İçeriğe geçİçeriğe geç
Ders bul
Yapay zekâ seviyesi: 201 Uygulama
Merak edilenler · 65. ders / 68

Ödül ve cezayla öğrenen sistem: pekiştirmeli öğrenme

  • Okuma süresi: 5 dk
  • Kod bilgisi gerekmez
Son güncelleme:
Ödül ve cezayla öğrenen sistem: pekiştirmeli öğrenme kapak görseli

Bir çocuk bisiklete binmeyi kimsenin formülüyle öğrenmez; düşer, kalkar, dengeyi yavaş yavaş bulur. Bu derste yapay zekânın da bu yolla öğrenebildiğini, ödül ve ceza fikriyle, kod yazmadan öğreneceksiniz.

Aklınıza bir soru mu takıldı?

    Bu derste neler öğreneceksiniz?

    • Ajan, ortam, eylem ve ödül kavramlarını
    • Pekiştirmeli öğrenmenin deneme yanılma mantığını
    • Keşif ve sömürü ikilemini
    • Sohbet botuyla kendi günlük bir probleminizi bu çerçevede çözmeyi

    Dört parça: ajan, ortam, eylem, ödül

    Pekiştirmeli öğrenmede (reinforcement learning) öğrenen sisteme ajan denir. Ajan, içinde bulunduğu ortamda bir eylem seçer. Ortam bu eyleme yanıt verir ve ajan bir ödül alır; kötü sonuç olursa ödül eksidir, yani cezadır. Bilgisayar için ödül bir sayıdır: iyi sonuç artı, kötü sonuç eksi puan taşır. Ajanın amacı uzun vadede toplam ödülü büyütmektir.

    Günlük bir örnek: öğle yemeğinde nereye gideceğinizi seçiyorsunuz. Siz ajansınız, mahalle ortam, seçtiğiniz lokanta eylem, yemekten duyduğunuz memnuniyet ödüldür. Birkaç hafta sonra hangi yerlerin size iyi geldiğini bilirsiniz. Kimse size “doğru lokanta şudur” demedi; deneyerek öğrendiniz.

    Bu, örneklerle ve doğru cevaplarla öğretmekten farklıdır. O yöntemde her soruya doğru cevap hazırdır. Burada ise yalnız sonuca bakılarak “iyi miydi, kötü müydü” denir. Harvard’ın CS50 ders notları pekiştirmeli öğrenmeyi, bilgisayarın her adımdaki eyleminin olumlu mu olumsuz mu olduğunu deneyimlerinden öğrenmesi diye anlatıyor.

    Keşif mi, sömürü mü?

    Hep bildiğiniz lokantaya gitmek güvenlidir ama daha iyisini hiç bulamazsınız. Hep yeni yer denemek de her gün riske girmek demektir. Pekiştirmeli öğrenmede bu ikileme keşif ve sömürü (exploration ve exploitation) denir. Keşif yeni eylemleri denemek, sömürü ise işe yaradığı bilinen eylemi tekrarlamaktır.

    Bir çözüm basittir: çoğu zaman bildiğinizi yapın, ara sıra rastgele bir şey deneyin. CS50 notlarındaki örnekte yüzde on olasılıkla rastgele bir hamle yapılıyor; kalan zamanda bilinen en iyi hamle seçiliyor. Ajan zamanla neyin işe yaradığını öğrenir ve denemeler azalabilir.

    Ajanın öğrendiklerini bir not defteri gibi düşünebilirsiniz: “şu durumda şu eylem şu kadar puan getirdi.” Her yeni denemeyle satırlar güncellenir. Bunun nasıl hesaplandığını bilmeniz gerekmez; önemli olan puanların deneyimle değişmesidir. Ödül hemen gelmeyebilir de. Satrançta bir hamlenin değeri oyun bitince anlaşılır. Bu yüzden ajan tek hamlenin değil, toplam ödülün peşindedir.

    Neden ödül tasarımı önemli?

    Ajan yalnız ödülü büyütmeye çalışır; sizin gerçekte ne istediğinizi bilmez. Bir ders çalışma planında ödül “çalışılan saat” olursa ajan verimsiz ama uzun çalışmayı seçebilir. Ödülü “doğru çözülen soru” yaparsanız plan değişir. Aynı şey bir oyun karakteri için de olabilir: yalnız puan toplamak ödüllendirilirse karakter, asıl hedefe gitmeden küçük puanları toplayıp durabilir. Ödül yanlış seçilirse sistem, sizin istemediğiniz davranışı öğrenebilir.

    Konu üniversite derslerinde de geçiyor. Harvard’ın CS50 yapay zekâ dersinin 4. dersi, öğrenme başlığı altında pekiştirmeli öğrenmeyi işliyor. MIT’nin 6.S191 dersinin programında “Deep Reinforcement Learning” başlıklı bir ders var (27 Nisan 2026). Stanford’ın CS221 dersinin 2026 programında Markov karar süreçleri iki ders olarak yer alıyor ve pekiştirmeli öğrenme kitabı (Sutton ve Barto) ek okuma olarak anılıyor.

