<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by AYŞE NUR YEŞİLOVA on Medium]]></title>
        <description><![CDATA[Stories by AYŞE NUR YEŞİLOVA on Medium]]></description>
        <link>https://medium.com/@aysenuryesilovaofficial?source=rss-7aac7efcee03------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*sZYP6moi4h0KCv5jCkEMMw.jpeg</url>
            <title>Stories by AYŞE NUR YEŞİLOVA on Medium</title>
            <link>https://medium.com/@aysenuryesilovaofficial?source=rss-7aac7efcee03------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 20:45:18 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@aysenuryesilovaofficial/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Motosiklet Fiyat Tahmini: Random Forest ve XGBoost ile Sıfır ve İkinci El Piyasasını Modellemek]]></title>
            <link>https://medium.com/@aysenuryesilovaofficial/motosiklet-fiyat-tahmini-random-forest-ve-xgboost-ile-s%C4%B1f%C4%B1r-ve-i%CC%87kinci-el-piyasas%C4%B1n%C4%B1-modellemek-2b87312e72ca?source=rss-7aac7efcee03------2</link>
            <guid isPermaLink="false">https://medium.com/p/2b87312e72ca</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[xgboost]]></category>
            <category><![CDATA[fastapi]]></category>
            <dc:creator><![CDATA[AYŞE NUR YEŞİLOVA]]></dc:creator>
            <pubDate>Tue, 04 Aug 2026 11:44:08 GMT</pubDate>
            <atom:updated>2026-08-04T11:44:08.072Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Oi8cpZBdrq_d4KmMCLDqcw.png" /></figure><p><em>Bir makine öğrenmesi projesinin veri setinden canlı API’ye uzanan hikâyesi</em></p><h3>Giriş</h3><p>Türkiye’de ikinci el araç piyasası, özellikle motosiklet segmentinde, oldukça duygusal ve deneyime dayalı bir fiyatlandırma kültürüne sahip. Bir galerici ya da satıcı, bir motosikletin fiyatını belirlerken genellikle “piyasayı takip ederim”, “benzerlerine bakarım” gibi öznel yöntemler kullanır. Oysa otomotiv ve e-ticaret platformlarının arka planında, tam da bu kararı veri temelli hâle getiren “akıllı fiyat önerisi” motorları çalışır.</p><p>Bu motivasyonla geliştirdiğim <strong>Motosiklet Fiyat Tahmini</strong> projesinde, hem sıfır kilometre hem de ikinci el motosikletlerin piyasa değerini, geçmiş satış verilerinden öğrenen regresyon tabanlı makine öğrenmesi modelleriyle tahmin eden uçtan uca bir sistem kurdum. Bu yazıda projenin veri setinden, model seçim sürecine, oradan da gerçek zamanlı bir API’ye dönüşmesine kadar olan tüm süreci paylaşıyorum.</p><p>Projenin kod tabanına buradan ulaşabilirsiniz: <a href="https://github.com/Aysenuryesilova/motosiklet-fiyat-tahmini">github.com/Aysenuryesilova/motosiklet-fiyat-tahmini</a></p><h3>Projenin Amacı ve İş Problemi</h3><p>Bir motosikletin fiyatını belirleyen değişkenler tek boyutlu değildir: markası, modeli, motor hacmi, üretim yılı, rengi ve — ikinci el ise — kat ettiği kilometre, fiyatı birlikte şekillendirir. Bu projenin amacı, bu değişkenler arasındaki doğrusal olmayan ilişkileri öğrenerek, kullanıcının girdiği araç bilgilerine göre saniyeler içinde güvenilir bir piyasa değeri tahmini üretmekti.</p><p>Burada bilinçli olarak aldığım bir tasarım kararı, <strong>sıfır km ve ikinci el motosikletleri tek bir modelle değil, iki ayrı modelle</strong> ele almak oldu. Sebep basit: sıfır bir motosikletin fiyatını belirleyen ana etken marka/model/motor hacmi iken, ikinci elde buna kilometre ve yaşanmışlık gibi amortisman etkileri de eklenir. İki segmenti tek bir modele sıkıştırmak, özellikle kilometre değişkeninin sıfır araçlarda anlamsız (0 veya boş) olması nedeniyle veri kalitesini bozacaktı. Bu yüzden pipeline, sifir_motorlar.csv ve ikinci_el_motorlar.csv olmak üzere iki bağımsız veri seti ve bunlara karşılık gelen iki bağımsız model üzerine kuruldu.</p><h3>Veri Seti ve Özellik Mühendisliği</h3><p>Projede kullanılan girdi değişkenleri (features) şunlardır:</p><ul><li><strong>marka</strong> — Motosiklet markası (kategorik). Kullanıldığı segment: Sıfır + İkinci El</li><li><strong>model</strong> — Model adı (kategorik). Kullanıldığı segment: Sıfır + İkinci El</li><li><strong>motor</strong> — Motor hacmi, cc (sayısal). Kullanıldığı segment: Sıfır + İkinci El</li><li><strong>renk</strong> — Renk (kategorik). Kullanıldığı segment: Sıfır + İkinci El</li><li><strong>yıl → </strong><strong>yaş</strong> — Üretim yılı, yaş = referans_yıl - yıl olarak türetildi. Kullanıldığı segment: Sıfır + İkinci El</li><li><strong>kilometre</strong> — Kat edilen mesafe. Kullanıldığı segment: Yalnızca İkinci El</li></ul><p>Hedef değişken (y) her iki segment için de <strong>satış fiyatı</strong>dır.</p><p><strong>Kategorik değişkenlerin işlenmesi:</strong> marka, model ve renk gibi kategorik değişkenler One-Hot Encoding (pandas.get_dummies) ile sayısallaştırıldı. Bu noktada dikkat edilmesi gereken kritik bir mühendislik problemi var: model eğitim aşamasında oluşturulan kolon şablonunun (sifir_model_kolon_sablonu.joblib, ikinci_el_model_kolon_sablonu.joblib), üretim ortamında (inference time) kullanıcı yeni bir marka/model girdiğinde birebir korunması gerekiyor — aksi hâlde model, eğitimde görmediği bir sütunla karşılaşıp hata verir veya yanlış tahmin üretir. Bu yüzden API tarafında, eğitimdeki kolon sırasını ve isimlerini birebir kopyalayan boş bir şablon tablo oluşturulup, yalnızca gelen isteğe karşılık gelen sütunlar 1 ile işaretleniyor. Bu, üretim ortamındaki one-hot encoding tutarlılığını garanti altına alan basit ama kritik bir yaklaşım.</p><p><strong>Yaş değişkeni:</strong> Model, ham yıl bilgisini değil, yaş = referans_yıl - yıl şeklinde türetilmiş bir değişkeni kullanıyor. Bu, modelin &quot;2018 model&quot; gibi mutlak bir tarihi ezberlemesi yerine, &quot;6 yaşında bir araç&quot; gibi göreli ve daha genellenebilir bir örüntü öğrenmesini sağlıyor — zaman içinde referans yılı güncellense bile modelin yeniden eğitilmeden de mantıklı sonuçlar üretebilmesini kolaylaştıran bir tercih.