<?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 Yasin Sefa Canşimşek  on Medium]]></title>
        <description><![CDATA[Stories by Yasin Sefa Canşimşek  on Medium]]></description>
        <link>https://medium.com/@canysc113?source=rss-1b447f0e9203------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Kv3I12EIaP_dGhVtOIsY4g.jpeg</url>
            <title>Stories by Yasin Sefa Canşimşek  on Medium</title>
            <link>https://medium.com/@canysc113?source=rss-1b447f0e9203------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 09:05:52 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@canysc113/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[Binary Tree Traversal Nedir? — İkili Ağaçlarda Dolaşım Yöntemleri]]></title>
            <link>https://medium.com/@canysc113/binary-tree-traversal-nedir-i%CC%87kili-a%C4%9Fa%C3%A7larda-dola%C5%9F%C4%B1m-y%C3%B6ntemleri-67b6ea508dca?source=rss-1b447f0e9203------2</link>
            <guid isPermaLink="false">https://medium.com/p/67b6ea508dca</guid>
            <dc:creator><![CDATA[Yasin Sefa Canşimşek ]]></dc:creator>
            <pubDate>Fri, 25 Apr 2025 16:24:40 GMT</pubDate>
            <atom:updated>2025-04-25T16:24:40.867Z</atom:updated>
            <content:encoded><![CDATA[<h3>Binary Tree Traversal Nedir? — İkili Ağaçlarda Dolaşım Yöntemleri</h3><p>İkili ağaçlar (Binary Tree), bilgisayar bilimlerinde en çok kullanılan veri yapılarından biridir. Ancak bu ağaçları sadece oluşturmak yetmez; <strong>doğru bir şekilde gezmek (traverse)</strong> de oldukça önemlidir. İşte burada devreye <strong>tree traversal</strong> yani <strong>ağaç dolaşımı</strong> girer.</p><p>Bu yazıda, bir binary tree üzerinde düğümleri gezmenin en yaygın yolları olan <strong>inorder</strong>, <strong>preorder</strong> ve <strong>postorder</strong> dolaşımları görseller ve örneklerle ele alacağız.</p><h3>Traversal Neden Önemlidir?</h3><p>Ağaç yapısındaki verileri işlemek için doğru sıra çok önemlidir. Örneğin:</p><ul><li>Verileri sıralamak</li><li>Bir ağaç yapısını bellekte kopyalamak</li><li>Ağaçtaki verileri silmek</li></ul><p>gibi işlemler için <strong>ağaç dolaşımı (traversal)</strong> şarttır.</p><h3>Örnek Ağaç Yapısı</h3><p>Yazı boyunca kullanacağımız örnek ağaç:</p><pre>       10<br>      /  \<br>     5    20<br>    / \     \<br>   3   7     30</pre><p>Bu yapı üzerinde dolaşım yöntemlerini test edeceğiz.</p><h3>1. Inorder Traversal (L → N → R)</h3><p>Sıra: <strong>Sol → Kök → Sağ</strong></p><h3>Açıklama:</h3><ul><li>İlk olarak sol alt ağaç ziyaret edilir.</li><li>Sonra kök düğüm işlenir.</li><li>En son sağ alt ağaç ziyaret edilir.</li></ul><h3>Kullanım Alanı:</h3><ul><li>Özellikle <strong>Binary Search Tree (BST)</strong> yapılarında kullanıldığında verileri <strong>küçükten büyüğe sıralı</strong> şekilde verir.</li></ul><h3>Python Örneği:</h3><pre>def inorder(node):<br>    if node:<br>        inorder(node.left)<br>        print(node.value, end=&quot; &quot;)<br>        inorder(node.right)</pre><h3>Çıktı:</h3><pre>3 5 7 10 20 30</pre><h3>2. Preorder Traversal (N → L → R)</h3><p>Sıra: <strong>Kök → Sol → Sağ</strong></p><h3>Açıklama:</h3><ul><li>İlk olarak kök düğüm ziyaret edilir.</li><li>Sonra sol alt ağaç</li><li>En son sağ alt ağaç</li></ul><h3>Kullanım Alanı:</h3><ul><li>Ağaç yapısının yapısını kopyalamak veya serileştirmek (serialize) için kullanılır.