<?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 Zehra Baran on Medium]]></title>
        <description><![CDATA[Stories by Zehra Baran on Medium]]></description>
        <link>https://medium.com/@brnzehraa?source=rss-64ca40f64c5------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Uh0rYZGRhHNusZyaxP6HmA.jpeg</url>
            <title>Stories by Zehra Baran on Medium</title>
            <link>https://medium.com/@brnzehraa?source=rss-64ca40f64c5------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 06:54:56 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@brnzehraa/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[Unit Test Nedir ? Nasıl ve Neden Yazarız ?]]></title>
            <link>https://medium.com/@brnzehraa/unit-test-nedir-nas%C4%B1l-ve-neden-yazar%C4%B1z-4e9b58be3f42?source=rss-64ca40f64c5------2</link>
            <guid isPermaLink="false">https://medium.com/p/4e9b58be3f42</guid>
            <dc:creator><![CDATA[Zehra Baran]]></dc:creator>
            <pubDate>Mon, 19 Sep 2022 10:18:00 GMT</pubDate>
            <atom:updated>2022-09-19T10:18:00.574Z</atom:updated>
            <content:encoded><![CDATA[<h3>Unit Test Nedir ? Nasıl ve Neden Yazarız ?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TfK2eGY1fc0Dwa39taCg1g.jpeg" /></figure><p>Herkese merhaba! Bugün yazılım alanında her yazılımcının bilmesi gerektiği düşünülen unit test yani birim testi anlatacağım. Şimdi birlikte birim testin ne olduğuna ve nasıl yazıldığına bakalım.</p><h4>Unit Test Nedir ?</h4><p>Birim testi bir yazılımın birimlerinin veya bileşenlerinin test edildiği bir yazılım testi türüdür. Temel amaç kodun her bir biriminin beklendiği gibi bir performans gösterdiğini doğrulamaktır. Programda kodu yazan kişi o kodun nasıl çalışması, hangi işlemleri yapması gerektiğini en iyi bilen kişidir. Bu yüzden birim testi geliştirici tarafından uygulamanın geliştirilmesi sırasında yapılır.</p><p>Birim testi bazen geliştiriciler tarafından çok dikkate alınmayıp minimum düzeyde tutulabilir. Ancak bu ilerisi için bir problem oluşturabilir. Çünkü başlangıçta doğru bir şekilde yapılmayan birim testi sonraki aşamalarda yüksek maliyetli hata düzeltilmesine yol açabilir. Burada önemli olan nokta bir hata varsa bunu erken farkedip düzenlemesini yapıp hatanın bir sonraki aşamalara aktarılmasını engellemektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6apaMv9OJlv9GyDD_pYa8A.png" /></figure><h4>Unit Test Frameworks</h4><p>Birim test frameworkleri, birim testlerini hızlı bir şekilde kodlamanızı ve bunların otomatikleştirilmesini sağlayan yazılımlardır. Farklı programlama dilleri için çok sayıda framework mevcuttur. Framework’ler ile ilgili detaylı bilgiye <a href="https://www.softwaretestingmaterial.com/unit-testing-tools/">buradan</a> ulaşabilirsiniz.</p><p>Aşağıda son iki yılda birim test için en çok indirilen framework’lerin grafiği görülmektedir. Aynı şekilde functional test içinde indirilen frameworkleri <a href="https://www.zartis.com/choosing-a-test-automation-framework-10-questions-to-help-you-on-your-way/">adresinden</a> görüntüleyebilir ve detaylı bilgi edinebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qMwHPjdb2KEJyEPWjMrFnQ.png" /></figure><h4>Örnek Unit Test İşlemi</h4><p>Temel olarak verilen örneklerden biri olan counter örneği üzerinden ilerleyelim. Burada amaç başlangıç değerini sıfır almak ve sonrasında arttır ve azalt butonlarına tıklandığı zaman sayının bir arttırılması veya bir azaltılmasıdır. Restart butonuna tıklandığında ise sayaç sıfırlanmalıdır. Örnek gerçekleştirilirken React kullanılarak geliştirme yapılmıştır.