<?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 Demet Aşgaroğlu on Medium]]></title>
        <description><![CDATA[Stories by Demet Aşgaroğlu on Medium]]></description>
        <link>https://medium.com/@demetasgaroglu?source=rss-6b2faec148a0------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*pRdYiURIQQeRhrjcCSLCUw.jpeg</url>
            <title>Stories by Demet Aşgaroğlu on Medium</title>
            <link>https://medium.com/@demetasgaroglu?source=rss-6b2faec148a0------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 15:01:39 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@demetasgaroglu/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[Boyut Azaltma Nedir?]]></title>
            <link>https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/boyut-azaltma-nedir-ed106bcf45fd?source=rss-6b2faec148a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/ed106bcf45fd</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python3]]></category>
            <category><![CDATA[statistics]]></category>
            <dc:creator><![CDATA[Demet Aşgaroğlu]]></dc:creator>
            <pubDate>Wed, 09 Sep 2026 07:23:24 GMT</pubDate>
            <atom:updated>2026-09-09T07:23:24.232Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2O4iv_HBsvVmHbEML7Nu0w.png" /><figcaption>Gemini ile üretilmiştir.</figcaption></figure><p>Hiç yüzlerce sütundan oluşan bir veri setine bakıp “Bunun içinden nasıl anlam çıkaracağım?” diye düşündünüz mü? Çok fazla özellik (feature) olduğunda, veriyi anlamak zorlaşır, modeller yavaşlar ve sonuçlar bile bozulabilir.</p><p>İşte tam bu noktada <strong>boyut azaltma</strong> yöntemleri devreye giriyor. Veriyi daha <strong>basit</strong>, daha <strong>anlaşılır</strong> ve daha <strong>hızlı işlenebilir</strong> hale getiriyor.</p><p>Bu yazıda en popüler iki yöntemi keşfedeceğiz:</p><ul><li><strong>PCA (Principal Component Analysis) </strong>varyansı en iyi temsil eden yeni eksenler bulur.</li><li><strong>LDA (Linear Discriminant Analysis) </strong>sınıfları en iyi ayıran doğrultuları keşfeder.</li></ul><p>Hem teoriyi basitçe açıklayacağız hem de Python kodlarıyla nasıl çalıştıklarını göreceğiz.</p><h3>Boyut Azaltma Nedir, Neden Kullanırız?</h3><p>Düşünün ki elinizde bir veri seti var. Ama öyle 3–5 sütun değil, yüzlerce hatta binlerce sütun… Yani her satırda binlerce özellik var.</p><p>Peki böyle bir veriyi nasıl inceleriz?<br> 2 boyutlu bir grafiğe baktığımızda ilişkileri görmek genelde kolaydır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/378/1*xVAMzDaSPTFUr7V0NxBz-g.png" /></figure><p>Ama iş 100 özelliğe çıkınca, bu ilişkileri görebilmek mümkün mü? Ya da bu kadar çok özelliğin hepsi gerçekten gerekli midir?</p><p>Aslında çoğu zaman verideki bazı sütunlar diğerleriyle doğrusal ilişki içindedir. Yani aynı bilgiyi tekrar tekrar taşıyor olabiliriz.</p><p>Örneğin:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/635/1*HJBRdIM4MU2s38FDWneAGg.png" /></figure><p>Burada:</p><ul><li>“Boy (metre)” sütunu, “Boy (cm)” bilgisinin basit bir dönüşümü.</li><li>“Yaş*2”, doğrudan “Yaş” ile aynı bilgiyi taşıyor.</li></ul><p>Yani bu sütunlar modele <strong>yeni bilgi kazandırmıyor</strong>, sadece hesaplamayı ağırlaştırıyor. İşte boyut azaltma tam bu noktada devreye giriyor: veriyi <strong>daha yalın, daha hızlı işlenebilir</strong> hale getiriyor.</p><h3>En Popüler Boyut Azaltma Yöntemleri</h3><p>Boyut azaltma için birçok yöntem geliştirilmiştir. Ama hepsinin aynı amaca hizmet ettiğini unutmayalım:</p><blockquote>Veriyi daha az boyutla temsil ederken mümkün olduğunca fazla bilgiyi korumak.</blockquote><p>En çok bilinen yöntemlere hızlıca bakalım:</p><ul><li><strong>PCA (Principal Component Analysis)</strong> → Verideki en yüksek varyansı açıklayan yeni eksenleri bulur. Gözetimsizdir, etiket gerekmez.</li><li><strong>LDA (Linear Discriminant Analysis)</strong> → Sınıflar arasındaki farkı en iyi şekilde ortaya çıkaran eksenleri bulur. Gözetimli bir yöntemdir.</li><li><strong>ICA (Independent Component Analysis)</strong> → Veriyi istatistiksel olarak bağımsız bileşenlere ayırır. Örneğin ses ayrıştırmada kullanılır.</li><li><strong>t-SNE</strong> → Yüksek boyutlu veriyi 2B veya 3B’ye indirir, kümeleri görselleştirmeyi kolaylaştırır.</li><li><strong>UMAP</strong> → t-SNE’ye benzer ama genelde daha hızlıdır ve büyük veri setlerinde tercih edilir.</li></ul><p>Hangi yöntemin kullanılacağı ise tamamen problemin türüne bağlıdır.</p><h3>PCA ve LDA: Hangisi Ne Zaman?</h3><p>Detaylara geçmeden önce iki yöntemi yan yana görelim. Bu tabloyu aklınızda tutarsanız ilerleyen bölümleri çok daha kolay oturtacaksınız:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BshFvvZcgNdK5CkrDaXDBw.png" /><figcaption>PCA ve LDA yöntemlerinin temel özellikler açısından karşılaştırılması.</figcaption></figure><p>Özetle: PCA veriyi “daha iyi anlamak” için, LDA ise “sınıfları en net ayırmak” için kullanılıyor.</p><h3>PCA (Principal Component Analysis) Nedir?</h3><p>PCA (Temel Bileşen Analizi), yüksek boyutlu veriyi daha düşük boyuta indirgemek için kullanılan en popüler yöntemlerden biridir. <strong>Veriye doğru açıdan bakarsak</strong>, aslında karmaşık gibi görünen ilişkileri çok daha net görebiliriz. PCA’nın amacı da işte tam olarak bu doğru açıyı bulmaktır.</p><p>Yani verideki en önemli bilgileri yakalayıp, gereksiz ayrıntıları aradan çıkarır. Böylece hem veriyi daha iyi anlarız hem de daha kolay görselleştirebiliriz.</p><h3>PCA Aşamaları</h3><h4>1. Gerekli Kütüphaneleri Yükle ve Veriyi Al</h4><p>Önce ihtiyacımız olan kütüphaneleri yükleyelim ve veri setimizi alalım.<br> Bu örnek için <strong>Iris veri setini</strong> seçtik çünkü</p><ul><li>Küçük ve anlaşılır bir veri seti,</li><li>Farklı çiçek türlerinin ölçümlerini içeriyor,</li><li>PCA ve görselleştirme için ideal bir örnek.</li></ul><p>Ve evet, bu veri setini <strong>sklearn kütüphanesinden</strong> direkt yükleyebiliyoruz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2Fa098c63655a84ea0b7e090cca7a25210%3Fheight%3D488.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2Fa098c63655a84ea0b7e090cca7a25210%3Fheight%3D488.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="488" frameborder="0" scrolling="no"><a href="https://medium.com/media/8c35dd4345e3358164031c657deaaa04/href">https://medium.com/media/8c35dd4345e3358164031c657deaaa04/href</a></iframe><h4>2. Veriyi Standardize Et</h4><p>PCA varyansa duyarlı bir yöntemdir. Eğer bazı sütunlar diğerlerinden daha büyük ölçeklerdeyse, sonuçları domine edebilirler. Bu yüzden PCA öncesinde veriyi standardize etmek kritik önem taşır.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2Feb7ae7bce3f4431facfb9d9acf0f3e8e%3Fheight%3D335.9375&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2Feb7ae7bce3f4431facfb9d9acf0f3e8e%3Fheight%3D335.9375&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="335" frameborder="0" scrolling="no"><a href="https://medium.com/media/f36dff0963708594915a2f17d942530a/href">https://medium.com/media/f36dff0963708594915a2f17d942530a/href</a></iframe><h4>3. Kovaryans Matrisi Oluştur</h4><p>Verinin sütunlarının birbirleriyle nasıl ilişkili olduğunu anlamamız lazım. İşte bunun için <strong>kovaryans matrisi</strong> kullanıyoruz.</p><p>Kovaryans nedir diye sorarsanız:</p><ul><li>İki değişkenin birlikte nasıl değiştiğini gösterir.</li><li>Pozitifse birlikte artıyorlar, negatifse biri artarken diğeri azalıyor.</li></ul><p>Bu matriste her hücre, iki sütunun birlikte nasıl değiştiğini gösterir.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F97a710456ac443c7bdb72a98fe47daf0%3Fheight%3D280.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F97a710456ac443c7bdb72a98fe47daf0%3Fheight%3D280.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="280" frameborder="0" scrolling="no"><a href="https://medium.com/media/7ed4285eb720094c48a411f9e2efc846/href">https://medium.com/media/7ed4285eb720094c48a411f9e2efc846/href</a></iframe><blockquote><strong>Not:</strong> Bu adım, PCA’nın arka planda ne yaptığını anlamak için burada gösteriyoruz. Bir sonraki adımda kullanacağımız sklearn.PCA bu hesaplamaları otomatik olarak yapıyor.</blockquote><h4>4️. Özdeğer ve Özvektörleri Bul</h4><p>Şimdi hangi yönlerin verideki varyansı en iyi temsil ettiğini bulmamız lazım. Bunun için <strong>özdeğerler</strong> ve <strong>özvektörler</strong> kullanıyoruz:</p><ul><li><strong>Özdeğer (Eigenvalue)</strong> → bileşenin ne kadar bilgi taşıdığını gösterir.</li><li><strong>Özvektör (Eigenvector)</strong> → varyansın hangi yönde olduğunu gösterir.</li></ul><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F482b17779bfb40f8884c2e214eef21d3%3Fheight%3D264.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F482b17779bfb40f8884c2e214eef21d3%3Fheight%3D264.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="264" frameborder="0" scrolling="no"><a href="https://medium.com/media/ff0ac6c933216c19e42f00603ac80c43/href">https://medium.com/media/ff0ac6c933216c19e42f00603ac80c43/href</a></iframe><p>Yani kısaca, özdeğerler “önem”i, özvektörler ise “yön”ü söylüyor.</p><h4>5. Kaç Bileşen Seçmeliyiz?</h4><p>En çok bilgi taşıyan ilk birkaç bileşeni seçiyoruz. Peki kaç bileşen yeterli? Bunu anlamanın en iyi yolu <strong>Scree Plot</strong> (dirsek grafiği) çizmektir. Grafikte keskin bir “dirsek” oluştuğu noktadan sonra bileşenler çok az bilgi kazandırır.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F1c36ee2ba21349df9fb1804b2aff84ad%3Fheight%3D435.59375&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F1c36ee2ba21349df9fb1804b2aff84ad%3Fheight%3D435.59375&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="435" frameborder="0" scrolling="no"><a href="https://medium.com/media/67c85d46c34d2006c1ce8fd0011519a6/href">https://medium.com/media/67c85d46c34d2006c1ce8fd0011519a6/href</a></iframe><p>Grafikte iki şeye bakıyoruz:</p><p><strong>Mavi çizgi</strong> her bileşenin kendi payını gösteriyor. PC1 tek başına <strong>%73</strong>, PC2 ise <strong>%23</strong> açıklıyor. PC3 ve PC4&#39;e gelince bu oran %4 ve %1&#39;e düşüyor — neredeyse hiçbir şey kalmıyor.</p><p><strong>Kesik çizgi</strong> ise kümülatifi gösteriyor. İki bileşenden sonra <strong>%96&#39;ya</strong> ulaşıyoruz. PC3 ve PC4&#39;ü eklesen sadece %4 daha kazanıyorsun ama modelin karmaşıklığını gereksiz yere artırıyorsun.</p><p>Grafikte PC2&#39;den PC3&#39;e geçişte mavi çizginin neredeyse yataylaştığını görüyorsun — bu “dirsek” noktası. Kural şu: <strong>dirsekten sonraki bileşenler çok az bilgi taşır, seçmene gerek yok.</strong> Bu yüzden 2 bileşen seçmek makul bir tercih.</p><h4>6. PCA Uygula</h4><p>Scree plot’tan 2 bileşenin yeterli olduğunu gördük, şimdi PCA’yı uygulayalım.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2Febec8758ddc341089cebdef702a83f6d%3Fheight%3D200.79999923706055&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2Febec8758ddc341089cebdef702a83f6d%3Fheight%3D200.79999923706055&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="200" frameborder="0" scrolling="no"><a href="https://medium.com/media/439fea0b7aa8b385a9232870eca05ec5/href">https://medium.com/media/439fea0b7aa8b385a9232870eca05ec5/href</a></iframe><blockquote>Yani ilk bileşen verinin yaklaşık %73’ünü, ikinci bileşen %23’ünü açıklıyor. Toplamda iki bileşen ile verinin <strong>%96&#39;sını</strong> korumuş olduk.</blockquote><h4>7. Yeni Veriyi Görselleştir</h4><p>Artık verimizi PCA ile iki boyuta indirdik ve sıra geldi görselleştirmeye.