Beni takip eden veya etmeyen, bir bakıp çıkmak için de olsa gelen herkese merhabalar. Biraz uzun zamandır yazmaya devam etmiyorum ve bunun farkındayım. Mayıs ayı sonlarından itibaren ve özellikle bulunduğumuz haziran ayı benim için yoğun geçiyor, dolayısıyla bu durum medium hesabımdaki aktifliğimi de etkiliyor.

Bu artık devam etmeyeceğim anlamına gelmiyor, kesinlikle devam edeceğim ve haftada en azından bir kez yazı yayınlayacağım. Tabii ki buna biraz ilerleyen zamanlarda devam etmem gerekecek. 70 takipçiye kadar ulaşmışken herkesi bilgilendirmek istedim. Umarım iyisinizdir, beni takip ettiğiniz için ayrıca teşekkürler!

Hakkınızda her şey için en iyisini diliyorum, görüşmek üzere! :)

Mayıs ayında, takımım ile YZTA Datathon’una katıldık. (Bilişsel Performans Regresyonu)

13 Mayıs 2026 tarihinde sabitlediğimiz ve bize 1.20242 RMSE genel puanını (Public Score) getiren YZTA_Datathon_Final.ipynb dosyamızın özetini ve izlemeye çalıştığımız stratejileri buraya aktarmak istedim.

Takım 37 olarak hepimiz ilk defa datathona katılmıştık. Çoğunlukla birbirimizden öğrendiğimiz ve keşfettiğimiz bir süreçti. Veriye başka yaklaşımlarla yaklaşmayı öğrendiğim dolu dolu bir süreç oldu.

Bu yazı çalışmamızın genel özeti gibidir, çalışma dosyasının github linki bu yazının en sonunda paylaşılacaktır. Paylaşacağım linkten çalışmamızı inceleyebilirsiniz :)

BÖLÜM 1: Veriyle İlk Temas

Verileri masaüstüne indirip oradan yüklemek yerine, Google Colab ortamımızı doğrudan Kaggle’a bağladık.

import kagglehub
kagglehub.login()
yzta_2026_datathon_path = kagglehub.competition_download('yzta-2026-datathon')

1. Satır Satır Ne Yaptık? kagglehub.login() ile sistemimizin Kaggle kimlik bilgilerini doğrulamasını sağladık. Sonrasında competition_download fonksiyonu, gigabaytlarca veriyi manuel indirme derdi olmadan, doğrudan sanal sunucumuza çekti.
2. Profesyonel İpucu ve Hata Yönetimi: Eğer bu aşamada Unauthorized hatası alırsanız, Kaggle profilinizdeki API token'ınız süresini doldurmuş demektir. Yeni bir kaggle.json dosyası oluşturup Colab ortamınıza yükleyerek bu sorunu saniyeler içinde çözebilirsiniz.

Veri Çerçevelerini Yükleme ve Hedef (Target) Doğrulaması

İndirilen CSV dosyalarını Pandas kütüphanesi ile belleğe aldık (train, test, sample_submission). Hemen ardından çok kritik bir güvenlik kontrolü yaptık:

target = "bilissel_performans_skoru"
id_col = "id"
print("Target in train:", target in train.columns) # Çıktı: True
print("Target in test:", target in test.columns)   # Çıktı: False

Neden Önemli? İleride modeli eğitirken yanlışlıkla id sütununu modele bir özellik (feature) olarak verirseniz, model bu anlamsız sayılardan bir örüntü çıkarmaya çalışır ve çöker. Hedef değişkenin test setinde olmadığından, id kolonunun ise modele girmediğinden %100 emin olmalısınız.

BÖLÜM 2: Keşifsel Analiz

Modele geçmeden önce verinin karakterini anlamak zorundayız. train.info() komutuyla 56.000 satırlık verimizi incelediğimizde stres_skoru, vucut_kitle_indeksi, kronotip ve meslek gibi kritik sütunlarda eksik değerler (NaN) olduğunu gördük.

Hedef Değişken (Target) Analizi: Hedefimiz olan bilissel_performans_skorunun 0 ile 10 arasında değerler aldığını ve ortalamasının 5.9 civarında olduğunu hesapladık (train[target].describe()).

Günlük Hayattan Örnek: Bir lojistik çalışanının gece vardiyası sonrası skoru 3'lere düşerken, düzenli uyuyan bir yazılımcının skoru 8'lere çıkabiliyor. Bizim görevimiz aradaki o ince yaşam tarzı farklarını matematiğe dökmek.

Kategorik Verilerin Zorluğu: Ülke (15 farklı değer) ve Meslek (11 farklı değer) gibi çok çeşitli kategorik verilerimiz vardı. Bunları klasik yöntemlerle modele verirsek sütun sayısı patlardı. Bu yüzden bu değişkenleri daha sonra “Hedef Kodlama” (Target Encoding) ile işlemek üzere notumuzu aldık.

BÖLÜM 3: Sızıntısız Ön İşleme

Makine öğrenmesindeki en büyük düşman Data Leakage (Veri Sızıntısı)’dır. Modelin test verisindeki veya doğrulama (validation) setindeki bilgileri önceden kopya çekmesidir.

Katlanabilir Güvenli (Fold-Safe) Hedef Kodlama: Örneğin “Mühendis” kelimesini modele veremeyiz. Bunun yerine, mühendislerin ortalama skorunu (diyelim ki 6.5) yazmalıyız. Ancak bu ortalamayı tüm veri setinden alırsak, model geleceği görmüş olur. Biz, Çapraz Doğrulama (K-Fold) katmanlarının sadece eğitim kısmındaki ortalamaları baz alan özel bir evaluate_catboost_with_target_encoding fonksiyonu yazdık.

# Her kategori için sayım ve ortalama alınır
counts = agg['count']
means = agg['mean']

# Yumuşatma (Smoothing) Formülü:
smooth = (counts * means + smoothing * global_mean) / (counts + smoothing)

Formül Nasıl Çalışır? Elimizde mesleği “Astronot” olan sadece 1 kişi varsa ve skoru tesadüfen 10 ise, model tüm astronotları dahi sanabilir. Formüldeki smoothing * global_mean kısmı, az sayıda örneği olan meslekleri genel veri seti ortalamasına (örn. 5.9) doğru geri çeker (yumuşatır). Bu, istatistiksel bir ağırlık merkezidir.