</p><p>Başlangıçta bir react projesi oluşturmalı ve bu projenin içerisinde ilerlenmelidir. Nasıl react projesi oluşturacağınıza <a href="https://create-react-app.dev/">buradan</a> ulaşabilirsiniz.</p><p>Öncelikle ilk aşamada kullanacağınız component için “counter.js” isminde bir component oluşturulmalıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*l01WUvgO8lfMMdUcW_X5fQ.png" /></figure><p>Burada 0&#39;dan başlayan bir sayaç var ve butonlara tıklandığında arttırma, azaltma ve sıfırlama işlemi yapılmaktadır.</p><p>Yazılan bu kodlardan sonra arayüzde aşağıdaki gibi bir görüntü mevcuttur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*JnL7Zl5r0iv5tMpKjDqhkA.png" /></figure><p>Componenti tamamladıktan sonra test için yeni bir dosya açılır.</p><blockquote>Dosya ismi <strong>componentadi.test.js</strong> şeklinde verilmelidir.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TSSt24MrMlGIAZivFi8mLw.png" /></figure><p>Test işlemi counter componenti için yazılacağından test dosyasının ismi de Counter.test.js şeklinde verilmiştir.</p><blockquote>Bir sonraki aşamada ilgili import işlemlerini yaptıktan sonra; test() veya it() kullanarak test kodlarınızı yazabilirsiniz. Tırnaklar içerisinde belirtilen ifade o testin ne için yazıldığı ile ilgili bilgi vermelidir. Yani testi yazan geliştirici dışında başka birisi de testin ne amaçla yazıldığını anlayabilmelidir.</blockquote><p>Öncelikle arttırma işlemi için test yazılır. Hangi component render edilecekse öncelikle bu belirtilir. Burada Counter componenti render edilmiştir. Sonrasında screen ifadesi ile ekranda olan herhangi bir değer alınabilir. Burada ekranda 0 değeri alınır ve count değişkenine atanır. Aynı işlem increase butonu içinde yapılır. Burada yine screen ile içerisinde “İncrease” ifadesi geçen alan bulunur ve bu alan bulunup “increaseBtn” değişkenine atanır.</p><p>Butona tıklandığında bu arttırma işlemi gerçekleşeceği için tıklanma işlevini tetikleyen userEvent kullanılır. Artık arttırma butonuna da tıklanabildiğine göre sayının 1 artmasını bekleriz. Bir sonraki satırda ise bunu belirtiyoruz. Yani count’un “toHaveTextContent” kullarak artık 1 olması gerektiğini beklediğimizi söyleriz.</p><p>Sonrasında yeni bir test açılıp azaltma ve yeniden başlatma işlemi içinde aynı işlemler gerçekleştirilir. Ayrıca kod içerisinde iyileştirmelere gidilebilir. Counter her test için ayrı ayrı render edilmek yerine tek seferde render edilebilir ve birçok defa kullanılan değişkenlerde tek seferde tanımlanabilir. Bunun için kodlarınızı describe() içerisine alıp beforeEach() içerisine yazıp her testten önce çalışmasını sağlayabilirsiniz. Daha açıklayıcı olması için örnekte en temel halinde bırakılmıştır. İyileştirmeler ile ilgili detaylı bilgiye jest üzerinden verilen bir örnekle <a href="https://geshan.com.np/blog/2022/06/jest-beforeeach/">buradan </a>erişebilirsiniz.