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F99d420bc8b6946fcafcf5c152d5d206d%3Fheight%3D321.609375&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F99d420bc8b6946fcafcf5c152d5d206d%3Fheight%3D321.609375&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="321" frameborder="0" scrolling="no"><a href="https://medium.com/media/24dacbc9278879d65c7dd7d0a982fb79/href">https://medium.com/media/24dacbc9278879d65c7dd7d0a982fb79/href</a></iframe><p>Sol grafik, orijinal 4 özellikten sadece ilk ikisini gösteriyor (sepal length ve sepal width). Sağdaki PCA grafiği ise 4 özelliğin tamamından elde edilen 2 temel bileşeni içeriyor. Sınıfların sağdaki grafikte çok daha net ayrıştığını görebilirsiniz. Bu, PCA’nın “gizli” kalan 2 özelliğin bilgisini de bileşenlere yansıtmasının sonucu.</p><h3>LDA (Linear Discriminant Analysis) Nedir?</h3><p>LDA, yani Linear Discriminant Analysis, PCA’ya benzer şekilde veriyi daha az boyutlu hâle getiriyor ama amacı farklı. PCA verideki varyansı yakalamaya odaklanırken, LDA <strong>sınıflar arasındaki farkı maksimize ediyor</strong>. Yani LDA, verideki sınıfların birbirinden ne kadar farklı olduğunu ön plana çıkarıyor ve bunun için <strong>sınıf etiketlerine ihtiyaç duyuyor</strong>.</p><blockquote>Kısaca: PCA veriyi “daha iyi anlamak” için, LDA ise “sınıfları en net ayırmak” için kullanılıyor.</blockquote><p>Bunun yanı sıra LDA, boyut azaltmanın ötesinde doğrudan bir <strong>sınıflandırıcı</strong> olarak da kullanılabilir. Bu özelliğiyle PCA’dan ayrışıyor.</p><h3>LDA Aşamaları</h3><p>Verimiz zaten standardize edilmiş durumda olduğu için doğrudan LDA uygulayabiliriz.</p><h4>1. LDA Modelini Tanımla ve Fit Et</h4><p>LDA’nın temel farkı, sınıf etiketlerini kullanarak <strong>sınıflar arasındaki farkı maksimize eden eksenleri</strong> bulması. Modeli tanımlayıp veriye fit ediyoruz:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F017c8734159b45c8b210c8b0247084d3%3Fheight%3D316.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F017c8734159b45c8b210c8b0247084d3%3Fheight%3D316.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="316" frameborder="0" scrolling="no"><a href="https://medium.com/media/ac465b094988288a42b7a3c6dd3d2549/href">https://medium.com/media/ac465b094988288a42b7a3c6dd3d2549/href</a></iframe><blockquote>PCA’da etiket gerekmezken, LDA’da sınıf bilgisiyle model veriyi dönüştürüyor.</blockquote><h4>2. Açıklanan Varyans Oranlarını İncele</h4><p>LDA’da da genellikle ilk iki bileşen görselleştirme için yeterli oluyor. Bu bileşenler sınıflar arasındaki farkı en iyi şekilde koruyor:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F8f6ffede9c384167aebc96493c76b305%3Fheight%3D146.79999923706055&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F8f6ffede9c384167aebc96493c76b305%3Fheight%3D146.79999923706055&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="146" frameborder="0" scrolling="no"><a href="https://medium.com/media/afbeb2f97a06c61b44a06ebccd3a0e9e/href">https://medium.com/media/afbeb2f97a06c61b44a06ebccd3a0e9e/href</a></iframe><blockquote><strong>Önemli not:</strong> LDA’daki bu oran, PCA’daki gibi “verinin genel varyansının ne kadarı açıklanıyor” sorusunu değil, <strong>sınıflar arası varyansın ne kadarının bu bileşende toplandığını</strong> gösteriyor. Yani birinci bileşen, sınıfları birbirinden ayıran bilginin %99&#39;unu taşıyor.</blockquote><h4>3. Yeni Veriyi Görselleştir</h4><p>Son olarak, veriyi iki boyuta indirdik ve grafikte gösterebiliriz. PCA’daki gibi, LDA sonrası sınıfların daha net ayrıldığını görebiliriz:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F54a47bf65392447ba68ecb095fa05fa9%3Fheight%3D348.0874938964844&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F54a47bf65392447ba68ecb095fa05fa9%3Fheight%3D348.0874938964844&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="348" frameborder="0" scrolling="no"><a href="https://medium.com/media/f7720533819297fd1669a1ca76e49be2/href">https://medium.com/media/f7720533819297fd1669a1ca76e49be2/href</a></iframe><p>LDA sonrası sınıflar daha net ayrılmış durumda, böylece veri görselleştirme ve sınıf farklarını gözlemlemek kolaylaşıyor.</p><h3>Sonuçları Yan Yana Görelim</h3><p>Aynı veri setine PCA ve LDA uyguladığımızda ortaya çıkan farkı aşağıdaki grafikte görebilirsiniz:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F7331793f527949babff1ccde9315efb7%3Fheight%3D318.4250183105469&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F1b05177db16d417189f1bada48af26ee%2F7331793f527949babff1ccde9315efb7%3Fheight%3D318.4250183105469&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="318" frameborder="0" scrolling="no"><a href="https://medium.com/media/b43cf1ece21f820b1dc2cfd40809b23e/href">https://medium.com/media/b43cf1ece21f820b1dc2cfd40809b23e/href</a></iframe><p><strong>Soldaki grafik (PCA):</strong> PCA, verideki en büyük varyansı yakalamaya çalışır. Yani veriyi daha “genel” açıdan özetler. Burada sınıflar kısmen ayrılmış olsa da, bazı kümeler iç içe geçmiş durumda.</p><p><strong>Sağdaki grafik (LDA):</strong> LDA ise sınıflar arasındaki ayrımı maksimize eder. Görüldüğü gibi, sınıflar çok daha net şekilde birbirinden ayrılmış.</p><h3>Sonuç</h3><p>Boyut azaltma, yüksek boyutlu verileri daha anlaşılır hale getirmenin en etkili yollarından biridir. PCA, verideki en önemli yönleri ortaya çıkarır. LDA ise sınıfları birbirinden ayırmak için güçlü bir yaklaşım sunar. Hangi yöntemin kullanılacağı ise tamamen problemin yapısına bağlıdır.</p><p>Ancak bu yöntemleri gerçekten öğrenmenin en iyi yolu, onları kendi veriniz üzerinde denemektir. Küçük veri setleriyle başlayın, kodları çalıştırın ve sonuçları görselleştirin. Böylece ilk başta karmaşık görünen kavramların aslında oldukça sezgisel olduğunu fark edeceksiniz.</p><p>Peki sizce hangi yöntem daha etkili? PCA mı? Yoksa LDA mı? Düşüncelerinizi paylaşabilirsiniz.</p><p>Benzer içeriklerin devamı için beni <a href="http://www.linkedin.com/in/demet-a%C5%9Fgaro%C4%9Flu"><em>LinkedIn</em></a><em> </em>ve <a href="https://medium.com/@demetasgaroglu"><em>Medium</em></a> üzerinden takip edebilirsiniz. Bir sonraki yazıda görüşmek üzere.</p><h4>Kaynak</h4><p><a href="https://medium.com/@deepak.engg.phd/dimensionality-reduction-with-scikit-learn-ee5d2b69225b">Scikit-Learn ile Boyut Azaltma</a></p><p><a href="https://www.kdnuggets.com/2023/05/principal-component-analysis-pca-scikitlearn.html">PCA with Scikit-learn</a></p><p><a href="https://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html">Scikit-learn Linear Discriminant Analysis (LDA) Dokümantasyonu</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ed106bcf45fd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/boyut-azaltma-nedir-ed106bcf45fd">Boyut Azaltma Nedir?</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu">Türkiye Yapay Zeka Topluluğu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Zaman Serisi Analizi #2: Gerçek Veriler Üzerinde Uygulama]]></title>
            <link>https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/python-ile-zaman-serisi-analizi-2-ger%C3%A7ek-veriler-%C3%BCzerinde-uygulama-0b1938d0a1ac?source=rss-6b2faec148a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/0b1938d0a1ac</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[time-series-analysis]]></category>
            <dc:creator><![CDATA[Demet Aşgaroğlu]]></dc:creator>
            <pubDate>Tue, 12 Aug 2025 12:02:00 GMT</pubDate>
            <atom:updated>2025-08-12T12:02:00.545Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/389/1*UI-WVDmNBubGc2PxIvXMWA.png" /><figcaption>Copilot ile üretildi.</figcaption></figure><p>Finansal verilerle ilgilenen herkesin aklında bir soru var: <strong>‘Geçmiş fiyat hareketlerinden geleceği tahmin etmek mümkün mü?’</strong></p><p>Serimizin <a href="https://medium.com/global-ai-hub/python-ile-zaman-serisi-analizi-1-temel-kavramlar-ve-modeller-0c926c537c1e"><strong>ilk bölümünde</strong></a> durağanlık, trend, mevsimsellik gibi temel kavramları teorik olarak ele almıştık. Şimdi sıra geldi, öğrendiklerimizi gerçek bir veri seti üzerinde uygulamaya.</p><p>Seçtiğimiz konu: <a href="https://www.kaggle.com/datasets/adilshamim8/amazon-stock-price-history"><strong>Amazon’un hisse senedi kapanış fiyatları</strong>.<br></a>Amacımız sadece bir tahmin modeli kurmak değil; her satır kodun arkasındaki mantığı, her dönüşümün neden yapıldığını anlamak. Çünkü zaman serisi analizi yalnızca veriyi işlemek değil, aynı zamanda veriyi “okuma” sanatıdır.</p><p>Bu yazıda şunları yapacağız:</p><ul><li>Ham veriyi tanıyıp görselleştirmek</li><li>Durağanlık testleri ile veriyi modellemeye uygun hale getirmek</li><li>Trend ve mevsimsellik bileşenlerini incelemek</li><li>ARIMA ve SARIMA modelleri ile tahminler yapmak</li><li>Sonuçları karşılaştırıp yorumlamak</li></ul><p>Hazırsanız, teoriden pratiğe uzanan bu yolculuğa başlayalım. İlk adım: <strong>veriyi ekrana getirmek.</strong></p><h3>1. Veri Setini Tanıma ve Hazırlık</h3><p>Analizde kullanacağımız veri seti, Kaggle’da paylaşılan Amazon Stock Price Data’dan alınmıştır. Bu veri setinde Amazon’un günlük hisse senedi kapanış fiyatları yer alıyor ve Date sütunu üzerinden zaman serisi analizi yapacağız.</p><p>Bu adımda, veri setimizi pandas ile yükleyecek ve ilk birkaç satırını inceleyerek yapısını anlamaya çalışacağız.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F5d394dfef1f64e2d8a931cdf17a9be8e%3Fheight%3D545.9875030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F5d394dfef1f64e2d8a931cdf17a9be8e%3Fheight%3D545.9875030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="545" frameborder="0" scrolling="no"><a href="https://medium.com/media/3ca9aed2860eec847bc2ae1a72a5ec21/href">https://medium.com/media/3ca9aed2860eec847bc2ae1a72a5ec21/href</a></iframe><blockquote><strong>Not:</strong> Tarih sütununu indeks olarak ayarlamak, zaman serisi fonksiyonlarını daha verimli kullanmamızı sağlar.</blockquote><h3>2. Zaman Serisinin Görselleştirilmesi</h3><p>Veriyi tanımanın en hızlı yolu, onu görmektir.</p><p>Bu adımda şunları deneyebiliriz:</p><ul><li><strong>Çizgi grafiği ile zaman içindeki fiyat değişimi,</strong></li><li><strong>Hareketli ortalama ile trendi netleştirmek,</strong></li><li><strong>Kutu grafiği (boxplot) ile aylık/yıllık dağılımlar,</strong></li><li><strong>Histogram ile fiyat veya getiri dağılımı.</strong></li></ul><p>Bu projede temel olarak çizgi grafiği kullanacağız: Amazon’un kapanış fiyatlarının zaman içindeki yolculuğunu görselleştireceğiz.<br>Ama kendi verinizde ek görselleştirmeler yaparak daha fazla içgörü elde edebilirsiniz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F79fd1f6e6a16424fb0ce5318fd71a4a0%3Fheight%3D626.8000183105469&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F79fd1f6e6a16424fb0ce5318fd71a4a0%3Fheight%3D626.8000183105469&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="626" frameborder="0" scrolling="no"><a href="https://medium.com/media/d19e7ebdb8d50306b734898b49eae273/href">https://medium.com/media/d19e7ebdb8d50306b734898b49eae273/href</a></iframe><h3>3. Durağanlık Testi</h3><p>Model kurmadan önce, serinin durağan olup olmadığını mutlaka kontrol etmeliyiz. Yani ortalama ve varyans zamanla değişmiyorsa, seri durağandır. Aksi halde tahminlerimiz sapabilir.</p><p>Bunu anlamak için genelde <strong>ADF testi</strong> kullanılır. p-değeri 0.05’ten küçükse “tamam, seri durağan” diyebiliriz. İstersen KPSS veya Phillips-Perron gibi testlerle de sonuçları karşılaştırabilirsin.</p><p>Bu projede biz ADF ile devam ediyoruz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2Fb017ff72ffe945e9917b787f227f05e2%3Fheight%3D238.