<?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 Berhan Katipoğlu on Medium]]></title>
        <description><![CDATA[Stories by Berhan Katipoğlu on Medium]]></description>
        <link>https://medium.com/@bkatipoglu1?source=rss-9301bdddb6f1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*DgnzTo0a2oKYn5uTeukcgA.jpeg</url>
            <title>Stories by Berhan Katipoğlu on Medium</title>
            <link>https://medium.com/@bkatipoglu1?source=rss-9301bdddb6f1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 08:05:24 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@bkatipoglu1/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[Electric Motors]]></title>
            <link>https://medium.com/@bkatipoglu1/electric-motors-4e6e8ae7db54?source=rss-9301bdddb6f1------2</link>
            <guid isPermaLink="false">https://medium.com/p/4e6e8ae7db54</guid>
            <category><![CDATA[dc-motor]]></category>
            <category><![CDATA[electric-motors]]></category>
            <category><![CDATA[ac-motor]]></category>
            <dc:creator><![CDATA[Berhan Katipoğlu]]></dc:creator>
            <pubDate>Wed, 11 Jan 2023 23:42:13 GMT</pubDate>
            <atom:updated>2023-01-12T09:56:05.203Z</atom:updated>
            <content:encoded><![CDATA[<h4><strong>1-) What is the Electric Motor ?</strong></h4><p>Electric motor is <strong>an electrical machine that converts electrical energy into mechanical energy</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*5HOLZ4wVN91RRQVaPqVOSw.jpeg" /></figure><p>Most electric motors operate through the interaction between the motor’s magnetic field and electric current in a wire winding to generate force in the form of torque applied on the motor’s shaft.</p><h4><strong>2-) History and Inventors</strong></h4><p><strong>1834 — The first electric motor is made</strong></p><p>History was made when Thomas Davenport invented the first official battery-powered electric motor in 1834. This was the first electric motor that had enough power to perform a task. He used his electric motor in 1840 to print The Electro-Magnetic and Mechanics Intelligencer — the first newspaper printed using electricity.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/250/1*uUclj2zO9QGrf1KlrIV6QA.png" /><figcaption>The first electric motor</figcaption></figure><p><strong>1888 — The AC induction motor is patented</strong></p><p>In 1887, Nikola Tesla invented an AC induction motor that he successfully patented a year later. It wasn’t suitable for road vehicles but it was later adapted by Westinghouse engineers.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/537/1*gas6Adzc2XTeNz4jqhtN7w.png" /><figcaption>One of the original Tesla Electric Motor from 1888</figcaption></figure><p><strong>1891 — The development of three-phase motors</strong></p><p>In this year, General Electric started developing three-phase induction motors. In order to utilise the bar-winding rotor design , GE and Westinghouse signed a cross-licensing agreement in 1896.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*1imE8EyEFBEgnp_7LFcElQ.jpeg" /><figcaption>The first three-phase cage-induction motor</figcaption></figure><p><strong>2000s — Use of motors today</strong></p><p>In the 21st century, AC and DC electric motors are now widely used in industries across the globe and are an integral part of many applications. From powered wheelchairs and stairlifts to industrial automation, transport and solar panels, manufacturing effective solutions for a wide range of applications.</p><h4><strong>3–) How Do Electric Motors Work ?</strong></h4><p>Electric motors can be powered by alternating current (AC) or direct current (DC). DC motors were developed first and have certain advantages and disadvantages. Each type of motor works differently but they all use the power of the electromagnetic field.</p><p>By understanding how a motor works you can learn a lot about magnets, electromagnets and electricity in general. An electric motor uses magnets to create motion. If you have ever played with magnets, you know about the fundamental law of all magnets: Opposites attract and likes repel.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/597/1*Z-pVrxdQ-I5P7KfPd3RzSA.gif" /></figure><p>So, if you have two bar magnets with their ends marked “north” and “south” , then the north end of one magnet will attract the south end of the other. On the other hand, the north end of one magnet will repel the north end of the other (and south will repel south). Inside an electric motor, these attracting and repelling forces create rotational motion.</p><h4><strong>4-) Parts of an Electric Motor</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*z29uYtHMSFi2IxFu5v7utA.png" /></figure><blockquote><strong>4.1-) Rotor</strong></blockquote><p>The <strong>rotor </strong>is the moving, or rather rotating part of the electric motor. The rotor sits between the poles of the stator. It is often made of iron or iron alloy and therefore also called iron core or magnetic core.</p><p>Since an iron core made of solid material is inefficient in terms of performance due to high eddy current losses, a rotor is made of individual laminations, also called rotor lamellas. This also applies to the stator laminations. The stator and rotor laminations are punched from electrical sheets or cut on the laser cutting machine, stacked to form magnetic cores, joined together (e.g., glued, welded, riveted, etc.) and fitted with windings (stator) or with permanent magnets (rotor). Depending on the design of the electric motor, both the rotor and the stator can be provided with permanent magnets or with windings.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_3mMu9nGbwPJ3SHVITcWdw.jpeg" /></figure><p>Modern drive motors can reach speeds of 10,000 rpm and even considerably higher. This generates considerable centrifugal forces in the rotor. For the positioning and alignment of the magnets in the rotor, corresponding openings known as magnet pockets are used.</p><blockquote><strong>4.2-) Stator</strong></blockquote><p>The <strong>stator </strong>is the stationary part of a rotary system.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*dyB0I_YviLB9koZLXwV3TQ.jpeg" /></figure><p>Energy flows through a stator to or from the rotating component of the system. In an electric motor, the stator provides a magnetic field that drives the rotating armature.</p><blockquote><strong>4.3-) Brush</strong></blockquote><p>A <strong>brush </strong>or carbon brush is an electrical contact which conducts current between stationary wires and moving parts, most commonly in a rotating shaft. The lifespan of a carbon brush depends on how much the motor is used, and how much power is put through the motor.