<?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 Cansel Bektaş on Medium]]></title>
        <description><![CDATA[Stories by Cansel Bektaş on Medium]]></description>
        <link>https://medium.com/@cansel.bektas?source=rss-638750f22d7f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*BRv62oBvm3BO-TznQFXC4w.jpeg</url>
            <title>Stories by Cansel Bektaş on Medium</title>
            <link>https://medium.com/@cansel.bektas?source=rss-638750f22d7f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 23:39:26 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@cansel.bektas/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[Yapay Zekanın Dili: LLM (Large Language Model)]]></title>
            <link>https://medium.com/@cansel.bektas/yapay-zekan%C4%B1n-dili-llm-large-language-model-d01df0c618fa?source=rss-638750f22d7f------2</link>
            <guid isPermaLink="false">https://medium.com/p/d01df0c618fa</guid>
            <category><![CDATA[openai]]></category>
            <category><![CDATA[claude-ai]]></category>
            <category><![CDATA[gpt]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[llama-3]]></category>
            <dc:creator><![CDATA[Cansel Bektaş]]></dc:creator>
            <pubDate>Mon, 20 Jan 2025 06:49:33 GMT</pubDate>
            <atom:updated>2025-01-20T06:49:33.946Z</atom:updated>
            <content:encoded><![CDATA[<p>Daha önce Docker ve Kubernetes gibi teknolojilerin modern yazılım dünyasına getirdiği devrimlerden bahsetmiştim. Bu yazıda ise, teknoloji dünyasının bir diğer büyüleyici alanına, yapay zekanın vazgeçilmez bir parçası olan Büyük Dil Modellerine (Large Language Models — LLM) odaklanıyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0U8FRwTWPSjGPVOMccvKng.jpeg" /></figure><p>Büyük dil modelleri (LLM), sadece bir teknoloji trendi değil, insan dilini anlamada ve üretmede çığır açan bir gelişme. Gelin şimdi detayları inceleyelim.</p><p>Girişe klasik olarak tanım ile başlayalım.</p><blockquote><strong>Bir Büyük Dil Modeli (LLM) </strong>devasa metin veri setleri üzerinde eğitilen ve milyarlarca parametreye sahip bir sinir ağı kullanarak, insan benzeri dil üretmek için tasarlanmış bir yapay zeka modelidir. Bu modeller, metin verileri üzerinde eğitilerek dilin kurallarını, yapısını ve anlamını öğrenirler.</blockquote><p>Detaylara inmeden önce geliştirilen LLM modellerine bir kaç örnek verelim. Bu modeller, doğal dil işleme alanında farklı ihtiyaçlara cevap verecek şekilde geliştirilmiştir. <strong>OpenAI GPT serisi (GPT-3 ve GPT-4) </strong>metin oluşturma, soru-cevap ve kod üretimi gibi çok çeşitli alanlarda kullanılırken <strong>Meta</strong> tarafından geliştirilen <strong>LLaMA</strong> modelleri, araştırmacılar için optimize edilmiş bir yapı sunuyor. <strong>BLOOM</strong> modeli ise 46 farklı dilde metin analizi ve üretim yeteneğiyle öne çıkıyor. <strong>Alpaca, Falcon, Claude</strong>, <strong>Google’ın PaLM</strong> modellerini de bu listeye ekleyebiliriz. Gelişmelerden yolla çıkarak bu listenin daha da artacağını söyleyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*9FrOFzK4f6wPBLxgjuRpdw.jpeg" /></figure><p>Şimdi LLM’lerin dünyasına giriş yapabiliriz.</p><p>Büyük dil modelleri (LLM’ler) genellikle iki ana dosyadan oluşur: <strong>parametreler dosyası</strong> ve <strong>çalıştırma dosyası</strong>.