BÖLÜM 4: Uzman Özellik Mühendisliği

Bir algoritma ne kadar güçlü olursa olsun, veriniz zayıfsa başarısız olursunuz. Uyku ve yorgunluk üzerine mantıksal özellikler (features) türettiğimiz fonksiyon:

def add_domain_features(df, group='all'):
    df_new = df.copy()
    
    # 1. Uyku Fragmantasyonu
    df_new['sleep_fragmentation_idx'] = df_new['gecelik_uyanma_sayisi'] + (df_new['uykuya_dalma_suresi_dk'] / 30.0)

    # 2. Uyku Öncesi Yük (Pre-Sleep Load)
    df_new['pre_sleep_load'] = (df_new['uyku_oncesi_kafein_mg'].fillna(0) / 100) + (df_new['uyku_oncesi_ekran_suresi_dk'] / 60)
    
    # 3. Fiziksel / Zihinsel İş Yükü
    df_new['activity_per_work_hour'] = df_new['gunluk_adim_sayisi'] / (df_new['gunluk_calisma_saati'] + 1)
    
    return df_new

Kod Açıklaması:

sleep_fragmentation_idx: Gece 5 kez uyanan biri ile 1 kez uyanıp 90 dakika dalmaya çalışan birinin uyku kalitesi aynı derecede bozulur. Uykuya dalma süresindeki her 30 dakikayı, 1 uyanma travmasına matematiksel olarak eşitleyerek tek bir stres indeksi yarattık.

pre_sleep_load: Uyku öncesi içilen kafeini (100 mg bazında) ve ekrana bakılan süreyi (saat bazında) toplayarak sinir sisteminin uykuya geçiş direncini modeledik. Bir fincan kahve içip 2 saat TikTok izleyen biriyle, kitap okuyarak uyuyan birini bu sayede model birbirinden ayırabildi.

Biz bu özellik setlerini teker teker test ettik. Sadece TE all categories + Sleep Features (Tüm kategoriler için Hedef Kodlama + Uyku Özellikleri) kombinasyonunun RMSE skorunu (1.21530) düşürdüğünü kanıtladıktan sonra yola devam ettik.

BÖLÜM 5: Temel Model ve CatBoost Taraması

Geldik ana motorumuza: CatBoostRegressor. Eksik verilerle (NaN) ve kategorik değişkenlerle harika başa çıkabildiği için ana modelimiz olarak CatBoost’u seçtik.

Modeli eğitirken ezberlemeyi (overfitting) önlemek için 5 Katmanlı Çapraz Doğrulama (5-Fold CV) kullandık.

model = CatBoostRegressor(
    loss_function='RMSE', 
    eval_metric='RMSE',
    random_seed=42, 
    iterations=1800, # Çok yüksek iterasyon ezbere götürür
    learning_rate=0.02, # Küçük adımlarla yavaş ve sağlam öğrenme
    depth=5 # Derinlik 5, optimum örüntü yakalama seviyesi
)

Çoklu Tohum (Seed Averaging) İstikrarı: Makine öğrenmesi modelleri eğitime başlarken rastgele bir nokta (seed) seçer. Şans eseri iyi bir başlangıç yapmış olabilir. Biz modelimizi 10 farklı random_seed ile tekrar tekrar eğitip tahminlerin ortalamasını alarak (Depth 5 Stable) sağlam bir OOF (Out-of-Fold) tahmini elde ettik.

BÖLÜM 6: Son İşlem ve Kalibrasyon Deneyleri

Modelimiz iyiydi ama tahminlerinde ufak tefek kalibrasyon sapmaları vardı.

Kalan Kutu (Residual Bin) Düzeltmesi: Modelimizin 0 ile 10 arasındaki skoru tahmin ederken, 8 puanlık insanlara genelde 7.5 diyerek “düşük tahmin” yaptığını fark ettik. OOF tahminlerindeki bu spesifik aralık hatalarını yakalayarak tahminleri manuel olarak bir miktar yukarı veya aşağı çeken bir kalibrasyon sistemi uyguladık.

preds = np.clip(model.predict(X_val), 0, 10)

Modeliniz çok uçuk bir formüle kapılıp bilişsel skoru 11 veya -0.5 tahmin edebilir. Sınırımız 0 ile 10 olduğu için clip fonksiyonuyla tavanı ve tabanı tıraşladık. Eğer bunu yapmasaydık, yarışma platformuna yüklediğimiz dosya anında "Geçersiz Tahmin Aralığı" hatası verirdi.

BÖLÜM 7: Kısıtlı Optimizasyon ve Şampiyonun Harmanlanması

Geldik projenin kaderini belirleyen noktaya. Geleneksel harmanlama (blending), elinizdeki CatBoost, XGBoost ve LightGBM modellerinin ortalamasını almaktır. Ama biz en başta demiştik: “Kör harmanlama istemiyoruz!”

Biz, CatBoost’u güçlü bir “Anchor” olarak kabul ettik. Ardından bir “Kısıtlı Optimize Edici” yazdık. Bu algoritma, LightGBM (Member 4) ve XGBoost modellerine öyle kısıtlı ağırlıklar (w_depth5 = 0.85, w_lgbm = 0.15 gibi) verdi ki; ana mantığımızdan asla sapmadan, sadece farklı modellerin çeşitliliğini alarak RMSE'mizi aşağıya çektik.

BÖLÜM 8: Teslimat ve Son Kontroller

Aylarca süren çalışmanın çöpe gitmemesi için son bir kontrol şarttır. Dosya adları, satır sayıları ve id eşleşmeleri kusursuz olmalıdır.