</p><blockquote><strong>4.4-) Armature</strong></blockquote><p>The <strong>armature </strong>is the winding (or set of windings) of an electric machine which carries alternating current. The armature windings conduct AC even on DC machines, due to the commutator action (which periodically reverses current direction) or due to electronic commutation, as in brushless DC motors. The armature can be on either the rotor (rotating part) or the stator (stationary part), depending on the type of electric machine.</p><p>The armature windings interact with the magnetic field (magnetic flux) in the air-gap; the magnetic field is generated either by permanent magnets, or electromagnets formed by a conducting coil.</p><p>The armature must carry current, so it is always a conductor or a conductive coil, oriented normal to both the field and to the direction of motion, torque (rotating machine), or force (linear machine). The armature’s role is twofold. The first is to carry current across the field, thus creating shaft torque in a rotating machine or force in a linear machine. The second role is to generate an electromotive force (EMF).</p><blockquote><strong>4.5-) Commutator</strong></blockquote><p>A <strong>commutator </strong>is a rotary electrical switch in certain types of electric motors that periodically reverses the current direction between the rotor and the external circuit. It consists of a cylinder composed of multiple metal contact segments on the rotating armature of the machine. Two or more electrical contacts called “brushes” made of a soft conductive material like carbon press against the commutator, making sliding contact with successive segments of the commutator as it rotates. The windings (coils of wire) on the armature are connected to the commutator segments.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/350/1*A_5F6iR5vXmcyWmtgi3nEQ.png" /></figure><p>Commutators are used in DC motors as well as universal motors. In a motor the commutator applies electric current to the windings. By reversing the current direction in the rotating windings each half turn, a steady rotating force (torque) is produced.</p><blockquote><strong>4.6-) Windings</strong></blockquote><p><strong>Windings </strong>are coiled wires which usually surround a metallic core made from ferromagnetic material like iron or silicon steel.</p><p>The main role of windings in an electric motor, is to create magnetic fields. These fields may either emanate from a permanent magnet, or from electric current, through the electromagnetic effect.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/376/1*O_VHRqnakWJ2fYoIVWRkJA.png" /></figure><p>Another way to describe the role of windings, is for the creation of magnetic poles.</p><p>Windings are important as they initiate the magnetic conditions which are required to operate the motor. They also act as inlets for electric current which is needed directly or indirectly by all electric motor parts.</p><p>In some cases, permanent magnets or other ferromagnetic materials may be used in place of windings.</p><blockquote><strong>4.7-) Terminals</strong></blockquote><p><strong>Terminals </strong>are the supply points for current inflow to the electric motor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/540/1*HEJTWiZ54Kc9RUm6XLKjRw.jpeg" /></figure><p>Their role is to supply and transfer AC or DC current from the source (generator, battery) to the electric motor parts (rotor, stator, brushes, commutator) where this current is required.</p><p>Terminals may either occur as individual units, or as part of composite block.</p><blockquote><strong>4.8-) Shaft</strong></blockquote><p>The role of a <strong>shaft </strong>is to connect all rotating electric motor parts to the point of mechanical energy generation.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*q2IDUK4zP1ICWOWghbgaKg.png" /></figure><p>In most cases, the shaft is in direct contact with the bearings, and serves as a carrier for the rotor, which then transmits mechanical energy to the load.</p><p>To achieve its purpose, the shaft is generally designed as a cylindrical, metallic component that can rotate efficiently and with minimal friction, when supported by the bearings.</p><blockquote><strong>4.9-) Bearings</strong></blockquote><p><strong>Bearings </strong>support the rotor and shaft of an electric motor, allowing them to rotate with minimal resistance.</p><p>These electric motor parts (shaft and rotor) are usually adjoined, and play the important role of producing an output from the electromechanical conversion carried out by the motor, in the form of rotary motion.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UMDtWuADc39WFhjhaMX3Dw.png" /></figure><p>The presence of bearings limits the effect of friction on the motor, thereby minimizing energy losses. This makes it possible to transfer the mechanical energy from the rotor to the load, with efficiency and effectiveness.</p><p>In addition to minimizing friction, bearings support the body or casing of the electric motor. They are usually made from minimal-friction materials like aluminum.</p><blockquote><strong>4.10-) Poles</strong></blockquote><p><strong>Poles </strong>may be described as a virtual or ephemeral component of an electric motor. They are the points of strongest magnetic influence which are produced by the magnetic fields of the rotor and stator.</p><p>However, poles in an electric motor can be strengthened using pole shoes and pole cores. These are a segment of the stator which are equipped with ferromagnetic windings to supplement the magnetic affinity of the field windings and the stator core.</p><p>Due to the presence of poles, a sufficiently energetic magnetic flux is created to produce constant and effective rotation.</p><h4><strong>5–) Classification of Electric Motors</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*t6-SlnpIt9vJEiP7dVyPHw.png" /></figure><p>We know there are generally two types of motors, AC motor and DC motor. AC motors are flexible for speed control and demand low power during start. On the other hand, DC motors are widely used due to its initial cost of low power units is less compared to AC and can be easily installed.</p><blockquote><strong>5.1-) Linear Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/550/1*UgVo5PF5IsX9Uv0DTAPXZQ.png" /></figure><p>Linear motors operate with an AC power supply and servo controller, which are often the same as those used for rotary servo motors. The linear motor primary part is connected to the power supply to produce a magnet field. By changing the current phase in the coils, the polarity of each coil is changed. The attractive and repelling forces between the coils in the primary part and the magnets in the secondary part cause the primary to move and generate a linear force. The rate of change of the current controls the velocity of the movement, and the amperage of the current determines the force generated.