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2Fb017ff72ffe945e9917b787f227f05e2%3Fheight%3D238.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="238" frameborder="0" scrolling="no"><a href="https://medium.com/media/bc42aeaabac466fd61e7310f0eed496c/href">https://medium.com/media/bc42aeaabac466fd61e7310f0eed496c/href</a></iframe><blockquote>Not: Daha ileri analizlerde, sonuçları KPSS testi ile çapraz kontrol edebilirsiniz.</blockquote><h3>4. Durağanlık Sağlama (Fark Alma)</h3><p>ADF testinden çıkan p-değerimiz <strong>0.9968</strong>… Yani maalesef serimiz durağan değil. Bu durumda trend ve dalgalanmalar zamanla değiştiği için, direkt modelleme yapmak pek mantıklı olmaz.</p><p>En yaygın çözüm? <strong>Birinci fark almak</strong>. Yani her değerden bir önceki değeri çıkarıyoruz. Bu sayede trend etkisini azaltıp, model için daha “dengeli” bir seri elde ediyoruz.</p><p>Tabii başka yöntemler de var: log dönüşümü, mevsimsel fark alma gibi… Ama biz bu projede klasik ve etkili olan <strong>birinci fark alma</strong> ile yola devam edeceğiz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F871949ccfc3d4a028c28a58be60d5887%3Fheight%3D679.5500183105469&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F871949ccfc3d4a028c28a58be60d5887%3Fheight%3D679.5500183105469&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="679" frameborder="0" scrolling="no"><a href="https://medium.com/media/cc9eb07eae42dd38258691aef5465e50/href">https://medium.com/media/cc9eb07eae42dd38258691aef5465e50/href</a></iframe><blockquote>Not: Mevsimsel verilerde sezon farkı almak çok işe yarar.</blockquote><h3>5. Trend ve Mevsimsellik Analizi</h3><p>Zaman serilerinde uzun vadeli eğilimleri (<strong>trend</strong>) ve belirli aralıklarla tekrar eden desenleri (<strong>mevsimsellik</strong>) görmek, seriyi anlamanın en keyifli adımlarından biri. Böylece hem uzun vadede artış/azalış yönünü hem de yıl içindeki döngüsel hareketleri net bir şekilde yakalayabiliyoruz.</p><p>seasonal_decompose fonksiyonu ile:</p><ul><li><strong>Trend</strong> → Uzun vadeli eğilim</li><li><strong>Seasonal</strong> → Döngüsel desenler</li><li><strong>Residual</strong> → Rastgele bileşen</li></ul><p>Bu ayrıştırma, seriyi yorumlamayı kolaylaştırır ve model başarısını artırabilir.</p><p>Tabii ki daha gelişmiş seçenekler de var: <strong>STL decomposition</strong>, <strong>wavelet decomposition</strong> gibi… Ama bu projede, işimizi görecek sade ve anlaşılır bir yöntemle devam ediyoruz.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2Fa3b9012a07ac4ae59da4139c6c17e6bb%3Fheight%3D620.8000183105469&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2Fa3b9012a07ac4ae59da4139c6c17e6bb%3Fheight%3D620.8000183105469&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="620" frameborder="0" scrolling="no"><a href="https://medium.com/media/0312f01e24042912385a591c46153c8c/href">https://medium.com/media/0312f01e24042912385a591c46153c8c/href</a></iframe><blockquote>Not: Mevsimsellik etkisi yüksek serilerde, decomposition sonuçları model başarısını ciddi şekilde artırabilir.</blockquote><h3>6. Basit ARIMA Modeli ile Tahmin</h3><p>Verimizi durağan hale getirdikten sonra tahmin aşamasına geçiyoruz. ARIMA, zaman serisi analizinde en çok kullanılan modellerden biri. Hem trendi hem de verideki bağımlılıkları yakalamak için pratik ve güçlü bir yöntem.</p><p>Bu projede, ARIMA(1,1,1) modeliyle kısa vadeli tahminler yapacağız. Karmaşık modellere geçmeden önce temel mantığı anlamak önemli. Daha karmaşık modeller (SARIMA, Prophet, derin öğrenme) de mevcut; onları da deneyebilirsin. Şimdi ARIMA modelimizi kuralım ve sonuçları inceleyelim!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F777425a9baa64db5a6675d082eaac012%3Fheight%3D202.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F777425a9baa64db5a6675d082eaac012%3Fheight%3D202.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="202" frameborder="0" scrolling="no"><a href="https://medium.com/media/2801ecf2003df5daeb7602bb813db98c/href">https://medium.com/media/2801ecf2003df5daeb7602bb813db98c/href</a></iframe><blockquote>Not: Modelin başarısı, serinin durağanlığına ve doğru parametre seçimine bağlıdır. Siz de farklı parametrelerle denemeler yaparak en iyi sonucu bulabilirsiniz.</blockquote><h3>7. SARIMA Modeli ile Mevsimsel Tahmin</h3><p>Veride belirgin mevsimsellik varsa ARIMA yetersiz kalabilir. İşte SARIMA burada devreye giriyor!</p><p>SARIMA hem trendi hem mevsimsel döngüleri yakalayıp, daha gerçekçi tahminler sağlar.Biz de mevsimselliği hesaba katan SARIMA modelini deneyerek tahmin doğruluğunu artıracağız.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F6053ae621f234e3793231dcacbcece3e%3Fheight%3D256.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F6053ae621f234e3793231dcacbcece3e%3Fheight%3D256.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="256" frameborder="0" scrolling="no"><a href="https://medium.com/media/2d5630adc95a82c1857cb8c0e19f1f4b/href">https://medium.com/media/2d5630adc95a82c1857cb8c0e19f1f4b/href</a></iframe><p><em>Kısacası: Mevsimsellik varsa SARIMA, yoksa ARIMA genellikle yeterli oluyor!</em></p><h3>8. ARIMA ve SARIMA Tahminlerinin Kıyaslanması</h3><p>Şimdi iki modelin tahmin sonuçlarını karşılaştırma zamanı! ARIMA ve SARIMA modellerinin tahminlerini hem grafiklerle hem de hata metrikleriyle yan yana inceleyeceğiz. Böylece mevsimselliğin tahmin performansına etkisini daha net görebileceğiz.</p><p>Kısacası: Hangi model daha başarılı, verimizde mevsimsellik gerçekten fark yaratıyor mu, birlikte test edeceğiz. Kendi verilerinizde de mutlaka bu tür karşılaştırmalar yapmanızı öneririm!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F1630b24377a0466dac9a87a72f70eb49%3Fheight%3D1175.2124938964844&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2F7461c42e-0cb0-40a6-be54-3dd0ff5b8e74%2F676fcb1fcc1a468b802edc7a1a9155bd%2F1630b24377a0466dac9a87a72f70eb49%3Fheight%3D1175.2124938964844&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="1175" frameborder="0" scrolling="no"><a href="https://medium.com/media/b6c28e1bdf60fffef568934ee1300976/href">https://medium.com/media/b6c28e1bdf60fffef568934ee1300976/href</a></iframe><p><strong>Model Karşılaştırması Sonuçları</strong></p><p>Tahmin modellerimizi MAE (Ortalama Mutlak Hata) ve RMSE (Karekök Ortalama Kare Hata) değerleriyle değerlendirdik. Çıkan sonuçlara göre:</p><ul><li><strong>ARIMA</strong> modelimizin MAE değeri 1.78, RMSE ise 2.15.</li><li><strong>SARIMA</strong> modelimizin MAE değeri 1.85, RMSE ise 2.25.</li></ul><p>Yani, bu örnekte ARIMA modeli, SARIMA modeline göre biraz daha başarılı çıktı. Bu da demek oluyor ki, verimizdeki mevsimselliğin tahmin performansına etkisi sınırlı.</p><h3>Sonuç</h3><p>Bu yazıda Amazon hisse senedi verisi üzerinden zaman serisi analizini birlikte yaptık. Veriyi tanıdık, durağanlığı kontrol ettik, trend ve mevsimselliği inceledik. Sonra ARIMA ve SARIMA modelleriyle tahminler yapıp karşılaştırdık.</p><p>Umarım bu rehber, zaman serisi analizine başlamanı kolaylaştırır. Kodları <a href="https://github.com/DemetAsgaroglu/Amazon_Stock_Prediction/tree/main/zamansal_seri_analiz"><strong>GitHub’da</strong></a> bulabilirsin. Bana da <a href="http://www.linkedin.com/in/demet-a%C5%9Fgaro%C4%9Flu"><strong>LinkedIn’den </strong></a>ulaşabilirsin, sohbet etmeye her zaman açığım.</p><p>Okuduğun için çok teşekkürler! Yorumlarını ve sorularını bekliyorum, bir sonraki yazıda görüşmek üzere!</p><h4>Kaynak</h4><p><a href="https://medium.com/global-ai-hub/python-ile-zaman-serisi-analizi-1-temel-kavramlar-ve-modeller-0c926c537c1e">Python ile Zaman Serisi Analizi #1: Temel Kavramlar ve Modeller</a></p><p><a href="https://medium.com/@mervegunak/python-ile-zaman-serileri-tahmin-y%C3%B6ntemleri-4eeb784d4562">Python ile Zaman Serileri Tahmin Yöntemleri</a></p><p><a href="http://kaggle.com/code/prashant111/complete-guide-on-time-series-analysis-in-python">Complete Guide on Time Series Analysis in Python</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0b1938d0a1ac" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/python-ile-zaman-serisi-analizi-2-ger%C3%A7ek-veriler-%C3%BCzerinde-uygulama-0b1938d0a1ac">Python ile Zaman Serisi Analizi #2: Gerçek Veriler Üzerinde Uygulama</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu">Türkiye Yapay Zeka Topluluğu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Zaman Serisi Analizi #1: Temel Kavramlar ve Modeller]]></title>
            <link>https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/python-ile-zaman-serisi-analizi-1-temel-kavramlar-ve-modeller-0c926c537c1e?source=rss-6b2faec148a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/0c926c537c1e</guid>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[time-series-analysis]]></category>
            <dc:creator><![CDATA[Demet Aşgaroğlu]]></dc:creator>
            <pubDate>Fri, 25 Jul 2025 07:02:36 GMT</pubDate>
            <atom:updated>2025-07-25T07:02:36.717Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/559/1*MaK7ZW4I0jXQ_h7RDfanjA.png" /><figcaption>Copilot tarafından üretilmiştir.</figcaption></figure><p>Bir grafik düşün: dalgalı bir çizgi… Bazen yükseliyor, bazen iniyor. Bu bir hisse senedi olabilir, her gün değişen hava durumu ya da sabah evden çıkan insan sayısı bile olabilir (mesela pazartesi hep daha kalabalıktır, değil mi? ).</p><p>İşte bu tür “zamanla değişen” verilere biz <strong>zaman serisi (time series)</strong> diyoruz. Zaman serisi verileri, geçmişin izlerini taşıyan ve geleceğe dair ipuçları veren harika araçlardır. Ama Python’da bu verileri nasıl işleriz? Ne tür desenler ararız? Gerçekten tahmin yapmak mümkün mü?</p><p>Bu yazıda, zaman serisi analizine teorik bir giriş yapacağız:</p><ul><li>Zaman serisi nedir?</li><li>Ne tür örüntüler içerir?</li><li>ARIMA gibi modeller nasıl çalışır?</li><li>Gerçek veriye geçmeden önce bilmemiz gereken temel kavramlar nelerdir?</li></ul><p>Eğer “Ben kod yazmayı biliyorum ama zaman serisi nedir, ne yer ne içer?” diyorsan, bu yazı tam sana göre. Karmaşık istatistik terimlerine boğmadan, adım adım, eğlenceli örneklerle ilerleyeceğiz.</p><h3>1. Zaman Serisi Nedir?</h3><p>Zaman serisi, aslında kulağa karmaşık gelen ama oldukça basit bir fikir üzerine kurulu:<br><strong>Zaman içinde ölçülmüş verilerin sıralı hali.</strong></p><p>Yani elimizde bir sayı var, ama tek başına değil zamanla birlikte geliyor:<br> 🕐Pazartesi 25 derece<br> 🕐 Salı 27 derece<br> 🕐 Çarşamba 22 derece<br> Ve böyle devam ediyor…</p><h4><strong>Peki Nerelerde Karşımıza Çıkar?</strong></h4><p>Aslında neredeyse her yerde:</p><ul><li>Borsa verileri: “Dolar bugün ne kadar oldu?”</li><li>Günlük sıcaklık ölçümleri</li><li>Gün içinde mağazaya giren müşteri sayısı</li><li>Saatlik hava kirliliği verileri</li><li>Haftalık pizza siparişi sayısı</li></ul><p>Bunların hepsi birer zaman serisidir. Çünkü veriler zamanla akar, değişir, sürpriz yapar. Kimi zaman tahmin edilebilir, kimi zaman kontrol dışına çıkar.</p><h3>2. Zaman Serisi Verisinin Temel Özellikleri</h3><p>Zaman serisi verilerini anlamanın ilk adımı, içerdikleri desenleri tanımaktır. Genellikle üç temel bileşen vardır: <strong>trend</strong>, <strong>mevsimsellik</strong> ve <strong>rastgelelik</strong>.</p><p><strong>Trend</strong>, zaman içerisinde veride gözlenen uzun vadeli bir artış veya azalış eğilimidir. Örneğin dünya nüfusunun her yıl artması ya da küresel sıcaklıkların yıllar içinde yükselmesi, trend örneklerindendir.</p><p><strong>Mevsimsellik (seasonality)</strong>, belirli dönemlerde düzenli olarak tekrar eden değişimleri ifade eder. Tatil dönemlerinde artan yolcu sayısı, yaz aylarında yükselen dondurma satışları ya da kışın artan doğalgaz tüketimi buna örnektir.