Bilgisayar Uygulamaları ve AI · BES 200
Hafta 01 · Giriş
📑 İçindekiler & Tüm Slaytlar
🎓 Sağlık Bilimleri Fakültesi

Hafta 1 · Bilgisayar Uygulamaları ve Yapay Zeka

Yapay Zeka Beslenme Bilimine Giriyor

Bugün: temel kavramlar, dünden bugüne evrim, AI gerçekte nasıl "düşünüyor", prompt mühendisliği, halüsinasyon ve diğer sınırlılıklar, etik ve diyetisyenin mesleki sorumluluğu. Amaç ezber değil — bu sistemleri eleştirel biçimde yönetebilecek sağlam bir zihinsel model kurmak.

👨‍🏫 Ders Sorumlusu: Dr. Arş. Gör. Caner ÖZYILDIRIM
Beslenme ve Diyetetik Bölümü
🌐 canerozy.com 📸 @canerozy

Açılış Çelişkisi

Bir Yapay Zeka, Nasıl Hem Bu Kadar İyi Hem Bu Kadar Tehlikeli Olabilir?

Veri 1 — Wageningen Üniversitesi, 2023

ChatGPT'nin yaygın beslenme sorularına verdiği yanıtlar, kör değerlendirmeyle gerçek diyetisyenlerin yanıtlarıyla karşılaştırıldı. Sonuç: ChatGPT birçok soruda daha yüksek veya benzer puan aldı — hiçbir soruda insan diyetisyenler anlamlı biçimde daha iyi çıkmadı.

Veri 2 — Aynı AI, Farklı Bir Test

Aynı yapay zeka, fındık alerjisi olan hayali bir hasta için hazırladığı 56 diyet planının 4 tanesine ölümcül alerjeni doğrudan yerleştirdi (badem sütü gibi) — hiç uyarı vermeden. Vegan planlarda ise B12 vitamini tamamen eksikti.

Bir sistem nasıl diyetisyenlik sınavlarını bizden iyi geçerken, gerçek bir tabağa onu zehirleyecek bir malzemeyi bu kadar kolay koyabiliyor? Bu gizemi bugün çözeceğiz.

Sınıf İçi Deneyim & Dijital Araç Dağılımı

Önce birbirimizi tanıyalım

1. En Sık Kullanılan Araçlar 0 Seçim
ChatGPT:
0 (%0)
Gemini:
0 (%0)
Claude:
0 (%0)
DeepSeek:
0 (%0)
Perplexity/Diğer:
0 (%0)
4. Prompt Düzeyi Dağılımı Ortalama: 0.0 / 5.0
0
1. Temel
0
2. Başlangıç
0
3. Orta
0
4. İyi
0
5. İleri

Temel Kavram · 01

Yapay Zeka Nedir? Matruşka Bebekleri

AI/ML/DL/GenAI/LLM kısaltmalarını iç içe geçmiş matruşka bebeklerine benzetebiliriz — en dıştaki en büyük bebek Yapay Zeka, en içerideki en küçük ve en uzman bebek Büyük Dil Modelleri.

01Yapay Zeka (AI)En dış, en büyük bebek — insan zekâsını taklit eden tüm sistemler.
02Makine ÖğrenmesiVerilerden kalıp çıkararak öğrenen AI alt dalı.
03Derin ÖğrenmeYapay sinir ağları kullanan, karmaşık veriyi (görüntü, ses) işleyen ML alt dalı.
04Üretken AISıfırdan yeni içerik (metin, görsel, tarif) üreten sistemler.
05Büyük Dil ModeliEn iç, en uzman bebek — metin üreten Gen AI türü.

Şimdi her bebeği sırayla açacağız — her biri için bir "hastane mutfağı" benzetmesi kullanacağız.

Temel Kavram · 02 — Düzey 1/5

Yapay Zeka (AI): hastane mutfağının bütünü

Tanımİnsan zekâsı gerektiren (öğrenme, akıl yürütme, karar verme) görevleri yapabilen herhangi bir bilgisayar sistemi — en geniş şemsiye terim.
Mutfak MetaforuAI, bütün bir hastane mutfağıdır — yemek pişirme kurallarından hijyen standartlarına kadar her şeyi organize eden genel sistem. İçinde stajyer şefler (ML), uzman aşçılar (DL) ve yaratıcı şefler (GenAI) çalışabilir, ama "mutfak" hepsini kapsayan üst kavramdır.

Tarihsel örnek: 1970-80'lerde geliştirilen "uzman sistemler" (ör. MYCIN), "EĞER kan şekeri 200'den yüksekse, O ZAMAN karbonhidratı kısıtla" gibi sabit kurallarla çalışırdı — veriden öğrenmezdi, sadece programlanan kuralı uygulardı.

