Üniversite Yapay Zeka Bilgi Yarışması Soruları

Soru 1

Pekiştirmeli öğrenmede 'Exploration vs. Exploitation' ikilemini dengelemek için kullanılan, epsilon değerinin zamanla azaltıldığı yöntem hangisidir?

A. Bellman Optimization

B. Monte Carlo Tree Search

C. Epsilon-Greedy Strategy

D. Policy Gradient Method

Soru 2

Markov Decision Process (MDP) yapısında, bir durumdan diğerine geçiş olasılığını tanımlayan fonksiyon aşağıdakilerden hangisidir?

A. Transition Probability Function

B. Reward Function

C. Value Function

D. Discount Factor

Soru 3

Q-Learning algoritmasında, güncel durum-eylem çiftinin değerini güncellemek için kullanılan temel denklem hangisidir?

A. Value Iteration

B. Kullback-Leibler Divergence

C. Bellman Equation

D. Policy Iteration

Soru 4

Derin Pekiştirmeli Öğrenmede (Deep RL) 'Experience Replay' mekanizmasının ana amacı nedir?

A. Daha büyük bir action space yönetmek

B. Ödül fonksiyonunu dinamik olarak güncellemek

C. Hesaplama maliyetini düşürmek

D. Veriler arasındaki korelasyonu azaltarak kararlılığı artırmak

Soru 5

Aşağıdakilerden hangisi 'Model-Free' bir pekiştirmeli öğrenme yaklaşımıdır?

A. AlphaZero

B. Value Iteration

C. SARSA

D. Dyna-Q

Soru 6

Pekiştirmeli öğrenmede, ajanın uzun vadeli toplam ödülünü maksimize etmek için kullandığı 'gamma' (indirim faktörü) değerinin 0'a yakın olması ne anlama gelir?

A. Ajanın sadece anlık ödüllere odaklanması (myopic)

B. Ajanın öğrenme hızının artması

C. Ajanın rastgele hareket etmesi

D. Ajanın uzun vadeli ödülleri çok önemsemesi

Soru 7

Policy Gradient yöntemlerinde, gradientin yönünü belirlemek için kullanılan temel matematiksel teorem hangisidir?

A. Bayes Theorem

B. Markov Property

C. Central Limit Theorem

D. Policy Gradient Theorem

Soru 8

Aşağıdakilerden hangisi 'Off-policy' bir öğrenme algoritmasıdır?

A. Actor-Critic

B. SARSA

C. Monte Carlo Control

D. Q-Learning

Soru 9

Pekiştirmeli öğrenmede, bir durumun (state) değerini tahmin etmek yerine, doğrudan eylem (action) olasılıklarını öğrenen yaklaşıma ne ad verilir?

A. Policy-based methods

B. Value-based methods

C. Dynamic Programming

D. Temporal Difference Learning

Soru 10

Double DQN kullanılmasının temel sebebi aşağıdakilerden hangisidir?

A. Keşif (exploration) oranını artırmak

B. Daha hızlı eğitim süresi sağlamak

C. Q-değerlerinin aşırı tahmin edilmesini (overestimation) önlemek

D. Daha az veriyle öğrenmeyi sağlamak

Soru 11

Actor-Critic mimarisinde 'Critic' bileşeninin temel görevi nedir?

A. Ödül fonksiyonunu tasarlamak

B. Seçilen eylemin değerini (value) tahmin etmek

C. Çevreyi simüle etmek

D. Eylemleri seçmek

Soru 12

Pekiştirmeli öğrenmede 'Credit Assignment Problem' (Kredi Atama Problemi) neyi ifade eder?

A. Hangi eylemin nihai ödüle katkı sağladığını belirleme zorluğu

B. Ajanın ne kadar ödül aldığını hesaplama sorunu

C. Donanım kaynaklarının verimli kullanılması

D. Veri setindeki gürültü miktarı

Soru 13

Transformer mimarisinde 'Scaled Dot-Product Attention' mekanizmasının temel amacı nedir?