</p><p><strong>Rastgelelik (noise)</strong> ise verideki düzensiz, öngörülemeyen dalgalanmalardır. Bu, modelin açıklayamadığı ya da dışsal faktörlerden kaynaklanan oynaklıkları içerir. Örneğin bir hava ölçüm cihazının arıza yapması ya da bir anda çıkan ani fırtına gibi beklenmedik olaylar veriye “gürültü” katabilir.</p><p>Bu bileşenleri tanımak, veriyi daha iyi analiz etmek ve doğru model kurmak için kritik öneme sahiptir.</p><p>Aşağıdaki örnek grafik, bu üç temel bileşeni görsel olarak özetliyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/876/1*gtxVbba9meETVXl1hfKn0g.png" /><figcaption>Zaman serisinin bileşenleri: trend (turuncu), mevsimsellik (mavi) ve rastgelelik (gri).</figcaption></figure><p><strong>Trend</strong> zamanla artan genel yönü,<br><strong>Mevsimsellik</strong> belirli aralıklarla tekrar eden desenleri,<br><strong>Rastgelelik</strong> ise verideki düzensiz dalgalanmaları temsil ediyor.</p><p>Bu grafik sayesinde veriyi parçalara ayırarak analiz etmenin ne kadar etkili olabileceğini daha net görebiliyoruz.</p><h3>3. Neden Zaman Serisi Analizi Yapılır?</h3><p>Zaman serisi analizi, karmaşık gibi görünse de temelinde üç çok önemli amaca hizmet eder:</p><ul><li><strong>Desenleri Keşfetmek.</strong><br>Veri zamanla nasıl davranıyor? Örneğin, bir mağazanın günlük müşteri sayısı hafta içi ve hafta sonu farklı mı? Ya da yılın belirli aylarında enerji tüketimi artıyor mu? Böyle desenleri fark etmek, veriyi anlamanın ilk adımıdır.</li><li><strong>Tahmin Yapmak (Forecasting).</strong><br>Geçmiş verilerden yola çıkarak geleceği öngörmek mümkün mü? Mesela önümüzdeki hafta hava kalitesi nasıl olacak? Bir sonraki ay elektrik talebi artacak mı? Tahminler, planlama ve karar alma süreçlerinde hayat kurtarıcıdır.</li><li><strong>Anomali Tespiti (Anomaly Detection).</strong><br>Veri akışındaki beklenmedik ve olağan dışı değişiklikler nedir? Örneğin, ani bir hava kirliliği yükselişi ya da elektrik tüketiminde olağandışı bir düşüş ne anlama gelir? Anomaliler, sorunların erken fark edilmesini sağlar.</li></ul><h3>4. Zaman Serisi Modelleri: AR, MA, ARIMA ve SARIMA</h3><p>Zaman serisi verisini incelerken hepimiz bir şekilde geçmişe bakıp geleceği tahmin etmeye çalışırız, değil mi? Mesela, dün hava çok sıcaktıysa bugün de benzer olur diye düşünürüz. İşte zaman serisi modelleri de buna benzer şekilde çalışıyor; geçmiş veriye bakıp geleceği anlamaya çalışıyorlar. Ama bunlar ne demek, nasıl çalışıyor? Gel, basitçe açıklayalım.</p><h4>AR (Otoregresif) Modeli:</h4><p>AR modeli, zaman serisindeki bugünkü değeri, geçmişteki değerlere bakarak tahmin eder. Yani, “Dün ne olduysa bugün onun etkisi var” mantığında çalışır. Mesela, komşun dün bahçesinde uzun uzun güneşlenmişse, bugün de dışarı çıkma ihtimali yüksektir. İşte bu model, verideki böyle bir bağlılığı yakalamaya çalışır.</p><h4>MA (Hareketli Ortalama) Modeli</h4><p>MA modeli ise biraz daha dikkatli. Geçmişte yaptığımız tahminlerdeki hatalara odaklanır. “Dün tahmin ettiğimizden hava çok farklıydı, bugün daha temkinli olalım” der. Yani model, geçmiş hatalardan ders çıkararak geleceğe daha iyi hazırlanır.</p><h4>ARIMA (Otoregresif Entegre Hareketli Ortalama) Modeli</h4><p>ARIMA, işin biraz daha karmaşık ama aslında çok akıllı kahramanı. Hem AR’nin geçmişe bakışını hem MA’nın hata düzeltmesini birleştirir. Üstelik çoğu zaman serisi verisi durağan değildir; yani zamanla ortalaması değişir. ARIMA, veriyi durağan hale getirmek için “fark alma” işlemi yapar, böylece daha sağlıklı tahminler yapar. Düşünsene, şehirde yıllar geçtikçe nüfus artıyor, bu artışı hesaba katmadan tahmin yapmak yanlış olur. ARIMA bu büyüyen trendi göz önüne alır ve veriyi ona göre düzenler.</p><h4>SARIMA (Mevsimsel ARIMA) Modeli</h4><p>SARIMA, ARIMA’nın mevsimsel versiyonu. Eğer verinde yaz-kış gibi belirgin tekrarlar varsa, mesela yazın klima satışları artıyor, kışın azalıyor, SARIMA bunu yakalar ve tahminleri ona göre yapar. Yani, SARIMA sadece geçmişe değil, zamanın döngülerine de bakar.</p><p><strong>Özetle,</strong> bu modeller geçmişe bakarak geleceği anlamaya çalışıyor. Ama her biri farklı açıdan bakıyor; kimi geçmişte ne olmuş diyor, kimi hatalarımıza bakıyor, kimi veriyi durağanlaştırıyor, kimi de mevsimsel ritimleri göz önüne alıyor.</p><h4>Peki Hangi Modeli Ne Zaman Kullanmalıyız?</h4><p>Zaman serisi verisinin yapısına göre kullanılabilecek modelleri genel olarak şöyle özetleyebiliriz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/782/1*nR0YdmZLoGdmzCcZSJivig.png" /><figcaption>ChatGPT tarafından üretilmiştir.</figcaption></figure><h3>5. Zaman Serisi Analizinde Dikkat Edilmesi Gerekenler</h3><p>Zaman serisi analizi yaparken bazı önemli noktalar var ki, bunlara dikkat etmezsek tahminlerimiz pek tutmayabilir. Gel birlikte bakalım:</p><h4>Durağanlık (Stationarity) Nedir ve Neden Önemlidir?</h4><p>Zaman serisi analizinde belki de en kritik kavramlardan biri <strong>durağanlık</strong>. Peki nedir bu durağanlık?</p><p>Kısaca açıklamak gerekirse, bir zaman serisi durağansa, <strong>ortalaması, varyansı ve genel yapısı zaman içinde değişmez</strong>. Yani veri kendi halinde dalgalanır ama zaman geçtikçe yön değiştirmez. Ne sürekli yukarı çıkar, ne de aşağı iner. Yapısı sabittir.</p><p>Aşağıdaki görselde bu farkı açıkça görebilirsiniz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/1*flZglGteJIxsMUl44p-gmQ.png" /><figcaption>Solda durağan, sağda durağan olmayan zaman serisi örneği. Durağan olmayan serideki artış dikkat çekici.</figcaption></figure><ul><li><strong>Sol taraftaki yeşil grafik</strong>: Durağan bir seriyi temsil eder. Ortalama ve varyans sabit, yani veri “kendi halinde” dalgalanıyor ama yön değiştirmiyor.</li><li><strong>Sağ taraftaki kırmızı grafik</strong>: Durağan olmayan bir seridir. Zaman geçtikçe ortalama artıyor, yani serinin yapısı değişiyor.</li></ul><blockquote>Durağanlık neden bu kadar önemli?<br>Çünkü çoğu zaman serisi modeli — özellikle ARIMA gibi — verinin durağan olduğunu varsayar. Eğer veri durağan değilse, bu modeller doğru sonuçlar vermez. Bu yüzden model kurmadan önce veriyi dikkatlice incelemek ve gerekirse dönüştürmek gerekir (örneğin: fark alma işlemi).</blockquote><p>Gerçek hayattan bir örnekle düşünelim. Her sabah kahve içiyorsun ve miktarı genelde aynıysa bu bir tür durağanlıktır. Ama her geçen gün biraz daha fazla kahve içiyorsan, artık bu bir trendtir. Yani verinin yapısı zamanla değişmiş olur ve artık durağan değildir.</p><p>Bu ayrımı doğru yapmak, modelin başarısını doğrudan etkiler.</p><h4>Model Seçimi</h4><p>Her zaman serisi veri farklıdır, o yüzden doğru modeli seçmek çok önemli. Bazı veriler trend içerir, bazıları mevsimseldir, bazıları ise daha karışık olabilir. Yanlış model seçmek, kötü tahminlere yol açar. Yani önce veriyi iyi anlamak lazım, öyle seçmek.</p><h4>Aşırı Uyum Riski (Overfitting)</h4><p>Bazen modeller, geçmiş veriye çok iyi uyum sağlamak isterken aşırı karmaşık olabilir. Bu da modelin sadece geçmiş veride iyi çalışıp, gerçek dünyada kötü performans göstermesine neden olur. Bu duruma aşırı uyum denir ve dikkat etmek gerekir.</p><h4>Zaman Serisi Veri Yapısının “Shuffle Edilememesi”</h4><p>Makine öğrenmesinde genellikle veriyi karıştırıp (shuffle) eğitim ve test olarak böleriz. Ama zaman serisi veride bunu yapamayız çünkü verinin zamanı önemlidir. Yani veriyi karıştırmak, geleceği geçmişten bağımsız hale getirmek anlamına gelir ve modelin gerçek performansını bozar.</p><h3>6. Sonuç</h3><p>Bu yazıda zaman serisi analizinin temellerini birlikte inceledik. “Zamanla değişen” verilerin ne olduğunu, içinde barındırdığı desenleri ve bu desenleri anlamaya yarayan temel modelleri konuştuk. AR, MA, ARIMA, SARIMA… Belki kulağa ilk başta biraz teknik geldiler ama aslında hayatımızın tam içindeler.</p><p>Henüz uygulamaya geçmedik çünkü önce altyapıyı sağlam kurmak istedik. Bundan sonraki adımda, gerçek bir veri seti üzerinde bu modelleri Python ile nasıl kullanacağımızı birlikte göreceğiz. Adım adım, karmaşık terimlerden uzak, sade ve anlaşılır şekilde devam edeceğiz.</p><p>Eğer bu yazı sana faydalı olduysa <a href="https://medium.com/@demetasgaroglu"><strong>Medium’da</strong></a><strong> takip ederek</strong> devamını kaçırma! Ayrıca yorumlarını paylaşmak istersen <a href="http://www.linkedin.com/in/demet-a%C5%9Fgaro%C4%9Flu"><strong>LinkedIn</strong></a><strong> üzerinden bana ulaşabilirsin</strong></p><p>Okuduğun için teşekkür ederim. Bir sonraki yazıda görüşmek üzere!</p><h4>Kaynak</h4><p><a href="https://medium.com/@gokcegok_/zaman-serileri-temel-kavramlar-c52e0a0c33c0">Zaman Serileri | Temel Kavramlar</a></p><p><a href="https://towardsdatascience.com/stationarity-in-time-series-a-comprehensive-guide-8beabe20d68/">Zaman Serilerinde Durağanlık — Kapsamlı Bir Kılavuz</a></p><p><a href="https://miuul.com/blog/veri-biliminde-zaman-serileri">Veri Biliminde Zaman Serileri</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0c926c537c1e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/python-ile-zaman-serisi-analizi-1-temel-kavramlar-ve-modeller-0c926c537c1e">Python ile Zaman Serisi Analizi #1: Temel Kavramlar ve Modeller</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu">Türkiye Yapay Zeka Topluluğu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Belirsizliğe Rağmen Proje Planlama: PERT Nasıl Kurtarıcı Olur?]]></title>
            <link>https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/belirsizli%C4%9Fe-ra%C4%9Fmen-proje-planlama-pert-nas%C4%B1l-kurtar%C4%B1c%C4%B1-olur-cda23eac16be?source=rss-6b2faec148a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/cda23eac16be</guid>
            <category><![CDATA[project-management]]></category>
            <category><![CDATA[cpm]]></category>
            <category><![CDATA[careers]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[kariyer]]></category>
            <dc:creator><![CDATA[Demet Aşgaroğlu]]></dc:creator>
            <pubDate>Fri, 27 Jun 2025 06:01:22 GMT</pubDate>