</p><blockquote><strong>Parametreler Dosyası:</strong> Bu dosya, modelin öğrendiği <strong>ağırlıkları ve sapmaları</strong> (yani sinir ağındaki ayarlanabilir değerleri) içerir. LLM’ler milyarlarca parametreye sahip olabilir. Örneğin, Llama 2 70B modeli 70 milyar parametre içerir ve bu parametreler 2 byte (float 16) olarak saklandığı için bu dosya 140 GB büyüklüğündedir. Bu dosya, eğitilmiş bir modelin temelini oluşturur ve modelin dil anlama ve üretme yeteneklerini belirler.</blockquote><blockquote><strong>Çalıştırma Dosyası:</strong> Bu dosya, modelin parametrelerini kullanarak nasıl çalıştırılacağını belirleyen kodu içerir. Bu kod, sinir ağı mimarisini (örneğin, transformatör mimarisi) ve ileri besleme (forward pass) işlemlerini tanımlar. Çalıştırma dosyası, genellikle C, Python veya başka bir programlama dilinde yazılabilir ve modelin girdi verilerini işleyerek çıktı üretmesini sağlar. Bu dosya sayesinde model, parametreleri kullanarak metin üretebilir, soruları yanıtlayabilir ve diğer görevleri gerçekleştirebilir.</blockquote><p>Bu iki dosya, bir LLM’nin temel bileşenlerini oluşturur ve modelin çalışması için gereklidir. Parametreler dosyası, modelin öğrendiği bilgiyi içerirken, çalıştırma dosyası bu bilginin nasıl kullanılacağını belirler. Bu dosyaları bir araya getirerek, <strong>internet bağlantısına ihtiyaç duymadan, yerel olarak bir dil modeli çalıştırılabilir</strong>. Örneğin, bu iki dosyayı bir MacBook’a kopyalayarak, C kodunu derleyip parametreleri kullanarak modelle etkileşim kurabilirsiniz.</p><h3><strong><em>LLM EĞİTİM SÜRECİ</em></strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aoHFRIKoHljHowVnCkbm0A.png" /></figure><p>Büyük dil modellerinin (LLM) eğitim süreci, derin öğrenme teknikleri ve transformatör mimarisi kullanılarak büyük miktarda metin verisi üzerinde gerçekleştirilir. Bu süreçte model, bir cümledeki sonraki kelimeyi önceki kelimelerin bağlamına göre tahmin etmeyi öğrenir. <strong><em>IBM’e göre, “Model bunu, simgeleştirilmiş kelimelerin (karakter dizilerine ayrılmış) tekrarına olasılık puanı atayarak yapar.”</em></strong></p><p>Modeller, internetten ve diğer kaynaklardan (örneğin, Common Crawl, Wikipedia) gelen metinler dahil olmak üzere geniş bir veri kümesiyle eğitilir. <strong>AWS’ye göre, “Transformatör sinir ağı mimarisi, genellikle internetten, ancak aynı zamanda Common Crawl gibi 50 milyardan fazla web sayfasını içeren kaynaklardan ve yaklaşık 57 milyon sayfaya sahip Wikipedia’dan da büyük miktarda veri almasını sağlar.”</strong></p><p>LLM eğitim sürecinde, transformatör mimarisi büyük metin veri kümelerini etkili bir şekilde işlemek için kullanılır. Eğitim sürecinde kullanılan transformatörler, giriş dizilerini paralel olarak işleyebilir, bu da eğitim süresini önemli ölçüde azaltır.<strong> NVIDIA’ya göre, “Verileri sıralı olmayan bir şekilde işleyebilme, karmaşık problemin birden fazla, daha küçük, eşzamanlı hesaplamaya ayrılmasını sağlar.”</strong></p><blockquote><strong>Transformatör mimarisi, LLM’lerin eğitim sürecinde kritik bir role sahiptir ve bu mimari sayesinde LLM’ler daha büyük ve karmaşık veri setlerini daha hızlı ve verimli bir şekilde işleyebilir hale gelmiştir. Bu durum, LLM’lerin performansını önemli ölçüde artırmış ve onları günümüzdeki birçok yapay zeka uygulamasının temel taşı yapmıştır. Bundan dolayı transformatör mimarisini bu kısımda biraz detaylandırmak istiyorum.</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*oWs649q0jmUMKp44niXrIg.jpeg" /></figure><blockquote><strong>Transformatör mimarisi, Büyük Dil Modellerinin (LLM) eğitim sürecinin temelini oluşturur ve büyük miktarda metin verisinin etkili bir şekilde işlenmesini sağlar.