# Tahminlerin orjinal test veri seti ID'leri ile DataFrame yapılması
submission_T1 = pd.DataFrame({
    id_col: test[id_col].values,
    target: final_constrained_preds
})

# Güvenlik Kontrolleri (Asserts)
assert list(submission_T1.columns) == [id_col, target]
assert len(submission_T1) == len(test)
assert submission_T1[id_col].duplicated().sum() == 0
assert submission_T1[target].between(0, 10).all()

# Çıktı Alma (Dosya adı yarışma sisteminin orjinalde kabul ettiği formattır)
FINAL_SUBMISSION_FILE = "submission_T1_T_constrained_optimizer_penalty_0_0.csv"
submission_T1.to_csv(FINAL_SUBMISSION_FILE, index=False)

Neden Önemli? assert komutları sistemin bekçileridir. Sütun isimleri tam mı? Eksik veri var mı? Çift (dublicate) ID var mı? Eğer kod bu satırlardan birinde takılırsa bir hata yapmışız demektir ve bu sayede arızalı dosyayı göndermekten kurtuluruz.

Dosyayı tam olarak submission_T1_T_constrained_optimizer_penalty_0_0.csv adıyla kaydettik çünkü platformun okuyucu (parser) botu önceden tanımlanmış bu isimlendirmeyi ve kısıtlı optimizasyon (penalty 0) kurgusunu bekliyordu.

Son Sözler..

Bu benim takım olarak deneyimlediğim ilk datathon deneyimim olmuş oldu, benim için keyifli ve öğreticiydi. Bu süreçten genel olarak çok fazla şey öğrendim. Diğer takımların çalışmalarını da inceleme şansım oldu. Neler yapılmış ve biz hangi kısımlarda neleri eksik yapmışız gibi birçok şeyi inceledim. Gelecek datathon yarışmaları için çok güzel tecrübe edindim ve en güzeli bu süreci takım ile deneyimlemekti. Bu yüzden mutluyum. Gelecek yazılarda tekrar buluşalım!

Datathon Proje Dosyasının Linki : Github

YZTA Datathon 2026 was originally published in Türkçe Yayın on Medium, where people are continuing the conversation by highlighting and responding to this story.

Verilere doğru soruları sormayı, verileri doğru sınıflandırmayı, verileri doğru okumayı ve temizlemeyi adım adım birlikte inceledikten sonra şimdi de verileri analiz etmeye doğru temel adımlar atmaya başlıyoruz.

Bugün seninle, kariyerinde her zaman dönüp bakabileceğin ve yine E-tablolardan başalyıp SQL’e doğru uzanan bir rehber hazırlamayı hedefledim.

1. Temel Birleşim: E-Tablolarda Formüller

Her şey eşittir ( = ) işaretiyle başlar. E-tablolarda (Excel veya Google Sheets) formüller, elindeki veriyi anlamlı bir bilgiye dönüştüren ilk araçlardır.

A) Şartlı Sayma ve Toplama: COUNTIF ve SUMIF Formüllerimiz

Analiz yaparken karşımıza çıkan en temel sorulardan biridir: “Belirli bir kurala uyan verileri nasıl ayıklarım?” İşte burada COUNTIF ve SUMIF devreye giriyor.

Bir Senaryo Düşünelim: Bir e-ticaret sitesinde analistsin. Elinde binlerce sipariş var. Yöneticin gelip “Sadece 1 adet ürün alan kaç müşterimiz var?” diye soruyor. İşte o an COUNTIF senin en iyi dostun oluyor.

COUNTIF : “Şu aralığa bak ve sadece benim istediğim kurala uyanları say” der.

Örnek: =COUNTIF(B2:B500, “1”) B2'den B500'e kadar olan hücrelerde kaç tane "1" rakamı olduğunu söyler.

Peki ya bu 1 adet ürün alan müşterilerin bize getirdiği toplam geliri merak edersek? İşte o zaman SUMIF kullanırız.

SUMIF : “Belirli bir kurala uyan hücrelerin karşısındaki değerleri topla” der.

Örnek: =SUMIF(B2:B500, “1”, D2:D500) Ürün miktarı 1 olan satırları bulur ve D sütunundaki (gelir) karşılıklarını toplar.

B) Birden Fazla Koşulun Gücü: SUMIFS ve COUNTIFS

Eğer kuralın birden fazlaysa (örneğin; hem “İstanbul” bölgesinde olsun hem de “Elektronik” kategorisinde), o zaman formülün sonuna bir “S” harfi ekle: SUMIFS ve COUNTIFS. Bu fonksiyonlarla 127 farklı koşula kadar filtreleme yapabilirsin.

Örnek 1: Düşün ki bir teknoloji mağazasının stoklarını yönetiyorsun. Elinde devasa bir liste var; ürün isimleri, renkleri ve stok durumları karışık halde duruyor. Müdürün gelip sana şu soruyu soruyor: “Elimizde kaç tane ‘Siyah’ renkli ‘iPhone 15’ var?”

Sadece siyahları saysan iPhone olmayanlar da gelir, sadece iPhone 15' leri saysan beyazlar da gelir. İşte burada COUNTIFS imdadına yetişir.

A Sütunu: Ürün Adı (iPhone 15, Samsung S23, vb.)

B Sütunu: Renk (Siyah, Beyaz, Mavi)

Formülümüz: =COUNTIFS(A2:A500, “iPhone 15”, B2:B500, “Siyah”)

Adım Adım Nasıl Çalışıyor?

1. A2:A500, “iPhone 15”: SQL’deki WHERE mantığı gibi çalışır. Önce A sütununa gider ve sadece “iPhone 15” yazan satırları ayıklar.
2. B2:B500, “Siyah”: Ayıkladığı o satırların içinden bu sefer B sütununa bakar ve sadece "Siyah" olanları seçer.
3. Sonuç: Her iki şartı da aynı anda sağlayan satırları sayar ve sana net rakamı verir.

Örnek 2: Şimdi vitesi biraz yükseltelim. Bir e-ticaret sitesinin Türkiye genelindeki satışlarını analiz ediyorsun. Patronun merak ettiği şey şu: “İstanbul şubemizde ‘Elektronik’ kategorisinden ne kadar ciro yaptık?”

Burada sadece saymak yetmez, paraları toplamamız gerekir.

B Sütunu: Şehir (İstanbul, Ankara, İzmir)

C Sütunu: Kategori (Elektronik, Giyim, Kozmetik)

D Sütunu: Satış Tutarı (TL cinsinden paralar)

Formülümüz: =SUMIFS(D2:D500, B2:B500, “İstanbul”, C2:C500, “Elektronik”)

Adım Adım Nasıl Çalışıyor?