</p><p>Tüm bu işlemler sonucunda test’i çalıştırdığınız da başarılı veya başarısız durumlarını görebilmelisiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CtDF6TF_92LSQXec-VkcbA.png" /></figure><p>Örnek çıktıda da görüldüğü gibi bu şekilde test sonuçlarını görüntüleyebilirsiniz. Burada react library kullanılarak test işlemi yapılmıştır. Siz kendi kullandığınız dile göre bir framework belirleyip bu şekilde testlerinizi o framework’u kullanarak daha otomatik bir şekilde gerçekleştirebilirsiniz.</p><blockquote>Geri bildirim ve sorularınız için bana L<a href="https://www.linkedin.com/in/zehra-baran/">inkedIn</a> adresimden ulaşabilirsiniz.</blockquote><h4><strong>Referanslar</strong></h4><ul><li><a href="https://www.browserstack.com/guide/unit-testing-of-react-apps-using-jest"><strong>https://www.browserstack.com/guide/unit-testing-of-react-apps-using-jest</strong></a></li><li><a href="https://www.zartis.com/choosing-a-test-automation-framework-10-questions-to-help-you-on-your-way/"><strong>https://www.zartis.com/choosing-a-test-automation-framework-10-questions-to-help-you-on-your-way/</strong></a></li><li><a href="https://app.patika.dev/courses/react"><strong>https://app.patika.dev/courses/react</strong></a></li><li><a href="https://www.educative.io/blog/unit-testing-best-practices-overview"><strong>https://www.educative.io/blog/unit-testing-best-practices-overview</strong></a></li><li><a href="https://geshan.com.np/blog/2022/06/jest-beforeeach/"><strong>https://geshan.com.np/blog/2022/06/jest-beforeeach/</strong></a></li><li><a href="https://www.youtube.com/watch?v=JBSUgDxICg8"><strong>https://www.youtube.com/watch?v=JBSUgDxICg8</strong></a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4e9b58be3f42" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[DevFest Mini’21]]></title>
            <link>https://medium.com/@brnzehraa/devfest-mini21-b295693831a3?source=rss-64ca40f64c5------2</link>
            <guid isPermaLink="false">https://medium.com/p/b295693831a3</guid>
            <dc:creator><![CDATA[Zehra Baran]]></dc:creator>
            <pubDate>Thu, 14 Apr 2022 10:35:45 GMT</pubDate>
            <atom:updated>2022-04-14T10:35:45.935Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba! Bugün devfest sürecinde aldığım görevden ve konuşmamdan bahsedeceğim. Daha önce online olarak gerçekleştirdiğim etkinlik haricinde ilk fiziksel etkinliğim olduğu için DevFest Mini gerçekten heyecan verici bir etkinlikti.</p><p>Peki bu etkinlikte hangi konudan bahsettim buna gelecek olursam konuşma konum TensorFlow idi. Peki TensorFlow nedir ?</p><p>TensorFlow makine öğrenimi için kullanılan açık kaynaklı bir platformdur. TensorFlow kullanarak modelinizi kolayca oluşturabilir ve eğitimini sağlayabilirsiniz. Temelinde Python kullanılarak geliştirilen bu framework, Python’ın yanı sıra Javascript, R, Java ve Swift gibi birçok dili desteklemektedir.</p><p>Tensorflow’un sağladığı avantajlardan birisi de farklı platformlara göre hazırlanmış TensorFlow kütüphanelerinin olmasıdır. Kısaca göz atacak olursak web uygulamaları geliştirmek için TensorFlow.js kullanabilirsiniz. Mobil uygulamalarınızda veya IoT projelerinizde TensorFlow Lite kullanılabilirsiniz. Sağladığı tüm bu kullanım alanı genişliği ve kolaylıklar nedeni ile son zamanlarda sıklıkla tercih edilmektedir.</p><h4><strong>İlk Sinir Ağı Eğitimi</strong></h4><p>Temel sınıflandırma örneklerinden biri olan Fashion MNIST veriseti üzerinden ilerleyebiliriz. Bu verisetinde 10 farklı kategoriye ait 70.000 kıyafet resmi bulunmaktadır. Amaç bulunan görüntüleri doğru bir şekilde sınıflandırmaktır.