</p><blockquote><strong>5.2-) Synchronous Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/1*GfSt6oOKoP1kbbrk4A3aNg.jpeg" /></figure><p>A synchronous motor is an AC motor in which the rotation of the rotor is synchronized with the frequency of the supply current. That is, the period of rotation of the rotor is equal to the rotating magnetic field of the machine in which it is placed.</p><blockquote><strong>5.2.1-) Reluctance Motor</strong></blockquote><p>A reluctance motor is a type of electric motor that induces non-permanent magnetic poles on the ferromagnetic rotor. The rotor does not have any windings. It generates torque through magnetic reluctance.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/1*UNBJeNwRryatrDFm2Kx0jQ.png" /></figure><p>Reluctance motors can deliver high power density at low cost, making them attractive for many applications.</p><blockquote><strong>5.2.2-) Hysteresis Motor</strong></blockquote><p>A hysteresis motor is a single-phase synchronous motor whose operating principle is based on the effect of magnetic hysteresis. According magnetic hysteresis, the magnetic flux density in a ferromagnetic material lags behind the magnetising force.</p><p>A hysteresis motor consists of a stator and a rotor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*8nkgRMnInjKpUwePhN4blg.png" /></figure><p>The stator of the hysteresis motor has a main winding along with an auxiliary or starting winding. When the stator winding is fed from a single-phase supply, it produces a synchronously revolving magnetic field.</p><blockquote><strong>5.3-) Induction Motor</strong></blockquote><p>The induction motor is a type of AC asynchronous motor that works on the principle of electromagnetic induction between the stator and the rotor. The revolving magnetic flux induces a current in the rotor due to electromagnetic induction which produces torque in the rotor. It is the most used electrical motor in industries.</p><blockquote><strong>5.3.1-) Single-Phase Induction Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*zYhu_5HaRtNP_x8oNBsztQ.png" /></figure><p>Single-phase induction motors are the simple motors which operate on single -phase AC and in which torque is produced due to induction of electricity caused by the alternating magnetic fields.</p><blockquote><strong>5.3.2-) Three-Phase Induction Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WcC_70FtxIGCbT5LrIy3MA.png" /></figure><p>A three phase induction motor is a type of AC induction motors which operates on three phase supply as compared to the single phase induction motor where single phase supply is needed to operate it. The three phase supply current produces an electromagnetic field in the stator winding which leads to generate the torque in the rotor winding of three phase induction motor having magnetic field.</p><blockquote><strong>5.4-) Self-Excited DC Motor</strong></blockquote><p>Self-excited DC motors have an armature and field coil that is connected in series or partly in series, in parallel or partly in parallel. They also have a single source of power.</p><blockquote><strong>5.4.1-) Series Wound Self Excited DC Motor</strong></blockquote><p>In this case, the entire armature current flows through the field winding as its connected in series to the armature winding. The series wound self excited dc motor is diagrammatically represented for better understanding.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/190/1*UlraqDUvPSEOYH3y4GLh3w.png" /></figure><p>In a series wound dc motor, the speed varies with load. And operation wise this is its main difference from a shunt wound dc motor.</p><blockquote><strong>5.4.2-) Compound Wound Self-Excited DC Motor</strong></blockquote><p>The compound excitation characteristic in a DC motor can be obtained by combining the operational characteristic of both the shunt and series excited DC motor. The compound wound self excited DC motor or simply compound wound DC motor essentially contains the field winding connected both in series and in parallel to the armature winding.</p><blockquote><strong>5.4.2.1-) Short Shunt DC Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/189/1*5SvukfZhhQeJYQRmHVnOGA.png" /></figure><p>If the shunt field winding is only parallel to the armature winding and not the series field winding then its known as short shunt dc motor or specifically short shunt type compound wound dc motor.</p><blockquote><strong>5.4.2.2-) Long Shunt DC Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/191/1*ftFl3-70H0awrtCljnB2Jg.png" /></figure><p>If the shunt field winding is parallel to both the armature winding and the series field winding then it’s known as long shunt type compounded wound dc motor or simply long shunt dc motor.</p><blockquote><strong>5.4.3-) Shunt DC Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/187/1*fdswr11QUK5XMBLpmEiHbg.png" /></figure><p>In this case , the field winding are exposed to the entire terminal voltage as they are connected in parallel to the armature winding</p><blockquote><strong>5.5-) Seperately Excited DC Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/205/1*OUIqiUqxdvRQz4tAPXpoxQ.png" /></figure><p>In this case the supply is given separately to the field and armature winding. The main distinguishing fact in these types of dc motor is that, the armature current does not flow through the field winding, as the field winding is excited from an external source of dc current.</p><blockquote><strong>5.6-) Permanent Magnet DC Motor</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/198/1*1C_S2OHq5jveEkFYedObsA.png" /></figure><p>It has the usual armature winding like the other motors, but the field winding are not necessarily present. In this radially magnetized permanent magnets are mounted on the inner periphery of the stator core to produce the required field flux.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4e6e8ae7db54" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Derin Öğrenme]]></title>
            <link>https://medium.com/@bkatipoglu1/derin-%C3%B6%C4%9Frenme-565c39cb547f?source=rss-9301bdddb6f1------2</link>
            <guid isPermaLink="false">https://medium.com/p/565c39cb547f</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[derin-ogrenme]]></category>
            <dc:creator><![CDATA[Berhan Katipoğlu]]></dc:creator>
            <pubDate>Tue, 01 Mar 2022 15:22:45 GMT</pubDate>
            <atom:updated>2022-03-01T15:22:45.857Z</atom:updated>
