<?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 Berke Özkul on Medium]]></title>
        <description><![CDATA[Stories by Berke Özkul on Medium]]></description>
        <link>https://medium.com/@berke.zkl?source=rss-676d634e8c28------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*LSDKnIgjYUdzadJQYJLCgw.jpeg</url>
            <title>Stories by Berke Özkul on Medium</title>
            <link>https://medium.com/@berke.zkl?source=rss-676d634e8c28------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 13:59:30 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@berke.zkl/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[Flutter Geliştiricileri İçin Google ML Kit Rehberi 1: Yapay Zeka Destekli Mobil Uygulamalar]]></title>
            <link>https://medium.com/@berke.zkl/flutter-geli%C5%9Ftiricileri-i%CC%87%C3%A7in-google-ml-kit-rehberi-1-yapay-zeka-destekli-mobil-uygulamalar-206cb90dd451?source=rss-676d634e8c28------2</link>
            <guid isPermaLink="false">https://medium.com/p/206cb90dd451</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[mobile-app-development]]></category>
            <category><![CDATA[flutter]]></category>
            <category><![CDATA[google]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Berke Özkul]]></dc:creator>
            <pubDate>Sun, 16 Feb 2025 12:04:12 GMT</pubDate>
            <atom:updated>2025-02-16T12:04:12.823Z</atom:updated>
            <content:encoded><![CDATA[<h3>Mobil uygulamalar yapay zeka ile her geçen gün daha akıllı hale geliyor. Google ML Kit, geliştiricilerin uygulamalarına metin tanıma, yüz algılama, nesne tanıma ve çeviri gibi AI tabanlı özellikleri kolayca entegre etmesini sağlıyor.</h3><p>Bu makalede, <strong>Google ML Kit’in ne olduğunu, hangi yapay zeka özelliklerini sunduğunu ve Flutter ile nasıl kullanılabileceğini</strong> ele alacağız. Eğer siz de <strong>AI destekli mobil uygulamalar geliştirmek istiyorsanız</strong>, bu rehber tam size göre! 🚀</p><p>Ayrıca makale boyunca kullandığım resimleri de yapay zeka ile ürettim. Detaylı promptlar ile siz de <a href="https://gencraft.com/generate"><strong><em>Gencraft </em></strong></a>ile istediğiniz gibi resimler üretebilirsiniz.</p><h3>📌 Google ML Kit Nedir?</h3><p>Google ML Kit, <strong>mobil uygulamalara yapay zeka özellikleri eklemek için tasarlanmış bir makine öğrenimi kütüphanesidir</strong>. Flutter ve Firebase ile entegre çalışarak <strong>Android ve iOS uygulamalarında kolayca AI özellikleri kullanmanızı sağlar</strong>.</p><p>Peki bunun ne tür kolaylıkları var ? 🤔</p><p>✔ <strong>Platformlar arası destek</strong>: Tek bir kod tabanı ile <strong>Android &amp; iOS</strong> uygulamalarında çalışır.<br>✔ <strong>Cihaz üzerinde veya bulutta çalışabilme</strong>: <strong>Çevrimdışı AI çözümleri</strong> sunabilir.<br>✔ <strong>Hazır AI API’leri</strong>: ML Kit ile sıfırdan model eğitmeye gerek kalmadan <strong>hazır makine öğrenimi özellikleri</strong> kullanabilirsiniz.