</p><p>Elimizde bulunan verisetinin mevcut görüntüsü aşağıdaki gibidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YpQkStcsGW4-nxNuyYV5Qg.png" /></figure><p>Öncelikle ilgili kütüphanelerin eklenmesi gerekmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-jsxas5IVD6UZYzGDHBn-A.png" /></figure><p>Bir sonraki adımda verisetinin parçalara ayrılması gerekmektedir. Verisetinde bulunan 70.000 görüntüden 60.000 tanesi eğitim için geri kalan 10.000 resim ise test için kullanılacaktır. Verisetinin bu şekilde eğitim ve test verisi olarak ikiye ayrılmasının sebebi ise öncelikle modele elimizdeki eğitim verilerini verip modelin bu veriler üzerinde eğitimi sağlanır. Sonrasında daha önce karşılaşmadığı test verileri üzerinde modelin doğruluğu test edilir.</p><h4><strong>Verileri ön işleme alma</strong></h4><p>Görüntü verilerinde her bir pikselin değeri 0 ile 255 aralığındadır. Modelin düzgün çalışması için bu verilerin 0 ile 1 aralığına normalleştirilmesi gerekir. Burada bir normalleştirme işlemi gerçekleştirilir ve bu işlem eğitim ve test verilerine uygulanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AdUf6sdAPH9krwfLzxHfTg.png" /></figure><p>Elimizde bulunan verinin nasıl göründüğünü anlamak için çizimini gerçekleştirebiliriz. Bunun için ilk 25 görüntüyü ve bu görüntülerin hangi sınıfa ait olduklarına bakalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jffxgU19RN7wZ8UkTpg2YA.png" /></figure><p>Mevcut olan verileri ve bu verilerin ait oldukları sınıfları bu şekilde görebiliriz.</p><h4><strong>Model Oluşturma</strong></h4><p>Elimizdeki veriler hakkında bilgi sahibi olduğumuza ve ön işlemleri gerçekleştirdiğimize göre artık modeli eğitebiliriz.</p><p>Sinir ağını oluştururken öncelikle modelin katmanlarını oluşturmalı sonrasında ise modeli derlemeliyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dmN90lwQ6PRwAh8WzNSsBQ.png" /></figure><p>Oluşturulan sinir ağının 3 katmanı vardır. İlk olarak Flatten katmanı kullanılır. Burada 28x28 piksel olan görüntü tek boyutlu bir dizeye dönüştürülür. Bu katmanda veriler sadece yeniden biçimlendirilir.</p><p>İkinci katman ise 128 nörondan oluşan bir katmandır. Önceki katmandaki düğümün hepsinden girdi alır ve bunları parametrelere göre ağırlıklandırıp bir sonraki katmana tek bir değer çıkarır.</p><p>Üçüncü katmanda ise buradaki her düğüm bir giyim sınıfını temsil eder. Kendisinden önceki katmandaki 128 düğümden girdi alır ve bu görüntünün o sınıfa ait olup olmadığını temsil edecek 0 ve 1 aralığında bir değer çıkarır. Tüm 10 düğümün değerinin toplamı ise 1’ e eşittir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*a7jv6oHZn1Cu9yl3BAMZkQ.png" /></figure><p>Genel olarak bir sinir ağında katmanların çalışma mantığı bu şekildedir. Burada sinir ağı 2 giriş verisi alır. Bir katmandaki hücrelerin çıkışları bir sonraki katmana ağırlıklar üzerinden giriş olarak verilir. Bilgi ara ve çıkış katmanında işlenerek çıkış belirlenir. Katman ve nöron sayısını kullanacağınız projeye uygun olarak belirleyebilirsiniz. Genel olarak bir sinir ağının çalışması bu şekildedir. Katman oluşturmada nasıl bir yapının izlendiği ve arka planda nasıl bir çalışma gerçekleştirdiğini bu şekilde özetleyebiliriz. Detaylı bilgi için <a href="https://ayyucekizrak.medium.com/%C5%9Fu-kara-kutuyu-a%C3%A7alim-yapay-sinir-a%C4%9Flar%C4%B1-7b65c6a5264a">bu adresi</a> inceleyebilirsiniz.