</p><h3>Model Geliştirme Süreci: Random Forest vs. XGBoost</h3><p>Veri ön işleme ve özellik mühendisliğinin ardından, projenin çekirdeğinde iki ansambl (ensemble) regresyon algoritması karşılaştırmalı olarak test edildi: <strong>Random Forest Regressor</strong> ve <strong>XGBoost Regressor</strong>.</p><p>İki algoritmayı da tercih etmemin nedeni, motosiklet fiyatlandırmasındaki ilişkilerin doğrusal olmamasıydı — örneğin fiyat, yaşla birlikte düz bir çizgi hâlinde değil, ilk yıllarda hızlı, sonraki yıllarda yavaşlayan bir amortismanla düşer. Doğrusal regresyon bu tür eğrisel örüntüleri yakalamakta yetersiz kalırken, ağaç tabanlı ansambl yöntemleri bu tür etkileşimleri doğal olarak modelleyebilir.</p><h3>Neden Random Forest ve XGBoost?</h3><ul><li><strong>Çalışma mantığı</strong> — Random Forest: birbirinden bağımsız çok sayıda karar ağacının ortalaması (bagging). XGBoost: ağaçların art arda birbirinin hatasını düzeltmesi (gradient boosting).</li><li><strong>Aşırı öğrenmeye (overfitting) direnç</strong> — Random Forest: yüksek, ağaçlar birbirinden bağımsız olduğu için doğal düzenlileştirme sağlar. XGBoost: orta, düzenlileştirme parametreleri (learning rate, max depth) dikkatli ayarlanmalı.</li><li><strong>Eğitim hızı</strong> — Random Forest: paralelleştirilebilir, nispeten hızlı. XGBoost: sıralı yapısı nedeniyle biraz daha yavaş, ama genelde daha az ağaçla yüksek başarı yakalar.</li><li><strong>Küçük/orta ölçekli tablosal veri performansı</strong> — Random Forest: iyi. XGBoost: genelde daha iyi (bu projede de doğrulandı).</li><li><strong>Yorumlanabilirlik</strong> — Random Forest: feature importance ile orta düzey. XGBoost: feature importance + SHAP ile daha detaylı analiz imkânı.</li></ul><h3>Sonuçlar</h3><p>Model karşılaştırma sürecinde elde edilen metrikler şu şekilde:</p><ul><li><strong>Random Forest</strong> — R² Skoru: 0.9166 (%91.66) · MAE: 49.780 TL · RMSE: 92.811 TL</li><li><strong>XGBoost (seçilen model)</strong> — R² Skoru: 0.9241 (%92.41) · MAE: 48.909 TL · RMSE: 88.548 TL</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sm9onhbHgXJXRfI3HpBm7w.png" /></figure><p>XGBoost, hem varyansı açıklama gücünde (R²) hem de ortalama mutlak hatada (MAE) Random Forest’ı geride bırakarak nihai model olarak seçildi. Aradaki fark küçük görünse de (~%0.75 R² farkı), RMSE’deki ~4.300 TL’lik iyileşme, büyük hataların (outlier tahminlerin) XGBoost’ta daha etkili biçimde bastırıldığını gösteriyor — bu da boosting mekanizmasının önceki ağaçların artık (residual) hatalarını hedefli biçimde düzeltmesinin beklenen bir sonucu.</p><p>Ayrıca modelin güven aralığı da analiz edildi: tahminlerin ortalama hata oranı <strong>%13.5</strong> olup, tahminlerin <strong>%68&#39;i gerçek fiyatın ±%13.5&#39;i içinde</strong>, <strong>%95&#39;i ise ±%27&#39;si içinde</strong> kalıyor. Bu istatistik, kullanıcıya tek bir nokta tahmini vermenin ötesinde, “bu tahmine ne kadar güvenmeliyim?” sorusuna da kaba bir cevap sunuyor — üretim ortamındaki bir fiyat önerisi sisteminde bu tür belirsizlik iletişimi, kullanıcı güveni açısından önemli.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*byQvkCjZSyzN4JbsZpJNtA.png" /></figure><blockquote><strong><em>Not:</em></strong><em> Projenin README dosyasında CRISP-DM metodolojisine referansla Linear Regression örneği de yer alıyor; bu, projenin ilk kavramsal/eğitim amaçlı aşamasını temsil ediyor. Nihai üretim modeli, yukarıdaki metriklerle doğrulanan XGBoost’tur.</em></blockquote><h3>Uçtan Uca Mimari: Notebook’tan Canlı API’ye</h3><p>Projeyi bir Jupyter Notebook deneyinden çıkarıp gerçek bir uygulamaya dönüştüren kısım, <strong>FastAPI</strong> tabanlı backend katmanı oldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1NCCKeLRJ9vgr-7Zjx4Hkg.png" /></figure><p>Mimarinin bileşenleri:</p><ol><li><strong>Model Eğitimi (Offline):</strong> Sifir_Fiyat_Tahmin_Modeli.ipynb ve Model_2el_tahmini.ipynb notebook&#39;larında veri temizleme, one-hot encoding ve model eğitimi yapılıyor; eğitilen modeller ve kolon şablonları joblib ile serileştirilip modeller/ klasörüne kaydediliyor.</li><li><strong>API Katmanı (</strong><strong>api.py):</strong> FastAPI ile yazılmış, /predict ve /meta olmak üzere iki uç noktaya sahip bir servis.</li><li><strong>CORS Ara Katmanı:</strong> Frontend ve backend farklı origin’lerde çalışabildiği için CORSMiddleware ile çapraz kaynak istekleri açıldı.</li><li><strong>Statik Dosya Sunumu:</strong> StaticFiles ile frontend (HTML/CSS/JS) doğrudan FastAPI üzerinden serve ediliyor; yani tek bir sunucu hem API hem de arayüzü aynı anda sunuyor.</li></ol><p>2 numarada bahsettiğim:</p><ul><li>/predict: Kullanıcının gönderdiği marka, model, motor, renk, yıl, (varsa) kilometre bilgilerini alıp, doğru modeli (sifir ya da ikinci_el) seçerek fiyat tahmini döndürür.</li><li>/meta: Frontend&#39;deki marka → model → motor hacmi seçim kutularının dinamik olarak doldurulması için, CSV veri setlerinden hiyerarşik bir sözlük (marka → model → motor listesi) üretir. Bu sayede kullanıcı arayüzü, veri setinde gerçekten var olan kombinasyonları öneriyor; rastgele bir marka-model eşleşmesi seçilip modelin anlamsız bir tahmin üretmesi engelleniyor.