</li></ul><h3>Python Örneği:</h3><pre>def preorder(node):<br>    if node:<br>        print(node.value, end=&quot; &quot;)<br>        preorder(node.left)<br>        preorder(node.right)</pre><h3>Çıktı:</h3><pre>10 5 3 7 20 30</pre><h3>3. Postorder Traversal (L → R → N)</h3><p>Sıra: <strong>Sol → Sağ → Kök</strong></p><h3>Açıklama:</h3><ul><li>İlk olarak sol alt ağaç</li><li>Ardından sağ alt ağaç</li><li>Son olarak kök düğüm</li></ul><h3>Kullanım Alanı:</h3><ul><li>Ağaçtaki verileri <strong>silme</strong> işlemlerinde veya alt ağaçları tamamen işledikten sonra kökü değerlendirme gereken senaryolarda kullanılır.</li></ul><h3>Python Örneği:</h3><pre>def postorder(node):<br>    if node:<br>        postorder(node.left)<br>        postorder(node.right)<br>        print(node.value, end=&quot; &quot;)</pre><h3>Çıktı:</h3><pre>3 7 5 30 20 10</pre><h3>Traversal Yöntemlerinin Karşılaştırması</h3><p>Traversal Türü Sıralama Tipik Kullanım Inorder Sol → Kök → Sağ BST’de sıralı veri elde etme Preorder Kök → Sol → Sağ Ağaç yapısını saklama veya yapı üretme Postorder Sol → Sağ → Kök Silme, temizlik, alt ağaç sonrası işlemleme</p><h3>Sonuç</h3><p>Ağaç dolaşımı, ikili ağaçlarla çalışan herkesin mutlaka bilmesi gereken bir tekniktir. Hangi sıranın ne zaman kullanıldığını iyi bilmek, algoritmaların daha verimli çalışmasını sağlar.</p><p>Eğer bir <strong>veritabanı</strong>, <strong>oyun motoru</strong>, <strong>yapay zeka algoritması</strong> ya da <strong>dosya sistemi</strong> geliştiriyorsanız, traversal yöntemlerini doğru uygulamak kritik öneme sahiptir.</p><p><strong>Faydalı bulduysan beğenebilir, yorum yapabilir ya da takip edebilirsin!</strong><br> Dilersen bu serinin devamında AVL Tree, Heap veya B-Tree gibi gelişmiş ağaç yapılarına da değineceğim.</p><p>İstersen bunu doğrudan Medium’da paylaşmak için başlık, kapak görseli ve yayın formatı da oluşturabilirim. Görselle desteklenmiş versiyonunu da hazır hale getireyim mi?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=67b6ea508dca" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kendini yapay zekada geliştirmek istiyenlerin bilmesi gerekenler]]></title>
            <link>https://medium.com/@canysc113/kendini-yapay-zekada-geli%C5%9Ftirmek-istiyenlerin-bilmesi-gerekenler-c35fe0ee41f9?source=rss-1b447f0e9203------2</link>
            <guid isPermaLink="false">https://medium.com/p/c35fe0ee41f9</guid>
            <dc:creator><![CDATA[Yasin Sefa Canşimşek ]]></dc:creator>
            <pubDate>Fri, 14 Mar 2025 19:19:03 GMT</pubDate>
            <atom:updated>2025-03-14T19:19:03.577Z</atom:updated>
            <content:encoded><![CDATA[<h3>1. Temel Programlama Bilgisi Edinmek</h3><p>Yapay zeka geliştirmek için öncelikle programlama dillerini öğrenmek gerekir. En yaygın kullanılan diller:</p><ul><li><strong>Python</strong> (En çok tercih edilen)</li><li><strong>R</strong> (İstatistik ve veri bilimi için)</li><li><strong>Java, C++</strong> (Daha performans odaklı işler için)</li></ul><p>Python, geniş kütüphane desteği nedeniyle başlangıç için en iyi seçimdir.</p><h3>2. Matematik ve İstatistik Bilgisi Geliştirmek</h3><p>Yapay zekanın temelinde matematik vardır. Şu konulara hakim olmak önemlidir:</p><ul><li><strong>Lineer Cebir</strong> (Matrisler, vektörler, doğrusal denklemler)</li><li><strong>İstatistik ve Olasılık</strong> (Veri analizi ve model değerlendirme)</li><li><strong>Türev ve İntegral</strong> (Optimizasyon algoritmaları için)</li></ul><h3>3. Makine Öğrenmesi ve Derin Öğrenmeyi Öğrenmek</h3><p>Makine öğrenimi, yapay zekanın en önemli bileşenlerinden biridir. Öğrenilmesi gereken başlıca konular:</p><ul><li><strong>Denetimli Öğrenme (Supervised Learning):</strong> Etiketli verilerle model eğitme (örneğin, spam filtreleri).