Siteyi Nasıl Kullanacaksınız?
- Arama ve filtreleme: Sol üst arama kutusuna “prediktif bakım”, “AUC”, “regresyon” gibi terimler yazın; liste ve kartlar anlık filtrelenir.
- Karşılaştırma: Sol listede kutucukları işaretleyin → Karmaşıklık Karşılaştır tablosunda eğitim/çıkarım Big-O’ları görün.
- Kullanım alanı önerisi: Üstte Kullanım Alanı Seç → Öneri Oluştur ile ilk 3 algoritma ve nedenleri.
- Senaryo/Pipeline: Her kart sonunda alan +
n+p+ gecikme (ms) girip “Örnek Senaryo Oluştur”a basın; EDA→Özellik→Model→Metrikler→Canlıya Alma planı üretir. - Dışa aktar: Karttaki “İndir .md” ile o algoritmanın özetini Markdown olarak indirin.
- Tema/Tam ekran: Sağ üst butonlarla eğitim/sunum için uygun görünüm.
- Sözlük & Quiz: Alt bölümde terimleri hızla gözden geçirin; mini quiz sonucu size hangi başlıkları tekrar etmeniz gerektiğini söyler.
Neden Makine Öğrenmesi? (Endüstride Etki ve Değer)
Özet: Makine öğrenmesi (ML), endüstriyel işletmelerde maliyetleri düşürür, kaliteyi artırır, duruşları azaltır, enerjiyi optimize eder. Doğru kurgulandığında SPC, 6 Sigma, TPM gibi yöntemleri tamamlar ve hızlandırır; kararları verilere dayalı ve tekrarlanabilir kılar.
İş Değeri: Sayılarla Kazanım
- Prediktif bakım: Plansız duruş %15–30 ↓, MTBF %10–20 ↑.
- Kalite kontrol: Kusur kaçışı %30–60 ↓, hurda/yeniden işleme %10–25 ↓.
- Talep & envanter: MAPE %15–35 ↓, stok-out ve fazla stok birlikte düşer.
- Enerji optimizasyonu: MWh başına maliyet ve karbon yoğunluğu anlamlı şekilde azalır.
Nerede Başlamalı? (Yol Haritası)
- İş Problemi → KPI: Örn. hurda %8→%5, AUC ≥ 0.85, latency ≤ 50 ms.
- Veri Keşfi (EDA): SCADA/IoT/ERP/MES kapsamı,
n,p, zaman damgaları, veri bütünlüğü. - Baz Çizgi: Lojistik/Doğrusal gibi açıklanabilir, düşük gecikmeli modeller; sonra ansambllarla iyileştirme.
- Metrikler: AUC, F1, RMSE, MAPE + iş KPI (hurda, duruş, enerji, SLA).
- Canlıya Alma & İzleme: Drift tespiti, A/B, rollback, sürümleme.
- Yönetilebilirlik: Model kartı (versiyon, eğitim verisi, metrikler, riskler), erişim/log, güvenlik.
Neden “Model” Değil “Sistem”?
- Uçtan uca tasarım: Özellik mühendisliği + veri hattı + MLOps + izleme + alarm politikası + iş akışı.
- Gecikme & erişilebilirlik: Üretim için ms-mertebesi çıkarım ve açıklanabilirlik kritik; edge uygunluğu önemli.
- Sürdürülebilirlik: Enerji ve hurda etkilerini ölçülebilir kılmak.
Başarısızlık Tuzakları (ve Çözümler)
- Etiket kalitesi: Operatör geri bildirimi ve veri gözden geçirme döngüsü kurun.
- Dengesiz sınıflar: F1/PR-AUC, maliyet duyarlı eşikler,
class_weight/SMOTE. - Drift: İzleme, alarm eşikleri, yeniden eğitim takvimi.
- Kara kutu: Özellik önemi/SHAP ve basit taban modellerle güven inşa edin.
Sonuç: ML yalnızca “daha iyi tahmin” değil; daha az duruş, daha az hurda, daha düşük enerji, daha hızlı ve tutarlı karar demektir. Bu site, doğru problemi doğru algoritma ve doğru iş metrikleriyle eşleştirmeniz için pratik bir rehber sunar.