</p><p>Katmanları oluşturduğumuza göre artık modeli derleyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3K9CN7sI2yOn9X4NnAYXoA.png" /></figure><p>Bu aşamada birkaç düzenleme daha yapılması gerekmektedir. Yapılan işlemlere bakacak olursak;</p><p><strong>Optimizer: </strong>Kaybı en aza indirmek ve modelin iç parametrelerini ayarlamak için kullanılan algoritmadır. Proje içinde ‘adam’ optimizer’ı kullanılmıştır. Ancak modelinize uygun farklı optimizer’ları da kullanabilirsiniz.</p><p><strong>Loss function: </strong>Modelin çıktılarının istenen çıktıdan ne kadar uzak olduğunu ölçen algoritmadır.</p><p><strong>Accuracy: </strong>Modelin başarısını ölçmek için kullanılan metriktir. Modelde doğru tahmin edilen alanların toplam veri kümesine oranı ile bulunmaktadır.</p><p>Proje için kullanılan loss function ve optimizerı gerçekleştirdiğiniz projeye göre değiştirerek doğruluğunu deneyebilirsiniz. Detaylı olarak kullanılan diğer yöntemlere <a href="https://keras.io/api/optimizers/">bu adresten</a> bakabilirsiniz.</p><h4><strong>Model Eğitimi</strong></h4><p>Tüm bu adımları tamamladıktan sonra modelin eğitimine artık geçebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dhYH-keFML1zQ2MjthOpaw.png" /></figure><p>Burada batch size ile modeli ayıracağımız parçaları belirleriz. Yani modeli 32’li parçalara ayırıp işlemi gerçekleştiririz.</p><p>Shuffle ile verileri karıştırırız. Bu şekilde model eğitim sırasında verilerin sırasından herhangi bir öğrenme sağlayamaz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wR7WH7HsmLmijqYCNbiIrA.png" /></figure><p>Burada eğitim verileri üzerinden modelin eğitimi gerçekleştirilir. Epoch değeri eğitim verisetinin üzerinden tam geçimi gösterir. Yani burada eğitim verisetinin tamamı üzerinden tam 5 kez geçilir. Eğitim verilerimiz 60000 görseli içerdiğinden 60000*5=300000 örnek üzerinden geçilmiş olur. <br>Burada görüldüğü üzere model bu eğitim sonucunda %89 oranında accuracy değerine ulaşır.</p><h4><strong>Modelin Doğruluk Kontrolü</strong></h4><p>Son olarak modelin doğruluğunu daha önce hiç görmediği test verileri üzerinde gerçekleştirmek gerekmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OoA0UPwnGDTW9xOy2P0zvA.png" /></figure><p>Burada modelin başarısı eğitim verilerine göre biraz düşmüştür. Ancak model daha önce hiç görmediği veriler üzerinde işlem yaptığı için performasın düşmesi beklenebilir.</p><p>Eğitilmiş bu modeli verilerin tahmini için kullanabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A12eavaaEd87Vgd-J9NeSg.png" /></figure><p>Burada tahmin edilen verilerin görselleştirilmesi yapılır. Eğer model doğru tahminde bulunuyorsa bunları mavi etiket ile yanlış tahminde bulunuyor ise kırmızı etiket ile gösterilecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FiLDshPwiBZM2w70U4f0Ug.png" /></figure><p>Tahmin edilen verilerin görselleştirilmesi yapılır. Bu şekilde doğru ve yanlış olarak tahmin edilen veriler ve bu verilerin etiket yüzdelerini verir.</p><p>Genel olarak modelinizi gerekli adımları gerçekleştirerek eğitebilirsiniz. Daha detaylı bilgi almak ve yapılan çalışmaları incelemek için <a href="https://www.tensorflow.org/">TensorFlow resmi sitesini</a> ziyaret edebilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b295693831a3" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>