</strong></blockquote><blockquote><strong>Bu mimari, LLM’lerin dildeki bağlamı ve anlamı öğrenebilmesi için sıralı verileri işleyerek kelimeler arasındaki ilişkileri anlamasına yardımcı olur. Geleneksel sinir ağlarının aksine, transformatörler giriş verilerini paralel olarak işleyebilir, bu da büyük veri setlerinin daha hızlı işlenmesini ve eğitim süresinin önemli ölçüde kısalmasını sağlar.</strong></blockquote><blockquote><strong>Transformatörlerin başarısındaki en önemli unsurlardan biri olan self-attention mekanizması, giriş verisinin farklı bölümlerine odaklanarak önemli kelimelere ve bunların ilişkilerine ağırlık atar. Bu mekanizma sayesinde model, bir cümledeki her kelimenin bağlamını etkili bir şekilde anlayabilir. Ayrıca, transformatör mimarisi genellikle kodlayıcı (encoder) ve kod çözücü (decoder) olmak üzere iki temel bileşenden oluşur. Kodlayıcı, giriş metnini alarak dilin yapısını ve bağlamını anlamlandıran bir temsile dönüştürürken; kod çözücü, bu temsili kullanarak anlamlı bir metin üretir. Bazı modeller ise hem kodlayıcı hem de kod çözücü bileşenlerini bir arada kullanarak, çeviri ve özetleme gibi karmaşık görevlerde üstün performans gösterir.</strong></blockquote><blockquote><strong>Bir başka önemli özellik ise transformatörlerin konumsal kodlama (positional encoding) yeteneğidir. Bu özellik, kelimelerin sırasını koruyarak modelin cümledeki bağlamı doğru bir şekilde öğrenmesini sağlar. Böylece kelimeler yalnızca anlamlarıyla değil, cümledeki konumlarına göre de değerlendirilir. Tüm bu özellikler, transformatörlerin dil modellerinin eğitim sürecinde güçlü ve etkili bir araç olmasını sağlamış, LLM’lerin karmaşık dil görevlerinde yüksek doğrulukla sonuç üretmesine olanak tanımıştır.</strong></blockquote><p>LLM eğitim sürecini anlatmaya kaldığımız yerden devam edelim;</p><p>Eğitim sürecinde ilk adım, internet, kitaplar, makaleler ve diğer metin kaynaklarından elde edilen geniş veri kümelerinin toplanmasıdır. Yüksek kaliteli ve çeşitli veriler, modelin dilin yapısını ve anlamını öğrenmesi için kritik öneme sahiptir.</p><p>LLM’ler yukarıda da detaylandırdığımız transformatör mimarisine dayanır. Eğitim sırasında, kelimeler önce küçük parçalara (tokenlara) ayrılır ve daha sonra sayısal temsillere (embedding) dönüştürülür. Model, bu sayısal temsilleri kullanarak bir cümledeki sonraki kelimeyi önceki kelimelerin bağlamına göre tahmin etmeyi öğrenir.</p><p>Transformatör modellerinin temel unsurlarından biri olan self-attention mekanizması, girdinin farklı bölümlerine odaklanarak önemli kelimeleri belirler ve bağlamı daha iyi anlamasını sağlar.</p><p>Modelin performansı, eğitim süreci boyunca sürekli olarak parametre ayarlamaları ile optimize edilir.</p><p>Eğitim tamamlandıktan sonra, model az veya hiç ek talimat gerektirmeden yeni görevleri yerine getirebilme yeteneği (sıfır atışlı öğrenme) kazanır. Bunun yanı sıra, ince ayar (fine-tuning) teknikleri ile model belirli bir alan veya görev için özelleştirilebilir.</p><p>Son olarak, insan geri bildirimine dayalı pekiştirme öğrenmesi (RLHF) yöntemleri kullanılarak modelin çıktıları daha kaliteli hale getirilir.</p><p>Bu eğitim süreci, büyük miktarda veri, güçlü hesaplama kaynakları ve uzun süreli çalışma gerektirir. Ancak sonuç olarak, LLM’ler insan benzeri metin üretme ve karmaşık görevleri yerine getirme kabiliyeti kazanarak, yapay zeka teknolojisinin en güçlü araçlarından biri haline gelir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6mwsPkKidfXkH-npcbZwPg.jpeg" /></figure><p>Yazının sonuna gelirken büyük dil modellerinin (LLM) önemi ve kullanım alanlarından bahsetmeden geçmek olmaz.