            <content:encoded><![CDATA[<p>Derin öğrenme (Deep Learning), bilgisayarlara insanların doğal olarak yaptığı şeyleri yapmayı öğreten bir makine öğrenimi tekniğidir. Örnek verecek olursak <strong>derin öğrenme</strong>, sürücüsüz araçların ardındaki kilit bir teknolojidir ve dur işaretini tanımalarını veya bir yayayı bir elektrik direğinden ayırt etmelerini sağlar. Telefonlar, tabletler, TV&#39;ler ve hoparlörler gibi tüketici cihazlarında sesle kontrolün anahtarıdır. Derin öğrenme, son zamanlarda çok fazla ilgi görüyor çünkü daha önce mümkün olmayan sonuçlara ulaşıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XqFR1DwOuxNUaYXSJawlag.jpeg" /></figure><p>Derin öğrenmede, bir bilgisayar modeli doğrudan görüntülerden, metinden veya sesten sınıflandırma görevlerini gerçekleştirmeyi öğrenir. Derin öğrenme modelleri, bazen insan düzeyindeki performansı aşan en son teknoloji doğruluğu sağlayabilir. Modeller, çok sayıda etiketli veri seti ve birçok katman içeren sinir ağı mimarileri kullanılarak eğitilir.</p><h4>Derin Öğrenme Neden Önemlidir?</h4><p>Derin öğrenmenin önemli olmasının en kritik nedeni, doğruluktur. Derin öğrenme, her zamankinden daha yüksek seviyelerde tanıma doğruluğu sağlar. Bu, tüketici elektroniğinin kullanıcı beklentilerini karşılamasına yardımcı olur ve sürücüsüz arabalar gibi güvenlik açısından kritik uygulamalar için çok önemlidir. Derin öğrenmedeki son gelişmeler, derin öğrenmenin görüntülerdeki nesneleri sınıflandırma gibi bazı görevlerde insanlardan daha iyi performans gösterdiği noktaya geldi.<br><br> Derin öğrenme ilk olarak 1980&#39;lerde teorize edilmiş olsa da, ancak son zamanlarda faydalı hale gelmesinin <strong>iki ana nedeni vardır </strong>:<br><br>1-) Derin öğrenme, büyük miktarda etiketlenmiş veri gerektirir. Örneğin sürücüsüz araba geliştirme, milyonlarca görüntü ve binlerce saatlik video gerektirir. 20. yüzyılda bu kadar çok veriyi elde etmek ve bu verileri analiz etmek neredeyse imkansızdı.</p><p>2-) Derin öğrenme, önemli bilgi işlem gücü gerektirir. Yüksek performanslı GPU&#39;lar, derin öğrenme için verimli olan paralel bir mimariye sahiptir. Bu, kümeler veya bulut bilişim ile birleştirildiğinde, geliştirme ekiplerinin derin öğrenme ağı için eğitim süresini haftalardan saatlere veya daha azına indirmesini sağlar.</p><h4>Derin Öğrenme Tarihi</h4><p><a href="https://tr.wikipedia.org/wiki/Derin_%C3%B6%C4%9Frenme">Derin öğrenme</a> ilk olarak 1943’te Warren McCulloch ve Walter Pitts’in sinir ağlarını çoğaltan bir bilgi işlem sistemi oluşturmak için matematik ve algoritmaları kullanmasıyla ortaya çıktı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/696/1*2HiDVkrmZ2HUtqFxg2lSCg.png" /><figcaption>Warren McCulloch &amp; Walter Pitts</figcaption></figure><p>1950’ler, 1960’lar, 1970’ler ve 1980’ler boyunca küçük ilerlemeler kaydedildi. Derin öğrenme için en büyük evrim, bilgisayar işlem hızı ve grafik işlem birimlerinin geliştirildiği 1999 yılında gerçekleşti. Sonraki on yılda, verimsiz sistemler <strong>1000</strong> kat daha hızlı hale geldi.</p><p>Derin öğrenmenin bir terim olarak teknoloji konuşmalarında net bir form olarak ortaya çıkması ancak 2000’lerin başlarında gerçekleşebildi. 2006 yılında Geoffrey Hinton, Ruslan Salakhutdinov, Osindero ve Teh, birden fazla <a href="https://en.wikipedia.org/wiki/Restricted_Boltzmann_machine#:~:text=A%20restricted%20Boltzmann%20machine%20(RBM,over%20its%20set%20of%20inputs.">RBM</a>’yi katmanlar halinde bir araya getirip onlara Derin İnanç Ağları adını verdikleri “Derin inanç ağları için hızlı öğrenme algoritması” başlıklı makaleyi yayınlar. Eğitim süreci, büyük miktarda veri için çok daha verimlidir. Makaleyi incelemek isteyenler <a href="https://www.cs.toronto.edu/~hinton/absps/fastnc.pdf">buraya </a>tıklayabilir.</p><p>Google, 2012 yılında kedileri tanıyabilen bir algoritma ile bu alanda işleri bir üst seviyeye çıkardı. <a href="https://www.zdnet.com/article/google-brain-simulator-teaches-itself-to-recognize-cats/">Kedi Deneyi</a> olarak bilinen bu sistem, 10.000.000 kedi görüntüsünü bir sisteme göstermek ve onu kedileri tanıması için eğitmek için denetimsiz öğrenmeyi kullandı.</p><p>2016 yılında, <a href="https://deepmind.com/">Deepmind</a>’in derin pekiştirmeli öğrenme modeli, karmaşık Go oyununda şampiyon olan bir insanı yendi. Oyun satrançtan çok daha karmaşıktır, bu nedenle bu başarı herkesin hayal gücünü yakalar ve derin öğrenme vaadini yepyeni bir düzeye taşır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*zoL0Gd8VFlv6snfDkGTS2g.jpeg" /><figcaption>AlphaGo beats human</figcaption></figure><p>2018&#39;de, Yoshua Bengio, Geoffrey Hinton ve Yann LeCun, derin öğrenme ve yapay zeka alanındaki ilerlemelere yaptıkları büyük katkılardan dolayı 2018 <a href="https://tr.wikipedia.org/wiki/Turing_%C3%96d%C3%BCl%C3%BC">Turing Ödülü</a>’nü kazandı. Bu, 1970&#39;lerde tüm makine öğrenimi topluluğu ondan uzaklaştığında, sinir ağları üzerinde durmaksızın çalışanlar için belirleyici bir andır.</p><h4>Derin Öğrenme Nasıl Çalışır?</h4><p>Çoğu derin öğrenme yöntemleri, sinir ağı mimarilerini kullanır. Bu nedenle derin öğrenme modellerine genellikle <strong>derin sinir ağları</strong> denir.</p><p>Derin sinir ağları, tahmin veya sınıflandırmayı iyileştirmek ve optimize etmek için her biri bir önceki katman üzerine inşa edilen birbirine bağlı birden çok düğüm katmanından oluşur. Ağ üzerinden hesaplamaların bu ilerlemesine <strong>ileriye doğru yayılma</strong> denir. Derin bir sinir ağının giriş ve çıkış katmanlarına <strong>görünür katmanlar</strong> denir. <strong>Giriş katmanı</strong>, derin öğrenme modelinin verileri işlemek üzere aldığı yerdir ve <strong>çıktı katmanı</strong>, nihai tahmin veya sınıflandırmanın yapıldığı yerdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*T8DxjCXabH6Vrwd64eLs8g.png" /></figure><p>Geri yayılım adı verilen başka bir süreç, tahminlerdeki hataları hesaplamak için <strong>gradyan inişi</strong> gibi algoritmalar kullanır ve ardından modeli eğitmek amacıyla katmanlar arasında geriye doğru hareket ederek fonksiyonun ağırlıklarını ve önyargılarını ayarlar. Birlikte, ileriye doğru yayılma ve geri yayılma, bir sinir ağının tahminler yapmasına ve buna göre herhangi bir hatayı düzeltmesine izin verir. Zamanla, algoritma giderek daha doğru hale gelir.<br><br> Yukarıdakiler, en basit derin sinir ağı türünü en basit terimlerle açıklamaktadır. Bununla birlikte, derin öğrenme algoritmaları inanılmaz derecede karmaşıktır ve belirli sorunları veya veri kümelerini ele almak için farklı türde sinir ağları vardır.