1. D2:D500 (Toplam Aralığı): Bu fonksiyonun SUMIF’ten en büyük farkı budur, önce toplanacak olan sayıları (paraları) seçersin. “Ben bu aralıktaki sayıları toplayacağım” dersin.
2. B2:B500, “İstanbul”: “Ama önce git B sütununa bak, sadece İstanbul olanları seç” talimatını verirsin.
3. C2:C500, “Elektronik”: Bitti mi? Hayır! O İstanbul satırlarının içinden bir de Elektronik olanları bul.
4. Sonuç: İki süzgeçten de başarıyla geçen satış tutarlarını toplar ve ciro bilgisini önüne getirir.

Hata Yönetimi: Bu fonksiyonları kullanırken en sık yapılan ve analizini çökertebilecek bir hatadan bahsedeyim;

Aralık Uyumsuzluğu : Eğer D2:D500 arasındaki paraları topla deyip, kriter aralığı olarak B2:B100 (daha kısa bir aralık) seçersen, formül sana #VALUE! hatası fırlatır. Tüm aralıkların (D, B ve C sütunları) başlangıç ve bitiş satır numaraları birebir aynı olmalıdır. Senkronizasyon bozulursa, Excel hangi paranın hangi şehre ait olduğunu karıştırır.

2. Matematiksel Yardımcı: SUMPRODUCT

Bazı hesaplamalar var ki, onları tek tek yapmak insanın ömründen ömür götürür. Örneğin; bir hastanenin ilaç stok değerini hesapladığını düşün. 50 farklı ilaç, her birinin farklı miktarı ve farklı birim maliyeti var.

Önce çarpıp sonra toplamaktansa SUMPRODUCT (TOPLA.ÇARPIM) kullanırız: =SUMPRODUCT(B3:B50, C3:C50)

Nasıl Çalışır? Bu formül önce B3 ile C3'ü çarpar, sonra B4 ile C4'ü… En sonunda tüm bu çarpımları tek bir hamlede toplar. Stok yönetimi veya birim fiyatlı satış analizlerinde bu fonksiyon tam bir zaman makinesidir.

3. Pivot Tablolar

Formüller harikadır ama verin çok büyükse ve farklı açılardan bakman gerekiyorsa Pivot Tablolar işinizi kolayca görür. Pivot Tablo veriyi gruplar, özetler ve sana saniyeler içinde rapor sunar.

Örnek: Film Şirketi Analizi Bir film yapım şirketindesin ve hangi türün (Korku, Komedi, Aksiyon) daha karlı olduğunu bulman gerekiyor.

1. Satırlar (Rows): Buraya “Tür” bilgisini sürüklersin.
2. Değerler (Values): “Hasılat” bilgisini sürükleyip “Ortalama” olarak ayarlarsın.
3. Hesaplanmış Alan (Calculated Field): Pivot Tablo içinde yeni bir alan yaratabilirsin: Kâr = Hasılat — Bütçe.

Böylece tek bir tabloda hangi türün ne kadar harcayıp ne kadar kazandırdığını görebilirsin. Üstelik bunu bir çubuk grafiğe döktüğünde, yöneticine sunacağın görsel grafik hazır demektir.

4. SQL Arenasına Giriş: Sorgularda Hesaplama Yapmak

E-tablolardan SQL’e geçtiğimizde, veriyi doğrudan görmek yerine ona sorular sorarız. SQL’de hesaplama yapmak inanılmaz derecede esnektir.

Örnek: Avokado Fiyatları Analizi Diyelim ki küçük, büyük ve ekstra büyük avokado torbalarının toplam sayısını doğrulamak istiyoruz.

SELECT     
    Date , 
    Region, 
    Small_Bags, 
    Large_Bags, 
    XLarge_Bags, 
    Total_Bags, 
    (Small_Bags + Large_Bags + XLarge_Bags) AS Total_Bags_Calc, 
    (Small_Bags / Total_Bags) *      100      AS Small_Bags_Percent 
FROM `project.avocado_data.prices` 
WHERE Total_Bags <>      0 ;

Adım Adım Kod Analizi:

1. Small_Bags + Large_Bags + XLarge_Bags : Üç farklı sütundaki değerleri topluyoruz.
2. AS Total_Bags_Calc : Bu hesaplamaya geçici bir isim veriyoruz ki sonuç tablosunda şık dursun.
3. (Small_Bags / Total_Bags) * 100 AS Small_Bags_Percent : Bu işlem, küçük torbaların toplam miktar içindeki payını matematiksel bir oranla yüzdeye döküp, sonucu ‘Small_Bags_Percent’ ismiyle yeni bir sütun olarak karşımıza çıkarıyor.
4. WHERE Total_Bags <> 0 : İşte burası çok kritik. Eğer bir gün küçük torbaların yüzdesini hesaplamak istersen (bölme işlemi), paydanın sıfır olması sistemin çökmesine neden olur. <> 0 diyerek "sıfır olmayanları getir" diyoruz ve olası hataların önüne geçiyoruz.

5. Gruplamanın Gücü: GROUP BY ve ORDER BY

Veri analizinin kalbi gruplamada atar. Bir e-ticaret sitesinde “Yıllara göre toplam satışımız ne?” sorusunun cevabı burada saklıdır.

Örnek: New York Metro Yolculuk Analizi Hangi yıllarda metro daha çok kullanıldı?

SELECT    
    EXTRACT ( YEAR     FROM     date ) AS     Year , 
    COUNT ( * ) AS Total_Rides 
FROM `bigquery - public - data.new_york_subway.ridership` 
GROUP     BY     Year    
ORDER     BY Total_Rides DESC ;

Kod Açıklaması:

1. EXTRACT(YEAR FROM date) : Tarih içinden sadece yıl bilgisini çekip çıkarır.
2. GROUP BY Year : "Bana her yıl için tek bir satır oluştur, o yılın içindeki tüm kayıtları o satıra yaz" der.
3. ORDER BY Total_Rides DESC : En çok yolcu olan yılı en tepeye koyar.

6. Geçici Tablolar: SQL’in Yapışkan Notları Diyebiliriz

Bazen bir sorunun cevabını bulmak için önce başka bir hesaplama yapman gerekir. İşte o zaman Geçici Tablolar (Temporary Tables) devreye girer. Bunlar analiz süresince var olan, işin bittiğinde ise sessizce silinen yardımcılardır.