</p><h3>📌 Google ML Kit ile Kullanılabilen Yapay Zeka Özellikleri</h3><p>Aşağıda, <strong>Google ML Kit’in sunduğu en popüler AI özelliklerini, hangi durumlarda kullanabileceğinizi ve daha fazla bilgi almak için resmi kaynaklarını</strong> bulabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*OTVJkR3Jjrhz_wh_" /><figcaption>Generated by <a href="https://gencraft.com/generate"><strong><em>Gencraft</em></strong></a></figcaption></figure><h3>1️⃣ Metin Tanıma (OCR — Optical Character Recognition)</h3><p>Bir görüntü veya fotoğraf içindeki yazıları algılar ve dijital metne çevirir.</p><p><strong>📌 Kullanım Alanları:</strong></p><ul><li><strong>Fatura, kimlik kartı ve belgelerden metin çıkarma</strong></li><li><strong>El yazısını dijital metne dönüştürme</strong></li><li><strong>Restoran menülerini tarayarak çeviri yapma</strong></li></ul><p>📂 ML Kit’in <strong>Text Recognition API’sini</strong> kullanmak için.<strong>:</strong></p><p><a href="https://firebase.google.com/docs/ml-kit/recognize-text?hl=tr">ML Kit Metin Tanıma Dokümantasyonu</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*fXq-F8gfVO23LEyX" /><figcaption>Generated by <a href="https://gencraft.com/generate"><strong><em>Gencraft</em></strong></a></figcaption></figure><h3>2️⃣ Yüz Tanıma (Face Detection)</h3><p>Fotoğraflarda veya canlı kamera görüntülerinde yüzleri algılar, yüz ifadelerini analiz eder.</p><p><strong>📌 Kullanım Alanları:</strong></p><ul><li><strong>Gülümseme &amp; göz kırpma gibi ifadeleri algılama</strong></li><li><strong>Fotoğraf filtreleri &amp; artırılmış gerçeklik (AR) uygulamaları</strong></li><li><strong>Biyometrik güvenlik ve kimlik doğrulama</strong></li></ul><p>📂 ML Kit’in <strong>Face Detection API’sini </strong>kullanmak için:</p><p><a href="https://firebase.google.com/docs/ml-kit/detect-faces?hl=tr">ML Kit Yüz Algılama Dokümantasyonu</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*oMfL78roxQuA-334" /><figcaption>Generated by <a href="https://gencraft.com/generate"><strong><em>Gencraft</em></strong></a></figcaption></figure><h3>3️⃣ Nesne Tanıma (Object Detection &amp; Tracking)</h3><p>Görüntülerdeki veya canlı kamera görüntüsündeki nesneleri algılar ve kategorize eder.</p><p><strong>📌 Kullanım Alanları:</strong></p><ul><li><strong>E-ticaret uygulamalarında, kullanıcı bir ürünü fotoğrafladığında benzer ürünleri arama</strong></li><li><strong>Akıllı galeri uygulamalarında, fotoğrafları nesnelere göre sınıflandırma</strong></li><li><strong>Oyunlar veya artırılmış gerçeklik (AR) uygulamalarında nesneleri algılama</strong></li></ul><p>📂 ML Kit’in <strong>Object Detection API’sini </strong>kullanmak için:</p><p><a href="https://firebase.google.com/docs/ml-kit/object-detection?hl=tr">ML Kit Nesne Tanıma Dokümantasyonu</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/0*isFa14j9NkMszK-L" /><figcaption>Generated by <a href="https://gencraft.com/generate"><strong><em>Gencraft</em></strong></a></figcaption></figure><h3>4️⃣ Barkod &amp; QR Kod Okuma (Barcode Scanning)</h3><p>Barkodları ve QR kodları tarayarak <strong>içeriğini analiz eder</strong>.</p><p><strong>📌 Kullanım Alanları:</strong></p><ul><li><strong>Ödeme ve bilet sistemlerinde QR kod tarama</strong></li><li><strong>Ürün barkodlarını okuyarak fiyat ve stok bilgisi çekme</strong></li><li><strong>Akıllı restoran menüleri (QR kodla sipariş verme)</strong></li></ul><p>📂 ML Kit’in <strong>Barcode Scanning API’sini </strong>kullanmak için:</p><p><a href="https://firebase.google.com/docs/ml-kit/read-barcodes?hl=tr">ML Kit Barkod Okuma Dokümantasyonu</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*aJ0ayQV_8iu0X6cu" /><figcaption>Generated by <a href="https://gencraft.com/generate"><strong><em>Gencraft</em></strong></a></figcaption></figure><h3>5️⃣ Dil Çevirisi (On-Device Translation)</h3><p>İnternete gerek kalmadan farklı diller arasında çeviri yapar.