A. Modelin parametre sayısını azaltmak için ağırlık matrislerini matris ayrıştırma yöntemiyle küçültmek.

B. Eğitim sırasında gradyan kaybolması (vanishing gradient) problemini tamamen ortadan kaldırmak.

C. Girdi dizisindeki her kelimenin diğer kelimelerle olan ilişkisini ağırlıklandırarak bağlamsal vektörler oluşturmak.

D. Veri setindeki gürültüyü temizleyerek modelin daha hızlı yakınsamasını sağlamak.

Soru 14

BERT (Bidirectional Encoder Representations from Transformers) modelini GPT'den ayıran en temel yapısal fark nedir?

A. GPT, maskelenmiş dil modelleme (MLM) görevini kullanırken BERT sadece auto-regressive yöntem kullanır.

B. BERT, Transformer mimarisini kullanmaz, bunun yerine derin CNN yapılarını tercih eder.

C. BERT sadece decoder katmanlarını kullanırken, GPT sadece encoder katmanlarını kullanır.

D. BERT çift yönlü (bidirectional) bağlamı işlemek için sadece encoder katmanlarını kullanır.

Soru 15

Transformer mimarisindeki 'Multi-Head Attention' mekanizmasında farklı 'head'lerin kullanılmasının temel sebebi nedir?

A. Modelin ezberleme (overfitting) yapmasını engellemek için dropout uygulamak.

B. Girdi dizisinin uzunluğunu sınırlamak ve bellek kullanımını optimize etmek.

C. Modelin farklı alt uzaylardaki (subspaces) bilgileri eş zamanlı olarak öğrenmesine olanak tanımak.

D. İşlem maliyetini düşürmek için hesaplamayı paralel işlem birimlerine dağıtmak.

Soru 16

GPT serisi modellerin eğitiminde kullanılan 'Auto-regressive' yaklaşım ne anlama gelir?

A. Modelin tüm cümleyi aynı anda görerek boşlukları doldurması.

B. Girdi dizisinin hem başından hem sonundan başlayarak iki taraflı işlenmesi.

C. Eğitim verisinin etiketlenmesine gerek duymadan kendi kendini denetlemesi.

D. Modelin bir sonraki kelimeyi, kendinden önceki kelimelere dayanarak tahmin etmesi.

Soru 17

Transformer mimarisinde kullanılan 'Positional Encoding'in işlevi nedir?

A. Kelime gömmelerinin (embeddings) vektör uzayındaki boyutunu normalize etmek.

B. Düşük frekanslı kelimelerin ağırlığını artırarak modelin başarısını yükseltmek.

C. Dikkat mekanizmasının (attention) hesaplama maliyetini azaltmak.

D. Modelin kelimelerin cümle içindeki sırasını anlamasını sağlamak.

Soru 18

BERT modelinin eğitiminde kullanılan 'Next Sentence Prediction' (NSP) görevinin amacı nedir?

A. Daha uzun metinlerin özetlenmesi için gereken kapasiteyi artırmak.

B. İki cümle arasındaki mantıksal ilişkiyi ve ardışıklığı kavramasını sağlamak.

C. Modelin dildeki gramer hatalarını düzeltme yeteneğini geliştirmek.

D. Modelin sadece isim ve sıfatları ayırt etme becerisini optimize etmek.

Soru 19

LLM'lerde 'Temperature' parametresi neyi kontrol eder?

A. Cevabın uzunluğunu sınırlayan katı bir kısıtlamayı.

B. Çıktı üretilirken olasılık dağılımının ne kadar 'keskin' veya 'düz' olacağını.

C. Modelin eğitim süresini ve harcanan GPU gücünü.

D. Modelin hafızasında tutabileceği maksimum token sayısını.

Soru 20

Transformer mimarisindeki 'Feed-Forward' ağlarının her attention katmanından sonra uygulanmasının amacı nedir?

A. Girdi dizisini vektör uzayında döndürmek.

B. Gradyan akışını hızlandırmak için aktivasyon fonksiyonlarını pas geçmek.

C. Dikkat mekanizmasından gelen bilgiyi işleyerek daha yüksek seviyeli özellikler çıkarmak.

D. Modelin toplam parametre sayısını azaltmak.

Soru 21

Büyük Dil Modellerinde 'Fine-tuning' sürecinin temel amacı nedir?