</p><h4>Derin Öğrenme Uygulamaları</h4><p>Gerçek dünyadaki derin öğrenme uygulamaları günlük hayatımızın bir parçasıdır, ancak çoğu durumda ürün ve hizmetlere o kadar iyi entegre edilmiştir ki kullanıcılar arka planda gerçekleşen karmaşık veri işlemenin farkında değildir. Bu örneklerden bazıları aşağıdaki gibidir ;</p><p><strong>1-) Kanun Yaptırımı</strong></p><p>Derin öğrenme algoritmaları, olası dolandırıcılık veya suç faaliyetlerini gösteren tehlikeli kalıpları belirlemek için işlem verilerini analiz edebilir ve bunlardan öğrenebilir. Konuşma tanıma, bilgisayarla görme ve diğer derin öğrenme uygulamaları, kolluk kuvvetlerinin büyük miktarda veriyi daha hızlı ve doğru bir şekilde analiz etmesine yardımcı olan ses ve video kayıtlarından, görüntülerden ve belgelerden kalıpları ve kanıtları çıkararak soruşturma analizinin verimliliğini ve etkinliğini artırabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/670/1*hLxuadobtIbRwXbnAOuqEQ.jpeg" /></figure><p><strong>2-) Finansal Hizmetler</strong></p><p>Finansal kurumlar, hisse senetlerinin algoritmik ticaretini yönlendirmek, kredi onayları için iş risklerini değerlendirmek, sahtekarlığı tespit etmek ve müşteriler için kredi ve yatırım portföylerini yönetmeye yardımcı olmak için düzenli olarak tahmine dayalı analitiği kullanır.</p><p><strong>3-) Müşteri Hizmetleri</strong></p><p>Birçok kuruluş, derin öğrenme teknolojisini müşteri hizmetleri süreçlerine dahil eder. Çeşitli uygulamalarda, hizmetlerde ve müşteri hizmetleri portallarında kullanılan sohbet robotları, basit bir yapay zeka biçimidir. Geleneksel sohbet robotları, genellikle çağrı merkezi benzeri menülerde bulunan doğal dili ve hatta görsel tanımayı kullanır. Bununla birlikte, daha karmaşık sohbet robotu çözümleri, belirsiz sorulara birden fazla yanıt olup olmadığını öğrenme yoluyla belirlemeye çalışır. <strong>Chatbot</strong>, aldığı yanıtlara göre bu soruları doğrudan yanıtlamaya veya konuşmayı bir insan kullanıcıya yönlendirmeye çalışır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e8v1xC0NTgoduh_ei9F7Pw.png" /><figcaption>Chatbot</figcaption></figure><p>Apple&#39;ın <strong>Siri</strong>, Amazon <strong>Alexa</strong> veya <strong>Google Asistan</strong>ı gibi sanal asistanlar, konuşma tanıma işlevini etkinleştirerek bir sohbet robotu fikrini genişletiyor. Bu, kullanıcıların kişiselleştirilmiş bir şekilde katılımını sağlamak için yeni bir yöntem oluşturur.</p><p><strong>4-) Sağlık Hizmetleri</strong></p><p>Sağlık sektörü, hastane kayıtlarının ve görüntülerinin dijitalleştirilmesinden bu yana derin öğrenme yeteneklerinden büyük ölçüde yararlandı. Görüntü tanıma uygulamaları, tıbbi görüntüleme uzmanlarını ve radyologları destekleyerek daha kısa sürede daha fazla görüntüyü analiz etmelerine ve değerlendirmelerine yardımcı olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*HyoGu4B1gvim3SEEpoP6DQ.jpeg" /></figure><h4>Makine Öğrenimi ve Derin Öğrenme Arasındaki Farklar</h4><p>Derin öğrenme, makine öğreniminin bir alt kümesiyse, bunlar nasıl farklıdır? Derin öğrenme, birlikte çalıştığı veri türü ve öğrendiği yöntemlerle kendisini klasik makine öğreniminden ayırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vuoMD0MTyC3XQwO-ebS28A.png" /></figure><p>🔸 Temel makine öğrenimi modelleri, yeni veriler aldıkça belirli işlevlerini yerine getirmede giderek daha iyi hale gelse de, yine de biraz insan müdahalesine ihtiyaç duyarlar. Bir AI algoritması yanlış bir tahmin döndürürse, bir mühendis devreye girip ayarlamalar yapmalıdır. Derin öğrenme modeliyle, bir algoritma kendi sinir ağı aracılığıyla bir tahminin doğru olup olmadığını belirleyebilir; insan yardımı gerekmez.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/1*-yzfg_F1WejEQuBaBLSPzQ.jpeg" /></figure><p>Derin öğrenme, görüntüleri, videoları ve yapılandırılmamış verileri makine öğreniminin kolayca yapamayacağı şekillerde analiz edebilir. Örneğin, elimizde farklı evcil hayvanların bir dizi fotoğrafı olduğunu ve “kedi”, “köpek”, “hamster” vb. kategorilere ayırmak istediğimizi varsayalım. Derin öğrenme algoritmaları, her bir hayvanı diğerinden ayırt etmek için hangi özelliklerin (örneğin kulaklar) en önemli olduğunu belirleyebilir. Makine öğreniminde, bu özellik hiyerarşisi bir insan tarafından manuel olarak kurulur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*WbnFvTDo1aDzipP5uzoSOg.jpeg" /></figure><p>🔸 Derin öğrenme, düzgün çalışması için geleneksel bir makine öğrenimi algoritmasından çok daha fazla veri gerektirir. Makine öğrenimi binlerce veri noktasıyla, derin öğrenme ise çoğu zaman milyonlarca veri noktasıyla çalışır. Karmaşık çok katmanlı yapı nedeniyle, bir derin öğrenme sistemi, dalgalanmaları ortadan kaldırmak ve yüksek kaliteli yorumlar yapmak için büyük bir veri kümesine ihtiyaç duyar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=565c39cb547f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesi]]></title>
            <link>https://medium.com/@bkatipoglu1/makine-%C3%B6%C4%9Frenmesi-a25b6bf9516d?source=rss-9301bdddb6f1------2</link>
            <guid isPermaLink="false">https://medium.com/p/a25b6bf9516d</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[unsupervised-learning]]></category>
            <category><![CDATA[reinforcement-learning]]></category>
            <category><![CDATA[supervised-learning]]></category>
            <category><![CDATA[mls]]></category>
            <dc:creator><![CDATA[Berhan Katipoğlu]]></dc:creator>
            <pubDate>Thu, 24 Feb 2022 20:07:48 GMT</pubDate>
            <atom:updated>2022-02-24T20:21:38.887Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba ! Bu haftaki konumuz <strong>makine öğrenmesi</strong>. Konu hakkında araştırmalar yaptıkça beni daha çok heyecanlandırıyor. Bu heyecanıma sizler de ortak olun istedim :)</p><p>Makine öğrenmesi, insanların öğrenme şekillerini taklit etmek için veri ve algoritmaların kullanımına odaklanıp doğruluğunu kademeli olarak arttıran bir yapay zeka ve bilgisayar bilimi dalıdır. Tıpkı insanların daha fazla alıştırma yaptıkça gelişmesi gibi, veri ve deneyim miktarı arttıkça makine öğrenmesinin sonuçları da daha doğru hale gelir. Kısacası <strong>makine öğrenmesi</strong>, bilgisayarları verilerden öğrenebilmeleri için programlama bilimidir.</p><p>Mesela kediyi köpekten ayırt edebilen bir yapay zeka düşünelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*PEH_mY5yXQuMhrulMoTV1g.jpeg" /></figure><p>Bu yapay zekaya ilk olarak bir kedi ve bir köpek fotoğrafını eklerseniz, bu uygulama kedi ve köpek arasındaki farklılıkları neredeyse hiç ayırt edemeyecektir. Fakat birbirinden bağımsız binlerce kedi ve köpek fotoğrafını girerseniz, işte o zaman her fotoğraftan bir şey daha öğrenecek, ve sonunda kedi ve köpek fotoğraflarını çok düşük bir hata payıyla ayırt edebilecektir. Sadece bu örnek bile, çağımızda verinin ne kadar önemli olduğunu bizlere açıklıyor aslında.