</p><p><strong>📌 Kullanım Alanları:</strong></p><ul><li><strong>Seyahat uygulamalarında anlık çeviri</strong></li><li><strong>Dijital asistanlar ve çok dilli mesajlaşma uygulamaları</strong></li><li><strong>Dil öğrenme uygulamalarında kelime çeviri desteği</strong></li></ul><p>📂 ML Kit’in <strong>On-Device Translation API’sini </strong>kullanmak için:</p><p><a href="https://firebase.google.com/docs/ml-kit/translation">ML Kit Dil Çevirisi Dokümantasyonu</a></p><h3>📌 ML Kit Kullanımı İçin Hangi Uygulamalar İdeal?</h3><p>ML Kit’i Flutter ile kullanmak isteyen geliştiriciler için, en iyi kullanım alanları şunlardır:</p><h3>🔹 Eğitim &amp; Dil Uygulamaları</h3><ul><li>ML Kit’in <strong>metin çevirisi, OCR ve konuşma tanıma</strong> özellikleri, dil öğrenme uygulamaları için mükemmeldir.</li><li>Kullanıcılar, kameralarını bir kelimenin üzerine tutarak çeviri yapabilir veya sesli konuşmalarını yazıya dökebilir.</li></ul><h3>🔹 Sağlık &amp; Fitness Uygulamaları</h3><ul><li>AI destekli yüz algılama veya hareket analizi ile <strong>egzersiz takip uygulamaları</strong> geliştirilebilir.</li><li><strong>Görüntü tabanlı teşhis sistemleri</strong>, hasta verilerini analiz edebilir.</li></ul><h3>🔹 Alışveriş &amp; E-Ticaret Uygulamaları</h3><ul><li>ML Kit’in <strong>barkod tarama ve nesne tanıma</strong> özellikleri, kullanıcıların ürünleri fotoğraflayarak doğrudan mağaza içeriğinde arama yapmasını sağlar.</li></ul><h3>🔹 Finans &amp; Kimlik Doğrulama</h3><ul><li>ML Kit’in OCR özelliği, <strong>fatura, kimlik kartı ve banka belgelerinin otomatik taranmasını</strong> mümkün kılar.</li><li>Yüz tanıma, biyometrik güvenlik önlemleri için kullanılabilir.</li></ul><h3>🔹 Oyun &amp; Eğlence Uygulamaları</h3><ul><li>Kamera bazlı <strong>yüz tanıma ve filtre uygulamaları</strong> ile kullanıcı deneyimini eğlenceli hale getirmek mümkün.</li><li>ML Kit, <strong>artırılmış gerçeklik (AR) efektleri</strong> geliştirmek için de kullanılabilir.</li></ul><h3>📌 Sonuç</h3><p>Flutter ve <strong>Google ML Kit</strong>, mobil uygulamalara yapay zeka özellikleri entegre etmek için <strong>en hızlı ve kolay çözümlerden biridir</strong>. Bu rehberde <strong>Google ML Kit’in sunduğu temel yapay zeka özelliklerini, hangi senaryolarda kullanıldığını ve hangi kaynaklardan daha fazla bilgi alabileceğinizi</strong> ele aldık.</p><p>📌Bir sonraki yazımda detaylı kod örnekleriyle uygulamalı şekilde sizlerle olacağım. 🚀</p><p>💬 <strong>Sizce en kullanışlı ML Kit API’si hangisi? Yorumlarda paylaşın!</strong> 😊</p><p>Takipte kalın ! 🧡</p><p><strong>Mirketgiller Ar-Ge Departmanı Üyesi | Bilgisayar Mühendisliği Öğrencisi | </strong><a href="https://www.linkedin.com/in/berkeozkul1/"><strong>Berke Özkul</strong></a><strong> 💻</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=206cb90dd451" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Overfitting vs Underfitting]]></title>