            <atom:updated>2025-06-27T06:01:22.829Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/520/1*sG56EfF9O48yXBhCk_ZgdA.png" /></figure><p>Bir önceki yazımda, projeleri zamanında ve planlı bir şekilde yürütmek için kullanılan <a href="https://medium.com/global-ai-hub/cpm-nedir-kritik-yol-y%C3%B6ntemi-ile-proje-planlaman%C4%B1n-temelleri-a1d7ac6f5309"><strong>CPM</strong></a> tekniğine göz atmıştık. Ancak hayat her zaman bu kadar net çizgilerle ilerlemiyor, değil mi? Projeler bazen öyle belirsizliklerle dolu oluyor ki, “Bu iş ne kadar sürecek?” sorusunun cevabı üç tahminle bile hâlâ flu kalabiliyor.</p><p><strong>Projeleri zamanında yetiştirmek</strong> başlı başına bir sanattır… Hele ki işler iyice belirsizleşmişse, kahve kupası elden düşmez, takvimler altüst olur, planlar “esneklik” kavramının sınırlarını zorlar. İşte tam bu noktada sahneye <strong>PERT</strong> çıkar! CPM’in daha katı ve deterministik yapısına karşın, PERT “Ya işler planladığımız gibi gitmezse?” sorusunu baştan kabul eder.</p><p>Bu yazımda, belirsizliklerle dolu projelerin kahramanı olan <strong>PERT tekniğini</strong> tüm yönleriyle keşfedeceğiz. PERT nasıl çalışır, CPM’den farkı nedir ve özellikle bilinmeyenin bol olduğu projelerde neden bu kadar kullanışlıdır? Gel birlikte öğrenelim çünkü bazen zamanın tek bir doğru cevabı yoktur!</p><h3>PERT Nedir ve Temel Özellikleri Nelerdir?</h3><p><strong>PERT (Program Evaluation and Review Technique)</strong>, projelerdeki belirsizlikleri yönetmek için geliştirilmiş bir zaman planlama yöntemidir. 1950’lerde Amerikan Donanması tarafından, Polaris füze programı gibi büyük ve karmaşık projeleri planlamak amacıyla geliştirilmiştir. CPM’den farklı olarak PERT, aktivitelerin sürelerini <strong>tek bir değerden</strong> değil, <strong>üç farklı zaman tahmininden</strong> yola çıkarak hesaplar.</p><p>Her aktivite için üç farklı zaman tahmini yapılır:</p><p>• <strong>İyimser zaman (O)</strong>: En iyi koşullarda tamamlanma süresi<br>• <strong>En olası zaman (M)</strong>: Normal şartlar altında beklenen süre<br>• <strong>Kötümser zaman (P)</strong>: En kötü koşullarda gerçekleşme süresi</p><p>Bu üç tahmin üzerinden, her bir görevin <strong>beklenen süresi (TE)</strong> şu formülle hesaplanır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/251/1*ryXYP43aFl_YZmOFQr2CwA.png" /></figure><p>Bu sayede, projedeki belirsizlikler daha gerçekçi bir şekilde modellenir ve zaman planlamasında esneklik sağlanır.</p><p>PERT ayrıca, projeyi olaylar (başlangıç ve bitiş noktaları) üzerinden modellenen bir <strong>ağ diyagramı</strong> ile gösterir. Her olay bir düğüm (node), olaylar arasındaki aktiviteler ise çizgilerle ifade edilir. Bu yapı, projenin akışını görselleştirip kritik yol analizini mümkün kılar.</p><p>Kısacası PERT, “her şey plana göre gitmeyebilir” diyerek planlamaya daha gerçekçi ve esnek bir bakış açısı getirir. Bu yüzden özellikle Ar-Ge, yazılım geliştirme ve yeni ürün tasarımı gibi belirsizliğin yüksek olduğu projelerde tercih edilir.</p><h3>CPM ve PERT Arasındaki Farklar</h3><p>Her iki yöntem de projeleri planlamak ve yönetmek için geliştirilmiş olsa da, aralarındaki yaklaşım farkı oldukça belirgindir. Aşağıdaki tabloda bu farkları özetledik:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pBMFz_h0B-A4JKex_sCd8g.png" /></figure><p>CPM, daha çok belirli ve tekrar eden süreçler için uygundur; örneğin bina yapımı, üretim hatları gibi projelerde net zaman ve maliyet takibi sağlar. PERT ise belirsizliğin hâkim olduğu, tahminlerin zor olduğu projelerde daha başarılıdır. Çünkü işlerin tahmin edilen sürede tamamlanmama olasılığı çok daha yüksektir.</p><h3>Tetris Projesinde PERT Analizi: Belirsizlikleri Yönetmenin Adımları</h3><p>Bir önceki yazımda, proje yönetiminde zaman kontrolünün olmazsa olmazı CPM’den bahsetmiştim. Ama açık konuşalım, hayat ve projeler her zaman o kadar net ve planlı gitmiyor. Özellikle yazılım geliştirme gibi belirsizliği yüksek işler söz konusuysa, “Acaba bu iş ne kadar sürecek?” sorusu cevapsız kalabilir. İşte tam burada PERT devreye giriyor!</p><p>Bugün, elimizdeki basit ama eğlenceli Tetris oyunu projesini örnek alarak PERT yöntemini adım adım inceleyeceğiz. Nasıl mı? Hadi başlayalım!</p><h4>1. Öncelikle Yapılması Gerekenleri Listeleyelim</h4><p>Tetris oyunu için planlamaya, yapılacak işleri ve aralarındaki bağımlılıkları belirleyerek başladım. Her faaliyetin bir öncülü var mı, yok mu, bunu görmek sonraki adımlarda büyük kolaylık sağlıyor.</p><p>Aşağıdaki tabloda, oyunun temel işlevleri ve bu işlevlerin hangi sırayla geliştirileceği yer alıyor. Bu yapı, PERT diyagramının temelini oluşturacak.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/557/1*PTIn5tCRDxtdA2Q9WpCVDg.png" /></figure><h4>2. Her İşin Süresini Tahmin Etmek: Üçlü Tahmin Modeli</h4><p>PERT’in en sevdiğim tarafı bu: Sadece “5 gün sürer” demek yok. Daha gerçekçi olmak için üç farklı tahmin yapıyoruz:</p><ul><li>En iyimser senaryo: “Her şey mükemmel giderse 3 gün”</li><li>En olası senaryo: “Ortalama şartlarda 5 gün”</li><li>En kötümser senaryo: “Aman Allah’ım, her şey berbat giderse 8 gün”</li></ul><p>Bu üç tahmini kullanarak gerçekçi bir ortalama süre hesaplıyoruz. Mesela oyun mekaniği tasarımı için bunlar şöyle:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/611/1*Lqiap1MgWz97atmZyg6ShA.png" /></figure><h4>3. Beklenen Süreyi Hesaplama: Matematik İşte!</h4><p>Üçlü tahminleri yaptıktan sonra sırada her faaliyet için <strong>beklenen süreyi</strong> (TE) hesaplamak var. PERT’in sunduğu formül sayesinde, iyimser ve kötümser tahminleri göz önünde bulundurarak daha dengeli bir süre elde ediyoruz.</p><p>Şimdi, biraz matematik yapacağız ama korkmayın, çok basit:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/231/1*VwexppSAehMdWrd_SaOObg.png" /></figure><p>Yani en çok ağırlığı “en olası süre”ye veriyoruz ama en iyi ve en kötü senaryoları da göz ardı etmiyoruz.</p><p>Tetris projemdeki her faaliyet için bu hesaplamayı yaptım. Sonuçlar, projenin ne kadar sürebileceği hakkında çok daha net bir fikir verdi. Aşağıdaki tabloda bu beklenen süreleri görebilirsiniz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/722/1*b1CgSKae6NoNSaWG_d1jSw.png" /></figure><h4>4. İşlerin Akışını Görselleştirelim — Ağ Diyagramı</h4><p>Faaliyetleri belirledik, süre tahminlerini yaptık, beklenen süreleri hesapladık. Şimdi sıra geldi hepsini bir araya getirmeye: <strong>Ağ diyagramı çizmek</strong>.</p><p>Bu diyagram, projenin akışını görselleştirerek hangi görevlerin hangilerinden sonra geldiğini net bir şekilde ortaya koyar. Çizgilerle birbirine bağlanan faaliyetler sayesinde, işlerin birbirine olan bağımlılığı kolayca izlenebilir.</p><p>Ağ diyagramı sayesinde:</p><ul><li>Hangi işler eşzamanlı yürütülebilir,</li><li>Hangi görevler birbirine bağımlı,</li><li>Ve en önemlisi, hangi yol projenin tamamlanma süresini belirliyor (yani <strong>kritik yol</strong>) tüm bunlar netleşir.</li></ul><p>Tetris projesi için oluşturduğum ağ diyagramı aşağıda yer alıyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PDlYptAyPD88hk5EdtKNxA.png" /></figure><h4>5. Kritik Yol — Projeyi Asıl Ne Geciktirir?</h4><p>Ağ diyagramını oluşturduktan sonra sırada en önemli soruyu cevaplamak var: <strong>Hangi görev(ler) gecikirse tüm proje gecikir?</strong></p><p>Bu sorunun cevabı, PERT analizinin en can alıcı kısmı olan <strong>kritik yol</strong>da gizli. Kritik yol, projede yer alan en uzun süreli yol ve aynı zamanda <strong>zaman açısından sıfır esnekliğe sahip</strong> olan faaliyetler zinciridir.</p><p>Yani bu yoldaki herhangi bir görevin gecikmesi, doğrudan tüm projenin gecikmesi anlamına gelir.</p><p>Kritik yolu belirlerken:</p><ul><li>Ağ diyagramındaki tüm olası yolların toplam beklenen sürelerini hesapladım.</li><li>En uzun toplam süreye sahip yolu kritik yol olarak işaretledim.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/445/1*Qv5S9a7oZNOQGQsQ9lLW_w.png" /></figure><p>Bu yollardan en uzun olanı, yani <strong>kritik yol</strong>:</p><p><strong>A → F → B → C → G → H → N → M</strong><br>Toplam Beklenen Süre: <strong>27,89 gün</strong></p><p>Bu kritik yol, oyunun temel blok oluşturma ve ızgara yapısından başlayıp, blokların otomatik ve kullanıcı kontrollü hareketleri, satırların dolma ve temizlenmesi, puanlama ve kullanıcı arayüzü gibi önemli adımları içeriyor.</p><p>Bu yol üzerinde yapılacak herhangi bir gecikme, projenin genel zaman çizelgesini doğrudan etkiler. Bu yüzden, proje yönetimi sırasında özellikle bu adımları yakından takip etmek, riskleri minimize etmek ve zamanında tamamlanmasını sağlamak kritik önemdedir.</p><p>Diğer yollar ise daha kısa olduğu için belli bir gecikme esnekliği (float) taşırlar. Ancak kritik yol esneklik tanımaz; bu yüzden tüm odağımız bu zincirde olmalı.</p><h3>PERT’in Avantajları ve Sınırlamaları</h3><p>PERT, belirsizliğin yüksek olduğu projelerde gerçekten hayat kurtarıcı bir yöntem. İşte benim gözümde öne çıkan artıları ve bazı sınırları:</p><h4>Avantajlar</h4><ul><li><strong>Belirsizliği yönetmekte süper:</strong> Proje süresini sadece “şu kadar sürecek” demek yerine, üç farklı senaryoya göre hesaplama yapıyor. Yani “Ya işler yolunda giderse?”, “Orta halli ne olur?” ve “En kötü durumda nasıl?” gibi sorulara cevap veriyor. Bu, proje yönetiminde bir nevi gerçekçi bir koruma kalkanı gibi.</li><li><strong>Zaman tahminlerine esnek yaklaşım:</strong> Belirsizlik çok normal, hatta çoğu zaman kaçınılmazdır. PERT bunu kabul edip, planlamada esnekliği mümkün kılıyor. Böylece “Ya her şey beklediğimiz gibi olmazsa?” kaygısını biraz azaltıyor.</li><li><strong>Kritik yol analizi ile net öncelik belirleme:</strong> Hangi işlerin kesinlikle zamanında tamamlanması gerektiğini, hangilerinin biraz esneyebileceğini göstermek, kaynakları daha doğru yönetmeyi sağlıyor.</li></ul><h4>Sınırlamalar</h4><ul><li><strong>Tahminlerin doğruluğu çok önemli:</strong> Elimizde iyimser, olası ve kötümser süreler varsa bile, bunlar ne kadar doğruysa sonuç da o kadar sağlam oluyor. Tahminler kötü yapılırsa planlama şaşabilir.</li><li><strong>Hesaplama ve grafik karmaşıklaşabilir:</strong> Küçük projelerde keyifli ve öğretici olabilir ama devasa projelerde işler çok karmaşıklaşabilir. Hesaplama ve diyagram takibi bazen zorlayıcı olabilir.</li><li><strong>Uygulama zorluğu:</strong> Özellikle ekip üyeleri PERT’e aşina değilse, bu yöntemi benimsetmek ve doğru uygulamak biraz zaman alabilir.</li></ul><h3>Sonuç ve Kişisel Değerlendirme</h3><p>PERT’i Tetris projesinde deneyimlemek bana şunu gösterdi: Belirsizliği planlama sürecine dahil etmek, işleri çok daha gerçekçi ve yönetilebilir kılıyor. CPM gibi sabit çizgiler yerine farklı senaryoları göz önünde bulundurmak, projeyi sürprizlerden koruyor.</p><p>Elbette her yöntemin sınırları var; PERT’de tahminlerin doğruluğu önemli ve karmaşıklık artabiliyor. Ama özellikle belirsizlik yüksek projelerde, bu yöntemi kullanmak çok değerli.</p><p>Sen de kendi projelerinde bu tür yaklaşımları deneyerek zaman yönetiminde fark yaratabilirsin. Umarım bu yazı, proje planlama yolculuğunda sana iyi bir rehber olmuştur. Kendi projende PERT denemek istersen yorumlarda anlat, birlikte inceleyelim. Daha fazlası için takipte kalman yeterli! :)</p><h4>Kaynak</h4><p><a href="https://en.wikipedia.org/wiki/Program_evaluation_and_review_technique">Program evaluation and review technique</a></p><p><a href="https://www.investopedia.com/terms/p/pert-chart.asp">Program Evaluation Review Technique (PERT) Chart Explained</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cda23eac16be" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/belirsizli%C4%9Fe-ra%C4%9Fmen-proje-planlama-pert-nas%C4%B1l-kurtar%C4%B1c%C4%B1-olur-cda23eac16be">Belirsizliğe Rağmen Proje Planlama: PERT Nasıl Kurtarıcı Olur?</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu">Türkiye Yapay Zeka Topluluğu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CPM Nedir? Kritik Yol Yöntemi ile Proje Planlamanın Temelleri]]></title>
            <link>https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/cpm-nedir-kritik-yol-y%C3%B6ntemi-ile-proje-planlaman%C4%B1n-temelleri-a1d7ac6f5309?source=rss-6b2faec148a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/a1d7ac6f5309</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[kariyer]]></category>
            <category><![CDATA[proje-yönetimi]]></category>
            <category><![CDATA[project-management]]></category>
            <category><![CDATA[time-management]]></category>
            <dc:creator><![CDATA[Demet Aşgaroğlu]]></dc:creator>
            <pubDate>Fri, 06 Jun 2025 06:02:11 GMT</pubDate>