</p><h4>Makine Öğrenmesi Tarihi</h4><p>Makine öğrenmesi (Machine Learning) terimini ilk kez IBM’in içinden biri olan <a href="https://en.wikipedia.org/wiki/Arthur_Samuel">Arthur Samuel</a>’in, dama oyunu ile ilgili olan araştırmasında kullandığı biliniyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/620/1*2wkbkwVNW0bnAST7ldIRLg.jpeg" /><figcaption>Arthur Samuel</figcaption></figure><p>Kendisi, bilgisayar oyunları ve yapay zeka alanında Amerikalı bir öncüydü. <a href="http://www.incompleteideas.net/book/ebook/node109.html">Samuel’ Checkers Player</a>, dünyanın ilk başarılı kendi kendine öğrenme programları arasındaydı ve yapay zekanın temel kavramının çok erken bir gösterimiydi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/458/1*HoWqXBqhC5KsqihLAojNWA.png" /><figcaption>The backup diagram for Samuel’s checkers player</figcaption></figure><p>— 1960&#39;larda makine öğrenimi araştırmasını temsil eden bir kitap, Nilsson’un Makine Öğrenmesi hakkındaki kitabıydı ve çoğunlukla örüntü sınıflandırması için makine öğrenimi ile ilgileniyordu.</p><p>— 1970&#39;lerin sonlarında ve 1980&#39;lerin başında, yapay zeka araştırmaları, algoritmalardan ziyade mantıksal, bilgiye dayalı yaklaşımları kullanmaya odaklanmıştı.</p><p>— 1981&#39;de, bir sinir ağının, bilgisayar terminalinden 40 karakteri (26 harf, 10 rakam ve 4 özel sembol) tanımayı öğrenmesi için öğretim stratejilerinin kullanılması hakkında bir rapor verildi.</p><p>— Bu, <a href="https://en.wikipedia.org/wiki/Alan_Turing">Alan Turing</a>&#39;in &quot;Bilgisayar Makineleri ve Zeka&quot; başlıklı makalesinde &quot;Makineler düşünebilir mi?&quot; sorusunu içeren önerisini takip eder.</p><p>— Modern makine öğrenimesinin iki amacı vardır, biri verileri geliştirilmiş modellere göre sınıflandırmak, diğeri ise bu modellere dayalı olarak gelecekteki sonuçlar için tahminlerde bulunmaktır.</p><h4>Makine Öğrenmesi Teknikleri</h4><p>Makine öğrenmesi algoritmaları, genelde aşağıdaki üç makine öğrenmesi tekniğinden oluşur ;</p><h4><strong>1-) Denetimli Öğrenme (Supervised Learning)</strong></h4><p>Denetimli öğrenme, belirli bir çıktı için etiketlenmiş girdi verileri üzerinde bir bilgisayar algoritmasının eğitildiği, yapay zeka (AI) oluşturmaya yönelik bir yaklaşımdır. Model, girdi verileri ile çıktı etiketleri arasındaki temel kalıpları ve ilişkileri algılayana kadar eğitilir ve daha önce hiç görülmemiş verilerle sunulduğunda, doğru etiketleme sonuçları vermesine olanak tanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/977/1*DjUEt5--t6lCjYG_MuZlLg.png" /><figcaption>Supervised Learning</figcaption></figure><p><strong>Denetimli öğrenme</strong>, bir haber makalesinin hangi kategoriye ait olduğunu belirleme veya belirli bir gelecek tarih için satış hacmini tahmin etme gibi sınıflandırma ve regresyon problemlerinde iyidir. Denetimli öğrenmede amaç, belirli bir soru bağlamında verileri anlamlandırmaktır.</p><h4>2-) Denetimsiz Öğrenme (Unsupervised Learning)</h4><p>Denetimsiz öğrenme, etiketlenmemiş veri kümelerini analiz etmek ve kümelemek için makine öğrenimi algoritmalarını kullanır. Bu algoritmalar, insan müdahalesine ihtiyaç duymadan gizli kalıpları veya veri gruplamalarını keşfeder.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/977/1*5f8VujKLQKhQZRafA2t9hw.png" /><figcaption>Unsupervised Learning</figcaption></figure><p>Bilgilerdeki benzerlikleri ve farklılıkları keşfetme yeteneği, onu keşifsel veri analizi, çapraz satış stratejileri, müşteri segmentasyonu ve görüntü tanıma için ideal çözüm haline getirir.</p><h4>3-) Pekiştirmeli Öğrenme (Reinforcement Learning)</h4><p>Makine öğrenmesinin alt dalları olan denetimli ve denetimsiz öğrenmeye günlük hayatımızda denk gelme olasılığımız fazla iken pekiştirmeli öğrenme hayatımıza yeni yeni giren bir makine öğrenmesi çeşididir. Keşfedilmesi 1989 yılına dayanırken diğer makine öğrenmesi çeşitlerine göre daha az bilinmesinin sebebi kullanım alanının günümüzde sınırlı olmasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A1rO3btt5kWPU65zm7AsgA.png" /><figcaption>Reinforcement Learning</figcaption></figure><p><strong>Pekiştirmeli öğrenme</strong>, bir aracıya, belirli bir ortam ve zaman içinde ödülleri en üst düzeye çıkarmak için eylem alanından bir eylemi nasıl seçeceğini öğreten bir makine öğrenimi alt alanıdır.</p><h4>Denetimli Öğrenme İle Denetimsiz Öğrenme Arasındaki Farklar</h4><p>➢ İki yaklaşım arasındaki temel ayrım, etiketli veri kümelerinin kullanılmasıdır. Basitçe söylemek gerekirse, denetimli öğrenme etiketli girdi ve çıktı verilerini kullanırken denetimsiz öğrenme algoritması kullanmaz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*a3zJJpaEZwjzSUK9Ib89Ww.png" /></figure><p>➢ <strong>Denetimli öğrenmede</strong> algoritma, veriler üzerinde tekrarlı olarak tahminler yaparak ve doğru yanıtı ayarlayarak eğitim veri kümesinden &quot;öğrenir&quot;. Denetimli öğrenme modelleri denetimsiz öğrenme modellerinden daha doğru olma eğilimindeyken, verileri uygun şekilde etiketlemek için önceden <strong>insan müdahalesi gerektirirler</strong>. Örneğin, denetimli bir öğrenme modeli, günün saatine, hava koşullarına vb. bağlı olarak işe gidip gelme sürenizin ne kadar süreceğini tahmin edebilir. Ama önce, yağmurlu havanın sürüş süresini uzattığını bilmek için onu eğitmeniz gerekecek. Bunun aksine <strong>denetimsiz öğrenme</strong> modelleri, etiketlenmemiş verilerin doğal yapısını keşfetmek için <strong>kendi başlarına</strong> çalışır. Örneğin, denetimsiz bir öğrenme modeli, çevrimiçi alışveriş yapanların genellikle aynı anda ürün grupları satın aldığını belirleyebilir.</p><p>➢ Denetimli öğrenme modeli, doğru çıktıyı tahmin edip etmediğini kontrol etmek için doğrudan geri bildirim alır. Fakat denetimsiz öğrenme modeli herhangi bir geri bildirim almaz.</p><p>➢ Denetimli öğrenmede, çıktı ile birlikte modele girdi verileri sağlanır. Denetimsiz öğrenmede, modele yalnızca girdi verileri sağlanır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a25b6bf9516d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Natural Language Processing]]></title>
            <link>https://medium.com/@bkatipoglu1/nlp-natural-language-processing-1b9fc5521db?source=rss-9301bdddb6f1------2</link>
            <guid isPermaLink="false">https://medium.com/p/1b9fc5521db</guid>
            <category><![CDATA[chatbots]]></category>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Berhan Katipoğlu]]></dc:creator>
            <pubDate>Thu, 03 Feb 2022 01:59:25 GMT</pubDate>
            <atom:updated>2022-02-03T09:49:20.525Z</atom:updated>
