Makine öğrenmesi, kuralı elle yazmak yerine geçmiş kayıtlardan çıkaran ve bu kayıtlara dayanarak tahmin, sınıflandırma ya da sıralama üreten bir yapay zekâ yöntemidir. KOBİ'lerde en çok talep ve stok tahmini, üretimde kalite kontrol, arıza tahmini, müşteri kaybı ve olağan dışı işlemlerin yakalanmasında işe yarar. Bunun için tutarlı tutulmuş geçmiş kayıtlar ve bu kayıtlara bakılarak sık verilen bir karar gerekir. İkisinden biri eksikse doğru başlangıç çoğu zaman bir rapor ya da basit bir kuraldır.
Öne çıkanlar
- Makine öğrenmesi metinle değil, çoğunlukla satış, stok, sensör ve işlem kayıtları gibi tablo verisiyle çalışır. Dil modelleriyle aynı şey değildir.
- Her problem için üç şeyi baştan yazın: hangi karar verilecek, hangi veriden öğrenilecek, başarı hangi iş ölçüsüyle anlaşılacak.
- Google'ın makine öğrenmesi mühendisliği kurallarının ilki: makine öğrenmesi olmadan ürün çıkarmaktan çekinmeyin; makine öğrenmesi veri ister.
- TÜİK'e göre yapay zekâ kullanan girişimlerin %43,4'ü bunu üretim veya hizmet süreçlerinde kullanıyor (TÜİK, 2026 verisi; 2 Ekim 2026'da yayımlandı (yeni sekmede açılır)).
- Her model, basit bir karşılaştırma yöntemini aynı test verisinde geçmek zorundadır. Geçemiyorsa canlıya alınmaz.
Makine öğrenmesi nedir, nasıl çalışır?
Klasik yazılımda kuralı programcı yazar; makine öğrenmesinde (machine learning) kural örneklerden çıkarılır. Programcı "şu olursa şunu yap" demez; modele çok sayıda geçmiş örnek ve bu örneklerin sonucunu verir, model aradaki ilişkiyi öğrenir.
İşletmelerde en sık kullanılan biçimi denetimli öğrenmedir (supervised learning). Her geçmiş kayıt için sonuç bellidir: o hafta kaç adet satıldı, o parça hatalı mıydı, o müşteri ayrıldı mı? Sonuca etiket (label), sonucu etkileyen bilgilere özellik (feature) denir. Model, özelliklerden etiketi tahmin etmeyi öğrenir.
Denetimsiz öğrenmede (unsupervised learning) etiket yoktur. Model benzer kayıtları gruplar ya da ötekilerden ayrışan kayıtları işaretler. Müşteri gruplama ve olağan dışı işlem tespiti bu türdendir.
Modelin ne kadar iyi olduğu, eğitimde hiç görmediği verideki başarısıyla ölçülür. Bu yüzden geçmiş veri ikiye ayrılır: model bir kısmından öğrenir, geri kalanında sınanır. Zaman serilerinde sınama hep en yeni dönemle yapılır; geleceği tahmin eden modeli geçmişin ortasından seçilmiş günlerle sınamak yanıltır.
İş sorusundan problem türüne
Makine öğrenmesinde problemi doğru adlandırmak, yöntemi de belirler. İşletmede sorulan soru, çoğu zaman şu altı türden birine denk gelir:
| İş sorusu | Problem türü | Modelin çıktısı | Örnek |
|---|---|---|---|
| "Ne kadar?" | Regresyon (regression) | Bir sayı | Bir siparişin teslim süresi |
| "Gelecek dönemlerde ne olacak?" | Zaman serisi tahmini (forecasting) | Dönem dönem değerler | Haftalık satış adedi |
| "Hangisi?" | Sınıflandırma (classification) | Bir sınıf ya da olasılık | Parça hatalı mı, sağlam mı |
| "Hangileri birbirine benziyor?" | Kümeleme (clustering) | Gruplar | Satın alma davranışına göre müşteri grupları |
| "Hangisi ötekilerden farklı?" | Anomali tespiti (anomaly detection) | İşaretlenen kayıtlar | Olağan dışı tutarlı bir fatura |
| "Önce hangisi?" | Sıralama (ranking) | Sıralı liste | Müşteriye gösterilecek ürünler |
Aynı iş birden fazla türe bölünebilir. Örneğin kestirimci bakımda "bu makine önümüzdeki ay arızalanır mı?" bir sınıflandırma sorusudur; "kaç gün sonra arızalanır?" ise regresyon sorusudur. Hangisinin sorulacağı, bakım ekibinin hangi bilgiyle karar verdiğine bağlıdır.
