Hafta 1 · Bilgisayar Uygulamaları ve Yapay Zeka
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.
Açılış Çelişkisi
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.
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
Temel Kavram · 01
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.
Şimdi her bebeği sırayla açacağız — her biri için bir "hastane mutfağı" benzetmesi kullanacağız.
Temel Kavram · 02 — Düzey 1/5
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
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
%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.
Temel Kavram · 02 — Düzey 3/5
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
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.
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
Dersin devamındaki üretken yapay zeka modülleri, vaka analizleri ve klinik simülasyonları görüntülemek için lütfen ders şifrenizi giriniz.
10 slaytlık önizleme tamamlanmıştır. Devamını görüntülemek için lütfen ders şifrenizi giriniz.