    Sohbet botlarının çoğunda yaş koşulu vardır; kullanacağınız aracın koşullarına uyun ve kişisel bilgi yazmayın.

    Zayıf komut

    Pekiştirmeli öğrenmeyi anlat.

    Güçlü komut

    Pekiştirmeli öğrenmeyi bir günlük problemime uygulayarak anlamak istiyorum. Problemim: sınava hazırlanırken her gün hangi konuyu çalışacağıma karar vermek. Bunu ajan, ortam, eylem ve ödül olarak dörde böl ve her birini bir cümleyle yaz. Sonra ödülü ‘çalışılan saat’ seçersem hangi yanlış davranışın ortaya çıkabileceğini, ‘doğru çözülen soru’ seçersem neyin değişeceğini anlat. Ardından on günlük bir planda keşif ve sömürüyü nasıl dengeleyeceğimi göster: kaç gün bildiğim konuya, kaç gün yeni bir konuya ayıracağım. Formül kullanma, sade yaz.

    Yapay zekâ çıktısı (örnek)

    Ajan: sen. Ortam: sınav konuları ve zaman. Eylem: o gün seçtiğin konu. Ödül: ‘doğru çözülen soru’. Ödülü ‘çalışılan saat’ yaparsan en kolay konuda uzun oturmayı seçebilirsin; soru sayısı ise zayıf konulara yönelmeni sağlar. On günlük plan: dokuz gün şu ana kadar en çok puan getiren konuya, bir gün hiç denemediğin bir konuya ayır.

    Adım adım uygulama

    1. Kendi hayatınızdan deneme yanılmayla öğrendiğiniz bir iş seçin: çalışma düzeni, spor programı ya da yol seçimi.
    2. Ajanı, ortamı, eylemleri ve ödülü ayrı ayrı yazın.
    3. Güçlü komutu kendi probleminize göre düzenleyip sohbet botuna gönderin.
    4. Önerilen ödülün yanlış davranışa yol açıp açmadığını kendiniz de düşünün.
    5. Keşif oranını belirleyin; örneğin on günde bir gün yeni bir şey deneyin.
    6. Bir hafta sonra sonuçlara bakıp ödülü ve oranı güncelleyin.

    Kontrol listesi

    • Ajan, ortam, eylem ve ödül ayrı ayrı yazılmış.
    • Ödül, gerçekte istediğiniz şeyi ölçüyor.
    • Keşif için bir pay ayrılmış.
    • Sonuçlar belli aralıkla gözden geçiriliyor.

    Sık yapılan hatalar

    • Ödülü yanlış seçmek: Ölçtüğünüz şey, istediğiniz şeyle aynı olmayabilir.
    • Hiç keşfetmemek: Hep bildiğiniz yolla gitmek daha iyisini bulmanızı engeller.
    • Hep keşfetmek: Her gün yeni şey denemek, öğrendiğinizi kullanmanızı da engeller.
    • Sohbet botunu eğitilen ajan sanmak: Bu derste bot yalnız kavramı anlatır. Gerçek bir pekiştirmeli öğrenme sistemi ise ortamla çok sayıda deneme yaparak öğrenir.

    İpucu

    Ödülü seçerken “Bunu büyütmek için hile yapılabilir mi?” diye sorun. Cevap evetse ödülü değiştirin.

    Kendinizi deneyin

    Pekiştirmeli öğrenmede ajan neye göre öğrenir?

    Keşif ve sömürü ikileminde sömürü ne demektir?

    Ders çalışma planında ödül yalnız çalışılan saat olarak seçilirse ne olabilir?

    Kaynaklar

    Son kontrol: 16 Kasım 2026. Bu bilgi bu tarihte açılan kaynaklara dayanır; durum değişebilir.

    Kaynak: yzdersleri.com/ders/odul-ve-cezayla-ogrenen-sistem-pekistirmeli-ogrenme/ · Yapay Zeka Dersleri

    Dersi bitirdiniz mi?

    İşaretlerseniz menüde ve ilerleme çubuğunda görünür. Bu bilgi yalnızca sizin tarayıcınızda saklanır.

    Bu ders işinize yaradı mı?

    Anonim oydur; kişisel veri toplanmaz.

    Yorum yazın

    Yorumunuz editör onayından sonra yayımlanır. Ad ve e-posta zorunlu değildir; e-posta adresiniz yayımlanmaz. Lütfen kendinizin ya da başkalarının kişisel bilgilerini (telefon, adres, kimlik, sağlık bilgisi) yazmayın.

    Kişisel verilerinizin nasıl işlendiğini KVKK Aydınlatma Metni’nde okuyabilirsiniz.

    Basitten zora: sıradaki ders

    Bu dersin kategorisi: Başla

    Bir üst düzeyde

    Aynı düzeyde devam

    Başla: bütün öğrenme yolu