Dil modelinden farkı ne?
Dil modelleri metni anlar ve üretir: soru yanıtlar, özet çıkarır, taslak yazar. Makine öğrenmesi modelleri ise çoğu zaman bir sayı ya da bir sınıf üretir: gelecek haftanın satış adedi, bu parçanın hatalı olup olmadığı, bu müşterinin ayrılma riski.
İkisi aynı sistemde birlikte kullanılabilir. Örneğin bir dil modeli müşteri e-postasını okuyup sipariş bilgisini çıkarır, bir tahmin modeli de o ürünün stok ihtiyacını hesaplar.
KOBİ'lerde hangi problemde işe yarar?
Makine öğrenmesi, sık tekrarlanan ve geçmişte kaydı tutulmuş bir karar olduğunda işe yarar. Aşağıdaki tablo her problem için verilen kararı, Türkiye'deki bir işletmede verinin tipik olarak durduğu yeri, başarının iş diliyle nasıl ölçüleceğini ve önce denenmesi gereken basit alternatifi gösteriyor.
| Problem | Verilen karar | Tipik veri kaynağı | Başarı ölçütü (iş diliyle) | Önce denenecek basit yöntem |
|---|---|---|---|---|
| Talep tahmini | Hangi üründen ne kadar sipariş verilecek? | ERP ya da muhasebe yazılımı, pazar yeri sipariş raporları | Stoksuz kalınan gün sayısı, elde kalan fazla stok | Geçen yılın aynı dönemi |
| Stok seviyesi | Ne kadar emniyet stoğu tutulacak? | Stok hareketleri, tedarikçi teslim kayıtları | Stok devir hızı, karşılanamayan sipariş | Sabit gün sayısı kadar stok kuralı |
| Görüntüyle kalite kontrol | Parça hatalı mı, hattan ayrılmalı mı? | Hat üzerindeki kamera, etiketlenmiş hata fotoğrafları | Kaçan hata ve yanlış alarm sayısı | Ölçü ve renk eşiği kuralları |
| Kestirimci bakım | Makine ne zaman bakıma alınmalı? | Bakım formları, arıza kayıtları, PLC ve sensör verisi | Plansız duruş sayısı | Periyodik bakım takvimi |
| Müşteri kaybı | Hangi müşteriye önce ulaşılmalı? | CRM, sipariş sıklığı, destek talepleri | Geri kazanılan müşteri sayısı | Uzun süredir sipariş vermeyenler listesi |
| Olağan dışı işlem | Bu fatura, iade ya da ödeme incelenmeli mi? | e-Fatura ve e-Arşiv kayıtları, ödeme ve iade hareketleri | Yakalanan hata, boşa incelenen kayıt | Tutar ve sıklık eşikleri |
| Fiyat ve kampanya etkisi | İndirim ne kadar ek satış getirir? | Fiyat geçmişi, kampanya takvimi, satışlar | Kampanya sonrası kâr katkısı | Kampanya öncesi ve sonrası kıyası |
| Talep ve belge sınıflandırma | Bu talep hangi ekibe gitmeli? | Destek kayıtları, e-posta arşivi | Yanlış yönlendirme oranı | Anahtar kelime kuralları |
| Öneri | Müşteriye hangi ürün gösterilmeli? | Sipariş ve gezinme kayıtları | Önerilen üründen gelen satış | "Birlikte en çok alınanlar" listesi |
Son sütun bilerek eklendi. Her satırdaki basit yöntem, modelin geçmesi gereken çıtadır. Basit yöntem işi zaten yeterince iyi yapıyorsa model kurmaya gerek kalmaz.