Temel Kavram · 02 — Düzey 2/5

Makine Öğrenmesi (ML): deneme-yanılmayla öğrenen stajyer şef

TanımKuralları insan yazmaz; sistem, elindeki verilerden istatistiksel örüntüler çıkararak tahmin yapmayı "öğrenir".
Mutfak MetaforuML, mutfakta deneme-yanılma yoluyla öğrenen stajyer şeftir. Şef, binlerce boy/kilo ve kan tahlili verisine bakar ve "hangi tahlil sonucu hangi hastalıkla ilişkili olabilir?" kalıbını kendi kendine çözer — kimse ona bu kuralı elle öğretmez.

Beslenme örneği: EHR (Elektronik Sağlık Kaydı) verisinden obezite/T2DM riskini tahmin eden klasik modeller (lojistik regresyon, random forest).

Kaynak: ASN-Academy Ortak Görev Gücü Kaynak Rehberi (2026).

Temel Kavram · 02 — ML Derinleşme

Muhasebeci Benzetmesi: Sayısal Veriden Örüntü Çıkarma

Genişletilmiş MetaforBir muhasebeciyi düşün: elinde devasa bir tablo var — satırlarda binlerce kişinin kan tahlili/mikrobiyom/genetik verisi, sütunlarda ne yediği ve sonra kan şekerinin nasıl değiştiği. Muhasebeci bu tabloyu günlerce inceleyip bir örüntü keşfeder: "A bakterisi yüksek, B geni aktifse, muz tüketimi kan şekerini belirgin biçimde yükseltiyor."

%70

ZOE/DayTwo: 800 kişi, 46.898 öğünlük veriyle, kişinin hiç yemediği bir gıdaya vereceği şeker tepkisini tahmin doğruluğu.

%80

Random Forest modeli: bir kişinin diyete uyum gösterip göstermeyeceğini, diyetin 1. gününde tahmin doğruluğu.

"Bana Hesap Ver!" Kuralı (Explainability)Klinik beslenmede bir hastaya "domates yasak" derken nedenini açıklamak zorundasın. ML modelleri (XGBoost, Random Forest), kararını hangi parametreye ne kadar güvenerek verdiğini SHAP/LIME yöntemleriyle satır satır açıklayabilir — DL ise tam bir kara kutudur, "sadece yasak" der, nedenini söylemez. Tıp, gerekçesiz karara güvenemez.
Kaynak: ZOE/DayTwo, Random Forest çalışmaları.

Temel Kavram · 02 — Düzey 3/5

Derin Öğrenme (DL) & Görsel Zeka: "Gözü Kapalı Gurme"

TanımML'in bir alt dalı; "yapay sinir ağı" adı verilen çok sayıda katmandan oluşur. Resim, ses ve karmaşık örüntüleri insan gibi algılamakta uzmandır.
Mutfak MetaforuDL, mutfağın "Gözü Kapalı Gurme"sidir. Bir tabağın fotoğrafına bakarak içindeki malzemeleri, porsiyon boyutunu, hatta sosun içindeki gizli baharatları — pikselleri tek tek analiz ederek — tanıyabilir.

Beslenme örneği: Yemek fotoğrafından porsiyon/besin ögesi tahmini yapan konvolüsyonel sinir ağları (CNN) — bazı çalışmalar diyetisyen değerlendirmesine yaklaşan doğruluk bildiriyor.

Kaynak: JMIR (2024) — gıda görüntüsünden diyet değerlendirmesi kapsam taraması.

Temel Kavram · 02 — DL Derinleşme

Görsel ve Ham Veride Neden Klasik ML Değil de Derin Öğrenme?

Önüne bir yemek tabağı koyduğumuzda klasik ML bu fotoğrafa bakıp doğrudan ne olduğunu anlayamaz; çünkü klasik ML sadece düzenli tablolardan ve sayılardan anlar. Derin Öğrenme (DL) ise fotoğrafı milyonlarca piksel olarak alır; katmanlı sinir ağları (CNN) ile kenarları, dokuları, renkleri ve şekilleri katman katman birleştirerek yemeği kendi kendine tanır.

Özellik Çıkarımı (Feature Extraction) DevrimiKlasik ML ile çalışırken bir mühendisin fotoğraftaki özellikleri elle tanımlaması gerekirdi ("sarı ve uzunsa patates, yuvarlaksa köfte"). Derin Öğrenme bu zahmeti ortadan kaldırır: Ham pikselleri girdi olarak alır, ara katmanlarda özellikleri kendi öğrenir ve uçtan uca besin/porsiyon tahmini yapar.

Somut klinik örnek: goFOOD™ ve YOLO tabanlı sistemler, telefon kamerasından çekilen tabak fotoğrafından saniyeler içinde kalori, karbonhidrat ve protein değerini çıkarabilmektedir.

🔒

Önizleme Sınırı · Slayt 10

10 Slaytlık Açık Önizleme Tamamlanmıştır

Dersin devamındaki üretken yapay zeka modülleri, vaka analizleri ve klinik simülasyonları görüntülemek için lütfen ders şifrenizi giriniz.

Yazı boyutu
Yazı tipi
Tema
Renk paleti