Örnek: En Çok Kullanılan Bisikletin İstasyonu Austin’de en uzun süre kullanılan bisikletin en çok hangi istasyondan kalktığını bulalım.

WITH longest_used_bike AS ( 
    SELECT
            bike_id, 
        SUM (duration_minutes) AS total_duration 
    FROM `bigquery - public - data.austin_bikeshare.bikeshare_trips` 
    GROUP     BY bike_id 
    ORDER     BY total_duration DESC
        LIMIT 1
 ) 
SELECT
        trips.start_station_id, 
    COUNT ( * ) AS trip_count 
FROM longest_used_bike AS longest 
INNER     JOIN `bigquery - public - data.austin_bikeshare.bikeshare_trips` AS trips 
    ON longest.bike_id = trips.bike_id 
GROUP     BY trips.start_station_id 
ORDER     BY trip_count DESC
 LIMIT 1 ;

Kodun Açıklaması:

Kodun ilk kısmı olan WITH longest_used_bike kısmını, milyonlarca verinin içine gönderdiğin bir yetenek avcısı gibi düşün. Bu kodun tek bir görevi var: Şehrin maratoncusunu bulmak.

1. SUM(duration_minutes) AS total_duration : Bu avcı, her bir bisikletin (bike_id) başına gidiyor ve o bisikletin tüm hayatı boyunca kaç dakika yollarda olduğunu hesap makinesiyle topluyor.
2. GROUP BY bike_id : "Bana her bisiklet için ayrı bir dosya tut."
3. ORDER BY total_duration DESC LIMIT 1 : Burası en önemli kısım. En çok dakika yapanı en üste koyuyor ve diğer binlerce bisikleti çöpe atıp sadece o şampiyonu alıp bize getiriyor.

Artık elimizde sadece tek bir satır var: Şehrin en çok kullanılan bisikletinin ID’si.

Kod Açıklaması (Ana Sorgu):

Avcımız şampiyon bisikleti bulup getirdi. Şimdi dedektif (ana sorgu) devreye giriyor. Dedektif, avcının getirdiği o tek bir ID numarasını alıyor ve asıl büyük tabloya (bikeshare_trips) geri dönüyor.

1. JOIN … ON longest.bike_id = trips.bike_id : Dedektif diyor ki: "Bana bu şampiyon bisikletin bugüne kadar yaptığı tüm yolculukları getir" Sadece o bisiklete ait olan binlerce satırı yan yana diziyor.
2. COUNT(*) AS trip_ct : "Tamam, peki bu bisiklet en çok hangi duraktan (start_station_id) yola çıkmış? Durak durak sayın bakalım!"
3. GROUP BY trips.start_station_id : Bisikletin tüm geçmişini duraklarına göre grupluyor.
4. ORDER BY trip_ct DESC LIMIT 1 : Ve final! Bu bisikletin en sık kullandığı durağı pat diye önümüze koyuyor.

İpucular ve Olası Hatalar

Bu kodu yazarken veya okurken şu iki noktaya dikkat etmezsen analizinde sahte sonuçlar alabilirsin:

1. Hatalı Veri (Dirty Data): Bazı bisikletlerin bike_id bilgisi null olabilir veya test amaçlı girilmiş 99999 gibi sahte ID'ler olabilir. Bu sorguyu çalıştırmadan önce WHERE bike_id IS NOT NULL demek seni sorunlardan kurtarabilir.
2. Neden WITH Kullandık? Bu işi iç içe geçmiş (subquery) sorgularla da yapabilirdik ama WITH kullanmak, kodu bir hikaye gibi okumamızı sağlar.

7. Veri Doğrulama (Data Validation)

Veri doğrulama, yemeğin tadına bakmak gibidir.

Veri Türü Doğrulama: Sayı beklenen yere metin girilmesini engeller.

Veri Aralığı Doğrulama: Okul notunun 0–100 arası olmasını sağlar.

Tutarlılık Doğrulama: “Kargo Tarihi” asla “Sipariş Tarihi”nden önce olamaz.

Yapı Doğrulama: Verinin belirli bir düzende (Örn: JSON veya XML) olmasını kontrol eder.

8. Hibrit Çalışma: E-Tablodan SQL’e, SQL’den E-Tabloya

Bir analist olarak her iki aracın gücünü birleştirmelisin:

1. Temizlik: Küçük veri setlerini Sheets üzerinde filtrelerle temizle (Boşlukları bul, hatalı satırları sil).
2. Yükleme: Temiz veriyi BigQuery’ye aktar.
3. Derin Analiz: SQL ile milyonlarca satırı saniyeler içinde süzüp özetle.
4. Görselleştirme: Çıkan sonucu (50.000 satırdan az ise) tekrar Sheets’e aktarıp Pivot Tablolar ve grafiklerle süsle.

Bu Yazı İçin de Sona Geldik..

Bugün örneklerle tek tek açıkladığımız koşullu sayma ve filtreleme fonksiyonlarına, veri analizlerinde her zaman ihtiyacımız olacak. Aslında öğrendiğimiz her bir fonksiyon işimizi kolaylaştırıyor. Eğer fark ettiyseniz çoğu birbirinin alternatifi şeklinde. Bu da çalışmalarımızda izleyeceğimiz bir sürü yol olması demek. Yolunuzun her zaman temiz, anlamlı ve tutarlı olmasına özen gösterin. (Her anlamda!).

Buraya kadar okuduğun için teşekkürler, umarım faydalı olmuştur.. Bir sonraki yazıda tekrar buluşalım!

SQL ve E-Tablolarla Analize Doğru was originally published in Türkiye UP on Medium, where people are continuing the conversation by highlighting and responding to this story.