TÜİK'in Yapay Zeka İstatistikleri'ne göre 10 ve daha fazla çalışanı olan girişimlerde yapay zekâ kullanımı 2026'da %14,0. Kullanan girişimlerde en sık amaç pazarlama veya satış (%51,0); Ar-Ge veya yenilik %46,3, üretim veya hizmet süreçleri %43,4 ile izliyor (TÜİK, 2026 verisi; 2 Ekim 2026'da yayımlandı (yeni sekmede açılır)). Bu oranlar yapay zekânın bütününü kapsar; yalnız makine öğrenmesini ayrı ölçmez.
Türk üretici ve satıcısı için örnek senaryolar
Aşağıdaki dört senaryo varsayımsaldır; belirli bir işletmeyi anlatmaz. Türkiye'deki işletmelerin sık karşılaştığı veri ve takvim koşullarını göstermek için seçildi.
Pazar yeri satıcısı: bayram ve kampanya dönemleri
Birkaç pazar yerinde satış yapan bir ev tekstili satıcısı, bayram öncesi haftalarda talebin sıçradığını biliyor. Sorun, bayramın her yıl aynı haftaya denk gelmemesi. Diyanet takvimine göre Ramazan Bayramı'nın ilk günü 2026'da 20 Mart, 2027'de 9 Mart (2026 (yeni sekmede açılır), 2027 (yeni sekmede açılır)).
Bu satıcı için anlamlı model, takvim ayını değil "bayrama kalan gün" bilgisini kullanan modeldir. Pazar yeri kampanya günleri de ayrı bir değişken olarak eklenir. Ama tahmine geçmeden önce her ürünün komisyon, kargo ve iade sonrası gerçek kârını bilmek gerekir. Aksi hâlde doğru tahmin, zarar eden ürünün stoğunu artırır.
Parça üreticisi: kamerayla yüzey hatası
Plastik enjeksiyon parçası üreten bir firma, yüzey çiziklerini hat sonunda gözle ayıklıyor. Kamera ve görüntü işleme modeliyle hatalı parçayı otomatik ayırmak mümkün. Ama modelin öğrenmesi için çok sayıda hatalı ve hatasız parça fotoğrafının tek tek etiketlenmesi gerekir.
Bu senaryoda maliyeti çoğu zaman model değil, ışık ve kamera düzeni ile etiketleme emeği belirler. Başarı ölçütü de iki yönlüdür: kaçan hata müşteriye gider, yanlış alarm sağlam parçayı hurdaya çıkarır.
İthalatçı toptancı: belirsiz tedarik süresi
Yurt dışından mal getiren bir toptancı için tedarik süresi haftadan haftaya değişebiliyor. Burada talep tahmini tek başına yetmez. Tahmin hatası ve tedarik süresindeki oynama birlikte emniyet stoğunu belirler.
Bu işletme için ilk adım, tedarikçi bazında sipariş ve teslim tarihlerini düzenli kaydetmektir. Model ancak bu kayıtlar biriktikten sonra işe yarar.
Makine parkı olan üretici: sensör yoksa ne olur?
Organize sanayi bölgesindeki bir üreticinin makinelerinde sensör yok, ama yıllardır kâğıt ya da Excel bakım formu tutuluyor. Kestirimci bakım için sensör şart değildir; arıza ve bakım kayıtları, çalışma saatleri ve üretim miktarı da başlangıç verisi olabilir.