</p><p>Bu modeller, yalnızca yapay zeka dünyasında değil, birçok sektörde köklü değişikliklere öncülük ediyor. Şirketlerin iş süreçlerinde verimliliği artırmak, maliyetleri düşürmek ve daha iyi müşteri deneyimleri sunmak gibi avantajlar sağlarken, veri analizi ve ölçeklenebilirlik açısından da güçlü bir araç olarak karşımıza çıkıyor.</p><p>Tabii ki her yeni teknolojide olduğu gibi LLM’ler de beraberinde bazı zorluklar getiriyor. Ancak gelecekte daha gelişmiş, güvenli ve özelleştirilebilir hale geleceklerini söylemek yanlış olmaz.</p><p>Umarım bu yazı, LLM’lerin gücü ve potansiyeli hakkında size ilham vermiştir. Gelecek yazılarda yepyeni konularla buluşmak dileğiyle 👋</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d01df0c618fa" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ Herkese merhaba,]]></title>
            <link>https://medium.com/@cansel.bektas/herkese-merhaba-cb5f93acc63f?source=rss-638750f22d7f------2</link>
            <guid isPermaLink="false">https://medium.com/p/cb5f93acc63f</guid>
            <category><![CDATA[docker-architecture]]></category>
            <category><![CDATA[docker-daemon]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[docker-container]]></category>
            <category><![CDATA[docker-image]]></category>
            <dc:creator><![CDATA[Cansel Bektaş]]></dc:creator>
            <pubDate>Fri, 02 Aug 2024 15:45:44 GMT</pubDate>
            <atom:updated>2024-08-02T15:45:44.887Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*XMeWkqxw4Y8Ufzwr.png" /></figure><p>👋 Herkese merhaba,</p><p>Medium’da yeni bir teknoloji macerasına çıkmaya hazır mısınız?</p><p>Bu yazımda, modern yazılım dünyasının vazgeçilmez araçlarından biri olan Docker’ı ele alacağız. Daha önce Kubernetes hakkında yazdığım gibi, bu yazıda da Docker’ın temellerini, avantajlarını, mimarisini ve günümüz yazılım geliştirme süreçlerindeki kritik rolünü sizlerle paylaşacağım 😊</p><p>“Bir kere oluştur, her yerde çalıştır” felsefesiyle yazılım dünyasında büyük bir etki yaratan Docker’ın neden bu kadar popüler olduğunu birlikte keşfedelim!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*kHFVS4hnBESB-VP-LbpfEA.gif" /></figure><h3>DOCKER: Modern Yazılım Geliştirmenin Vazgeçilmez Aracı 🔥</h3><p><strong>Docker, işletim sistemi kaynaklarını verimli bir şekilde paylaştırarak birbirinden bağımsız izole çalışma ortamları (container) oluşturmamıza yardımcı olan açık kaynak kodlu bir platformdur.</strong></p><blockquote><strong>Bu teknoloji, yazılım uygulamalarını, içinde kitaplıklar, sistem araçları, kod ve çalışma zamanı gibi gerekli tüm bileşenleri barındıran standartlaştırılmış birimler olarak adlandırılan container’lar halinde kapsüller.</strong></blockquote><h3><strong>Docker’ın Çalışma Prensibi:</strong></h3><p>Docker, izole kapsayıcı teknolojisi kullanarak, yazılım uygulamalarını, içinde kitaplıklar, sistem araçları ve çalışma zamanı gibi gerekli tüm bileşenleri barındıran standartlaştırılmış birimler olarak adlandırılan container’lar halinde paketler. Bu yaklaşım, farklı ortamlarda verimli bir şekilde çalışan dağıtılmış uygulamalar geliştirmek için kullanılır.</p><blockquote><strong>Geliştirciler, Docker’ın yazılım sistemini bilinmezlikten kurtardığı için uyumluluk sorunlarıyla ilgilenmek zorunda kalmazlar.</strong></blockquote><p><strong>Docker, uygulamaları depolamak için container’lar oluşturmak için sanallaştırmayı kullandığından, konsept olarak sanal makinelere benzer görünebilir.