            <content:encoded><![CDATA[<p>Yaygın olarak NLP (<em>Natural Language Processing</em>) olarak bilinen Doğal Dil İşleme, doğal dillerin (Türkçe, İngilizce, Almanca vb.) kurallı yapısının çözümlenerek anlaşılması veya yeniden üretilmesi amacını taşır. Bu çözümlemenin insana getireceği kolaylıklar, <em>yazılı dokümanların otomatik çevrilmesi, soru-cevap makineleri, otomatik konuşma ve komut anlama, konuşma sentezi, konuşma üretme, otomatik metin özetleme, bilgi sağlama</em> gibi birçok başlıkla özetlenebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/1*Zu3nBP8Ql2lobwhQZ3nmow.jpeg" /></figure><h3>NLP’nin Tarihçesi</h3><p>7 Ocak 1954 yılında yapılan <a href="https://en.wikipedia.org/wiki/Georgetown%E2%80%93IBM_experiment"><strong>Georgetown–IBM </strong>deneyi</a> ,<strong> </strong>doğal dil işleme alanında atılan ilk önemli adımdır. Georgetown Üniversitesi ve IBM tarafından ortaklaşa geliştirilen bu deney, altmıştan fazla Rusça cümlenin İngilizce’ye tamamen otomatik çevirisini içeriyordu. Ancak bu durum beklentileri tam olarak karşılayamadı.</p><p>1969 yılında <a href="https://en.wikipedia.org/wiki/Roger_Schank">Roger Schank</a> , doğal dil anlayışı için kavramsal bağımlılık teorisini ortaya attı. Bu teorideki amaç , bilgisayarların girdiden (gerçekte yazılan sözcükten) bağımsız anlam (niyet) okuması yapmasını sağlamaktı. Bu yaklaşım, cümlelerin bilgisayar sistemlerine nasıl girildiğine bakılmaksızın, anlamları aynı olduğu sürece yazılma şekillerinin önemli olmadığını makinelere öğretti.</p><p>1970&#39;lerde birçok programcı, gerçek dünyadaki bilgileri bilgisayar tarafından anlaşılabilir verilere yapılandıran &#39;kavramsal ontolojiler&#39; yazmaya başladı.</p><p>1980&#39;lere kadar çoğu NLP sistemi, elle yazılmış karmaşık kurallar dizisine dayanıyordu. Ancak 1980&#39;lerin sonundan itibaren, dil işleme için makine öğrenimi algoritmalarının tanıtılmasıyla NLP&#39;de bir devrim yaşandı. Bu, hem <a href="https://en.wikipedia.org/wiki/Moore%27s_law">Moore Yasası</a>ndan kaynaklanan hesaplama gücündeki sürekli artıştan hem de <a href="https://en.wikipedia.org/wiki/Noam_Chomsky">Chomsky </a>dilbiliminin egemenliğinin kademeli olarak azalmasından kaynaklanıyordu.</p><p>Günümüzde NLP teknolojisini hayatımızın birçok alanında görüyoruz. Yeni milenyumun teknolojik patlaması, NLP için her zamankinden daha fazla uygulamanın geliştirilmesine yol açtı. Doğal dil işleme, yapay zeka teknolojisinin gelişimiyle doğru orantılı olarak sürekli daha tutarlı sonuçlar vererek işlevselliğini arttırıyor.</p><h3>NLP Görevleri</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*478_YT11-R05v1ryOekN6w.jpeg" /></figure><p>İnsan dili, metin veya ses verilerinin amaçlanan anlamını doğru bir şekilde belirleyen bir yazılım yazmayı inanılmaz derecede zorlaştıran belirsizliklerle doludur. Eş anlamlı sözcükler, eşsesli sözcükler, deyimler, metaforlar ve daha birçok noktada yazılımsal açıdan zorluklar oluşuyor.</p><p>Birkaç <strong>NLP</strong> görevi, insan metnini ve ses verilerini, bilgisayarın aldığı şeyi anlamlandırmasına yardımcı olacak şekilde görevlere ayırır. Bu görevlerden bazıları :</p><blockquote>— “Konuşmadan metne” olarak da adlandırılan <em>konuşma tanıma</em>, ses verilerini güvenilir bir şekilde metin verilerine dönüştürme görevidir. Sesli komutları takip eden veya sözlü soruları yanıtlayan tüm uygulamalar için konuşma tanıma gereklidir. Konuşma tanımayı özellikle zorlaştıran şey, insanların konuşma şeklidir. Hızlı bir şekilde, kelimeleri farklı vurgu ve tonlamalarla, farklı aksanlarda ve genellikle yanlış dilbilgisi kullanarak konuşmak gibi.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*KndD0pTUyTHI8p9-f_u_6g.png" /><figcaption>Speech Recognition</figcaption></figure><blockquote>— “Konuşma parçası etiketleme”, başka bir deyişle gramer etiketleme işlemi , bir cümledeki sözcük türlerini belirleme işlemidir. Aslında işlem basitçe bir kelimenin tipini bilmektir. Örneğin kelime isim, fiil, sıfat, bağlaç gibi sınıflardan hangisine aitse o sınıfı etiket olarak koyma işlemidir.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*2FV5SKix-AbqbGNAVxS01A.jpeg" /></figure><blockquote>—”Kelime anlamındaki belirsizliği giderme” , kelimenin belirli bir bağlamda kullanılmasıyla kelimenin hangi anlamının etkinleştirileceğini belirleme yeteneği olarak tanımlanabilir.</blockquote><blockquote>— “Adlandırılmış varlık tanıma” veya ingilizcesi ile named-entity recognition, doğal dil işlemede sıklıkla kullanılan ve “NER” olarak bilinen bir yapıdır. Metinde bahsedilen adlandırılmış varlıkları kişi adları, kuruluşlar, yerler, tıbbi kodlar, zaman ifadeleri, miktarlar, parasal değerler, yüzdeler gibi önceden tanımlanmış kategorilere yerleştirmeyi ve sınıflandırmayı amaçlayan bir bilgi çıkarma alt görevidir.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*5_nzp-E81ya_YwYo1sREbQ.jpeg" /></figure><h3>NLP Uygulamaları</h3><p>➢ <strong>Chatbot (Sohbet Robotu)</strong></p><p>Chatbot, kullanıcı ile genellikle metin, bazı durumlarda ise konuşma yoluyla diyalog kurarak bilgi veren veya bir işlemi gerçekleştiren bir yazılımdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*9xEzyb3is8DuYUqK_1KS6g.jpeg" /></figure><p>➢ <strong>Dil Çevirisi (Google , Yandex Çeviri)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*s6wBVjx4KP-TcE-rQMnyLg.jpeg" /></figure><p>➢ <strong>Otomatik Arama Düzeltme Ve Tamamlama</strong></p><p>Arama motorları, telefon klavyesi gibi uygulamalarda yazılan kelimede hata düzeltme ve bir sonraki kelimenin tutarlı tahmini işlemi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*oOmezxDf6BE39CbMZdLjcA.png" /></figure><p>➢ <strong>Sesli Asistan (Siri, Alexa,Cortana)</strong></p><p>Sesli asistan, bir akıllı telefon veya başka bir cihazda sesle aktifleştirilen bir yazılımdır ve kullanıcı için bilgi verebilir, belirli görevleri gerçekleştirebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*j1A2e_X8iyUz4xm9rWrsig.png" /></figure><p>➢ <strong>Metin Sınıflandırma Ve Özetleme</strong></p><p>Metin Özetleme işlemi, modelin tüm metni “anlaması”, doğru anahtar kelimeleri seçmesi ve bu anahtar kelimeleri bir araya getirerek, anlamlı cümleler elde etmesi işidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sAaeHm7MVy_czKmMo8fb5g.png" /></figure><p>KAYNAKÇA:</p><p><a href="https://en.wikipedia.org/wiki/Natural_language_processing">https://en.wikipedia.org/wiki/Natural_language_processing</a></p><p><a href="https://www.innova.com.tr/tr/blog/buyuk-veri-blog/dogal-dil-isleme-teknolojisinin-kisa-tarihcesi">https://www.innova.com.tr/tr/blog/buyuk-veri-blog/dogal-dil-isleme-teknolojisinin-kisa-tarihcesi</a></p><p><a href="https://www.ibm.com/cloud/learn/natural-language-processing">https://www.ibm.com/cloud/learn/natural-language-processing</a></p><p><a href="https://www.sisasoft.com.tr/adlandirilmis-varlik-tanima/">https://www.sisasoft.com.tr/adlandirilmis-varlik-tanima/</a></p><p><a href="https://monkeylearn.com/blog/named-entity-recognition/">https://monkeylearn.com/blog/named-entity-recognition/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1b9fc5521db" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RPA (Robotic Process Automation)]]></title>
            <link>https://medium.com/@bkatipoglu1/rpa-robotic-process-automation-969a2dcb3383?source=rss-9301bdddb6f1------2</link>