Bu senaryoda ilk iş, formları tutarlı bir dijital kayda çevirmektir: hangi makine, hangi arıza, ne kadar duruş. Sensör yatırımı, bu kayıtlar hangi makinenin riskli olduğunu gösterdikten sonra planlanır.
Makine öğrenmesinin gereksiz olduğu durumlar
Makine öğrenmesi her veri problemine uygun değildir. Google'ın "Rules of Machine Learning" kılavuzunun ilk kuralı, makine öğrenmesi olmadan ürün çıkarmaktan çekinmemektir; gerekçesi de makine öğrenmesinin veri gerektirmesidir. İkinci kural ise önce ölçütleri tasarlayıp uygulamaktır (Google for Developers, Martin Zinkevich (yeni sekmede açılır)).
Aşağıdaki durumlardan biri sizin için geçerliyse önce başka bir yoldan gidin:
- Karar seyrek veriliyor. Yılda bir kez verilen bir karar için model kurmak, modeli sınamaya bile yetecek örnek bırakmaz.
- Geçmiş kayıt yok ya da çok yeni. Yeni bir ürün ya da yeni bir hat için önce veri biriktirin, bu arada uzman görüşü ve basit kurallarla çalışın.
- Basit bir kural işi görüyor. "Stok şu seviyenin altına inince sipariş ver" kuralı yeterince iyi sonuç veriyorsa modelin ek getirisi, işletme yükünü karşılamayabilir.
- Rakamlar birbirini tutmuyor. Satış raporu ile muhasebe aynı ay için farklı rakam veriyorsa sorun model değil, veri tanımlarıdır. Önce raporlamayı düzeltin.
- Sonucu kimse kullanmayacak. Tahminin hangi ekranda, kimin kararında kullanılacağı belli değilse model bir deney olarak kalır.
- Kararın gerekçesi açıklanmak zorunda ve basit kural yeterli. Müşteriye ya da denetçiye açıklanması gereken kararlarda açıklanması kolay bir yöntem öne geçer.
Hangi yola gideceğinizi şu tabloyla seçebilirsiniz:
| Durum | Önerilen yol |
|---|---|
| Rakamlar dağınık, aynı soruya farklı cevaplar çıkıyor | Önce raporlama ve ortak tanımlar |
| Rakamlar tutarlı, ama karar hâlâ elle ve sezgiyle veriliyor | Basit kural ya da gösterge paneli |
| Basit kural sınırına ulaştı, etkenler çok, karar sık | Makine öğrenmesi modeli |
| Sorun metin, belge ya da yazışmada | Dil modeli ve yapay zekâ asistanı |
İlk iki satırdaki işler veri analitiği ve raporlama kapsamındadır. Üçüncü satır makine öğrenmesi projesidir.
Projeye başlamadan neyi hazırlamalısınız?
Bir makine öğrenmesi projesine geçmeden önce dört şeyi hazırlarsanız ilk görüşmeden somut bir yol haritası çıkar. Bunlar soru, veri, ölçüt ve karşılaştırma yöntemidir.
- Soruyu tek cümleyle yazın. "Her pazartesi, her ürün için sonraki dört haftanın sipariş miktarını belirlemek istiyoruz" gibi. Cümlede karar, düzey ve sıklık bulunmalıdır.
- Verinin yerini ve geçmişini çıkarın. Hangi sistemde, kaç yıllık, hangi alanlarla tutuluyor? Eksik ve tutarsız dönemleri not edin.
- Başarıyı iş diliyle tanımlayın. "Doğruluk" yerine "stoksuz gün sayısı", "kaçan hata", "plansız duruş" gibi ölçüler seçin.
- Karşılaştırma yöntemini belirleyin. Bugün bu karar nasıl veriliyor? O yöntem, modelin geçmesi gereken çıtadır.