</strong></p><p><strong>Ancak, en önemli ayrım Docker container’larının sanal makinelerden daha hafif, daha hızlı ve kaynak açısından daha verimli olmasıdır. Bu, uygulamaların daha hızlı dağıtılmasına, ölçeklendirilmesine ve taşınmasına olanak tanır.</strong></p><p>Docker teknolojisi sayesinde artık fiziksel veya sanal fark etmeksizin daha küçük birimlerde container’lar oluşturularak işletim sistemi seviyesinde veya direkt olarak servisler özelinde kaynakları daha hızlı bir şekilde oluşturulabilir ve kullanılabilir.</p><h3><strong>Docker Mimarisi</strong></h3><p>Docker’ın gücünü ve esnekliğini anlamak için, öncelikle onun temel mimari yapısını kavramak önemlidir.</p><p>Docker ekosistemi, birbirleriyle etkileşim halinde olan üç ana bileşenden oluşur: Client (İstemci), Docker Host ve Registry. Bu yapı, uygulamaların geliştirilmesinden dağıtımına kadar tüm süreçleri optimize eder ve standardize eder.</p><p>Aşağıdaki şema, Docker’ın bu temel bileşenlerini ve aralarındaki ilişkiyi görsel olarak özetlemektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lwzY2flNCJtzH_bLEixZRg.png" /></figure><p>Şimdi bu bileşenlerin her birini açıklayalım:</p><h4><strong><em>Client (İstemci)</em></strong></h4><p>Docker client, Docker komutlarını çalıştırmak için kullanılan arayüzdür. Bu komutlar Docker_Host’a iletilir ve orada çalıştırılır. Bazı temel Docker komutları şunlardır:</p><ul><li><strong><em>docker build:</em></strong> Dockerfile’dan bir image oluşturur. Client’tan Docker_Host’a giden mavi ok, bir Dockerfile’dan image oluşturma işlemini gösterir.</li><li><strong><em>docker pull: </em></strong>Registry’den bir image indirir. Kırmızı ok, Registry’den Docker_Host’a image indirme işlemini gösterir.</li><li><strong><em>docker run:</em></strong> Bir container başlatır. Siyah ok, bir image’dan container oluşturma ve çalıştırma işlemini gösterir.</li></ul><p>Öncelikli görevi kullanıcıların Docker Demon ile iletişim kurmasını sağlamaktır.</p><h4>Docker-Host</h4><p>Docker Engine’in üzerinde koştuğu ve ve container’ların barındırıldığı sunucudur. Üzerinde önemli bileşenler bulundurur:</p><ul><li><strong><em>Docker Daemon:</em></strong></li></ul><p>Docker container’larını ve image dosyalarını oluşturan çalıştıran ve yöneten arka plandaki servistir. Kullanıcı docker komutlarını kullanarak bu servisle iletişime geçer. Client’tan gelen komutları işler.</p><blockquote><strong>Docker Engine’in kalbidir diyebiliriz </strong>❤️</blockquote><ul><li><strong><em>Containers:</em></strong></li></ul><p>Bir Docker Image dosyasından oluşturulmuş ve çalışan bir örnektir. Bir container, bir uygulamanın izole bir ortamda çalışmasını sağlar. Her bir container kendi dosya sistemi, ağ bağlantıları, process ve diğer sistem kaynaklarını kullanılır. (örnekte Ubuntu ve NGINX container’ları gösterilmiş).</p><ul><li><strong><em>Images:</em></strong></li></ul><p>Bir container temellini oluşturan slt okunur yapıdır. Bir Docker Image, uygulamanın çalıştırılması için gereken her şeyi içerir. Kod, runtime, kütüphaneler, ortam degişkenleri ve bağımlılıklar.</p><p>Bir container oluşturulurken bu image üzerinden bir kopya alınınr ve bu kopya üzerinden oluşturulur. Kısaca container oluşturmak için kullanılan sablonlardır diyebiliriz. (örnekte Ubuntu ve NGINX image’ları gösterilmiş)</p><blockquote><strong>Image ve Container İlişkisi: Images bölümündeki her image (Ubuntu, NGINX), Containers bölümünde bir veya birden fazla çalışan container oluşturabilir. Oklar, image’ların nasıl container’lara dönüştüğünü gösterir.