A. Modelin eğitim verisini tamamen değiştirmek.

B. Modelin tüm ağırlıklarını rastgele değerlerle yeniden başlatmak.

C. Modelin donanım gereksinimlerini düşürmek.

D. Önceden eğitilmiş bir modeli belirli bir görev veya alan için özelleştirmek.

Soru 22

Transformer mimarisinde 'Layer Normalization' neden kritiktir?

A. Girdi verisindeki düşük frekanslı gürültüyü bastırmak.

B. Eğitimin kararlılığını artırmak ve eğitim süresini kısaltmak.

C. Sadece modelin boyutunu küçültmek.

D. Modelin çıktısını 0 ile 1 arasına sıkıştırmak.

Soru 23

GPT modellerinde kullanılan 'Masked Self-Attention' mekanizmasının amacı nedir?

A. Modelin sadece belirli dillerde odaklanmasını sağlamak.

B. Modelin gelecekteki kelimeleri görmesini engelleyerek otoregresif yapıyı korumak.

C. Önemli kelimeleri vurgulayarak önemsiz olanları maskelemek.

D. Eğitim sırasında verinin bir kısmını gizleyerek modelin tahmin yeteneğini artırmak.

Soru 24

Transformer mimarisindeki 'Residual Connections' (Artık Bağlantılar) neyi sağlar?

A. Dikkat mekanizmasının hesaplama karmaşıklığını logaritmik seviyeye indirir.

B. Ağdaki tüm katmanların ağırlıklarını eşitler.

C. Modeldeki gereksiz nöronların bağlantısını keserek seyrek (sparse) bir yapı oluşturur.

D. Derin ağlarda gradyanların daha kolay akmasını sağlayarak modelin eğitilebilirliğini artırır.

Soru 25

Bir makine öğrenmesi modelinde 'Algorithmic Bias' oluşmasının en temel teknik nedeni aşağıdakilerden hangisidir?

A. Eğitim verisindeki tarihsel eşitsizliklerin ve temsili bozuklukların modele aktarılması

B. Modelin aşırı yüksek öğrenme hızı (learning rate) ile eğitilmesi

C. Modelin sadece unsupervised learning yöntemleriyle eğitilmesi

D. GPU donanımının hesaplama kapasitesinin yetersiz kalması

Soru 26

Yapay zeka modellerinde 'Black Box' (Kara Kutu) problemini çözmek için kullanılan, modelin kararlarını anlamlandırılabilir kılmaya odaklanan alan hangisidir?

A. Explainable AI (XAI)

B. Reinforcement Learning

C. Transfer Learning

D. Federated Learning

Soru 27

Algoritmik adaleti sağlamak için kullanılan 'Individual Fairness' prensibi neyi ifade eder?

A. Modelin sadece azınlık gruplar üzerinde hata payını ölçmesi gerektiğini

B. Veri setindeki tüm değişkenlerin silinmesi gerektiğini

C. Algoritmanın tamamen rastgele seçim yapması gerektiğini

D. Benzer özelliklere sahip bireylerin benzer sonuçlar alması gerektiğini

Soru 28

Bir modelin eğitim verisi ile test verisi arasındaki performans farkının, modelin belirli bir grubu dışlamasından kaynaklandığı duruma ne ad verilir?

A. Underfitting

B. Representation Bias

C. Data Leakage

D. Overfitting

Soru 29

SHAP (SHapley Additive exPlanations) yöntemi makine öğrenmesinde hangi etik/teknik gereksinimi karşılar?

A. Modelin enerji verimliliğini artırmak

B. Modelin siber saldırılara karşı dayanıklılığını ölçmek

C. Modelin tahminlerine etki eden özelliklerin (features) katkısını açıklamak

D. Veri setini otomatik olarak temizlemek

Soru 30

LIME (Local Interpretable Model-agnostic Explanations) algoritmasının temel amacı nedir?