Birkaç gündür NASA’nın Artemis görevleri hakkındaki X (Twitter) gönderilerini okuyordum. Artemis misyonuyla ilgili atılan birkaç tweetin altına gelen yorumlara denk geldim. “Yine mi stüdyo çekimi?”, “Yıl olmuş 2026, hala neden gidemiyoruz?”, “Neden 50 yıldır gidilmedi de şimdi gidiliyor?” gibi sorular havada uçuşuyordu. Okurken insanların bu konu hakkında çok fazla bilgi eksikliğinin olduğunu fark ettim. Aya gidilmesiyle birlikte, bu konu sosyal medyada daha da popüler oldu ve bu durum çok fazla kargaşaya ve bilgi kirliliğine neden oldu. Aslında bu görev Artemis II göreviydi. Bu görevin daha öncesi de vardı, insanları aya göndermek kadar ilgi çekici görünmüyordu ama onlar da başarıyla tamamlanmıştı. Gelin, bu süreci tam anlamıyla öğrenelim ve kafamızdaki sorular cevapsız kalmamış olsun.

Bugün sizinle bu süreci takip eden ve astronomiye ilgi duyan bir arkadaşınız olarak konuşacağım. Apollo’nun eski sayfalarından bugünün roketlerine, oradaki astronotun korkusundan bizim evimizdeki su filtresine kadar öğrenelim. Eğer medium üyesi değilseniz bu yazıyı okumak için buraya tıklayın.

Hazırlanın! ARTEMİS III ‘ e daha donanımlı gidiyoruz..

Neden 50 Yıl Bekledik?

En çok bu sorunun yazıldığını gördüm: “Madem 1969'da gittik, neden bir daha gitmedik?”

Şöyle düşünün: Apollo görevleri (1969–1972) aslında insanlığın Ay’a yaptığı çok havalı ama çok kısa süreli bir ziyaretti. O zamanlar amaç sadece oraya ilk biz gidelim, bayrağı dikelim ve taş toplayıp “Bakın gittik!” demekti. Soğuk Savaş’ın getirdiği rekabet bütçeyi sonuna kadar zorlamıştı ama bir ev kurmak için ne teknolojimiz ne de niyetimiz vardı.

Artemis ise bambaşka bir seviye. Biz artık Ay’a sadece ziyarete değil, kalıcı olarak yerleşme hedefiyle gidiyoruz. Neden mi? Çünkü Ay’ın güney kutbunda su buzu keşfettik. Su demek; içmek için su, solumak için oksijen ve en önemlisi parçalara ayırdığınızda Mars’a gidecek gemiler için yakıt demek. 50 yıl bekledik çünkü o zamanlar Ay’ın kupkuru bir kaya olduğunu sanıyorduk, şimdi ise orayı evrene açılan kapımız olarak görüyoruz.

Neden Bu Kadar Ara Verdik? Apollo’dan Sonra Ne Oldu?

Apollo dönemi (1961–1972) aslında bilimden ziyade biraz “ben daha güçlüyüm” deme yarışıydı. Ortada bir Soğuk Savaş vardı ve “Ay’a ilk bayrağı kim dikecek?” kavgası dönüyordu. Başkan Kennedy “On yıl bitmeden oradayız.” dediğinde elimizde ne doğru dürüst bir yazılım ne de bugünkü teknoloji vardı. Bana da inanması zor gelmişti ama o zamanlar Apollo 11'i Ay’a götüren bilgisayarın toplam gücü, şu an cebinizde duran basit bir hesap makinesinden bile düşüktü!

Apollo görevleri o zamanlar ABD bütçesinin yaklaşık %4’ünü tek başına yutuyordu. Bugün NASA’nın bütçesi toplam bütçenin %0.5’i bile değil. Bir de o zamanlar Ay’ı kupkuru, ölü ve sıkıcı bir kaya sanıyorduk. Gittik, “ilk biz geldik” dedik ve eve döndük ama 2000'lerin sonunda her şeyi değiştiren bir keşif yapıldı: Ay’ın güney kutbunda su buzu bulundu! İşte bu, oyunun kurallarını kökten değiştirdi.

X (Twitter) Üzerindeki Bilgi Kirliliği ve Gerçekler

Türkiye ve dünyada X platformu üzerinden Artemis misyonuna yönelik birçok asılsız iddia ortaya atıldı. Şimdi ortaya atılan iddiaları gerçeklerle çürütelim ki kafamız daha fazla karışmasın.

“O zamanın teknolojisiyle nasıl gittiler? Şimdi neden zorlanıyorlar?”

Bu en çok sorulan ve kafa karıştıran soru. Cevabı çok basit: Güvenlik Standartları.

Örnek: 1960’larda bir arabaya binip 150 km hızla gitmek çok riskliydi, hava yastığı yoktu, emniyet kemeri bile opsiyoneldi. O zamanki astronotlar kelimenin tam anlamıyla ölümü göze almış kovboylardı.

Bugün NASA, tek bir astronotun burnunun kanamasına bile tahammül edemez. Artemis, Apollo’dan bin kat daha güvenli olmak zorunda. Yazılımlar, yedekleme sistemleri, radyasyon kalkanları… Her şey o kadar detaylı ki, “hadi gidelim” demek artık o kadar kolay değil. Biz artık garantili gitmeye çalışıyoruz.

“Neden hala Ay’ın sadece siyah beyaz veya kalitesiz videoları var?”

X’te yayılan o kalitesiz GIF’lere bakıp aldanmayın.

Gerçek: Artemis I (insansız test) misyonunda Orion kapsülünün üzerine 24 tane yüksek çözünürlüklü kamera yerleştirildi. NASA’nın sitesine girip “Artemis I Imagery” diye aratırsanız, Dünya’nın Ay arkasından doğuşunu 4K kalitesinde, pırıl pırıl görebilirsiniz.

Dezenformasyon Savar: Eğer biri size “neden görüntü yok” derse, ona NASA’nın 4K YouTube videolarının linkini atın. İnsanlar genelde araştırmayı değil, X’te gördüğü bir tweete inanmayı seçiyor. Sen onlara gerçeği gösteren kişi olacaksın.

“Ay’daki ayak izleri neden hala duruyor? Rüzgar silmez mi?”

Bunu söyleyen birini görürseniz nazikçe şunu hatırlatın: Ay’da atmosfer yok!

Rüzgar oluşması için hava gerekir. Ay’da hava olmadığı için ne bir fırtına kopar ne de bir meltem eser. Oradaki toz (regolit), üzerine basıldığında şeklini milyarlarca yıl koruyabilir. Yani Neil Armstrong’un 1969’da bıraktığı o ilk adım, bir göktaşı çarpmadığı sürece hala orada ilk günkü gibi duruyor.