</li></ul><p>Aşağıda /predict uç noktasının çekirdek mantığı yer alıyor:</p><pre>@app.post(&quot;/predict&quot;)<br>def predict_price(req: PredictionRequest):<br>    # Yaş hesabı: modelin eğitildiği referans yıla göre türetiliyor<br>    yas = 2026 - req.yil</pre><pre>    # Segment seçimi: sıfır km mi, ikinci el mi<br>    if req.modelType == &quot;ikinci_el&quot;:<br>        target_model, target_cols = ikinci_el_model, ikinci_el_cols<br>    else:<br>        target_model, target_cols = sifir_model, sifir_cols</pre><pre>    # Eğitimdeki kolon şablonuyla birebir uyumlu, sıfırlarla dolu bir satır oluşturuluyor<br>    input_df = pd.DataFrame(columns=target_cols)<br>    input_df.loc[0] = 0</pre><pre>    # Sayısal alanlar doğrudan yazılıyor<br>    if &#39;motor&#39; in input_df.columns: input_df.at[0, &#39;motor&#39;] = req.motor<br>    if &#39;yas&#39; in input_df.columns: input_df.at[0, &#39;yas&#39;] = yas<br>    if req.modelType == &quot;ikinci_el&quot; and &#39;kilometre&#39; in input_df.columns:<br>        input_df.at[0, &#39;kilometre&#39;] = req.kilometre</pre><pre>    # Kategorik alanlar için one-hot encoding manuel olarak simüle ediliyor<br>    for col in [f&quot;marka_{req.marka}&quot;, f&quot;model_{req.model}&quot;, f&quot;renk_{req.renk}&quot;]:<br>        if col in input_df.columns:<br>            input_df.at[0, col] = 1</pre><pre>    prediction = target_model.predict(input_df.astype(float))[0]<br>    return {&quot;price&quot;: float(prediction)}</pre><p>Bu yaklaşımın en kritik detayı, eğitim ve çıkarım (inference) aşamalarındaki <strong>sütun tutarlılığının</strong> garanti altına alınması. Gerçek dünyadaki birçok makine öğrenmesi projesi, tam olarak burada — Jupyter Notebook’ta çalışan bir modeli, canlı ve keyfi kullanıcı girdileriyle çalışan bir API’ye taşırken — kırılıyor. Bu proje, o geçişi kolon şablonu serileştirme stratejisiyle çözmüş oluyor.</p><h3>Kullanım Senaryoları</h3><p><strong>1. İkinci El Motosiklet Platformları</strong> Bir ilan sitesi, satıcının girdiği bilgilerden anlık “tahmini piyasa değeri” göstererek, satıcının ilanını gerçekçi bir fiyattan açmasına yardımcı olabilir — tıpkı otomotiv sitelerindeki “ekspertiz fiyatı” önerilerine benzer şekilde.</p><p><strong>2. Galeri ve Bayi Yönetim Sistemleri</strong> Motosiklet galericileri, alım yaparken teklif edecekleri fiyatı, piyasa ortalamasına göre hızlıca kıyaslayabilir; bu da pazarlık sürecinde veri temelli bir referans noktası sağlar.</p><p><strong>3. Sigorta ve Kasko Değerleme</strong> Kaza sonrası hasar tazminatı hesaplamalarında, aracın piyasa değerinin objektif bir tahminine ihtiyaç duyulur; bu tür modeller, sigorta şirketlerinin manuel ekspertiz süreçlerini destekleyici bir ön değerlendirme katmanı olabilir.</p><h3>Çıkarımlar ve Öğrenilenler</h3><p>Bu proje bana, akademik bir “model eğit ve R² skorunu raporla” alıştırmasının ötesinde, gerçek bir üretim sisteminin gerektirdiği mühendislik disiplinini deneyimleme fırsatı verdi:</p><ul><li><strong>Tek model her zaman doğru cevap değildir.</strong> Sıfır ve ikinci el segmentlerini ayrı modellerle ele almak, veri kalitesini ve tahmin isabetini artırdı.</li><li><strong>Model karşılaştırması metrik bazlı ve sistematik olmalı.</strong> Random Forest ile XGBoost’u aynı veri, aynı bölme (train/test split) üzerinde, R², MAE ve RMSE üçlüsüyle karşılaştırmak, “hangi model daha iyi” sorusuna öznel değil, ölçülebilir bir cevap verdi.</li><li><strong>Üretime geçiş, eğitimden farklı bir problem seti getirir.</strong> One-hot encoding’in canlı ortamda tutarlı kalması, kolon şablonlarının serileştirilmesini gerektirdi — bu, birçok “notebook’ta çalışıyor ama API’de çalışmıyor” hatasının kök nedenidir.</li><li><strong>Belirsizliği iletmek, tek bir sayı vermekten daha değerlidir.</strong> Güven aralığı (%68 / %95) hesaplaması, modelin ne zaman güvenilir ne zaman temkinli yaklaşılması gerektiği konusunda kullanıcıya ek bilgi sağlıyor.</li></ul><h3>Geliştirmeye Açık Yönler</h3><p>İlerleyen aşamalarda modelin, marka/model bazında hiperparametre optimizasyonu (Optuna/GridSearchCV ile), daha geniş bir veri seti ve SHAP tabanlı özellik önem analiziyle güçlendirilmesi hedeflenmektedir. Ayrıca kilometre-yaş etkileşim değişkeni gibi türetilmiş özelliklerin eklenmesi, ikinci el modelin isabetini artırabilir.</p><h3>Proje Bağlantısı</h3><p>Projenin tüm kaynak kodu, veri setleri ve notebook’ları GitHub üzerinde açık kaynak olarak paylaşılmıştır: <a href="https://github.com/Aysenuryesilova/motosiklet-fiyat-tahmini"><strong>github.com/Aysenuryesilova/motosiklet-fiyat-tahmini</strong></a></p><p><em>Bu yazı, makine öğrenmesi eğitim sürecim kapsamında geliştirdiğim bir projeyi belgelemek amacıyla hazırlanmıştır. Geri bildirimlerinizi yorumlarda paylaşabilirsiniz.</em></p><p>— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —</p><p>GitHub: <a href="https://github.com/Aysenuryesilova">github.com/Aysenuryesilova</a><br>LinkedIn: <a href="https://www.linkedin.com/in/aysenuryesilova/">linkedin.com/in/aysenuryesilova</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2b87312e72ca" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM’ler Neden Uzun Konuşmalarda “Kayboluyor”?]]></title>
            <link>https://medium.com/@aysenuryesilovaofficial/llmler-neden-uzun-konu%C5%9Fmalarda-kayboluyor-4ff85a2abbdd?source=rss-7aac7efcee03------2</link>
            <guid isPermaLink="false">https://medium.com/p/4ff85a2abbdd</guid>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[AYŞE NUR YEŞİLOVA]]></dc:creator>
            <pubDate>Mon, 03 Aug 2026 21:17:58 GMT</pubDate>