            <atom:updated>2025-06-06T06:02:11.583Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/596/1*64KNky_DcUxdWNV6JYWusw.png" /></figure><h3>Zamanla Yarışan Projeler ve Bir Tetris Hikayesi</h3><p>Bir projeyi zamanında teslim etmek çoğu zaman bir satranç oyununa benzer. Doğru hamle yapılmazsa, bir gecikme tüm planı altüst edebilir. Peki, hangi görevler gerçekten kritik? Hangi adımlar gecikirse tüm proje süresi etkilenir?</p><p>Bu soruların cevabı için sizi kendi deneyimimden bir örnekle tanıştıracağım: <strong>Tetris oyunu geliştirme sürecim</strong>.<br> Evet, herkesin bildiği o klasik oyunu mobil platforma uyarlarken, adım adım <strong>CPM (Critical Path Method — Kritik Yol Yöntemi)</strong> kullandım.</p><p>Tıpkı yemek yaparken sebzeleri doğramadan pişiremeyeceğiniz gibi, bir projede de bazı görevler sırasıyla ve tam zamanında yapılmalıdır. Bu zinciri çözmek ve projeyi zamanında teslim etmek için CPM eşsiz bir araçtır.</p><p>Bu yazıda:</p><ul><li>CPM’in temel kavramlarını öğrenecek,</li><li>Gerçek bir proje üzerinden uygulamasını görecek,</li><li>Ve sonunda zaman yönetiminizi nasıl üst seviyeye taşıyacağınızı kavrayacaksınız.</li></ul><h3>CPM Nedir? Temel Kavramlar ve Terminoloji</h3><p><strong>CPM (Critical Path Method)</strong>, projedeki tüm görevleri ve bu görevler arasındaki ilişkileri analiz ederek, projenin tamamlanması için gerekli minimum süreyi belirlemeye yarayan bir tekniktir. Projede bazı görevlerin gecikmesi, projenin tamamını geciktirebilir. İşte bu tür görevlerin oluşturduğu yol, <strong>kritik yol</strong> olarak adlandırılır.</p><ul><li>Proje ağı yalnızda başlangıç düğümüne ve de bir bitiş düğüme sahip olmalıdır.</li><li>Her bir düğümün (faaliyet) süresi vardır.</li><li>Zaman soldan → sağa doğru ilerler.</li><li>Süresi en uzun olan ve projenin tamamlanma süresini doğrudan etkileyen yol kritik yolumuzdur.</li></ul><h3>CPM Şablonu: Faaliyet Kutusu Nasıl Yorumlanır?</h3><p>Kritik Yol Yöntemi’nde her görev (faaliyet), aşağıdaki gibi bir kutu ile temsil edilir. Bu kutu hem görev süresini hem de başlangıç/bitiş zamanlarını ve esnekliği gösterir.Aşağıdaki şablon, bir faaliyetin CPM’de nasıl gösterildiğini özetlemektedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/451/1*iZUcwsyAHqJJGJZK_u6mSw.png" /></figure><p><strong>Kutudaki Alanlar:</strong></p><ul><li><strong>Etiket:</strong> Faaliyetin adı (örneğin: A, B, C…).</li><li><strong>Faaliyet Süresi:</strong> Görevin kaç gün süreceği.</li><li><strong>En Erken Başlama / Bitirme Süresi:</strong> Görev gecikmeden ne zaman başlayabilir/bitebilir.</li><li><strong>En Geç Başlama / Bitirme Süresi:</strong> Görev en geç ne zaman başlamalı/bir iş gecikmeden bitebilmeli.</li><li><strong>Esneklik (Slack):</strong> Görev ne kadar ertelenebilir?</li><li><strong>Float Dalgalanma:</strong> Proje süresini etkilemeden görevlerin oynayabileceği alan.</li></ul><h3>Hadi Gerçek Bir Örnek Üzerinden CPM Uygulayalım: Tetris Oyunu Projesi</h3><p>Teoriyi artık biliyoruz. Şimdi gerçek bir örnek üzerinden Kritik Yol Metodu’nu adım adım uygulayalım.</p><p>Bu örnekte, mobil platformlar için modern bir versiyonu geliştirilen <strong>Tetris oyunu</strong> projesini ele alacağız. Projede yapılması gereken görevleri sıralayacağız, aralarındaki bağımlılıkları belirleyecek ve CPM analizini adım adım gerçekleştireceğiz.</p><h4>Görevler ve Süreler</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/555/1*WGKPF--XkDTLAHctU9E2RA.png" /></figure><h3>Görevler Arasındaki İlişkiler: Proje Ağı Ne Anlatır?</h3><p>Her görev kendi başına önemli olsa da, bazıları diğer görevlerden sonra başlatılabilir. İşte bu ilişkiler, <strong>bağımlılıkları</strong> oluşturur.<br> Örneğin, blokların döndürülmesi için önce blokların hareket ettirilmesi gereklidir. Aynı şekilde, puanlama sistemi de satırlar temizlendikten sonra anlamlı hale gelir.</p><p>Bu ilişkileri gösteren bir <strong>ağ diyagramı (network diagram)</strong> çizdiğimizde, projenin nasıl akacağını net bir şekilde görürüz. Bu diyagramda:</p><ul><li><strong>Kutular</strong> görevleri temsil eder,</li><li>Kutular arasındaki <strong>çizgiler</strong> ise görevler arasındaki bağımlılıkları ve sıralamayı gösterir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*H2G5iujjtMkYraTBKuZbVg.png" /><figcaption><strong>Proje Ağı Çizimi</strong></figcaption></figure><h3>Kritik Yol Nasıl Hesaplanır? Adım Adım CPM Uygulaması</h3><p>Görevleri belirledik, sürelerini yazdık, bağımlılıklarını çizdik. Peki şimdi kritik yolu nasıl bulacağız?</p><p>İşte CPM’in kalbi burada atıyor: her bir görev için <strong>başlama ve bitiş zamanlarını</strong> hesaplayacağız ve bu sayede projenin tamamlanması için gereken <strong>en kısa süreyi</strong> ve <strong>kritik görevleri</strong> belirleyeceğiz.</p><h3>Adım 1: Erken Başlangıç ve Erken Bitiş Hesaplaması (Forward Pass)</h3><p>İlk olarak projeyi <strong>soldan sağa doğru</strong> okuyarak her görev için:</p><p><strong>Erken Başlangıç (Early Start — ES)</strong></p><p><strong>Erken Bitiş (Early Finish — EF)</strong></p><p>hesaplanır.</p><p>Formül:</p><ul><li><strong>EF = ES + Görev Süresi</strong></li></ul><p><strong>Başlangıç görevlerinde ES = 0</strong> kabul edilir. Diğer görevlerde, ES değeri, <strong>öncül görevlerin EF değerlerinin maksimumudur</strong>.</p><blockquote><em>Örneğin:<br> Görev A: Süresi 3 saat → ES = 0 → EF = 0 + 3 = 3<br> Görev B: A ve F’den sonra başlıyor. A’nın EF’si 3, F’nin EF’si 7 → B’nin ES = max(3, 7) = 7</em></blockquote><h3>Adım 2: Geç Başlangıç ve Geç Bitiş Hesaplaması (Backward Pass)</h3><p>Şimdi diyagramı <strong>sağdan sola doğru</strong> okuyarak:</p><ul><li><strong>Geç Bitiş (Late Finish — LF)</strong></li><li><strong>Geç Başlangıç (Late Start — LS)</strong></li></ul><p>değerlerini hesaplayacağız.</p><p>Formül:</p><ul><li><strong>LS = LF — Görev Süresi</strong></li></ul><p>Son görevlerde LF, projenin toplam süresi olarak kabul edilir. Diğer görevlerde, LF değeri, <strong>ardıl görevlerin LS değerlerinin minimumudur</strong>.</p><blockquote><em>Örneğin:<br> Görev P’nin LF = 32 → LS = 32–1 = 31<br> Görev J → LF = 31 (çünkü P ondan sonra geliyor)</em></blockquote><h3>Adım 3: Esneklik (Float) ve Kritik Yolun Belirlenmesi</h3><p>Son adımda her görev için şu hesap yapılır:</p><ul><li><strong>Float = LS — ES = LF — EF</strong></li></ul><p>Eğer Float = 0 ise, bu görev <strong>kritik görevdir</strong> ve <strong>kritik yolun bir parçasıdır.</strong></p><h3>Adım 4: Esneklik (Slack) Hesabı ve Yorumlanması</h3><p>Her görev için hesaplanan <strong>Float (Slack)</strong> değeri, o görevin ne kadar ertelenebileceğini gösterir.</p><ul><li><strong>Geç Bitiş (Late Finish — LF)</strong></li><li><strong>Erken Başlangıç (Early Start — ES)</strong></li></ul><p><strong>Formül :</strong><br> <strong>Slack = LF — ES</strong></p><ul><li><strong>Slack &gt; 0</strong> ise, bu görevde belirli bir zaman esnekliği vardır ve küçük gecikmeler tüm projeyi etkilemez.</li></ul><h3>Kendi Projem Üzerinden Tamamlanmış CPM Uygulaması</h3><p>Yukarıda CPM’in nasıl adım adım hesaplandığını ve kritik yolun nasıl belirlendiğini gördük.<br> Şimdi tüm bu adımları kullanarak kendi geliştirdiğim proje için oluşturduğum <strong>tamamlanmış CPM ağı</strong>nı paylaşıyorum.</p><p>Bu diyagramda:</p><p>✅ Görevler ve süreleri kutularla gösterilmiştir.<br>✅ Erken ve geç başlama-bitiş zamanları hesaplanmıştır.<br>✅ Kritik yol, kırmızı çizgilerle açıkça belirtilmiştir.</p><p>Aşağıda gördüğünüz şema, projemde CPM yöntemini nasıl uyguladığımı ve görevler arasında nasıl bir zaman akışı olduğunu net biçimde yansıtmaktadır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tNse21jXgPcKKSOxfd2Rxg.png" /><figcaption>Tetris Oyunun CPM Kritik Yol Analizi</figcaption></figure><h4>Kritik Yol ve Proje Süresi</h4><p>Yukarıdaki CPM diyagramı üzerinden yapılan hesaplamalar sonucunda <strong>kritik yol</strong> ve <strong>görevlerin toplam süresi</strong> net bir şekilde belirlenmiştir. Kritik yol, proje süresini doğrudan etkileyen görev zinciridir. Float = 0 değerlerimizi alınca:</p><p>💡 <strong>Bu projede kritik yol: </strong>1 → 6 → 2 → 3 → 7 → 8 → 14 → 13 olarak belirlenmiştir.<br> ⏳ <strong>Toplam proje süresi: </strong>26 saattir.</p><h4>Sonuç:</h4><p>Bu CPM analizi sayesinde:</p><ul><li>Projemin en kısa sürede (26 saat) tamamlanabileceğini biliyorum.</li><li>Hangi görevlerin mutlaka zamanında yapılması gerektiğini netleştirdim.</li><li>Zaman yönetimini daha kontrollü ve planlı bir şekilde gerçekleştirdim.</li></ul><h3>Gerçek Hayatta CPM Nerelerde Kullanılır?</h3><p>CPM sadece teorik bir planlama aracı değil; gerçek dünyada pek çok sektörde zaman yönetiminin vazgeçilmez bir parçasıdır. İşte CPM’in aktif olarak kullanıldığı bazı alanlar:</p><h4>💻 Yazılım Projeleri</h4><p>Yazılım geliştirme süreçleri birçok bağımlı görev içerir. Özellikle <strong>waterfall</strong> veya <strong>hybrid metodolojiler</strong>de CPM sayesinde:</p><ul><li>Hangi modülün önce geliştirilmesi gerektiği,</li><li>En kritik teslimatlar,</li><li>Gecikmeye tahammül edemeyecek aşamalar<br> net bir şekilde belirlenebilir.</li></ul><h4>🏗 İnşaat Sektörü</h4><p>CPM, inşaat projelerinin temel planlama araçlarından biridir.<br> <strong>Mimarlar, müteahhitler ve proje yöneticileri</strong>, CPM ile:</p><ul><li>Malzeme temini,</li><li>Zemin hazırlığı,</li><li>Kat çıkma ve tesisat işlemleri gibi ardışık işleri<br> doğru sırayla ve zamanında gerçekleştirebilirler.</li></ul><h4>🎉 Organizasyon ve Etkinlik Planlamaları</h4><p>Bir konser, düğün ya da kurumsal etkinlik planlarken her adımın zamanlaması kritiktir. CPM kullanılarak:</p><ul><li>Mekan seçimi,</li><li>Tanıtım süreci,</li><li>Lojistik ve sahne kurulumu gibi adımlar,<br> etkinlik gününe kadar düzenli ve zamanında tamamlanabilir.</li></ul><h3>CPM Yazılımları</h3><p>Bu analizleri manuel olarak yapmak mümkün olsa da büyük projelerde <strong>profesyonel CPM yazılımları</strong> kullanılır.<br> En çok tercih edilenler:</p><ul><li><strong>Microsoft Project</strong></li><li><strong>Jira</strong> (özellikle yazılım projelerinde)</li><li><strong>Primavera P6</strong> (inşaat ve mühendislik odaklı)</li><li><strong>Asana</strong>, <strong>ClickUp</strong>, <strong>Smartsheet</strong> gibi modern proje yönetim araçları</li></ul><p>Bu yazılımlar sayesinde görev atamaları, öncelikler ve gecikme analizleri anlık olarak izlenebilir.</p><h3>Kapanış ve Kişisel Değerlendirme</h3><p>Tetris gibi basit görünen bir oyun bile arkasında onlarca bağımlı görev, test süreci ve kullanıcı deneyimi düşüncesiyle doludur.<br> CPM sayesinde:</p><ul><li>Ne zaman, ne yapmam gerektiğini,</li><li>Hangi adımın geri kalan tüm süreci etkileyeceğini,</li><li>Nerelerde esneklik hakkım olduğunu<br> gözümün önüne serebildim.</li></ul><p>Bugün, bir proje üzerinde çalışırken ilk yaptığım şeylerden biri artık CPM planı hazırlamak. Zamanın yönetilemez olduğunu düşünüyorsanız, belki de henüz onu doğru analiz etmeyi denememişsinizdir.</p><p><strong>Unutmayın:</strong> “Kritik Yol”, sadece projelerde değil, hayatınızda da fark yaratabilir.</p><h4>Sıra Sizde!</h4><p>Kendi projeniz için bir CPM diyagramı çıkarmayı deneyin.<br>Belki bir mobil uygulama, belki bir sunum hazırlığı, belki de bir etkinlik organizasyonu…<br> ⚙️Projenizdeki görevleri yazın, süreleri belirleyin, ilişkileri çizin.<br> Ardından kritik yolunuzu bulun.<br> Bakalım zaman sizin mi yanınızda olacak, yoksa size karşı mı?</p><p>Projelerinizi daha etkin yönetmek ve başarınızı garanti altına almak için CPM ve PERT gibi teknikleri öğrenmek, kariyerinizde büyük bir avantaj sağlayacaktır.</p><p>📝 Bir sonraki yazımda PERT (Program Evaluation Review Technique) yöntemini ele alacağım. CPM ile farklarını, avantajlarını ve kullanım alanlarını detaylı şekilde inceleyeceğiz.</p><h4>Kaynak</h4><p><a href="https://www.digitatek.com/cpm-kritik-yol-yontemi-nedir-blog">CPM (Kritik Yol Yöntemi) Nedir?</a></p><p><a href="https://asana.com/resources/critical-path-method">Critical path method: How to use CPM for project management</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a1d7ac6f5309" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/cpm-nedir-kritik-yol-y%C3%B6ntemi-ile-proje-planlaman%C4%B1n-temelleri-a1d7ac6f5309">CPM Nedir? Kritik Yol Yöntemi ile Proje Planlamanın Temelleri</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu">Türkiye Yapay Zeka Topluluğu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi Nedir? Veri Bilimcisi ve Veri Mühendisliği Arasındaki Farklar]]></title>