Tahmin problemlerinde basit yöntemlerin gücü küçümsenmemelidir. Hyndman ve Athanasopoulos'un ders kitabı, geçen yılın aynı dönemini tekrar etmek gibi yöntemleri bütün kitap boyunca çıta olarak kullanır; çünkü bu yöntemler çoğu zaman beklenenden iyi sonuç verir (Forecasting: Principles and Practice, 3. baskı, bölüm 5.2 (yeni sekmede açılır)). Sınama dönemi için kitabın önerisi, verinin beşte biri civarında ve en az tahmin ufku uzunluğunda bir dönem ayırmaktır (bölüm 5.8 (yeni sekmede açılır)).
Makine öğrenmesi projesinin emeğini ne belirler?
Emeğin büyük kısmı modelde değil, modelin etrafında harcanır. Aşağıdaki etkenler, aynı türden iki projenin çok farklı büyüklükte olmasına yol açar.
- Verinin dağınıklığı: Satış bir sistemde, stok başka bir sistemde, kampanya takvimi bir çalışanın dosyasında duruyorsa önce bunların aynı tabloda buluşması gerekir.
- Etiket ihtiyacı: Görüntüyle kalite kontrolde her fotoğrafa "hatalı" ya da "sağlam" etiketi bir insan tarafından verilir. Etiket yoksa ilk iş etiketlemedir.
- Tahminin ne zaman gerektiği: Gece bir kez çalışan toplu tahmin ile hat üzerinde anında karar veren model, farklı altyapı ister.
- Bağlanılacak sistemler: Tahminin ERP'ye, sipariş ekranına ya da yönetim paneline yazılması ayrı bir entegrasyon işidir.
- Model sayısı: Her ürün grubu ya da her fabrika için ayrı model gerekiyorsa izleme ve bakım yükü de çoğalır.
- İzleme ve yeniden eğitim: Canlıdaki modelin başarısını izleyen uyarılar ve yeniden eğitim düzeni, projenin kalıcı bir parçasıdır.
Bu etkenler netleşmeden çıkarılan bir tutar, gerçek işi yansıtmaz. Bu yüzden kapsamı kısa bir görüşmede netleştirip kalem kalem yazılı teklif veriyoruz.
Kişisel veri içeren modellerde dikkat edilecekler
Müşteri kaybı, öneri ve kişiye özel fiyat gibi modeller kişisel veriyle çalışır ve 6698 sayılı Kişisel Verilerin Korunması Kanunu'nun kapsamına girer. Talep tahmini ve kalite kontrol gibi modeller ise çoğu zaman kişisel veri gerektirmez.
Kanunun 4. maddesi, kişisel verilerin işlendikleri amaçla bağlantılı, sınırlı ve ölçülü olmasını şart koşar (6698 sayılı Kanun (yeni sekmede açılır)). Pratikte bu, modele yalnız gereken alanları vermek demektir. Müşteri adı ve telefonu bir müşteri kaybı modelinin özelliği olmamalıdır.
Kanun, anonim hâle getirmeyi verinin başka verilerle eşleştirilse dahi bir kişiyle ilişkilendirilemeyecek hâle getirilmesi olarak tanımlar. Bir müşteri kodunu başka bir kodla değiştirmek bu tanımı karşılamayabilir. Anonimleştirme yönteminizi veri akışını tasarlarken netleştirin.
Konuyu derinleştiren rehberler
Makine öğrenmesi, tahmin ve veri analitiği üzerine yazdığımız rehberler, bu sayfadaki her başlığı ayrıntılı ele alıyor. Aşağıda her yazının kısa özeti ve bağlantısı var.
Tahmin ve stok
Talep tahmini nasıl yapılır? Excel'deki TAHMİN.ETS işlevinden başlayıp makine öğrenmesine uzanan sekiz adımı anlatır. Satışsız günler ve aynı güne düşen sipariş satırları gibi Excel'in varsayılan ayarlarında gözden kaçan noktaları, aralıklı talep için Croston yöntemini ve doğru hata ölçüsünü içerir.
Bayram etkisi ve satış tahmini, hareketli bayramların ve kampanya günlerinin tahmini nasıl bozduğunu ve bu etkinin modele takvim değişkeni olarak nasıl ekleneceğini gösterir.