            <atom:updated>2026-08-04T08:29:47.109Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM’ler Neden Uzun Konuşmalarda “Kayboluyor”? Microsoft &amp; Salesforce’un 200.000 Simülasyonluk Araştırması</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*SA81WQKpq6GLGGn_5pLqVQ.jpeg" /></figure><h3>ChatGPT, Claude veya Gemini ile aynı sohbeti sürdürerek daha iyi sonuç aldığınızı mı düşünüyorsunuz? Yeni bir araştırma bunun tam tersini söylüyor.</h3><p><em>Bu yazı, Philippe Laban, Hiroaki Hayashi, Yingbo Zhou ve Jennifer Neville (Microsoft Research &amp; Salesforce Research) tarafından yazılan </em><strong><em>“LLMs Get Lost In Multi-Turn Conversation”</em></strong><em> (arXiv:2505.06120, Mayıs 2025) başlıklı makalenin Türkçe özeti ve kişisel değerlendirmemi içermektedir. Orijinal makale </em><strong><em>CC BY 4.0</em></strong><em> lisansı altında yayınlanmıştır: </em><a href="https://arxiv.org/abs/2505.06120"><em>arxiv.org/abs/2505.06120</em></a></p><p><em>Çeviren ve derleyen: Ayşenur</em></p><h3>Neden Bu Makale?</h3><p>Microsoft AI Innovators programında staj yaparken ve Magibu AI haftalık ML/NLP ödevlerimde (Hugging Face üzerinde veri seti hazırlama, BPE tokenizer eğitimi, LoRA fine-tuning, benchmark değerlendirmesi) sık sık aynı şeyi yaşıyorum: bir modelle uzun bir sohbete girdiğimde, ilk birkaç turdan sonra model bir yerde “takılıyor” ve ne kadar düzeltme yaparsam yapayım o ilk yanlış varsayıma geri dönüyor. Bir Flutter uygulamasını (Ezan Vakti) aylarca debug ederken de benzer bir örüntü fark etmiştim: bildirim izinleri, Qibla pusulası, Hicri takvim entegrasyonu gibi konularda saatler süren sohbetlerde, model bazen üçüncü ya da dördüncü turda verdiğim bir bilgiyi konuşmanın ilerleyen kısımlarında sanki hiç söylenmemiş gibi görmezden geliyordu.</p><p>Bu makale, benim “acaba ben mi yanlış prompt yazıyorum” diye düşündüğüm bu deneyimin aslında <strong>evrensel ve ölçülebilir bir fenomen</strong> olduğunu gösteriyor. Ve bunu anekdot düzeyinde değil, 15 farklı LLM üzerinde 200.000&#39;den fazla simüle edilmiş konuşmayla kanıtlıyor.</p><h3>Araştırma Ne Yapıyor?</h3><p>Yazarlar basit ama güçlü bir soru soruyor: <strong>Bir görevi LLM’e tek seferde, eksiksiz olarak mı vermeliyiz, yoksa parça parça, doğal bir sohbet akışı içinde mi?</strong></p><p>Bunu test etmek için <strong>“sharding” (parçalama)</strong> adını verdikleri bir yöntem geliştirmişler. Mevcut, tam belirtilmiş bir talimatı (örneğin bir GSM8K matematik problemini) anlam bütünlüğünü bozmadan küçük parçalara (“shard”) bölüyorlar. Sonra bu parçaları bir kullanıcı simülatörü (GPT-4o-mini) aracılığıyla, her turda yalnızca bir parça açığa çıkacak şekilde, test edilen modele sırayla veriyorlar.</p><p>Üç ana senaryo karşılaştırılıyor:</p><p><strong>FULL</strong> — Talimat baştan, eksiksiz olarak tek seferde veriliyor.</p><p><strong>CONCAT</strong> — Aynı bilgi maddeler hâlinde ama yine tek mesajda veriliyor (yeniden ifade etkisini izole etmek için).</p><p><strong>SHARDED</strong> — Bilgi, doğal bir sohbet gibi, turlara yayılarak parça parça veriliyor.</p><p>Deney; kod yazma, SQL sorgusu üretme, API çağrısı oluşturma, matematik problemi çözme, tablo özetleme ve çoklu doküman özetleme olmak üzere <strong>altı farklı görev türünde</strong>, GPT-4.1&#39;den Llama 3.1–8B’ye, Claude 3.7 Sonnet’ten DeepSeek-R1&#39;e kadar <strong>15 modelde</strong> tekrarlanıyor.</p><h3>Ana Bulgu: %39&#39;luk Çöküş</h3><p>Sonuç çarpıcı: Tüm modeller, tam belirtilmiş (FULL) senaryodan parçalanmış (SHARDED) senaryoya geçildiğinde <strong>ortalama %39 performans kaybı</strong> yaşıyor. Tek turlu, laboratuvar koşullarında %90 üzerinde skor alan modeller, aynı görevleri doğal bir sohbet formatında çözmeye çalıştıklarında bu skorun çok altına düşüyor.</p><p>Daha da ilginç olan nokta şu: CONCAT senaryosunda (bilgi yeniden ifade edilmiş ama hâlâ tek mesajda) performans kaybı yalnızca %5 civarında kalıyor. Bu, sorunun “modelin cümleyi anlamaması” değil, doğrudan <strong>çok turlu, parça parça bilgi akışının kendisi</strong> olduğunu gösteriyor.</p><h3>Yetenek mi, Güvenilirlik mi?</h3><p>Araştırmanın en değerli katkısı, bu performans kaybını iki bileşene ayırması:</p><ul><li><strong>Aptitude (Yetenek):</strong> Modelin en iyi senaryodaki (10 denemenin en iyisi) performansı</li><li><strong>Unreliability (Güvenilmezlik):</strong> En iyi ve en kötü deneme arasındaki fark</li></ul><p>Sonuç net: SHARDED senaryoda <strong>yetenek yalnızca %16 düşüyor</strong>, ama <strong>güvenilmezlik %112 artıyor</strong> — yani ikiye katlanıyor. Başka bir deyişle, modeller “bilmiyor” değil; <strong>tutarsız</strong> davranıyorlar. Aynı soruyu aynı şekilde on kez sorduğunuzda, bazen doğru bazen tamamen yanlış cevap alıyorsunuz. Ve bu tutarsızlık, GPT-4.1 ve Gemini 2.5 Pro gibi en güçlü modellerde bile Llama 3.1–8B kadar yüksek.</p><p>Bu benim TEKNOFEST 2026 e-ticaret yarışmasında LightGBM + CatBoost + XGBoost ensemble modeli üzerinde dokuz faz boyunca (Faz3–Faz9) gözlemlediğim bir şeyle de örtüşüyor: bir modelin “kapasitesi” ile “her seferinde aynı kaliteyi üretebilmesi” birbirinden tamamen farklı problemler. Bu makale, bunun insan-model diyaloğunda da geçerli olduğunu gösteriyor.</p><h3>Neden Oluyor? Dört Kök Neden</h3><p>Yazarlar, konuşma loglarını inceleyerek modellerin neden bu şekilde “kaybolduğunu” dört başlıkta topluyor:</p><p><strong>1. Erken cevap verme dürtüsü.</strong> Modeller, elde henüz yeterli bilgi yokken bile tam bir çözüm üretmeye çalışıyor. Bu erken tahminler yanlış varsayımlar içeriyor ve sonraki turlarda bu varsayımları düzeltmek yerine üzerine inşa etmeye devam ediyorlar.</p><p><strong>2. “Şişkin cevap” (answer bloat) etkisi.</strong> Bir model yanlış bir ilk cevap verdiğinde, sonraki düzeltmeler cevabı kısaltmak yerine genelde uzatıyor. Doğru çözümler bile SHARDED senaryoda FULL senaryoya göre %14–27 daha uzun çıkıyor — yani model doğruyu bulsa bile yol boyunca gereksiz karmaşıklık biriktiriyor.</p><p><strong>3. Orta turları unutma.</strong> Özet görevinde yapılan analiz, modellerin ilk ve son turda verilen bilgilere aşırı ağırlık verip aradaki bilgileri göz ardı ettiğini gösteriyor — klasik “lost in the middle” fenomeninin çok turlu versiyonu.</p><p><strong>4. Aşırı ayrıntılı (verbose) yanıtlar.</strong> Daha uzun yanıt üreten modeller (özellikle reasoning modelleri o3 ve DeepSeek-R1, ortalama %33 daha uzun yanıt üretiyor) daha fazla varsayım içeriyor ve bu da sonraki turlarda kafa karışıklığına yol açıyor. İlginç bir şekilde, ek “düşünme” (test-time compute) bu sorunu çözmüyor — hatta bazı görevlerde kötüleştiriyor.