</strong></blockquote><h4>Registry</h4><p>Docker image dosyalarının depolandığı ve paylaşıldığı yerdir. Docker Hub olmak üzere birçok açık kaynaklı ve özel docker register bulunmaktadır. Bu yapılar kullanıcıların kendi image dosyalarını depolamalarına, paylaşmalarına ve başkalarının image dosyalarını kullanmalarına olanak sağlar.</p><h4><strong>Genel İşleyiş</strong></h4><ul><li>Kullanıcı, Docker komutlarını istemci aracılığıyla girer (örneğin, docker run, docker build, docker ps). İstemci, bu komutları Docker daemon&#39;a iletir. İstemci, Docker daemon ile yerel olarak veya ağ üzerinden iletişim kurabilir.</li><li>Docker daemon, gelen komutu işler ve ilgili işlemi başlatır. Docker daemon, container’ları başlatır, durdurur ve yönetir. Gerekirse image dosyalarını çeker ve depolar ayrıca container’lar arasında ağ bağlantılarını ve veri depolama alanlarını yönetir.</li><li>Docker daemon, komutları işledikten sonra sonuçları (örneğin, konteyner bilgileri, hata mesajları) istemciye geri gönderir. İstemci, bu sonuçları kullanıcıya sunar.</li></ul><h4>Peki Docker Teknolojisinin Avantajları Nelerdir 🤔</h4><ul><li><strong><em>Taşınabilirlik :</em></strong></li></ul><p>Docker container, yazılım uygulamalarını herhangi bir ortamda çalıştırabilir hale getirir. Geliştirme ortamından üretim ortamına kadar aynı container kullanılabilir. Bu da uyumluluk ve taşınabillirlik sağlar.</p><ul><li><strong><em>Hafiflik ve Verimlilik</em></strong></li></ul><p>Container, sanal makinelerden daha hafif ve daha verimli bir şekilde çalışır. Birçok container aynı makine üzerinde çalışabilir ve kaynakların daha etkin kullanılmasını sağlar.</p><ul><li><strong><em>Hızlı Dağıtım:</em></strong></li></ul><p>Docker uygulamaları hızlı bir şekilde dağıtmamıza olanak sağlar. Container, uygulamaları hızlı paketlememize dağıtmamıza ve ölçeklendirmemize olanak verir.</p><ul><li><strong><em>Çeviklik ve Esneklik:</em></strong></li></ul><p>Docker, uygulamaları hzıllı bir şekilde başlatmamıza ve durdurmamıza olanak verir. Bu geliştirme süreçlerini hızlandırır ve iş yüklerinin taleplere göre daha dinamik olarak ölçeklenmesini sağlar.</p><ul><li><strong><em>İzolasyon:</em></strong></li></ul><p>Container, uygulamaları birbirinden izole eder. Bu güvenlik ve istikrar açısından önemlidir.</p><ul><li><strong><em>Ortamın Standartlaştırılması:</em></strong></li></ul><p>Docker, geliştirme ve test üretim ortamlarının aynı olmasını sağlar. Bu da yazılımın farklı ortamlarda tutarlı bir şekilde çalışmasını sağlar.</p><p>Bu makalede Docker’ın temel mimarisi ve avantajlarını inceledik, ancak bu, Docker’ın sunduğu geniş dünyanın sadece küçük bir parçası.</p><p>Docker ekosistemi, sürekli gelişen ve genişleyen dinamik bir alandır. Docker Compose, Docker Swarm, ve Kubernetes gibi orkestrasyon araçları; güvenlik pratikleri; performans optimizasyonu; ve çeşitli endüstri uygulamaları, keşfedilmeyi bekleyen daha birçok konudan sadece birkaçı.</p><p>Yaznın bitişini yaparken öğrenilenleri özetlemek, Docker’ın önemini vurgulamak ve gelecekteki potansiyeline değinmek iyi bir yaklaşım olacaktır.</p><p>Docker’ın mimari yapısını incelediğimizde, bu teknolojinin neden modern yazılım geliştirme ve dağıtım süreçlerinde devrim yarattığını daha iyi anlıyoruz. Client, Docker Host ve Registry’den oluşan bu üçlü yapı, uygulama geliştirme, test etme ve dağıtma süreçlerini basitleştiriyor ve hızlandırıyor.</p><p>Docker’ın sağladığı taşınabilirlik, ölçeklenebilirlik ve tutarlılık, günümüzün karmaşık ve hızla değişen IT ortamlarında büyük avantajlar sunuyor. Containerization teknolojisinin sunduğu izolasyon ve kaynak verimliliği, hem geliştiricilerin hem de operasyon ekiplerinin işini kolaylaştırıyor.