredi sayısı ve gelirden doğrusal bir risk puanıyla belirlenir; tahsilat bayrağı sızıntı sütunu olarak bilerek konmuştur. Bu bölüm teknik sonuçtur; bulguların yorumu ve akademik metin araştırmacıya aittir.

Süreç

Talepten teslime beş adım vardır.

  1. Talebinizi iletinAraştırma sorunuzu anlatır, verinizi ve değişkenlerin açıklamasını eklersiniz. Jüri savunması ya da dergi revizyonu gibi yetişmesi gereken bir tarih varsa talepte belirtirsiniz.
  2. Teklifi alınUzman kapsamı değerlendirir. İlk yanıt bir iş günü içinde gelir; teklif 14 gün geçerlidir.
  3. OnaylayınÖdeme yalnız teklifi onayladıktan sonra istenir.
  4. İlerlemeyi izleyinTalebinizin durumunu talep sayfasından takip edersiniz.
  5. Teslim ve revizyonDosyalar talep sayfasına yüklenir. Revizyon hakkınız teklifte yazılıdır.

Süre ve ücret nasıl belirlenir

Ücret ve teslim süresi işin kapsamına göre belirlenir ve teklifte yazılır. Verinin büyüklüğü ve türü (tablo, metin ya da görüntü), karşılaştırılacak model sayısı ve dış doğrulama gerekip gerekmediği kapsamı belirler. Yetişmesi gereken bir tarihiniz varsa teklif buna göre hazırlanır.

Ödemeyi bölme

Bireysel ödemede tutarın yarısı işe başlarken, yarısı teslimde ödenebilir.

Kurumsal ödeme

BAP, TÜBİTAK ya da kurum bütçesiyle ödemede proforma fatura ve kurumun sipariş belgesiyle ilerlenir.

Kararsız mısınız

“Kararsızım / Yönlendirin” seçeneğiyle durumunuzu anlatın; ücretsiz ön değerlendirme ve net bir teklif alırsınız.

Sonuç anlatım oturumu

İsterseniz teslimden sonra uzmanla görüntülü bir oturumda modellerin ve tabloların üzerinden geçebilirsiniz. Oturum ücretli bir ektir; talepte belirtirseniz teklife eklenir.

Gizlilik ve veri güvenliği

Veri dosyanız ve kodunuz dahil yüklediğiniz dosyalar gizlilik sözleşmesi (NDA) kapsamında korunur, aktarımda ve depolamada şifrelenir ve KVKK’ya uygun işlenir. Gizlilik taahhüdü elektronik olarak onaylanır.

Erişim
Verinize yalnız talebinize atanan uzman ve hizmeti yürüten operatör erişir. Altyapı sağlayıcılarının rolü Gizlilik Taahhüdü’nün 4. maddesinde yazılıdır.
Kullanım
Veriniz başka bir amaçla işlenmez, yayımlanmaz, satılmaz ve başka bir müşterinin işinde kullanılmaz.
Saklama yeri
Yüklediğiniz veri ve dosyalar Avrupa Birliği’nde (Almanya, Frankfurt) saklanır.
Silme
Araştırma verileri iş tamamlandıktan ya da ödemesi alınmış talep iptal edildikten 30 gün sonra kalıcı olarak silinir; ödemesi yapılmadan bırakılan talepte bu süre son etkinlikten 90 gündür. Silmeden 7 gün önce bildirim yapılır.
Kişisel veri
Özel ya da gizli verileri kurumunuzun politikalarına göre maskeleyerek yükleyebilirsiniz. Talepte verinin anonim olduğunu ya da özel nitelikli kişisel veri içermediğini, içeriyorsa ilgililerin açık rızasının alındığını beyan edersiniz.

Akademik dürüstlük

Teslim tekniktir. Bulguların yorumu ve akademik metin araştırmacıya aittir; tez yazımı yapmıyoruz. Teklif kartı bu sınırı şöyle yazar: “Neler yapmıyoruz: tez ya da makale yazımı, veri üretme ya da sonuç uydurma.”

Makine öğrenmesinde bu sınırın bir karşılığı daha vardır: test kümesi model seçiminde kullanılmaz, başarım ölçütünü yükseltmek için bölme ya da tohum değiştirilmez. Bir modelin başarımı beklenenden düşükse bu da raporlanır; tek bir yüksek sayı yerine belirsizliğiyle birlikte gerçek başarım verilir.