            <guid isPermaLink="false">https://medium.com/p/969a2dcb3383</guid>
            <dc:creator><![CDATA[Berhan Katipoğlu]]></dc:creator>
            <pubDate>Mon, 24 Jan 2022 13:28:14 GMT</pubDate>
            <atom:updated>2022-01-24T13:48:11.946Z</atom:updated>
            <content:encoded><![CDATA[<p>Günümüz dünyasında şirketlerin büyümelerinin, rekabette bir adım öne geçmelerinin ve sürdürülebilir başarıyı elde etmelerinin yolu, değişen standartlara ve ilerleyen teknolojiye uyum sağlamaktan geçiyor. Bu nedenle şirketlerin önceliği, süreçleri hızlandırarak verim elde etmek oluyor. Süreçleri hızlandırabilmek için dijitalleşme süreçlerini iyi yönetmek ve sürdürülebilir olmalarını sağlamak gerekiyor.</p><p>Bu ihtiyaçlar doğrultusunda Robotik Süreç Otomasyonu geliştirilmeye başlanıyor.</p><p><a href="https://www.ibm.com/tr-tr/automation/rpa">Robotik Süreç Otomasyonu</a> (RPA) , normalde bilgi çalışanları tarafından gerçekleştirilen, fazlasıyla yinelemeye dayalı rutin görevlerin otomatikleştirilmesi için yazılım robotlarının kullanılmasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LD_w4xhEs6aStuSZMwc_rA.jpeg" /></figure><p>1959 yılında Arthur Samuel tarafından yapay zeka yaratmak amaçlı başlatılan çalışmalar sonucu icat edilen ML kavramının gelişmesi ile RPA kavramının temelleri oluşmaya başlamıştır.</p><p>1990’lı yılların başında oluşan ve otomasyon anlamında önemli gelişmelerden ilki Ekran Kazıma teknolojisidir. Ekran Kazıma, otomasyonun veri girişi, veri taşıma ve entegrasyon adımlarının önemli bir parçasıdır. Bu teknoloji; gerekli veriyi başka bir belge, yazılım, ekran, web sitesi veya uygulamanın çıktısından elde etme temeline dayanmaktadır. Bir diğer teknolojik gelişme olan İş Akışı Otomasyonu ile insan görevlerini azaltmak için otomatikleştirilmiş yönetim araçları kullanılır. Bunlar tekrar eden ve kuralları belirli görevleri manuel olmaktan kurtarmaya yönelik çalışan sistemlerdir.</p><p>Bu gelişmeler 2000’li yılların başında RPA’nın ortaya çıkmasını desteklemekle kalmayıp bazı farklılıklarla şu anki çalışma sistematiğinde de yer almaktadır.</p><h4><em>Neden Robotik Süreç Otomasyonu ?</em></h4><p>Robotik süreç otomasyonu , çalışanların rutin olarak uyguladığı adımları birebir öğrenir ve verileri işleyebilir, analiz edip sonuçları raporlayabilir. Böylece zamandan ve paradan tasarruf sağlar.</p><p>Teknolojik altyapılarıyla her geçen gün manuel süreçlerden uzaklaşarak dijitalleşme yolcuğunda olan birçok sektör, RPA’nın getirmiş olduğu verimlilik potansiyelinden faydalanmaktadır. Firmalar, olabildiğince çok sayıda ve katma değeri düşük operasyonel süreci robotlara vererek yeni iş yapış modellerine ve müşteri kazanımına odaklanmayı tercih etmektedir</p><p>Şirketler; iş akışını düzenlemek, görevleri otomatikleştirmek ve şirket çalışanlarının katma değerli işlerde çalışmaya odaklanmalarını sağlamak amacıyla <strong>robotik süreç otomasyonu</strong>ndan mümkün olduğunca faydalanmaya çalışıyor.</p><blockquote>“Yaklaşık 10–11 dakika süren bir sürecin nasıl 10–11 saniyeye indirilebileceğini gösterdik.”</blockquote><blockquote>Luis Benitez<br>Dijital İş Yeri Başkan Yardımcısı, Banco Popular</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/594/1*_MnpvXfPp8peg-_BgVH3lw.png" /></figure><h4>RPA Nasıl Çalışır ?</h4><p>RPA, en temel haliyle içerisinde üç elementi barındırıyor. Bunlar; geliştirici araçları, yazılım robotları ve robot denetleyicisidir.</p><p><em>Geliştirici araçları</em> ile işlerin tanımlanması sağlanıyor. Robotlar, iş süreci takibini yaparken , girilen talimatlar dizisini takip ediyor. Bu talimatların yeterince detaylı olması ve iş kurallarını içermesi gerekiyor. Başka bir deyişle , bütün ihtimalleri (istisnai durumlar dahil) önceden belirleyip tanımlamak gerekiyor. Aksi takdirde süreç sağlıklı çalışmayabiliyor.</p><p><em>Yazılım robotları </em>, verilen talimatları yerine getirerek iş uygulamalarıyla etkileşime geçiyor ve tanımlanan işlemleri yapıyor. Bir robotun yerine getirmesi gereken işlemler bazen yüzlerce olabiliyor.</p><p><em>Robot denetleyicisinin</em> ise üç temel görevi bulunuyor.</p><ul><li>Uygulamalar için gerekli bilgileri tutmak ve bu bilgiler gerektiğinde robotlara şifrelenmiş şekilde sunmak.</li><li>Kullanıcılara uygun rolleri ve izinleri atamak.</li><li>Bir robota veya entegre olarak çalışan robotlara görev atamak , denetlemek ve bu robotların çalışma raporlarını oluşturmak.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YROfsa8IDkW_gOdsOqaK7g.png" /></figure><h4>RPA Uygulama Alanları</h4><p>— Sanayi ve Üretim</p><p>— Bankacılık ve Finans</p><p>— Sigortacılık</p><p>— E-Ticaret</p><p>— Telekomünikasyon ve Teknoloji</p><p>— Enerji ve Kamu</p><p>— Müşteri Hizmetleri</p><h4>Sektörlerde RPA Kullanım Alanları Nelerdir?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/790/1*wcqjYAyuYxj5FAAMkQW7gQ.png" /></figure><p>RPA; yazılım robotlarını kullanarak web, masaüstü veya sanal ortamlarda kural veya yazılım tabanlı görevleri gerçekleştirebilir. Bu görevlere örnek olarak aşağıdaki işlemler verilebilir:</p><p>➢ Excel tablolarından veri alıp işleme veya işlenen verileri excel formatında sunma</p><p>➢ PDF veya metin belgelerinden veri alma</p><p>➢ E-postaları ve eklerini açma, oluşturma, yönetme</p><p>➢ FTP (File Transfer Protocol-Dosya Transfer Protokolü) bağlantıları üzerinden dosya transferleri</p><p>➢ API yardımı ile uygulamalar ve sistemler arasında bağlantı kurma</p><p>➢ Periyodik raporlama</p><p>➢ İstatistikleri tutma, hesaplamalar yapma</p><p>➢ Klasör oluşturma, dosyaları kopyalayıp yapıştırma</p><p>➢ Arşivleme</p><p>➢ Uygulamaları başlatma, kullanıcı girişi yapma, formları doldurma</p><p>➢ İnternet ve veri tabanı aracılığı ile çeşitli işlemleri gerçekleştirme</p><h4>Kaynakça:</h4><p><a href="https://www.isbank.com.tr/blog/robotik-surec-otomasyonu-nedir-nasil-calisir">https://www.isbank.com.tr/blog/robotik-surec-otomasyonu-nedir-nasil-calisir</a></p><p><a href="https://www.ibm.com/tr-tr/automation/rpa">https://www.ibm.com/tr-tr/automation/rpa</a></p><p><a href="https://www.vektora.com/Blogdetay/robotik-surec-otomasyonu-nedir">https://www.vektora.com/Blogdetay/robotik-surec-otomasyonu-nedir</a></p><p><a href="https://intelleq.io/robotics-process-automation">https://intelleq.io/robotics-process-automation</a></p><p><a href="https://www.robomotion.io/blog/history-ofrpa/">https://www.robomotion.io/blog/history-ofrpa/</a></p><p><a href="https://www.uipath.com/solutions/technology/screen-scraping">https://www.uipath.com/solutions/technolog y/screen-scraping</a></p><p><a href="https://smartrpa.asia/en/2021/04/05/what-is-rpa-application-of-rpa-in-life/">https://smartrpa.asia/en/2021/04/05/what-is-rpa-application-of-rpa-in-life/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=969a2dcb3383" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>