Makine Öğrenmesi, Derin Öğrenme ve Yapay Zekâ Farkı

İç içe üç halka

Yapay zekâ en dış halkadır: Bilgisayarlarla akıllı davranış inşa etme çabasının tamamı. Makine öğrenmesi bu halkanın içinde, "davranışı elle programlamak yerine veriden öğren" yaklaşımıdır. Derin öğrenme ise makine öğrenmesinin içinde, çok katmanlı sinir ağları kullanan alt daldır.

Sınırlar mutlak değildir: Yapay zekânın makine öğrenmesine uymayan kolları vardır (örneğin kural motorları, arama ağaçları — satranç motorlarının klasik kısmı). Makine öğrenmesinin de derin olmayan kolları vardır (karar ağaçları, lineer regresyon). Günümüzde büyük atılımlar derin öğrenmeden gelse de diğer halkalar hâlâ üretimde kullanılıyor.

Klasik programlama ile makine öğrenmesi arasındaki fark

Klasik programlamada veri + kural → cevap. Geliştirici kuralı yazar; "eğer hesap 3 aydır düşük bakiyedeyse uyarı gönder". Makine öğrenmesinde veri + cevap → kural. Örneklere etiketli veri verirsiniz, sistem kendisi kuralı çıkarır: "İşte düşük bakiyeden ayrılan hesapların örüntüsü, bundan sonra ben bulurum."

Bu fark, problem seçimini de belirler. Kuralı insanın tarif edebildiği yerde klasik programlama daha güvenilirdir. Kuralın tarif edilemediği ama örneklerin bol olduğu yerde — spam tespiti, görüntü sınıflandırma, talep tahmini — makine öğrenmesi kazanır.

Klasik makine öğrenmesi: küçük veride şampiyon

Karar ağaçları, rastgele ormanlar, regresyon ve kümeleme yöntemleri klasik ML’dir. Tablo verisiyle çalışan problemi — müşteri kaybı tahmini, kredi riski, satış öngörüsü — küçük veriyle ve düşük maliyetle çözer. Öğrendiği kuralı insanların okuyabileceği biçimde sunabilir (karar ağacı için gerçekten mümkündür).

2026 itibarıyla klasik ML hâlâ kurumsal analitiğin omurgasıdır: Depodaki binlerce satırlık tablo için dev bir dil modeli eğitmek ne gerekli ne ekonomiktir. Doğru araç seçimi, yapay zekâ projelerinde başarının en sessiz belirleyicisidir.

Derin öğrenme: ölçekle büyüyen güç

Derin öğrenme, sinir ağı katmanlarını art arda dizerek öznitelikleri elle tanımlamadan öğrenir. Görüntüde kenarlar ilk katmanda, yüzler derin katmanlarda tanınır. Bu mimarinin üstünlüğü ölçekle büyümesidir: Veri ve işlem gücü eklendikçe yetenek artmaya devam eder.

Üç alt alan dönüm noktası oldu: Görüntü tanıma (2012 sonrası), dil modelleri (2017 sonrası Transformer ile) ve üretken modeller (2021 sonrası difüzyon ve büyük diller). Her atılım aynı formülle geldi: daha fazla veri + daha fazla işlem + daha iyi mimari.

Gerçek uygulamalar hangi halkada?

• E-posta spam filtresi: Klasik ML veya derin öğrenme — hibrit.
• Kredi skoru: Genellikle klasik ML (karar ağaçları, gradient boosting).
• Yüz tanıma: Derin öğrenme (CNN).
• ChatGPT/Claude: Derin öğrenme (Transformer LLM).
• Öneri sistemleri (Netflix, Spotify): Derin öğrenme + klasik ML karışımı.
• Fabrika kalite kontrolü: Derin öğrenme (görüntü anomalisi tespiti).
• Talep tahmini: Klasik ML çoğunlukla, büyük serilerde derin öğrenme.

Hangi problem için hangi yaklaşım?

Soru şu dört adımla çözülür: (1) Veri tablo mu, metin/görüntü/ses mi? Tablo ise klasik ML önceliklidir. (2) Kuralı insan tarif edebiliyor mu? Ediyorsa klasik programlama düşünülür. (3) Veri miktarı ne? Çok az veri varsa derin öğrenme dezavantajlıdır. (4) Açıklanabilirlik şart mı? Regülasyon gereği açıklama gerekiyorsa klasik ML veya explainable yöntemler tercih edilir.

Bu çerçeve, "yapay zekâ ekleyelim" diye başlayan projelerin en kritik filtresidir: Doğru halka seçilmeyen problem, en pahalı modelle bile çözülmez.

Haberlerde bu terimleri doğru okumak

"Yapay zekâ" başlığındaki haber üç şeyden birini anlatıyor olabilir: Bir makine öğrenmesi sonucu, bir ürün özelliği veya bir araştırma vaadi. "Derin öğrenme" geçiyorsa muhtemelen sinir ağı tabanlı bir teknik gelişme var; "makine öğrenmesi" geçiyorsa büyük ihtimalle tablo verisi analitiği veya tahmin sistemi var.

Pazarlama dilinde "yapay zekâ destekli" ibaresi bazen basit bir kural motorunu da gizler. Teknik ölçüt sormak en iyi filtredir: Hangi model, hangi veriyle eğitildi, hangi doğruluk oranında çalışıyor?

Kavramların geleceği: 2026 sonrası

Ajan sistemlerinin yükselişiyle sınırlar yeniden çiziliyor: LLM artık hem derin öğrenme ürünü hem de diğer modellerin üzerindeki yönetim katmanı. Tablo analitiğinde klasik ML ile LLM destekli otomatik veri incelemesi birleşiyor; "metinle sorgulanan tablo" yeni norm hâline geliyor.

Ama temel halka mantığı değişmiyor: Hedef (yapay zekâ), yöntem (makine öğrenmesi) ve en güçlü araç sınıfı (derin öğrenme). Bu hiyerarşiyi kafanızda oturttuysanız, sahada gelen yeni her terimi doğru yere yerleştirebilirsiniz.