</li><li><strong>Denetimsiz Öğrenme (Unsupervised Learning):</strong> Veri içindeki gizli desenleri keşfetme (örneğin, müşteri segmentasyonu).</li><li><strong>Takviyeli Öğrenme (Reinforcement Learning):</strong> Deneme-yanılma yöntemiyle öğrenme (örneğin, oyun oynayan yapay zeka).</li><li><strong>Derin Öğrenme (Deep Learning):</strong> Sinir ağlarıyla daha karmaşık modeller oluşturma (örneğin, yüz tanıma).</li></ul><p>Önerilen kaynaklar:</p><ul><li>Andrew Ng’nin <strong>Machine Learning</strong> kursu (Coursera)</li><li><strong>Deep Learning Specialization</strong> (Coursera)</li><li><strong>fast.ai</strong> ücretsiz derin öğrenme kursları</li></ul><h3>4. Yapay Zeka Kütüphanelerini Öğrenmek</h3><p>Kod yazarken işinizi kolaylaştıracak bazı popüler yapay zeka kütüphaneleri:</p><ul><li><strong>Scikit-Learn</strong> (Makine öğrenmesi için)</li><li><strong>TensorFlow</strong> (Derin öğrenme ve sinir ağları için)</li><li><strong>PyTorch</strong> (Esneklik sağlayan bir alternatif)</li><li><strong>Keras</strong> (Kolay kullanım için)</li></ul><h3>5. Veri Bilimi ve Büyük Veri Analizini Öğrenmek</h3><p>Yapay zeka sistemleri büyük veriyle çalışır. Bu yüzden veri temizleme, analiz etme ve görselleştirme yetenekleri geliştirilmelidir.</p><p>Öğrenilmesi gereken bazı araçlar:</p><ul><li><strong>Pandas</strong> (Veri analizi)</li><li><strong>NumPy</strong> (Matematik işlemleri)</li><li><strong>Matplotlib &amp; Seaborn</strong> (Veri görselleştirme)</li></ul><h3>6. Küçük Projelerle Pratik Yapmak</h3><p>Teorik bilgi kadar pratik de önemlidir. Küçük projeler yaparak deneyim kazanabilirsiniz. Örneğin:</p><ul><li>Bir görüntü sınıflandırma modeli oluşturun.</li><li>Bir chatbot geliştirin.</li><li>Bir öneri sistemi yapın (Netflix öneri sistemi gibi).</li></ul><p>GitHub ve Kaggle gibi platformlarda açık kaynak projelere katkıda bulunabilirsiniz.</p><h3>7. Büyük Yapay Zeka Projeleri ve Araştırmalar Yapmak</h3><p>İleri seviyeye geçtikçe daha büyük projelere yönelin. Örneğin:</p><ul><li>Doğal dil işleme (NLP) çalışmaları</li><li>Otonom araçlar için yapay zeka</li><li>Gerçek zamanlı görüntü işleme projeleri</li></ul><p>Ayrıca, akademik makaleleri takip etmek için <strong>arXiv</strong>, <strong>Google Scholar</strong>, <strong>IEEE Xplore</strong> gibi platformları kullanabilirsiniz.</p><h3>8. Topluluklara Katılmak ve Güncel Kalmak</h3><p>Yapay zeka sürekli gelişen bir alan. Güncel kalmak için:</p><ul><li><strong>AI ve ML konferanslarını takip edin</strong> (NeurIPS, ICML, CVPR)</li><li><strong>LinkedIn ve Medium’da AI ile ilgili makaleler okuyun</strong></li><li><strong>Reddit, Stack Overflow gibi platformlarda topluluklarla etkileşime girin</strong></li></ul><h3>Sonuç</h3><p>Yapay zeka geliştirmek isteyenler için temel programlama, matematik, makine öğrenmesi ve veri bilimi bilgisi edinmek şarttır. Küçük projelerle başlamak, ardından daha büyük yapay zeka uygulamalarına geçmek en sağlıklı ilerleme yolu olacaktır. Sürekli öğrenmek ve topluluklarla etkileşimde kalmak ise bu alanda başarılı olmanın en önemli anahtarlarından biridir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c35fe0ee41f9" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>