            <link>https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/veri-bilimi-nedir-veri-bilimcisi-ve-veri-m%C3%BChendisli%C4%9Fi-aras%C4%B1ndaki-farklar-8e4eb0e27bf1?source=rss-6b2faec148a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/8e4eb0e27bf1</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[kariyer]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Demet Aşgaroğlu]]></dc:creator>
            <pubDate>Tue, 29 Apr 2025 18:31:23 GMT</pubDate>
            <atom:updated>2025-04-29T18:31:23.173Z</atom:updated>
            <content:encoded><![CDATA[<h3>Giriş: Verinin Gücünü Kim Şekillendiriyor?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k0q9C5qT8hAojcsgGl3SAw.png" /></figure><p><em>Günlük yaşantımızda farkında bile olmadan verilerle iç içeyiz. Sabah çalan alarmdan, öğle yemeğinde seçtiğimiz menüye, akşam izlediğimiz diziye kadar her tercih, birer veri noktası olarak kaydediliyor. Peki, bu veriler nasıl işleniyor? Kim bu verilerle çalışıyor?</em></p><p><em>İşte tam bu noktada </em><strong><em>veri bilimi</em></strong><em> sahneye çıkıyor. Ama veri bilimi dendiğinde aklımıza sadece </em><strong><em>veri bilimcileri</em></strong><em> mi gelmeli? Ya </em><strong><em>veri mühendisleri</em></strong><em>? Genellikle birbirine karıştırılan bu iki meslek grubu, aslında veri ekosisteminin çok farklı ama birbiriyle uyum içinde çalışan parçaları.</em></p><p><em>Bu yazıda, veri biliminin ne olduğunu günlük yaşamdan örneklerle açıklarken; veri bilimcisi ile veri mühendisi arasındaki farkları netleştireceğiz. Eğer sen de bu dünyaya adım atmayı planlıyorsan, hangi rolün sana daha uygun olduğunu birlikte keşfetmeye başlayalım!</em></p><h3>Veri Bilimi Nedir?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/0*veDvAlxNv4HOITUA.png" /></figure><p>Veri bilimi, verilerden anlamlı içgörüler çıkarma sürecidir. Bu süreçte yalnızca verileri toplamakla kalınmaz, aynı zamanda veriler üzerinde analiz, modelleme ve tahminleme yapılır. Amaç, geçmişte olanı anlamakla yetinmeyip, geleceğe dair öngörülerde bulunmaktır.</p><h4>Veri bilimi genellikle şu adımları içerir:</h4><ul><li>Verilerin toplanması ve temizlenmesi</li><li>Keşifsel veri analizi (EDA)</li><li>İstatistiksel modelleme</li><li>Makine öğrenmesi algoritmalarının uygulanması</li><li>Sonuçların yorumlanması ve sunulması</li></ul><h4>Günlük Hayattan Bir Örnekle:</h4><p>Diyelim ki bir müzik uygulaması kullanıyorsun. Senin dinlediğin şarkılara göre sana özel çalma listeleri öneriyor. İşte bu kişiselleştirme süreci, veri biliminin bir ürünüdür. Uygulama, geçmiş tercihlerine bakarak benzer kullanıcı davranışlarını analiz eder ve makine öğrenmesi algoritmalarıyla sana uygun yeni şarkılar sunar.</p><h4>Kullanılan Tipik Araçlar:</h4><ul><li><strong>Python</strong>: Veri analizi, modelleme ve makine öğrenmesi için en çok tercih edilen dil.</li><li><strong>R</strong>: İstatistiksel analizlerde güçlüdür, özellikle akademik çevrelerde kullanılır.</li><li><strong>Jupyter Notebook</strong>: Kodla birlikte görselleştirme ve not alma imkânı sunar.</li><li><strong>Pandas, NumPy, Scikit-learn, TensorFlow</strong> gibi kütüphaneler veri biliminin temel yapı taşlarındandır.</li></ul><h3>Veri Bilimcisi Kimdir ve Ne Yapar?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/0*3mi5fVJjQ2oZLVmw.png" /></figure><p>Veri bilimcisi, karmaşık problemleri çözmek için verilerle çalışan kişidir. Yani veriyle “ne olmuş” sorusunu değil, “neden oldu” ya da “sonra ne olabilir” gibi daha derin soruları yanıtlamaya çalışır. Bu da işin biraz daha analitik, biraz daha öngörü odaklı tarafıdır.</p><h4>Rolü ne?</h4><p>Bir veri bilimcisi önce problemi anlamaya çalışır. Ardından verileri analiz eder, istatistiksel ve makine öğrenmesi modelleri geliştirir, sonuçları yorumlayarak karar vericilere sunar. Kısacası, veri üzerinden anlam çıkarmanın kreatif tarafında yer alır.</p><h4>Nerelerde kullanılıyor?</h4><ul><li><strong>Tahminleme modelleri</strong> (örneğin: bir müşteri ne zaman ayrılır?)</li><li><strong>Segmentasyon</strong> (müşteri gruplarının belirlenmesi)</li><li><strong>Öneri sistemleri</strong> (Netflix’in “bunu da beğenebilirsin” demesi gibi)</li></ul><h4>Hangi yetenekler gerekli?</h4><ul><li>İstatistiksel düşünme ve problem çözme becerisi</li><li><strong>Python, R</strong> gibi programlama dilleri</li><li><strong>Jupyter Notebook</strong>, <strong>Pandas</strong>, <strong>Scikit-learn</strong>, <strong>TensorFlow</strong> gibi araçlara hâkimiyet</li><li>Veriyi sadece analiz etmek değil, iş zekâsı ile yorumlayabilme yeteneği</li></ul><h3>Veri Mühendisliği Nedir?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/0*41_hGoPqbo_8wutK.png" /></figure><p>Veri mühendisliği ise bu analizlerin yapılabilmesi için sağlam bir temel oluşturan alandır. Dilersen şöyle düşün: veri bilimcisi bir bina inşa ediyorsa, veri mühendisi o binanın zemini, altyapısı ve su-elektrik hattını kurar.</p><h4>Ne yapar?</h4><p>Verileri toplar, temizler, farklı kaynaklardan gelen verileri entegre eder ve analiz için hazır hale getirir. Ayrıca veri boru hatları (<a href="https://yigitsener.medium.com/makine-%C3%B6%C4%9Frenmesinde-pipeline-mimarisi-nedir-4037b0047469">pipeline</a>), veri gölleri (<a href="https://www.oracle.com/tr/big-data/data-intelligence-platform/what-is-data-lake/">data lake</a>) gibi sistemlerin kurulmasından da sorumludur.</p><h4>Günlük hayattan örnek:</h4><p>Bir e-ticaret sitesinde her ürün tıklaması, sepete ekleme, satın alma işlemi veri olarak saklanır. Bu verilerin bir yerden başka bir yere taşınması, doğru biçimde tutulması, eksik ya da bozuk olmaması işte tüm bunlar veri mühendisinin görevleri arasındadır.</p><h4>Temel araçlar:</h4><ul><li><strong>SQL</strong>, <strong>NoSQL</strong></li><li><strong>Apache Spark</strong>, <strong>Hadoop</strong></li><li><strong>Apache Airflow</strong> (veri akışlarını planlamak için)</li><li><strong>Python</strong>, <strong>Scala</strong> (özellikle veri pipeline’ları yazarken)</li></ul><p>Veri mühendisleri ayrıca veri kalitesini güvence altına alır, veri güvenliği kurallarını uygular ve büyük veri altyapılarını sürdürülebilir hâle getirir.</p><h3>Veri Bilimcisi ve Veri Mühendisinin Farkları</h3><p>Bu iki meslek grubu veri ekosisteminin farklı ama tamamlayıcı parçalarıdır. Daha iyi anlayabilmek için aşağıdaki karşılaştırmalı tabloya birlikte bakalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/0*ppCx6La2PtoE-tQ3.png" /></figure><h3>Birlikte Mağazaya Gidelim: Alışverişi Yarıda Bırakan Kullanıcı Örneği</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/578/0*yV7jM3rUqlVksy0e.png" /></figure><p>Haydi bir e-ticaret senaryosunu birlikte canlandıralım.<br>Diyelim ki büyük bir online mağazan var. İnsanlar geliyor, ürünlere bakıyor, sepete atıyor ama… bir kısmı <strong>alışverişi tamamlamadan çıkıp gidiyor.</strong> Şimdi bu noktada hem veri mühendisine hem de veri bilimcisine ihtiyacımız var ama neden ve nasıl?</p><h4>Veri Mühendisi İş Başında: Altyapı Kahramanı</h4><p>Veri mühendisi sahneye ilk çıkan kişi. Çünkü veriyle ilgili her şeyin sağlam temellere oturması gerekiyor.</p><p>O der ki:</p><blockquote><em>“Bu kullanıcıların davranışlarını düzgün bir şekilde takip edebilmemiz için önce veriyi doğru toplamamız lazım.”</em></blockquote><ul><li>Kullanıcı siteye girdiğinde neye tıkladı?</li><li>Hangi sayfada ne kadar kaldı?</li><li>Hangi ürünü sepete ekledi, hangisinden vazgeçti?</li></ul><p>Tüm bu bilgileri <strong>event log’larla</strong>, <strong>veri akışlarıyla</strong> toplar.<br>Sonra bu verileri işler, temizler ve saklar.<br>Veri bilimcinin rahatça analiz yapabileceği <strong>pırıl pırıl tablolar</strong> haline getirir.</p><p>Bu arada, veri mühendisinin bir günü genelde şu araçlarla geçer:<br>SQL, Spark, Hadoop, Airflow, Kafka… Kulağa teknik geliyor, çünkü öyle! Ama tüm amaç veri altyapısını güvenli, hızlı ve erişilebilir hale getirmek.</p><h4>Veri Bilimcisi Sahnede: Problemi Anlayıp Tahmin Yapan Kişi</h4><p>Sıra geldi veri bilimcisine. Artık elinde anlamlı, temizlenmiş veriler var.</p><p>O der ki:</p><blockquote><em>“Bu kadar kişi neden alışverişi tamamlamıyor? Bu davranışı tahmin edebilir miyiz?”</em></blockquote><p>İlk iş: <strong>desenleri analiz eder.</strong><br>Kimler alışverişi yarıda bırakıyor? Belirli ürünler mi, ödeme adımında mı çıkılıyor, cihazla mı ilgili?<br>Sonra ne yapar?<br><strong>Tahmin modelleri kurar</strong>. Belki bir sınıflandırma algoritmasıyla, “bu kullanıcı alışverişi büyük ihtimalle yarıda bırakır” diyebilir.</p><p>Hatta belki bir öneri sistemi geliştirir:</p><blockquote><em>“Bu kullanıcı sepette ürünü bıraktıysa ona özel bir indirim kuponu göster!”</em></blockquote><p>Tüm bu işlemler için Python, scikit-learn, Jupyter Notebook gibi araçlarla saatlerini geçirir.</p><h4>İş Birliği Şart</h4><p>Yani bu ikiliyi şöyle düşün:</p><ul><li>Veri mühendisi <strong>yolu açar</strong>, köprüleri kurar.</li><li>Veri bilimcisi ise o yoldan <strong>veriyle yürür</strong>, analiz yapar, sonuç üretir.</li></ul><h3>Hangi Rol Kime Daha Uygun?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/573/0*ldbT2zX0J8vdaEGG.png" /></figure><p>Veri bilimi ve veri mühendisliği arasında seçim yapmak bazen zor olabilir, ama hangi becerilere sahip olduğunu bilmek, hangi rolde daha başarılı olacağını belirlemen için önemli.</p><h4>Veri Bilimci İçin Gerekenler:</h4><p>Veri bilimcisi, verilerle derinlemesine analiz yapmayı ve makine öğrenmesi modelleri geliştirmeyi sever. Eğer <strong>analitik düşünce</strong> ve <strong>kodlama</strong> konusunda güçlüysen, özellikle <strong>Python</strong> ve <strong>R</strong> gibi dillerde rahatça çalışabiliyorsan, veri bilimi senin için doğru bir tercih olabilir. Veriden anlamlı sonuçlar çıkarıp, onları iş kararlarına dönüştürmek seni heyecanlandırıyorsa, bu alanda ilerleyebilirsin.</p><h4>Veri Mühendisi İçin Gerekenler:</h4><p>Veri mühendisliği, veri altyapıları ve sistemler üzerine yoğunlaşır. Eğer <strong>yazılım geliştirme</strong> ve <strong>büyük veri araçları</strong> (Hadoop, Spark, Kafka) gibi şeylerle ilgileniyorsan, veri mühendisliği sana hitap edebilir. Sistemlerin sorunsuz çalışmasını sağlamak, veri akışını yönetmek seni cezbediyorsa, bu rol seni bekliyor.</p><p>Kısacası, analitik düşünme ve kodlama seni cezbediyorsa veri bilimi, sistemler ve veri altyapısı seni daha çok ilgilendiriyorsa veri mühendisliği seni bekliyor! Hangi tarzda çalışmayı sevdiğin önemli.</p><h3>Sonuç</h3><p>Veri bilimi ve veri mühendisliği, veri odaklı sistemlerin iki ayrı ama birbirini tamamlayan parçasıdır. Her ikisi de veriyi daha anlamlı hale getirmek ve doğru şekilde yönetmek için kritik roller üstlenir. Hangi rolün sana daha uygun olduğuna karar verirken, kendi öğrenme yolculuğuna ve ilgi alanlarına göre seçim yapman önemli. Kimisi verilerin derinliklerine inmeyi ve onlardan anlam çıkarıp modellemeyi tercih ederken, kimisi de verinin doğru bir şekilde işlenmesini ve aktarılmasını sağlamaktan keyif alır.</p><p>Kişisel olarak, her iki alanda da kendimi geliştirmeyi ve bir denge kurmayı hedefliyorum. Veri mühendisliğindeki altyapı bilgisi ve veri biliminin analiz gücü birleştiğinde daha güçlü sonuçlar ortaya çıkabileceğini düşünüyorum. Kendi yolunu bulmak, hangi rolün seni daha çok geliştireceğine karar vermek için deneyim ve keşif önemlidir.</p><p>Sonuçta, her şey senin ilgilerine ve hangi alanda derinleşmek istediğine bağlı! Hangi yolu seçersen seç, veri dünyasında yapılacak çok şey var.</p><h3>Kaynak</h3><p><a href="https://aws.amazon.com/tr/what-is/data-science/#:~:text=Veri%20bilimi%2C%20toplamadan%20modellemeye%20ve,verilerinin%20%C3%A7izdi%C4%9Fi%20b%C3%BCy%C3%BCk%20resme%20odaklan%C4%B1r.">Veri Bilimi Nedir? — Veri Bilimine Ayrıntılı Bakış — AWS</a></p><p><a href="https://medium.com/geeks-of-data/veri-m%C3%BChendisi-veri-bilimci-veri-analisti-ne-i%C5%9F-yapar-f25f65ff58a6">Veri Mühendisi, Veri Bilimci, Veri Analisti ne iş yapar? Farkları nelerdir? Hangisini tercih etmeliyim?</a></p><p><a href="https://miuul.com/blog/veri-bilimci-ile-veri-muhendisi-arasinda-ne-fark-var">Veri Bilimci ile Veri Mühendisi Arasında Ne Fark Var?</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8e4eb0e27bf1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/veri-bilimi-nedir-veri-bilimcisi-ve-veri-m%C3%BChendisli%C4%9Fi-aras%C4%B1ndaki-farklar-8e4eb0e27bf1">Veri Bilimi Nedir? Veri Bilimcisi ve Veri Mühendisliği Arasındaki Farklar</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu">Türkiye Yapay Zeka Topluluğu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Büyük Veri Teknolojileri: Hadoop ve Spark’a Giriş]]></title>