</p><p>Bu son madde, LoRA fine-tuning ödevlerimde reasoning modellerinin bazen basit bir prompt’a bile gereksiz uzun gerekçelendirmeler eklediğini fark etmemle birebir örtüşüyor.</p><h3>“Sıcaklığı Düşürsem Olmaz mı?” Sorusuna Cevap: Hayır</h3><p>Makalenin en pratik bulgularından biri, sıcaklık (temperature) parametresiyle ilgili. Mantıklı bir varsayım şu olurdu: “T=0 yaparsam model daha deterministik olur, güvenilirlik sorunu çözülür.”</p><p>Deneyler bunun <strong>işe yaramadığını</strong> gösteriyor. Tek turlu senaryolarda sıcaklığı düşürmek güvenilmezliği %50–80 azaltırken, çok turlu senaryolarda bu iyileşme ya çok sınırlı kalıyor ya da hiç gerçekleşmiyor. Hem kullanıcı hem asistan sıcaklığı 0&#39;a çekildiğinde bile ortalama %30 güvenilmezlik varlığını sürdürüyor. Nedeni teknik: donanım kaynaklı küçük kayan nokta farklılıkları, erken turlarda oluşan minik sapmaların sonraki turlarda çığ etkisiyle büyümesine yol açıyor.</p><h3>Ajan Çerçeveleri (Autogen, LangChain) Kurtarıcı mı?</h3><p>Kısmen. Yazarlar iki müdahale yöntemi test ediyor:</p><ul><li><strong>RECAP:</strong> Konuşmanın sonuna, tüm önceki turları özetleyen bir “toparlama” turu ekleniyor.</li><li><strong>SNOWBALL:</strong> Her turda, o ana kadar açığa çıkan tüm bilgiler yeniden tekrarlanıyor (kartopu etkisi).</li></ul><p>Her ikisi de SHARDED’e göre iyileşme sağlıyor, ancak FULL veya CONCAT seviyesine hiçbir zaman ulaşamıyor. SNOWBALL, gerçekçi bir müdahale olarak performans kaybını yalnızca %15–20 telafi edebiliyor. Sonuç: <strong>bilgiyi dışarıdan (ajan katmanında) yönetmek, modelin kendi içindeki güvenilirlik sorununu tam olarak çözmüyor.</strong></p><h3>Peki Biz Ne Yapmalıyız? Pratik Öneriler</h3><p>Makale, LLM kullanıcıları için iki somut öneri sunuyor — ve bunlar benim kendi iş akışımda zaten sezgisel olarak uyguladığım ama artık bilimsel gerekçesini bildiğim öneriler:</p><ol><li><strong>Sonuç tatmin etmiyorsa, konuşmaya devam etmek yerine yeni bir sohbet başlatın.</strong> Aynı bilgiyi sıfırdan, temiz bir konuşmada tekrar vermek, kaybolmuş bir konuşmayı düzeltmeye çalışmaktan istatistiksel olarak daha güvenilir sonuç veriyor.</li><li><strong>Yeniden denemeden önce konsolide edin.</strong> Modelden “şimdiye kadar konuştuğumuz her şeyi tek bir talimatta topla” diye isteyip, bu özeti yeni bir konuşmaya taşımak, CONCAT senaryosundaki güçlü performansı taklit ediyor.</li></ol><p>Bu ikinci öneri, benim Ezan Vakti uygulamasında build hatalarını (AGP versiyon uyuşmazlıkları, Gradle encoding sorunları gibi) çözerken fark etmeden uyguladığım bir strateji: bir noktadan sonra “tüm hata bağlamını ve denediğim çözümleri tek bir mesajda özetleyip yeni bir konuşmada sorayım” dediğimde çözüm kalitesinin belirgin şekilde arttığını gözlemlemiştim. Artık bunun neden işe yaradığını biliyorum.</p><h3>Sonuç: Neden Önemli?</h3><p>Bu çalışma, LLM’lerin nasıl <strong>kullanıldığı</strong> ile nasıl <strong>değerlendirildiği</strong> arasındaki büyük boşluğa parmak basıyor. Endüstri, modelleri genellikle tek turlu, tam belirtilmiş benchmark’larla (HumanEval, GSM8K, MMLU gibi) ölçüyor — ama gerçek kullanıcılar neredeyse hiçbir zaman ihtiyaçlarını ilk mesajda eksiksiz ifade etmiyor. Bu makale, aradaki farkın “küçük bir detay” değil, <strong>ortalama %39&#39;luk bir performans uçurumu</strong> olduğunu sayısal olarak ortaya koyuyor.</p><p>Benim için asıl çıkarım şu: LLM’lerle çalışırken (ister bir Flutter uygulamasını debug ederken, ister bir fine-tuning pipeline’ı kurarken) karşılaştığım tutarsızlıklar bir “kullanıcı hatası” değil, bugünün modellerinin bilinen ve ölçülmüş bir sınırlaması. Bunu bilmek, hem daha sabırlı hem de daha stratejik prompt yazmama yardımcı oluyor: büyük, karmaşık görevleri parça parça değil, mümkün olduğunca eksiksiz ve tek seferde tanımlamaya çalışıyorum — ve bir konuşma “rayından çıktığında” ısrar etmek yerine temiz bir sayfa açmaktan çekinmiyorum.</p><h3>Kaynak</h3><p>Laban, P., Hayashi, H., Zhou, Y., &amp; Neville, J. (2025). <em>LLMs Get Lost In Multi-Turn Conversation</em>. arXiv:2505.06120. Lisans: CC BY 4.0. <a href="https://arxiv.org/abs/2505.06120">https://arxiv.org/abs/2505.06120</a></p><p>Proje kodu ve veri seti: <a href="https://github.com/microsoft/lost_in_conversation">github.com/microsoft/lost_in_conversation</a></p><p><em>Etiketler: #YapayZeka #LLM #NLP #MakinaÖğrenmesi #PromptMühendisliği #MicrosoftResearch</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4ff85a2abbdd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekanın Derin Mimarisi: Tokenizer, BPE ve Vektör
Uzaylarında Yolculuk]]></title>
            <link>https://medium.com/@aysenuryesilovaofficial/yapay-zekan%C4%B1n-derin-mimarisi-tokenizer-bpe-ve-vekt%C3%B6r-uzaylar%C4%B1nda-yolculuk-f69e2adf9488?source=rss-7aac7efcee03------2</link>
            <guid isPermaLink="false">https://medium.com/p/f69e2adf9488</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[AYŞE NUR YEŞİLOVA]]></dc:creator>
            <pubDate>Sun, 26 Jul 2026 11:36:14 GMT</pubDate>