Emniyet stoğu ve yeniden sipariş noktası, tahmin hatasını ve tedarik süresindeki belirsizliği stok kararına çevirir. İthalatta değişen teslim sürelerini de ele alır.
Veri hazırlığı
Verimiz makine öğrenmesine hazır mı? Proje öncesinde verinizi beş başlıkta puanlayan 20 maddelik bir kontrol listesi sunar: soru ve etiket, kayıt miktarı ve süreklilik, alan kalitesi, tahmin anında erişilebilirlik ve kişisel veri.
Üretim
Kestirimci bakım, arızayı önceden tahmin etmenin sensör olmadan, bakım kayıtlarıyla nasıl başlatılabileceğini anlatır.
Görüntü işleme ile kalite kontrol, üretim hattında kamerayla hata tespitini; etiketleme yükünü, ışık ve kamera kurulumunu ve yanlış alarmın maliyetini ele alır.
Raporlama ve analitik
Excel'den yönetim paneline, elle derlenen Excel'den kendini güncelleyen yönetim paneline uzanan dört basamağı ve hangi basamakta olduğunuzu bulmak için kısa bir testi içerir. Makine öğrenmesinden önce gelen adımdır.
Muhasebe ve ERP verisinden rapor almak, yaygın muhasebe ve ERP yazılımlarından veri almanın beş yolunu karşılaştırır: rapor ekranları, yalnız okuma yetkili veritabanı bağlantısı, API, üreticinin rapor araçları ve e-Fatura kayıtları.
KPI örnekleri, üretici, e-ticaret ve hizmet işletmeleri için gösterge setlerini ve her göstergenin veri kaynağını listeler.
Power BI mı, size özel yönetim paneli mi? İki seçeneği panoyu kimin ve kaç kişinin göreceği, ekrandan veri girilip girilmeyeceği ve verinin nerede duracağı üzerinden karşılaştırır.
Pazar yeri kârlılık analizi, komisyon, kargo ve iade sonrası ürün bazında gerçek kârın nasıl hesaplanacağını gösterir.
Canlıya aldıktan sonra: model neden eskir?
Model, eğitildiği dönemin koşullarını öğrenir. Koşullar değiştikçe başarısı düşer; buna veri kayması (data drift) denir.
Türkiye'de bunun belirgin bir kaynağı fiyatlardır. TL tutarlarla eğitilen bir model, fiyatlar değiştikçe geçmişle bugünü karşılaştıramaz hâle gelir. Bu yüzden mümkün olan yerde adet, kilogram ya da oran gibi fiyattan bağımsız ölçüler kullanın.
Canlıdaki her model için üç şeyi baştan planlayın: hangi ölçüyle izlenecek, hangi eşikte uyarı verilecek ve kim yeniden eğitim kararı verecek. İzlenmeyen model, bozulduğunu kimseye haber vermez.
Bizim deneyimimiz
Makine öğrenmesi çalışmalarına, verinin işe yarar bir model kurmaya yetip yetmediğini sınayarak başlıyoruz. Hangi sistemde kaç yıllık kayıt olduğuna ve kayıtların kendi içinde tutarlı olup olmadığına bakıyor, ardından bugünkü yöntemin başarısını çıta olarak ölçüyoruz. Model bu çıtanın üstüne çıkamıyorsa raporumuzda bunu açıkça yazıyoruz.
Kendi ürünümüz İmarsal'da da aynı ilkeyi izliyoruz: yapılandırılmış veriyi bir karar çıktısına dönüştürmek. Ada ve parsel numarasından başlayan akışta imar durumu sorgulanıyor, emsal hesabı yapılıyor ve yapay zekâ destekli bir fizibilite çıktısı üretiliyor. Çıktının hangi kararda kullanılacağı baştan tanımlı: mülk sahibinin kararı, müteahhidin teklifi, mimarın ilk eskizi ve danışmanın değerlendirmesi. Ürün lansman hazırlığında.