Teslim edilen

  • Türkçe, İngilizce ya da iki dilli çalışma raporu
  • Danışan bilgi notu
  • Analiz planı ve yöntem gerekçesi

Yapılmayan

  • Bulguların yorumu ve tartışma metni
  • Başarım ölçütünü yükseltmek için test kümesini yeniden kullanma
  • Tez ya da makale yazımı

Her talepte şu iki beyan alınır:

Teslim edilecek analiz ve raporları kendi çalışmama kendi emeğimle bütünleştireceğimi; bağlı olduğum kurumun akademik dürüstlük kurallarına uyacağımı beyan ederim.

Teslim edilecek çıktıların teknik nitelikte olduğunu; bulguların yorumlanmasının ve akademik metnin yazımının bana ait olduğunu; teslim edilen içeriği olduğu gibi çalışmama aktarmayacağımı beyan ederim.

Teslimle birlikte yazılan açıklama metinleri sistemde taranır; çalışmaya özgü bir bulgu cümlesi yakalanırsa gönderim durur ve cümle teknik dille yeniden yazılır. Aldığınız desteği tez danışmanınıza bildirmenizi öneririz.

Basira blogundaki rehberlerin bilimsel gözden geçireni de bu hizmetin uzmanı Doç. Dr. Hasan Yıldırım’dır; akademik profillerine yazar sayfasından ulaşılır.

Sık sorulan sorular

Modelimin doğruluğu yüksek çıkacak mı?

Bunu kimse önceden söyleyemez; başarım verinin içerdiği bilgiye bağlıdır. Rapor, modelin hiç görmediği veride ölçülen gerçek başarımı güven aralığıyla verir. Doğruluğu şüphe uyandıracak kadar yüksek bir model önce veri sızıntısı açısından denetlenir.

Hangi model en iyisi?

Her veride en iyi olan tek bir model yoktur. Birkaç model aynı doğrulama düzeniyle karşılaştırılır; karmaşık bir model ancak basit bir temel modeli anlamlı biçimde geçerse tercih edilir.

Verim az; makine öğrenmesi kullanabilir miyim?

Az sayıda gözlemde karmaşık modeller aşırı uyum gösterir ve başarımları güvenilmez kestirilir. Bu durumda cezalı regresyon gibi daha basit modeller ve yeniden örneklemeye dayalı doğrulama önerilir; seçim analiz planında gerekçesiyle yazılır.

Derin öğrenme ve görüntü analizi yapılır mı?

Evet. Metin ve görüntü verisi gibi yapılandırılmamış verilerde derin öğrenme modelleri kurulur. Kapsam ve hesaplama gereksinimi teklifte yazılır.

Python ya da R kodumu kontrol ettirebilir miyim?

Evet. Kodunuzu, verinizi ve çıktınızı talebe ekleyin. Veri bölme, ön işleme ve doğrulama adımları sızıntı açısından denetlenir; gerekirse analiz aynı veriyle yeniden yapılır ve sonuçlar karşılaştırılır.

Rapor İngilizce hazırlanabilir mi?

Evet. Rapor Türkçe, İngilizce ya da iki dilli hazırlanır; dili talepte seçersiniz.

Talebime ne zaman yanıt verilir?

İlk yanıt, teklif ya da bir soru olarak, talebiniz ulaştıktan sonra bir iş günü içinde verilir. İş günü hafta içi 09:00–18:00 (İstanbul) arasıdır; resmî tatiller sayılmaz.

Teslimden sonra soru sorabilir miyim?

Evet, 30 gün boyunca talep sayfasından ücretsiz. Yeni bir analiz ya da yeni bir hakem revizyonu ayrıca tekliflendirilir.

Revizyon hakkım var mı?

Revizyon hakkınız teklifte belirtilir (genellikle bir tur). Teslim edilen işin kapsamı içindeki düzeltmeler bu hak içinde yapılır. Teslimden sonra 14 gün içinde revizyon istemez ya da itiraz bildirmezseniz teslim onaylanmış sayılır; parçalı ödemede bu süre bakiyenin ödendiği andan başlar.

Çalışmanızı anlatın, net bir teklif alın

Talep formunda çalışmanızı ve beklentinizi kısaca yazın. Uzman bir iş günü içinde teklif ya da soruyla döner.

+90 543 860 71 70 · Yalnızca WhatsApp · Hat saatleri: Pazartesi–Cumartesi 08:00–19:00

Rehberler