            <atom:updated>2026-07-26T11:36:14.523Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ddxug4EEFUTdhYkdYsY4TQ.png" /></figure><p>Yapay zekanın bugünkü baş döndürücü hızına baktığımızda, ekranlarımızda akıp giden pürüzsüz sohbet<br>pencerelerini, saniyeler içinde yazılan kod bloklarını veya insanı şaşırtacak kadar akıcı makaleleri<br>görüyoruz. Dışarıdan bakıldığında bu sistemler sanki insan gibi düşünen, hisseden ve anlayan dijital birer<br>beyin gibi hissediliyor. Ancak işin mutfağına girip kod satırlarını, donanım mimarilerini ve matematiksel<br>altyapıyı incelemeye başladığınızda sihir bozulmuyor; aksine çok daha büyüleyici bir mühendislik<br>gerçeğiyle karşılaşıyorsunuz.<br>Bugün masaya yatırdığımız bu notlar, tam da bu büyüleyici mutfağın ilk basamağı. Bir Large Language Model’in<br>(LLM) zihnimizin ötesindeki mekanik işleyişini; kelimelerin nasıl sayılara, sayıların ise nasıl anlamlı vektör uzaylarına<br>dönüştüğünü kendi deneyimlerim ve defterimdeki taze notlar eşliğinde derinlemesine inceliyoruz. Hazırsanız,<br>tokenlerin ve matrislerin o keskin ama bir o kadar da zarif dünyasına adım atalım.</p><blockquote><strong><em>1. LLM ve Temel Yapı: Makineler Aslında Ne Okur?</em></strong></blockquote><p>Geniş ölçekli dil modelleri (LLM), insanlık tarihinin ürettiği devasa miktardaki metin verisiyle eğitilmiş; insan benzeri<br>metinleri anlayan, üreten ve bağlama uygun yanıtlar verebilen karmaşık yapay zeka sistemleridir. Fakat burada<br>gözden kaçırmamamız gereken çok temel bir gerçek var: Bilgisayarlar bizim gibi “kedi”, “özgürlük”, “yapay zeka”<br>veya “bilgisayar” kelimelerini doğrudan anlamazlar. Onların evreninde harfler, kelimeler ya da duygular yoktur;<br>yalnızca ve yalnızca sayılar vardır.<br>İşte tam bu noktada, modelin metinlerle iletişim kurabilmesi için onları anlamlı sayılara dönüştüren o hayati köprü<br>devreye girer: <strong>Tokenizer</strong>. Tokenizer, ham metinleri yapay zeka modelinin işleyebileceği en küçük yapı taşlarına<br>ayıran kritik bir ön işleme motorudur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/526/1*QOgliXlqXXWI61gUEYj7CA.png" /></figure><p>Özetle; tokenizer, insan dili ile makinenin soğuk ama kusursuz matematiği arasındaki tercümandır.</p><blockquote><strong><em>2. Kelimeler Neden Bölünür? BPE Algoritmasının Anatomisi</em></strong></blockquote><p>Çalışırken kafama takılan ilk sorulardan biri şuydu: Neden doğrudan kelimeleri baz almıyoruz da metinleri parça<br>pinçik, hece hece ya da alt kelime düzeyinde bölüyoruz? Cevap oldukça pragmatik ve sistemin performansını<br>doğrudan etkileyen bir maliyet meselesidir: Sözlük şişirmesi ve bilinmeyen kelime (<strong>unknown</strong>) krizi.<br>Eğer sadece tam kelimeleri baz alsaydık; örneğin “kitap”, “kitabım”, “kitaplar”, “kitapçık” gibi aynı kökten türeyen her<br>bir çekimli kelimeyi model için ayrı bir token olarak ezberletmemiz gerekirdi. Bu yaklaşım, dilimizdeki çekim ekleri ve<br>türetmeler düşünüldüğünde devasa, yönetilemez ve hafızayı patlatacak büyüklükte bir sözlük yaratırdı. Dahası,<br>modelin eğitim setinde hiç görmediği yepyeni bir kelimeyle karşılaştığında tamamen tıkanmasına yol açardı. İşte<br><strong>BPE (Byte-Pair Encoding)</strong> algoritması bu kördüğümü çözen zarif yaklaşımdır.<br>BPE, kelimeleri alt kelime birimlerine (<strong>subwords</strong>) bölerek çalışır. Algoritmanın çalışma mantığı adeta dijital bir yapboz<br>çözme sürecidir:<br><strong>Başlangıç Noktası:</strong> Her şey en küçük bileşenine; harflere veya byte seviyesine indirgenerek başlar.<br><strong>İstatistiksel Tarama: </strong>Tüm metin veri tabanı taranır ve yan yana en sık gelen ikili (pair) kombinasyonlar tespit<br>edilir.<br><strong>Birleştirme Adımı:</strong> En sık tekrar eden bu ikili, tek bir “yeni token” olarak sözlüğe eklenir.<br><strong>Döngü ve Kapasite:</strong> Önceden belirlenen sözlük kapasitesine (örneğin 50K token) ulaşılana kadar bu “bul ve<br>birleştir” döngüsü binlerce kez tekrarlanır.<br>Bu sayede model, daha önce hiç görmediği bir kelimeyle karşılaşsa bile onu tanıdık alt parçalarına (subwords)<br>bölerek anlamlandırmayı başarır.</p><p>BPE için de aşağıdaki kaynaklara bakabilirsiniz:</p><ul><li><a href="https://huggingface.co/learn/llm-course/en/chapter6/5">https://huggingface.co/learn/llm-course/en/chapter6/5</a></li><li><a href="https://sebastianraschka.com/blog/2025/bpe-from-scratch.html">https://sebastianraschka.com/blog/2025/bpe-from-scratch.html</a></li><li><a href="https://github.com/karpathy/minbpe">https://github.com/karpathy/minbpe</a></li></ul><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FhL4ZnAWSyuU%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DhL4ZnAWSyuU&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FhL4ZnAWSyuU%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/416798905d76950630edf06fd0c48d1d/href">https://medium.com/media/416798905d76950630edf06fd0c48d1d/href</a></iframe><blockquote><strong><em>3. Torch (PyTorch) ve Matrislerin Acımasız Düzeni</em></strong></blockquote><p>Modellerin arkasındaki teorik gücü ne kadar iyi bilirseniz bilin, işin donanım ve yazılım altyapısına inmediğiniz<br>sürece tablo eksik kalır. <strong>PyTorch</strong>, yapay zeka dünyasında karmaşık matematiksel işlemleri — özellikle milyarlarca<br>parametreli matris çarpımlarını — bilgisayarın GPU (ekran kartı) veya CPU’su üzerinde ultra hızlı koşturan devasa<br>bir araç kutusudur.<br>Yapay zeka modelleri, temelde veriyi işlemek için tasarlanmış devasa matematiksel işlem hatlarıdır (pipeline) ve bu<br>hatlar sabit genişlikte çalışmak zorundadır. Ancak insan dili esnektir; cümleler kimisi için kısa, kimisi için oldukça<br>uzundur. PyTorch üzerinde koşan bir model ise tokenlerin hepsini aynı uzunlukta, yani sabit bir matris kalıbında<br>bekler. İşte bu uyumsuzluğu çözmek için iki kritik operasyon devreye girer:<br><strong>Padding ([PAD]):</strong> Modelin beklediği sabit matris boyutundan kısa olan cümleler, [PAD] etiketleriyle (boşluk<br>dolgularıyla) eşit uzunluğa getirilir.<br><strong>Truncation (Kesme): </strong>Modelin kapasitesini veya belirlenen bağlam penceresini aşacak kadar uzun cümleler ise<br>belirli bir sınırdan kesilerek budanır.<br>Bu standartlaştırma süreci sayesinde model her seferinde tutarlı bir matris boyutuyla karşılaşır; böylece<br>hesaplamalar bellek taşmaları alınmadan, maksimum hız ve kararlılıkla gerçekleştirilir.