Astronotların yanında taşıdığı iPhone 17 Pro Max cihazlarıyla çekilen yüksek çözünürlüklü uzay selfieleri, misyonun gerçekliğini ve modern teknolojinin sınırlarını kanıtlayan en güncel veriler arasındadır. Apple CEO’su Tim Cook, bu fotoğrafların “iPhone fotoğrafçılığını yeni zirvelere taşıdığını” belirterek ekibi tebrik etmiştir

“Van Allen Radyasyon Kuşakları herkesi öldürür, oradan geçilemez!”

“Madem o kadar radyasyon var, astronotlar nasıl pişmiyor?” diyenlere küçük bir fizik dersi.

Hız ve Zaman İlişkisi: Bir mumun ateşinden parmağınızı hızla geçirirseniz yanmazsınız ama parmağınızı üzerinde tutarsanız kömür olur. Orion kapsülü bu kuşaklardan o kadar hızlı geçiyor ki (saniyede yaklaşık 11 km), maruz kalınan süre toplamda birkaç saati bile bulmuyor.

Kalkan Mantığı: Orion’un içinde “Water Walls” (Su Duvarları) denilen bir sistem var. Su, radyasyonu emmekte kurşundan bile daha başarılıdır. Astronotlar en yoğun radyasyon bölgesinden geçerken, su tanklarının ve ekipmanların en yoğun olduğu zırhlı orta bölgeye sığınıyorlar. Yani geçilemez denilen o kuşak, doğru hız ve doğru kalkanla sadece bir hız tümseği haline geliyor.

Artemis II Provası: Peki Artemis I Ne İçindi?

Takvimler 16 Kasım 2022’yi gösterdiğinde, Florida’daki Kennedy Uzay Merkezi’nden gökyüzünü yırtan bir alev yükseldi. İçinde insan yoktu ama bu görev boş bir görev de değildi.

Koltuklarda insan yerine sensörlerle donatılmış cansız mankenler oturuyordu. Özellikle kadın vücut yapısını temsil eden iki manken (Helga ve Zohar), radyasyonun organlara etkisini ölçmek için oradaydı. “Neden manken gönderdiler?” diye soranlar için : Canlı birini göndermeden önce o koltuğun ne kadar güvenli olduğunu bilmek zorundaydılar.

Görevin en ikonik anı, Orion kapsülünün Dünya’yı ve Ay’ı aynı kareye sığdırdığı selfieydi. Orion, Ay’ın arkasına geçerek Dünya’dan tam 432.210 kilometre uzaklaştı, bu bir insan taşıyabilen uzay aracının ulaştığı en uzak mesafeydi.

Artemis I’de ısı kalkanında küçük aşınmalar fark edildi. Eğer insanlı bir görev olsaydı bu bir risk olabilirdi ancak insansız test sayesinde bu veriyi alıp Artemis 2 ve 3 için kalkanı daha da mükemmelleştirdiler.

ARTEMİS II: Dev Beyaz Roket: SLS ve Orion’un İnanılmaz Gücü

X’te herkesin fotoğraflarını paylaştığı gökdelen boyundaki beyaz roket: SLS (Space Launch System). İnsanlığın şimdiye kadar inşa ettiği en güçlü fırlatma sistemi bu!

Fırlatma anını hayal edin: SLS kalkış sırasında tam 8.8 milyon pound itiş gücü üretiyor. Bunu şöyle canlandıralım: Tam 160.000 tane modern jet motorunun aynı anda tam güçle kükrediğini düşünün! Eğer fırlatma sırasında roketin çok yakınında olsaydınız, oluşan ses dalgaları sadece kulaklarınızı sağır etmekle kalmaz, vücudunuzdaki kemikleri bile titreşimden eritebilirdi.

Roketin Mantığı: Neden Bu Kadar Büyük?

Uzaya bir şey fırlatmak, aslında yerçekimiyle kavga etmektir. Bir markete gidip iki ekmek alıp eve dönmek kolaydır, sırt çantanız yeter ama eğer marketten 10 yıllık erzak, su ve hava alıp eve dönmek isterseniz, bir kamyona ihtiyacınız olur. İşte SLS, o kamyon. Ay’a sadece 4 insanı taşımıyoruz; onların yemeğini, içeceği suyu, soluyacağı havayı ve onları radyasyondan koruyacak tonlarca ağırlıktaki zırhı taşıyoruz.

Roketin gövdesinin %90’dan fazlası sadece yakıttır. Neden mi? Çünkü o yakıtı da yukarı taşımak için yakıta ihtiyacınız var! Bu, roket biliminin en gıcık ağırlık döngüsüdür. SLS bu döngüyü kırmak için saniyeler içinde koca bir göl dolusu yakıtı enerjiye dönüştürerek kalkıyor.

Tepesindeki o minik (aslında kocaman) kapsül ise Orion. Orion kapsülü, 4 astronot için yaşam destek sistemleri, kontrol panelleri, depolama dolapları ve ayarlanabilir koltuklar barındıran, derin uzay görevleri için tasarlanmış gelişmiş bir mürettebat modülüdür. Avrupa Servis Modülü ile güç, su ve hava sağlanan kapsülde, Artemis II görevinde tabletler, iletişim cihazları, atık yönetim sistemi ve ısı kalkanı gibi donanımlar bulunur.

Eve Dönüş: 2700 Derecelik Bir Ateş Topu

Ay’dan dönmek, yörüngeden (ISS’den) dönmeye benzemez. Orion kapsülü Ay’dan dünyaya dönerken atmosfere tam 40.000 km/sa hızla dalıyor. Bu hızla havaya çarptığınızda, hava artık bir gaz gibi değil, adeta bir beton duvar gibi davranır.

Peki Isı Yönetimi Nasıl Oluyor?

Orion, bu sıcaklığı ablatif ısı kalkanı ile yönetiyor. Bu kalkanın üzerindeki malzeme kontrollü bir şekilde yanar ve yüzeyden kopup gider. Bu kopan parçalar, beraberinde ısı enerjisini de götürür. Eğer bu kalkanın açısı 1 derece bile yanlış olursa, kapsül ya bir meteor gibi yanar ya da atmosferden sekip uzay boşluğunda sonsuza kadar kaybolur.