Hangi işin makine öğrenmesine, hangisinin dil modeline ya da raporlamaya uygun olduğunu birlikte değerlendirmek için yapay zekâ ve veri sayfamıza bakabilirsiniz.
Sık sorulan sorular
Makine öğrenmesi ile yapay zekâ aynı şey mi?
Değil. Yapay zekâ geniş bir alandır; makine öğrenmesi bu alanın, örneklerden öğrenen yöntemlerini kapsar. Dil modelleri de makine öğrenmesiyle eğitilir, ama işletmelerde "makine öğrenmesi projesi" denince çoğunlukla tablo verisinden tahmin üreten modeller kastedilir.
Makine öğrenmesi için veri bilimci işe almamız gerekir mi?
İlk proje için gerekmeyebilir. Asıl ihtiyaç, kararı bilen kişinin projeye katılmasıdır: hangi kayıt neyi ifade ediyor, hangi dönem olağan dışıydı, başarı neye benzer? Model kurulduktan sonra izleme ve yeniden eğitim için bir sorumlu belirlemek ise şarttır.
Excel'deki verilerle makine öğrenmesi yapılabilir mi?
Evet, veri tutarlı tutulduysa Excel dosyaları iyi bir başlangıçtır. Sorun çoğu zaman dosyanın kendisi değil, aynı bilginin farklı dosyalarda farklı biçimde tutulmasıdır. Önce dosyaları ortak bir tabloya toplamak gerekir.
Küçük bir işletme makine öğrenmesinden yararlanabilir mi?
Yararlanabilir, ama çalışan sayısından çok kayıt düzeni belirleyicidir. Birkaç yıllık düzenli satış ya da üretim kaydı olan küçük bir işletme, kaydı dağınık büyük bir işletmeden daha hızlı sonuç alabilir. Kayıt düzeni yoksa ilk yatırım model değil, raporlama olmalıdır.
Model kurduktan sonra iş biter mi?
Bitmez. Koşullar değiştikçe modelin başarısı düşer; izleme ve gerektiğinde yeniden eğitim planı olmadan canlıya alınan model bir süre sonra yanlış karar üretir. Bu bakım, projenin başında bütçeye yazılmalıdır.
Kaynaklar
- Martin Zinkevich, "Rules of Machine Learning: Best Practices for ML Engineering", Google for Developers, 13 Ekim 2026'da erişildi: https://developers.google.com/machine-learning/guides/rules-of-ml (yeni sekmede açılır)
- Rob J Hyndman ve George Athanasopoulos, Forecasting: Principles and Practice, 3. baskı, OTexts, bölüm 5.2: https://otexts.com/fpp3/simple-methods.html (yeni sekmede açılır)
- Rob J Hyndman ve George Athanasopoulos, Forecasting: Principles and Practice, 3. baskı, OTexts, bölüm 5.8: https://otexts.com/fpp3/accuracy.html (yeni sekmede açılır)
- TÜİK, "Yapay Zeka İstatistikleri, 2026", haber bülteni no. 62066, 2 Ekim 2026: https://veriportali.tuik.gov.tr/tr/press/62066 (yeni sekmede açılır)
- Diyanet İşleri Başkanlığı, 2026 dini günler: https://vakithesaplama.diyanet.gov.tr/dinigunler.php?yil=2026 (yeni sekmede açılır)
- Diyanet İşleri Başkanlığı, 2027 dini günler listesi: https://vakithesaplama.diyanet.gov.tr/icerik.php?icerik=154 (yeni sekmede açılır)
- 6698 sayılı Kişisel Verilerin Korunması Kanunu, Mevzuat Bilgi Sistemi: https://www.mevzuat.gov.tr/mevzuat?MevzuatNo=6698&MevzuatTur=1&MevzuatTertip=5 (yeni sekmede açılır)