</p><blockquote><strong><em>4. Sözcük Uzayı, Transformer ve Embedding Matrisi</em></strong></blockquote><p>Defterimdeki notların en büyüleyici ve soyut kısmına geldiğimizde, anlamın matematiksel uzaydaki karşılığıyla<br>yüzleştim. Sözcük uzayında tokenler rastgele değil, belirli kurallara göre konumlandırılır. Bu konumları yöneten,<br>biçimlendiren ve modelin kalbinde atan ana motor ise <strong>Transformer</strong> mimarisidir. Dil modelleri sıfırdan sihirli bir<br>şekilde yeni kelimeler üretmez; Transformer, mevcut kelime uzayını dönüştürerek en olası sonraki tokeni seçer.<br>Peki bilgisayar bu kelimelerin uzaydaki konumlarını nasıl öğreniyor? Cevap:<strong> Embedding Matrisi.</strong><br>Embedding matrisi, bilgisayarın metinleri anlamlandırabilmesi için her kelimeyi çok boyutlu sayılarla temsil ettiği<br>muazzam bir tablodur. Bu tabloda her tokenin kendine ait sayısal bir vektörü bulunur. Eğitim süreci boyunca model,<br>yapay sinir ağları vasıtasıyla olağanüstü bir optimizasyon gerçekleştirir:<br>Anlamca birbirine yakın olan kelimelerin (kedi ile köpek gibi) vektörlerini uzayda birbirine coğrafi olarak<br>yaklaştırırken; tamamen farklı dünyalara ve bağlamlara ait kelimelerin (kedi ile araba gibi) vektörlerini birbirinden<br>uzaklaştırır. Model böylece kelimelerin yalnızca sözlükteki yazılış sırasını değil, aralarındaki derin anlamsal, kültürel<br>ve mantıksal bağları da çok boyutlu bir uzay haritası üzerinde çözmüş olur.</p><h3>Son Söz Yerine: Koddan Anlama Giden Yol</h3><p>İlk dersin defter notlarını derleyip bu analitik çerçevede masaya yatırdığımda anladım ki; yapay zeka dediğimiz o<br>devasa, büyüleyici yapı aslında en temel matematiksel operasyonların, istatistiksel eşleşmelerin ve vektörel<br>uzayların kusursuz bir uyumla çalışmasından ibaret. Kelimelerin sayılara, sayıların anlamlı uzaylara dönüştüğü bu<br>büyüleyici yolculuğu kavramak, yapay zekaya ve kod yazmaya olan bakış açınızı kökten değiştiriyor. Bir sonraki<br>derste bu matrislerin derinliklerine daha da maslahatla dalmak üzere, kodla kalın!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f69e2adf9488" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Huawei Cloud ile Veri Bilimi Yolculuğu: Ham Veriden Akıllı Modellere]]></title>
            <link>https://medium.com/@aysenuryesilovaofficial/huawei-cloud-ile-veri-bilimi-yolculu%C4%9Fu-ham-veriden-ak%C4%B1ll%C4%B1-modellere-317a573d84a8?source=rss-7aac7efcee03------2</link>
            <guid isPermaLink="false">https://medium.com/p/317a573d84a8</guid>
            <category><![CDATA[software-engineering]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[huawei-cloud]]></category>
            <dc:creator><![CDATA[AYŞE NUR YEŞİLOVA]]></dc:creator>
            <pubDate>Tue, 21 Jul 2026 14:05:50 GMT</pubDate>
            <atom:updated>2026-07-21T14:05:50.712Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*K_AbNqTWxxj-t9kviLmE3Q.png" /></figure><p>Dijital dönüşüm çağında hızla değişen pazar koşulları, yazılım ve veri ekiplerinin yalnızca hızlı değil, aynı zamanda esnek, ölçeklenebilir ve güvenilir çözümler üretmesini zorunlu kılıyor. Günümüzde milyarlarca satır veri üretiliyor ve bu verilerin depolanması, işlenmesi ve modellerin eğitilmesi ayrı bir altyapı gücü gerektiriyor. İşte bu noktada bulut bilişim teknolojileri devreye giriyor.</p><p>Katıldığım Data Science Bootcamp sürecinde, modern yazılım geliştirme yaklaşımlarından bulut tabanlı büyük veri işleme ve makine öğrenmesine kadar uçtan uca pek çok değerli deneyim beni bekliyor. Bu yazıda; bootcamp boyunca haftalık olarak öğrendiğim teknikleri, <strong>Huawei Cloud</strong> ekosisteminin gücünü, veri mühendisliği süreçlerini ve bulut ortamında model geliştirme adımlarını detaylıca ele alacağım.</p><h3>1. Kodlamanın Yeni Boyutu: Vibe Coding ve Yapay Zeka Temelleri</h3><p>Geleneksel yazılım geliştirme sürecinde her bir satır mantığı ve fonksiyonu elimizle yazarken, yapay zekanın hayatımıza girmesiyle birlikte <strong>“Vibe Coding”</strong> kavramı doğdu. Vibe coding, geliştiricinin tek tek satır satır kod yazmak yerine; yapay zekaya ne istediğini ve projenin “havasını” (vibe) aktararak kod üretmesini sağlayan yeni nesil bir yaklaşımı ifade ediyor.</p><p>Bu dönüşümün arkasındaki yatan yapay zeka alt dalları, modern akıllı sistemlerin temelini oluşturur:</p><ul><li><strong>Makine Öğrenmesi (Machine Learning):</strong> Yapay zekanın verideki gizli kalıpları tespit etmesine ve geleceğe yönelik tahminlerde bulunmasına yardımcı olur. <em>Yapılandırılmış verilerle çok iyi çalışır; geçmiş örneklerden öğrenerek doğruluk seviyesini artırır.</em></li><li><strong>Derin Öğrenme (Deep Learning):</strong> Yapay sinir ağlarını kullanarak <em>yapılandırılmamış verilerin (metin, video, ses vb.) işlenmesine olanak sağlar.</em> İnsan tarafından tanımlanan katı kurallar olmaksızın, karmaşık örüntüleri kendi kendine tanır.</li><li><strong>Doğal Dil İşleme (NLP):</strong> <em>İnsan dilini anlayıp işleyerek üretmesini sağlar.</em> Bağlamı ve anlamı yorumlayarak sohbet robotlarını, sesli asistanları ve akıllı kod asistanlarını güçlü bir şekilde destekler.</li></ul><h3>2. Veri Bilimi ve Roller Nasıl Dağılır?</h3><p>Ham veri tek başına hiçbir şey ifade etmez. Veri bilimi; veriden anlam çıkararak daha iyi kararlar almayı ve geleceğe dair öngörülerde bulunmayı sağlayan çok disiplinli bir alandır. Analiz süreçleri kendi içinde üç aşamaya ayrılır:</p><ol><li><strong>Betimsel Analiz:</strong> Geçmişi özetler (Raporlar, panolar).</li><li><strong>Tanısal Analiz:</strong> “Neden oldu?” sorusuna yanıt arar (İlişki ve kök-neden analizi).</li><li><strong>Öngörücü Analiz:</strong> Geleceği tahmin eder (Modelleme ve makine öğrenmesi algoritmaları).</li></ol><p>Bu ekosistemde görev yapan profesyonellerin sorumlulukları net bir şekilde ayrılmıştır:</p><ul><li><strong>Veri Mühendisi:</strong> Veriyi toplar, temizler, depolar ve güvenli akış hatlarını (pipeline) kurar.</li><li><strong>Veri Analisti:</strong> Veriyi görselleştirir, raporlar sunar ve “Ne oldu?” sorusunu netleştirir.</li><li><strong>Veri Bilimcisi:</strong> Model kurar, derinlemesine tahminler yapar ve “Ne olacak?” sorusuna odaklanır.