T-testi ve ANOVA, örneklem ortalamaları arasında gördüğümüz farkların yalnızca rastgele dalgalanmayla açıklanıp açıklanamayacağını değerlendiren temel istatistiksel yöntemlerdir. Bir üretim sürecinin hedef değerden sapmasını, iki yöntemin ortalama sonucunu veya üç ya da daha fazla grubun performansını karşılaştırırken doğru testi seçmek; yapay zekâ deneylerinde gözlenen küçük kazanımları gerçek ve genellenebilir bir iyileşme sanmamak için önemlidir. Bu makalede Student'ın t dağılımını sezgisel olarak kuracak; tek örneklem, bağımsız gruplar ve eşleştirilmiş t-testlerini adım adım hesaplayacak, ardından ANOVA'nın toplam değişkenliği gruplar arası ve grup içi parçalara nasıl ayırdığını, sonuçların hangi varsayımlar ve etki büyüklükleriyle birlikte okunması gerektiğini inceleyeceğiz.

Çıkarımsal istatistik, elimizdeki sınırlı bir örneklemden daha geniş bir anakütle hakkında ölçülü sonuçlar çıkarmamızı sağlar. Yapay zekâda bir modelin yalnızca gördüğümüz test verisinde değil, henüz karşılaşmadığı verilerde de işe yarayıp yaramayacağını değerlendirmek için bu düşünceye ihtiyaç duyarız. Bu makalede örnekleme belirsizliğini adım adım kuracak; örnekleme dağılımı, standart hata, merkezî limit teoremi, nokta ve aralık tahmini, güven aralığı, sıfır ve alternatif hipotez, p-değeri, anlamlılık düzeyi, hata türleri, test gücü ve etki büyüklüğü kavramlarını günlük örnekler ve hesaplamalar üzerinden inceleyeceğiz.

Korelasyon, iki sayısal değişkenin birlikte hangi yönde ve ne kadar düzenli hareket ettiğini; regresyon ise bu ilişkiyi bir denklemle özetleyip bir değişkenden diğerine yönelik tahmin üretmeyi sağlar. Bu iki araç, verideki örüntüleri görmekten yapay zekâ modellerinin temel çalışma mantığını anlamaya kadar geniş bir alanda kullanılır. Bu makalede saçılım grafiğinden kovaryans ve korelasyona ilerleyecek, doğrusal regresyon doğrusunu en küçük kareler düşüncesinden adım adım türetecek; artıklar, hata ölçüleri, açıklanan değişkenlik, aykırı değerler, doğrusal olmayan ilişkiler ve “korelasyon nedensellik değildir” uyarısı üzerinden sonuçları doğru yorumlamayı öğreneceğiz.

Betimsel istatistik, elimizdeki ham gözlemleri birkaç anlamlı ölçüyle özetleyerek verinin nerede toplandığını, ne kadar yayıldığını ve nasıl bir biçim aldığını görmemizi sağlar. Bir yapay zekâ modeli kurulmadan önce veriyi tanımak, olağandışı değerleri fark etmek ve model sonuçlarını doğru yorumlamak için bu özetlere ihtiyaç duyarız. Bu makalede ortalama, ortanca ve tepe değer gibi merkez ölçülerini; açıklık, çeyrekler arası açıklık, varyans ve standart sapma gibi dağılım ölçülerini tek bir veri kümesi üzerinde adım adım hesaplayacak, hangi ölçünün hangi durumda yanıltıcı olabileceğini inceleyeceğiz.