            <link>https://medium.com/@berke.zkl/overfitting-vs-underfitting-e474f7d27fb5?source=rss-676d634e8c28------2</link>
            <guid isPermaLink="false">https://medium.com/p/e474f7d27fb5</guid>
            <dc:creator><![CDATA[Berke Özkul]]></dc:creator>
            <pubDate>Thu, 07 Sep 2023 21:45:56 GMT</pubDate>
            <atom:updated>2023-09-09T10:48:56.146Z</atom:updated>
            <content:encoded><![CDATA[<p>Makine öğreniminde belki de en zorlayıcı kısım belirli bir veri setinden en iyi genelleme yapan modeli bulmaktır. Bu genelleme, modelin dışarıdan gelecek olan, yeni veriler üzerinde doğru tahminler yapabilmesi için gereklidir. Ancak dikkat edilmesi gereken iki tuzak bunu engelleyebilir: Overfitting (Aşırı uyum), Underfitting (Yetersiz uyum)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pXJJTOS0f0dqgnlleP10aA.jpeg" /><figcaption>Source: <a href="https://analystprep.com/study-notes/cfa-level-2/quantitative-method/overfitting-methods-addressing/">https://analystprep.com/study-notes/cfa-level-2/quantitative-method/overfitting-methods-addressing/</a></figcaption></figure><h3><strong><em>Overfitting</em></strong></h3><p>Overfitting bir modelde veri neredeyse ezberleniyor ve bu yüzden dışarıdan gelen verilerde o ezberin dışına çıkılamadığından iyi bir performans görülmeyecektir. Overfitting ile başa çıkmadaki en önemli zorluk, model karmaşıklığı ile veri uyumu arasında doğru dengeyi bulmaktır.</p><p>Overfitting bir model yalnızca verinin temel yapısını değil aynı zamanda verisetinin içerisindeki gürültüyü ve rastgele dalgalanmaları da yakaladığında oluşur. Biz ise modelin veriyi öğrenmesini değil, verinin yapısını öğrenmesini hedeflediğimiz için bu durum sağlıklı olmayacaktır. Sonuç olarak, overfitting modeli eğitim verileri üzerinde olağanüstü derecede iyi performans gösterir ancak yeni, görünmeyen verilerde başarısız olacaktır.</p><h4><em>Overfitting Tespiti Nasıl Yapılır?</em></h4><blockquote>— Modelin eğitim seti ve test setindeki performansları, hata değişimleri bazı metrikler ile incelenir. Test(doğrulama) setindeki performansı eğitim setindekine göre önemli ölçüde daha kötüyse overfitting olabilir.<br> — Zaman içindeki model karmaşıklığının tahmin hatalarına göre değişimini çizerek test seti ve eğitim setinin öğrenme eğrilerini oluşturduğumuzda (öğrenme eğrisi) bu iki hatanın birbirinden ayrılmaya başladığı nokta itibariyle (biz o noktaya optimum nokta diyoruz) aşırı öğrenme meydana geliyor olacaktır.</blockquote><h4>Overfitting Nasıl Giderilebilir?</h4><blockquote><em>1- Daha fazla veri ekleme:</em><br> Modelin eğitim seti monoton ise daha fazla veri ekleyerek çeşitlilik artırılabilir.</blockquote><blockquote><em>2- Değişkenleri azaltma:</em><br>Verilerin daha sağlıklı olması açısından değişkenler gözden geçirilir. Eksik değerler bulunabilir veya bazı aykırı değerler yakalanabilir. Kısacası veri ön işleme yapılarak; birbirleriyle yüksek korelasyona sahip sütunlar silinebilir veya tek değişken olarak birleştirilir. Böylece hazırlanacak olan model için veriler daha optimize hale getirilir.