            <link>https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/b%C3%BCy%C3%BCk-veri-teknolojileri-hadoop-ve-sparka-giri%C5%9F-8c4498def6fb?source=rss-6b2faec148a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/8c4498def6fb</guid>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[spark]]></category>
            <category><![CDATA[hadoop]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Demet Aşgaroğlu]]></dc:creator>
            <pubDate>Mon, 17 Mar 2025 15:01:23 GMT</pubDate>
            <atom:updated>2025-03-17T15:01:23.142Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/508/1*EPiD8Pbou0qlIlB-UJIJlw.png" /></figure><p><em>Her gün 2.5 kentilyon bayt veri üretiliyor ve bu miktar hızla artmaya devam ediyor. Sosyal medya paylaşımları, online alışverişler, IoT cihazları ve sensörlerden gelen bilgilerle dijital evren giderek genişliyor. Ancak bu devasa veri yığınını saklamak, yönetmek ve anlamlandırmak kolay değil. Geleneksel veritabanı sistemleri artık bu yükü kaldıramıyor. İşte tam da bu noktada Hadoop ve Spark devreye girerek büyük veri dünyasında devrim yaratıyor.</em></p><h3>Hadoop ve Spark: Büyük Veri Dünyasının İki Devi</h3><p>Hadoop ve Spark, büyük veri işleme teknolojilerinin iki önemli platformudur. İkisi de büyük ölçekli verileri yönetmek için tasarlanmıştır. Ancak farklı mimari yaklaşımları ve performans özellikleri bulunmaktadır.</p><p><strong>Hadoop, </strong>büyük veriyi saklamak ve işlemek için geliştirilmiş açık kaynaklı bir çerçevedir. Google’ın MapReduce modeline dayanır ve dağıtık veri yönetimi konusunda devrim yaratmıştır. Hadoop, büyük miktarda veriyi uygun maliyetli bir şekilde saklayabilir ve işleyebilir. Ancak, disk tabanlı bir sistem olduğu için veri işleme sürecinde gecikmeler yaşanabilir.</p><p><strong>Spark</strong> ise Hadoop’un getirdiği bazı kısıtlamaları aşmak için geliştirilmiş bellek tabanlı bir veri işleme motorudur. Hadoop’un aksine işlemleri çoğunlukla RAM üzerinde gerçekleştirdiği için veri analizini çok daha hızlı yapabilir. Gerçek zamanlı veri işleme gereksinimlerinde Spark, Hadoop’a göre büyük bir avantaj sunar.</p><p>Hadoop ve Spark, farklı kullanım senaryolarına hitap eder. Hadoop büyük veri saklama ve toplu işleme için uygunken, Spark yüksek hızlı analiz ve gerçek zamanlı işlem için idealdir. Birçok platform, bu iki teknolojiyi birlikte kullanarak avantajlarından faydalanır.</p><h3>Hadoop Nedir?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/274/1*zv7LzESDwI4q-wP35ukQSw.png" /></figure><p>Hadoop, büyük veriyi saklama ve işleme süreçlerini yöneten birkaç temel bileşenden oluşur. Bunların başlıcaları <strong>HDFS (Hadoop Distributed File System), YARN (Yet Another Resource Negotiator) ve MapReduce</strong>’dür.</p><p>Bu bileşenleri bir <strong>kütüphane</strong> örneğiyle açıklayalım. Bir şehir kütüphanesinde milyonlarca kitap saklanır ve okuyucular bu kitaplara erişmek ister. Hadoop’un bileşenleri de benzer bir süreç yönetimi sağlar:</p><ul><li><strong>HDFS, kütüphane rafları gibidir.</strong> Büyük veri setlerini küçük parçalara ayırarak farklı sunuculara dağıtır. Tıpkı kitapların tek bir rafta değil, farklı bölümlere yerleştirilmesi gibi, HDFS de veriyi organize eder.</li><li><strong>YARN, kütüphane görevlileri gibi çalışır.</strong> Kaynakları yöneterek hangi işlemin nerede gerçekleşeceğini belirler. Kütüphanede görevliler, okuyucuların istedikleri kitapları bulmasına nasıl yardımcı oluyorsa, YARN da sistemdeki işlem yükünü dengeler.</li><li><strong>MapReduce, kitap indeksleme sistemine benzer.</strong> Büyük veri setlerini paralel olarak işler, analiz eder ve sonuçları birleştirir. Kütüphanelerde kitapların yazar, konu veya yıl bazında sıralanması gibi, MapReduce da veriyi organize edip anlamlı hale getirir.</li></ul><p>Bu yapı sayesinde Hadoop, büyük miktarda veriyi <strong>verimli, ölçeklenebilir ve hızlı</strong> bir şekilde işler. Günümüzde büyük veri analizi ve makine öğrenimi projelerinde yaygın olarak kullanılır.</p><h3>Apache Spark Nedir?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/371/1*H1J3IfGjsrtKw2lE3Ndkaw.png" /></figure><p>Apache Spark, büyük veriyi <strong>hızlı ve verimli bir şekilde işleyebilen</strong> güçlü bir veri işleme motorudur. Hadoop’tan farklı olarak, işlemleri ağırlıklı olarak <strong>bellekte (RAM)</strong> gerçekleştirir ve bu da onu çok daha hızlı hale getirir.</p><p>Spark’ın temel bileşenlerini anlamak için <strong>bir mutfak</strong> örneğini düşünelim. Bir restoran mutfağında yemekler hazırlanırken, süreçleri hızlandırmak için her aşamada belirli düzenlemeler yapılır. İşte Spark’ın bileşenleri de benzer bir mantıkla çalışır:</p><ul><li><strong>RDD (Resilient Distributed Dataset), mutfağın hazırlık alanı gibidir.</strong> Veriler, farklı iş istasyonlarına bölünerek bellekte saklanır ve gerektiğinde tekrar kullanılabilir. Bu, malzemelerin önceden doğranıp hazır tutulması gibi, işleme sürecini hızlandırır.</li><li><strong>DAG (Directed Acyclic Graph), şefin iş akış planı gibidir.</strong> Yemeklerin belirli bir sırayla hazırlanmasını sağlar, gereksiz adımları ortadan kaldırarak süreci optimize eder. Spark da işlemleri verimli hale getirmek için görevleri mantıklı bir sıraya koyar.</li><li><strong>Spark Streaming, hızlı servis ekibi gibidir.</strong> Gelen siparişlere (verilere) anında tepki verir ve akış halinde işleyerek gerçek zamanlı hizmet sunar. Büyük veri akışlarını analiz ederken hızlı ve dinamik bir yapı sağlar.</li></ul><p>Bu sayede Spark, <strong>büyük veri analizi, makine öğrenimi ve gerçek zamanlı işleme</strong> gibi alanlarda güçlü bir çözüm sunar.</p><h3>Hadoop ve Spark Karşılaştırması</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NNFrAsiBKwUGevlRUgcNww.png" /></figure><p>Tablodan da görüldüğü gibi, Hadoop ve Spark farklı kullanım amaçlarına hitap eder. Hadoop büyük veri saklama ve toplu işleme süreçleri için daha uygunken, Spark anlık analiz ve hız gerektiren uygulamalar için tercih edilir. Günümüzde birçok kuruluş, bu iki teknolojiyi entegre bir şekilde kullanarak veri işleme süreçlerini daha verimli hale getirmektedir.</p><h3>Hangi Durumda Hangisi Tercih Edilmeli?</h3><ul><li>Eğer elinizde petabayt düzeyinde büyük veri varsa ve bu veriyi uzun vadede saklamak istiyorsanız <strong>Hadoop</strong> en iyi seçenek olabilir.</li><li>Eğer anında işlenmesi gereken gerçek zamanlı verileriniz varsa <strong>Spark</strong> daha hızlı ve etkili bir seçenek sunar.</li><li>Büyük veri ekosisteminde tam bir çözüm arıyorsanız: Genellikle <strong>Hadoop</strong> ve <strong>Spark </strong>birlikte kullanılır. Hadoop veri saklama için, Spark ise işleme için optimize edilir.</li></ul><h3>Hadoop ve Spark Gerçek Hayatta Nerede Kullanılıyor?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/415/1*wPm3MJzmgXVpGoLX_iWEvg.png" /></figure><p>Hadoop ve Spark, büyük veri işleme yetenekleri sayesinde birçok sektörde kritik bir rol oynar. Gerçek dünyada <strong>e-ticaretten sağlığa, finanstan ulaşıma kadar geniş bir kullanım alanı</strong> vardır. İşte bazı önemli örnekler:</p><ul><li><strong>E-Ticaret (Amazon, Alibaba, Trendyol):</strong> Kullanıcıların alışveriş geçmişini analiz ederek kişiselleştirilmiş ürün önerileri sunar. Spark, anlık veri işleme sayesinde kampanyaları ve stok durumlarını optimize eder.</li><li><strong>Finans (Bankalar, Borsa Sistemleri):</strong> Sahtekarlık tespiti için büyük miktarda işlemi analiz eder. Spark Streaming, şüpheli işlemleri gerçek zamanlı olarak tespit ederek güvenlik önlemlerinin hızla alınmasını sağlar.</li><li><strong>Sağlık (Hastaneler, Genetik Araştırmalar):</strong> Hastaların tıbbi geçmişini analiz ederek erken teşhis yapılmasına yardımcı olur. Genetik veriler üzerinde büyük veri analizi ile hastaya özel tedavi yöntemleri geliştirilebilir.</li><li><strong>Ulaşım (Uber, Trafik Yönetimi):</strong> Gerçek zamanlı trafik akışını analiz ederek en hızlı rotaları belirler. Spark, kullanıcı taleplerine göre dinamik fiyatlandırma ve araç tahsisi yaparak hizmet kalitesini artırır.</li><li><strong>Sosyal Medya (Facebook, Twitter, Instagram):</strong> Kullanıcıların ilgi alanlarını analiz ederek içerik önerileri sunar. Büyük veri analizi sayesinde spam ve sahte hesapların tespiti daha kolay hale gelir.</li></ul><p>Hadoop ve Spark, hız ve ölçeklenebilirlik avantajlarıyla büyük veriyi işleyerek <strong>daha verimli, güvenli ve akıllı sistemlerin oluşmasını sağlar</strong>.</p><h3>Sonuç</h3><p>Kısaca, Hadoop ve Spark büyük veri işleme dünyasında kritik bir rol oynar. Hadoop, büyük miktardaki veriyi saklayıp işlerken, Spark hız ve verimlilik açısından büyük avantajlar sunar. Günümüzde bu teknolojiler, veri odaklı kararlar almak isteyen şirketler için vazgeçilmez hale gelmiştir.</p><p>Büyük veri ekosistemi sürekli gelişiyor ve yeni fırsatlar sunuyor. Bu alanda ilerlemek için teorik bilgiyi pratiğe dökmek, projeler geliştirmek ve yeni teknolojileri takip etmek en iyi öğrenme yoludur. Veri, geleceğin en değerli kaynağı olmaya devam ediyor onu anlamak ve en iyi şekilde kullanmak bizim elimizde!</p><h4>Kaynaklar:</h4><ul><li><a href="https://aws.amazon.com/tr/compare/the-difference-between-hadoop-vs-spark/">Hadoop ve Spark - Apache Frameworks Arasındaki Fark - AWS</a></li><li><a href="https://www.elektrikport.com/teknik-kutuphane/buyuk-veri-islemek-icin-tasarlanmis-araclar-hadoop-ve-spark/22465#ad-image-0">Büyük Veri İşlemek İçin Tasarlanmış Araçlar | Hadoop ve Spark</a></li><li><a href="https://bluemarkacademy.com/apache-sparkin-temel-kavramlari-rakipleriyle-arasindaki-farklar-ve-bilinmesi-gereken-onemli-ayrintilar/">Apache Spark&#39;ın Temel Kavramları, Rakipleriyle Arasındaki Farklar ve Bilinmesi Gereken Önemli Ayrıntılar - BlueMark Academy</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8c4498def6fb" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu/b%C3%BCy%C3%BCk-veri-teknolojileri-hadoop-ve-sparka-giri%C5%9F-8c4498def6fb">Büyük Veri Teknolojileri: Hadoop ve Spark’a Giriş</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye-yapay-zeka-toplulu%C4%9Fu">Türkiye Yapay Zeka Topluluğu</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>