</p><p>Sonuç olarak, Docker’ın temel yapı taşlarını anlamak önemli bir başlangıç, ancak yolculuğunuzun sadece başındayız. Docker ile çalışmaya devam ettikçe, bu güçlü teknolojinin tüm potansiyelini keşfedecek ve modern yazılım geliştirme dünyasında kendinizi sürekli geliştireceksiniz. Docker öğrenme yolculuğunuzda, merakınızı canlı tutun ve keşfetmeye devam edin! 🚀</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*w1Pax-ipjx_Uedz9x4ZqEQ.gif" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cb5f93acc63f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ Herkese merhaba,]]></title>
            <link>https://medium.com/@cansel.bektas/herkese-merhaba-98364c1f0516?source=rss-638750f22d7f------2</link>
            <guid isPermaLink="false">https://medium.com/p/98364c1f0516</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[kubernetes-engine]]></category>
            <category><![CDATA[container-orchestration]]></category>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[kubernetes-cluster]]></category>
            <dc:creator><![CDATA[Cansel Bektaş]]></dc:creator>
            <pubDate>Tue, 11 Jun 2024 20:37:45 GMT</pubDate>
            <atom:updated>2024-06-11T20:38:17.775Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/proxy/0*S2ObGMqYNwHNIoat.png" /></figure><p>👋 Herkese merhaba,</p><p>Bu yazı, bilgi ve deneyimlerimi harmanlayarak kaleme aldığım Medium’daki ilk yazım. Burada, kendimi geliştirirken edindiğim bilgileri ve yaşadığım deneyimleri paylaşarak sizlere faydalı olmayı amaçlıyorum. İlk konumuz da, heyecan verici bir teknoloji olan Kubernetes 🚀</p><p>Kubernetes, modern yazılım dünyasının vazgeçilmez bir parçası haline gelmiştir. Ancak, başlangıçta bu kompleks teknolojiyle karşılaşmak bazen kafa karışıklığına neden olabilir.🤔</p><p>İlk adımlarımı attığımda, karşılaştığım zorlukları aşmama yardımcı olan değerli bilgileri bulmak için sürekli olarak kaynak arayışındaydım.</p><p>Kendi öğrenme sürecimde bulduğum kaynakların sizin de yolculuğunuzda size rehberlik edebileceğini düşündüm. Bu nedenle, bu yazıda Kubernetes’in temel yapısından kısaca ve özet bir şekilde bahsedeceğim, böylece sizin de daha iyi anlamanıza yardımcı olacağıma inanıyorum.</p><p>Hazırsanız, Kubernetes’in büyülü dünyasına birlikte dalalım ve bu heyecan verici yolculuğa birlikte çıkalım! 😃🚀</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/498/0*u6sThyvhWm6U2fwA.gif" /></figure><p><strong>Kubernetes</strong>, günümüzde konteyner kullanımının artmasıyla birlikte önemli bir platform haline gelmiştir. Konteynerları yönetmek için çeşitli platformlar bulunmasına rağmen, son yıllarda popülerliği hızla artan Kubernetes, Google tarafından geliştirilmiş ve şu anda Cloud Native Computing Foundation topluluğu tarafından yönetilmektedir.</p><p>Kubernetes, açık kaynaklı bir konteyner yönetim platformu olarak tasarlanmıştır ve geniş bir topluluğa sahiptir. Bu özellikleri, onu tercih edilen bir çözüm haline getirmiştir. Peki, Kubernetes’in temel yapısına birlikte göz atalım.</p><p>Kubernetes yapısında iki temel node vardır. Bunlar;</p><p>1️⃣ Worker Node</p><p>2️⃣ Master Node</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*r0GU3jW1nBNM5jlU.png" /></figure><p>Şimdi sırası ile bu node yapılarını inceleyeceğiz.