</blockquote><blockquote>3-Düzenlileştirme(Regularization):<br> Modelin karmaşıklığını azaltmak için düzenlileştirme kullanılır. Veri setinin daha iyi anlaşılabilir, daha iyi performans gösteren veya daha iyi sonuçlar üretebilen bir şekilde hazırlanması modelin overfitting olma ihtimalini azaltacaktır. Kayıp fonksiyonunu cezalandırma üzerine kurulu bir tekniktir. Modelde ağırlığı yüksek olan değişkenlerin ağırlığını azaltarak bu değişkenlerin modele etkisini azaltır. Kayıp fonksiyonu, gerçek ile öngörülen değer arasındaki farkın karelerinin toplamıdır. Değişkenlerin ağırlığını azaltmak için regularization değerini arttırmak gerekmektedir. Sektörde en yaygın kullanılan regularization metotları Ridge ve Lasso regresyonlarıdır. Aralarındaki fark cezalandırma derecesidir. Ridge Regresyon önemsiz değişkenin kat sayısını azaltır fakat yine de tüm değişkenleri kullanır, Lasso ise değişken kat sayısını tamamen sıfır yaptığı için sadece belli değişkenleri seçmiş olur.</blockquote><blockquote>Ridge Regresyonu (Önemsiz değişkenlerin kat sayılarını küçültme)<br>Lasso Regresyonu (Önemsiz değişkenlerin kat sayılarını 0 yapma)</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/492/1*DZvvshqi6wV1igri2b58Rw.png" /><figcaption>Graph source: <a href="https://www.researchgate.net/profile/Ljubomir-Jacic/post/How_does_model_complexity_impact_the_bias-variance_tradeoff/attachment/59d6233579197b807798188f/AS%3A306150770184192%401450003439733/image/biasvariance.png">https://www.researchgate.net/profile/Ljubomir-Jacic/post/How_does_model_complexity_impact_the_bias-variance_tradeoff/attachment/59d6233579197b807798188f/AS%3A306150770184192%401450003439733/image/biasvariance.png</a></figcaption></figure><h3>Underfitting</h3><p>Underfitting bir model ise, verilerdeki temel yapıyı yakalamak ve verinin öğrenilmesi adına çok basittir. Eğitim setindeki verilerden etkili bir şekilde verinin öğrenilmesinde bu yüzden başarısız olur. Buradaki öğrenme gerçekleşmediği için dışardan gelecek yeni verilerde de bu model düşük performansa yol açacaktır. Hem eğitim hem de test veri setinde hata oranı çok yüksek olacaktır.</p><h4>Underfitting Tespiti Nasıl Yapılır?</h4><blockquote>— Öğrenme eğrisinde eğitim setinin hatası ve test setinin hatası birlikte yavaşça düşüyorsa, model yeterince karmaşık değildir. Bu yüzden bu underfitting bir model olabilir.<br> — Modelinizi farklı veriler üzerinde çapraz doğrulama(cross-validation) ile değerlendirin. Eğer farklı veriler üzerinde de benzer sonuçlarla karşılaşıyorsanuz, model daha fazla genelleştirmeye ihtiyaç duyuyor olabilir. Ancak, tüm çapraz doğrulama katları aynı sonuçları veriyorsa, bu underfitting bir modelin belirtisi olabilir.</blockquote><h4>Underfitting Nasıl Giderilebilir?</h4><blockquote>1- Model karmaşıklığını artırma: <br>Modelin hassaslaştırılması daha detaylı tahminler yapabilmesi için özelliklerinin kuvvetlendirilmesi, çeşitliliğinin artırılması sağlanır.</blockquote><blockquote>2- Daha fazla veri ekleme:<br>Daha fazla veri ekleyerek veri çeşitliliğini arttırmak underfitting modele karşı bir çözüm olabilir.</blockquote><blockquote>3- Düzenlileştirme(Regularization):<br> Burada da overfitting modelin tam aksine değişkenlerin ağırlığını arttırmak için regularization değerini azaltılmalıdır. Böylece veri setinden daha az hataya sahip bir model elde edilecektir.</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e474f7d27fb5" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>