A. Verideki kişisel verileri anonimleştirmek

B. Modelin global doğruluğunu %100'e yaklaştırmak

C. Karmaşık bir modelin yerel kararlarını basit ve anlaşılır bir modelle açıklamak

D. Modeli daha hızlı eğitmek için veri setini küçültmek

Soru 31

YZ etiğinde 'Fairness through Unawareness' yaklaşımının en büyük eleştirisi nedir?

A. Yöntemin sadece derin öğrenme modellerinde çalışması

B. Modelin eğitim süresinin çok uzaması

C. Yasal olarak uygulanabilir olmaması

D. Hassas değişkenlerin (ırk, cinsiyet vb.) çıkarılsa bile proxy değişkenler üzerinden önyargının devam etmesi

Soru 32

Differential Privacy (Diferansiyel Gizlilik) tekniği YZ sistemlerinde hangi etik sorunu çözmeyi hedefler?

A. Modelin şeffaflık eksikliği

B. Eğitim verisinden bireysel verilerin ifşa edilmesi riski

C. Algoritmik önyargı

D. Donanım maliyetleri

Soru 33

Makine öğrenmesi modellerinde 'Disparate Impact' (Eşitsiz Etki) kavramı neyi tanımlar?

A. Modelin sadece eğitim setine odaklanmasını

B. Modelin donanım üzerinde bıraktığı karbon ayak izini

C. Hiperparametre optimizasyonunun başarısını

D. Modelin bir gruba diğerinden daha olumsuz sonuçlar üretme eğilimini

Soru 34

YZ sistemlerinin şeffaflığı için önerilen 'Model Cards' kavramı temel olarak neyi içerir?

A. Modelin eğitildiği tüm verilerin ham halini

B. Modelin mimarisi, sınırlılıkları ve kullanım amaçlarını içeren dokümantasyonu

C. Modelin kaynak kodlarının herkese açık olması zorunluluğunu

D. Modeli geliştiren mühendislerin özgeçmişlerini

Soru 35

Bir modelin 'Counterfactual Fairness' (Karşıolgusal Adalet) kriterini sağladığı ne zaman söylenir?

A. Modelin girdisi değiştirildiğinde (örneğin cinsiyet), tahmin sonucu değişmiyorsa

B. Model sadece insan müdahalesiyle karar veriyorsa

C. Model %99 doğruluk oranına ulaştıysa

D. Model her zaman aynı sonucu veriyorsa

Soru 36

YZ etiğinde 'Human-in-the-loop' (İnsan döngüde) yaklaşımının temel amacı nedir?

A. Kritik kararlarda insan denetimini ve sorumluluğunu tutmak

B. Yazılım maliyetlerini düşürmek

C. Algoritmanın çalışma hızını artırmak

D. YZ sistemlerinin tamamen otonom hale gelmesini sağlamak

Soru 37

Gradyan inişi (Gradient Descent) algoritmasında 'learning rate' parametresinin çok büyük seçilmesinin temel sonucu nedir?

A. Kaybolan gradyan (vanishing gradient) sorununun oluşması

B. Veri setinin yetersiz kalması

C. Modelin aşırı öğrenmesi (overfitting)

D. Global minimuma ulaşmanın imkansız hale gelmesi ve osilasyonlar

Soru 38

Backpropagation algoritması temel olarak hangi matematiksel kurala dayanır?

A. Taylor Serisi Açılımı

B. Zincir Kuralı (Chain Rule)

C. Kramer Kuralı

D. L'Hôpital Kuralı

Soru 39

Stochastic Gradient Descent (SGD) yönteminin standart Gradient Descent'e göre temel avantajı nedir?

A. Hesaplama maliyetinin düşük olması ve yerel minimumlardan kaçabilme potansiyeli

B. Her iterasyonda tüm veri setini kullanması

C. Hata fonksiyonunun her zaman konveks olmasını garanti etmesi

D. Daha kararlı bir yakınsama sağlaması

Soru 40

Backpropagation sırasında 'Vanishing Gradient' problemi genellikle hangi aktivasyon fonksiyonu ile daha sık yaşanır?

A. Maxout

B. Sigmoid

C. ReLU

D. Leaky ReLU