</li></ul><h3>3. Proje Yönetiminde Sektörel Standart: CRISP-DM</h3><p>Veri projelerini yürütmek, rastgele adımlarla ilerlemekten ziyade kanıtlanmış bir yol haritası gerektirir. <strong>CRISP-DM (Cross-Industry Standard Process for Data Mining)</strong>, veri projelerini yürütmek için sektörden bağımsız, mantıklı ve baştan sona kurgulanmış bir metodolojidir.</p><ul><li><strong>Altın Kural:</strong> Her zaman araçlarla veya teknolojiyle değil, <strong>iş problemiyle başla</strong>, sonra veriye geç. Amacın ne olduğu netleşmeden asla model kurulmaz!</li><li><strong>Döngüsel Yapı:</strong> Adımlar arasında ileri-geri geçişler yapılır; süreç lineer değil döngüseldir. Ekip arasında ortak bir dil kurarak projenin hangi aşamada olduğunu net bir şekilde ifade etmeyi sağlar.</li><li><strong>Devreye Alma:</strong> Projenin testlerden başarıyla geçtikten sonra kullanıcıların erişebileceği şekilde canlıya alınması (geliştirilen çözümün hayata geçirilmesi) ile süreç tamamlanır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*dT6R8yYcZzLzAs6Bnv2sFQ.png" /></figure><h3>4. Bulut Bilişim ve Veri Bilimi Entegrasyonu</h3><p>Büyük veri setleriyle çalışırken ve derin öğrenme modelleri eğitirken yerel bilgisayarlarımızın işlemci (CPU) ve grafik işlemci (GPU) kapasiteleri bir süre sonra yetersiz kalır. Bootcamp sürecinde bulut platformlarının gücünü bu noktada bizzat deneyimledik:</p><ul><li><strong>Yüksek Hesaplama Gücü:</strong> Bulut sunucularında GPU/CPU kullanarak büyük veri setleri üzerinde makine öğrenmesi ve derin öğrenme modellerini çok daha kısa sürede eğitebiliyoruz.</li><li><strong>Huawei Cloud Altyapısı Esnekliği:</strong> Huawei Cloud gibi güçlü bulut çözümleri; veri depolama, yüksek performanslı bilgi işlem ve yapay zeka servislerini bir arada sunarak veri bilimi projelerindeki altyapı karmaşıklığını ortadan kaldırır. Konteyner teknolojileri ve Cloud Container Engine (CCE) gibi yapılar sayesinde modellerimiz ve veri işleme hatlarımız izole, güvenli ve ölçeklenebilir ortamlarda çalıştırılır.</li></ul><h3>5. Keşifsel Veri Analizi (EDA) ve Veri Hazırlama Akışı</h3><p>Modele geçmeden önce veriyi grafikler ve özet istatistiklerle tanıma sürecine <strong>EDA (Exploratory Data Analysis — Keşifsel Veri Analizi)</strong> denir. Kalitesiz veya incelenmemiş verilerle kurulan model de hatalı sonuçlar üretir; bu nedenle EDA, sorunları erken fark ederek zaman ve güven kazandırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jXutxeqlqYx0FiQ48RlBYQ.png" /></figure><h3>Veri Hazırlama Adımları:</h3><ol><li><strong>Ham Veri:</strong> Dağınık, eksik ve hatalarla doludur.</li><li><strong>Temizleme:</strong> Eksik değerlerin doldurulması ve yinelenen hataların giderilmesi.</li><li><strong>Dönüştürme:</strong> Ölçekleme, kategorik kodlama vb. işlemler.</li><li><strong>Öznitelik Mühendisliği:</strong> Veriden yeni ve anlamlı değişkenler türetme.</li><li><strong>Hazır Veri:</strong> Artık algoritmalara verilebilecek kıvama gelmiş temiz veri seti.</li></ol><h3>EDA Kontrol Listesi:</h3><ul><li><strong>İlk Bakış:</strong> Satır/sütun sayısı ve veri tiplerinin kontrolü.</li><li><strong>Eksik Değerler:</strong> Her sütunda ne kadar boşluk olduğu ve bu boşlukların nedenleri.</li><li><strong>Dağılımlar:</strong> Sayısal sütunların histogram grafikleriyle incelenmesi.</li><li><strong>Aykırı Değerler:</strong> Kutu grafikleri (boxplot) ile uç değerlerin tespiti. (<em>Not: Aykırı değer her zaman silinmez; önce neden orada olduğu sorgulanır.</em>)</li><li><strong>İlişkiler:</strong> Değişkenler arası korelasyon analizi. (<em>Unutulmamalıdır ki; İlişki </em>≠ <em>Nedensellik. İki değişkenin birlikte hareket etmesi, birinin diğerine doğrudan sebep olduğu anlamına gelmez. Çoğu zaman arka planda gizli bir 3. etken rol oynar.</em>)</li></ul><h3>6. Öznitelik Mühendisliği ve Veri Dönüşümleri</h3><p><strong>Öznitelik Mühendisliği</strong>, mevcut veriden daha anlamlı yeni özellikler türetmektir ve çoğu zaman bir makine öğrenmesi modelinin başarısını belirleyen en kritik adımdır.</p><h3>Ölçeklendirme (Scaling):</h3><p>Farklı birimlerdeki ve aralıklardaki sayılar (örneğin binler mertebesindeki gelirler ile tek haneli yaş değerleri) modeli olumsuz etkiler. Ölçeklendirme tüm sayıları ortak bir araya getirir:</p><ul><li><strong>Normalizasyon (Min-Max Scaler):</strong> Tüm değerleri 0 ile 1 arasına sıkıştırır.</li><li><strong>Standardizasyon (Z-Score Scaler):</strong> Ortalamayı 0, standart sapmayı 1 yapar.<em> Aykırı değerlere karşı daha dayanıklıdır ve birçok algoritmanın birincil tercihidir.</em></li></ul><h3>Kategorik Veri Kodlama (Encoding):</h3><ul><li><strong>One-Hot Encoding:</strong> Her kategori için ayrı bir 0/1 sütunu oluşturur. Sırasız kategoriler için idealdir.</li><li><strong>Label Encoding:</strong> Her kategoriye benzersiz bir sayısal değer atanır. Yalnızca doğal sıralaması olan değişkenler için (ör. Düşük, Orta, Yüksek) kullanılmalıdır. Sırasız verilerde kullanılırsa model, kategoriler arasında yanlış bir büyüklük ilişkisi kurabilir.</li></ul><h3>Sonuç</h3><p>Data Science Bootcamp sürecimin 1–2. haftalarında edindiğim bu bilgiler; ham verinin toplanmasından CRISP-DM süreçlerine, EDA aşamalarından öznitelik mühendisliğine ve nihayetinde bulut bilişim altyapıları üzerinde model koşturmaya kadar geniş bir vizyon kazandırdı. “Vibe coding” gibi modern yaklaşımlarla üretim hızımızı artırırken, Huawei Cloud gibi güçlü bulut platformlarının sunduğu esneklik ve hesaplama gücüyle projelerimizi geleceğe taşımaya devam ediyoruz.</p><p>Veri bilimi ve bulut teknolojilerinin kesişim kümesinde yer almak, modern dünyada fark yaratmak isteyen her geliştirici için güzel bir yolculuk.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=317a573d84a8" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>