</p><p>➡️ <strong>Worker Node</strong></p><p>Kubernetes içerisinde birden fazla worker node bulunabilir. Worker node’lar kubernetes yapısında bulunan master node’lar tarafından yönetilir. Master node tarafından aldığı emirlere bağlı olarak pod’ları yönetir. Worker node 3 temel yapıdan oluşur;</p><ul><li><strong><em>Kubelet </em></strong>:</li></ul><p>Worker node üzerinde bulunan konteynerların çalıştırılmasından sorumlu olan yapıdır. Master node ile bulunduğu worker node arasındaki iletişimi sağlar ve master node tarafından aldığı emirlere uygun olarak konteynerlar üzerinde işlem yapar. Kubelet, container runtime ile konteynerları ayağa kaldırır. Konteynerlar container runtime üzerinde çalışır.</p><ul><li><strong><em>Kube-Proxy :</em></strong></li></ul><p>Kube-proxy sayesinde pod’lar birbiri arasındaki network tarfiğini yönlendirebilir.</p><ul><li><strong><em>cAdvisor :</em></strong></li></ul><p>Bir konteyner izleme aracıdır. Konteynerın birçok bilgisini toplar ve bunu gerekli durumlarda kullanıcıya sunar.</p><p>➡️ <strong>Master Node</strong></p><p>Kubernete cluster yapısının yönetiminden sorumludur. Master node 5 temel yapıdan oluşur;</p><ul><li><strong><em>Api-server :</em></strong></li></ul><p>Kullanıcıların veya uygulamaların kubernete cluster yapısına komut göndermek için gittikleri ilk yerdir. Bir restful web servistir. Aynı zamanda api-server kubernetes bileşenlerinin birbirleri ile iletişime geçmek için kullandıkları yapıdır. Kısaca içeride ve dışarıda iletişimin başlangıcı için gidilen ilk yerdir.</p><ul><li><strong><em>etcd :</em></strong></li></ul><p>Kubernetes configurasyonunu ve durumunu saklar. Bu bilgiye erişmek isteyen kullanıcılar veya kubernetes bileşenleri api-server kullanarak öğrenirler. Cluster durumunu güncel tutar eğer cluster üzerinde herhangi bir değişiklik olursa diğer bileşenlerini bundan haberdar eder.</p><ul><li><strong><em>Scheduler :</em></strong></li></ul><p>Kubernetes pod’larının hangi node üzerinde çalışacağına karar verir. Buna karar verirken pod gereksinimlerine , CPU ve ROM gereksinimlerine bakar. Aynı zamanda node üzerindeki trafikleri de göz önünde bulundurur.</p><ul><li><strong><em>Control-Manager :</em></strong></li></ul><p>Cluster içerisindeki en önemli yapılardan biridir. Cluster yapısını daima izler ve herhangi bir sorun meydana geldiğinde gerekli işlemleri başlatır. Gerekli olan pod’ların silinmesi ve güncellenmesinden sorumludur.</p><p>⭐ Şimdi bu yapıların arasındaki iletişimini özetleyen bir senaryo örnek verelim.</p><p>1️⃣ İlk olarak deployment.yaml dosyasını “kubectl” kullanarak api-server’a yollarız.</p><p>2️⃣ Api-server bizden gerekli bilgiyi aldıktan sonra bu bilgileri etcd içerisine yazar. Bu işlemi gerçekleştirdikten sonra scheduler yapısını bilgilendirir.</p><p>3️⃣ Scheduler ise worker node yapılarını inceler ve en uygun worker node’u belirler. Api-server kullanarak etcd ile iletişime geçerek etcd üzerinden bilgileri alır ve api-server’a bilgileri ve çalıştırılacağı worker node’u bildirir.</p><p>4️⃣ Api-server, hangi worker node çalıştırılacaksa o worker node’un kubelet’i ile iletişime geçer. Bilgileri vererek bu bilgilerle bir pod çalıştırılmasını ister.</p><p>5️⃣ Kubelet ise container runtime ile iletişime geçer ve bir pod ayağa kaldırır.</p><p>6️⃣ Bundan sonraki tüm işlemleri control-manager ele alır. Eğer pod bir sorun ile karşılaşırsa yeni bir pod ayağa kaldırılır.</p><p>İlk medium yazımın sonuna geldik. Kubernetes yapısı hakkında söyleyeceklerim şimdilik bu kadar 😊 Umarım sizler için verimli bir yazı olmuştur.</p><p>Yeni medium yazılarında görüşmek üzere 👋</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/360/1*Gy8rufLLSvZGvTUT42CUpg.gif" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=98364c1f0516" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>