Uzay Aracındaki Ekibimizi Tanıyalım: Kim Bu Dört Kahraman?

Artemis II misyonuyla Ay’ın etrafından dolanacak olan dört astronot, aslında hepimizi temsil ediyor.

Uzay araçları ne kadar gelişmiş olursa olsun, o koltuklarda oturanların birer insan olduğunu unutuyoruz. Artemis II mürettebatı korkuları, aileleri ve devasa bir sorumlulukları olan dört elçi. Özellikle Reid ve Victor’un hikayesi, bu misyonun neden sadece teknik bir başarı olmadığını kanıtlıyor.

Reid Wiseman (Komutan):

Reid Wiseman, görevin komutanıdır yani uçuş sırasında mürettebatı yönetir. Wiseman, daha önce Uluslararası Uzay İstasyonu’nda Expedition 41 için uçuş mühendisi olarak uçmuştur. Reid’i sadece sakin bir güç olarak tanımlamak yetmez. O, 50 yıl sonra Ay’a giden ilk insanlı aracın dümendeki ismi. Reid bir donanma pilotu yani en zor şartlarda saniyeler içinde karar vermeye alışkın ama işin insani tarafı çok daha derin.

Reid, eşini birkaç yıl önce kanserden kaybetti. İki kızını tek başına büyüten bir baba olarak, o devasa roketin tepesine oturduğunda aklındaki tek şey kahramanlık değildi. Kızlarına verdiği “sağ salim döneceğim” sözü. Onun sakinliği, aslında hayata karşı duruşundan geliyor. Mühendislik dilinde ona “Mission Critical Brain” diyebiliriz; yani her şey alev aldığında bile nabzı 60'ta kalan adam. “Bu adamlar korkmuyor mu?” diyenlere şunu söyleyin: Korkuyorlar, ama bu korkuyu görevi başarma disiplinine dönüştürecek kadar profesyoneller.

“There are no words.“

— Reid Wiseman

Victor Glover (Pilot):

Victor, Ay yörüngesine gidecek ilk siyahi astronot olarak tarihe geçiyor ama o bu konunun ırk üzerinden değil, insanlık üzerinden okunmasını istiyor. Victor daha önce Uluslararası Uzay İstasyonu’nda (ISS) aylarca kaldı. “Genel Bakış Etkisi” dediğimiz şeyi en derinden yaşayanlardan biri.

Victor bir keresinde şunu söylemişti:

“Aşağıya baktığınızda, o incecik atmosferin bizi koruyan tek şey olduğunu görüyorsunuz. Orada siyasi sınırları görmüyorsunuz. İnsan yapımı çizgiler yok. Gördüğünüz tek şey, bu uçsuz bucaksız karanlığın içinde nefes alan, canlı, tek bir organizma gibi duran muazzam bir gezegen. Biz sadece bu geminin yolcularıyız.”

X’te ona “Neden gidiyorsun?” diye soranlara en mantıklı cevabı aslında hayatıyla veriyor:

İnsanlığın bu mavi bilyeye hapsolmaması gerektiğini ve oradaki su buzunun bizim geleceğimiz olduğunu biliyor.

O bir pilot olarak bir neslin “biz de yapabiliriz” hayalini uçuruyor.

Christina Koch: Bilim Kraliçesi

Christina’yı sadece “uzaya giden ilk kadın” diye etiketlemek ona haksızlık olur. O, uzayda tek seferde 328 gün (neredeyse 1 tam yıl) kalarak rekor kırmış bir bilim insanıdır.

Christina aslında bir elektrik mühendisi ve bilim insanı. Antarktika’nın o dondurucu ve kimsesiz topraklarında aylarını geçirmiş biri. Yani izolasyona, yalnızlığa ve arızayı kendi başına çözme disiplinine en alışık isim o.

Ay’ın arka yüzüne geçtiklerinde Dünya ile iletişim koptuğunda, en sakin kalan kişi Christina oldu. O, uzay istasyonunda aylarca tek başına çalışırken bile soğukkanlılığını yitirmeyen biri. Christina’nın hikayesi, bir kadının fiziksel ve zihinsel sınırları nasıl paramparça edebileceğinin en canlı kanıtı.

Jeremy Hansen: Kanada’nın Gururu

Jeremy bu ekipteki en ilginç isim çünkü o bir NASA astronotu değil, Kanada Uzay Ajansı (CSA) astronotu. Jeremy bu anı tam 14 yıldır bekliyor. Düşünsenize, bir işe giriyorsunuz ve size “Senin görevin 14 yıl sonra başlayacak” deniyor. İşte Jeremy o sabrın vücut bulmuş hali. Eski bir CF-18 savaş uçağı pilotu.

Onun orada olması, Artemis’in sadece bir Amerikan şovu olmadığını, tüm dünyanın el birliğiyle bu yola çıktığını gösteriyor. Kanada, o meşhur robotik kolu (Canadarm) yapmasa NASA’nın işi çok zordu. Jeremy, o kolu uzayda bizzat kullanan ustalardan biri.

Astronotlarımız Ay’ın arka yüzüne geçtiklerinde, Dünya ile iletişimleri tamamen kesildi. O yaklaşık 30 dakikalık sessizlikte, Dünya’dan 380 bin kilometre uzakta, evrende yapayalnız kaldılar. Christina bir röportajında, o anın korkutucu değil, aksine insanlığın ne kadar birbirine bağlı olduğunu anlamak için eşsiz bir fırsat olduğunu söylemişti.

Artemis II: 10 Günlük Yolculuk Süreci

Peki, bu dört astronot roketin tepesine oturduktan sonra tam olarak ne yaşadılar?

1. Gün: Gökyüzünü Yırtan Başlangıç

Her şey Florida’daki 39B rampasında başlıyor. SLS roketi ateşlendiğinde astronotlar koltuklarında devasa bir sarsıntı hissettiler. Sadece 8 dakikada uzaya çıkacaklar ama asıl heyecan Dünya yörüngesinde başlayacak. Hemen Ay’a fırlamıyorlar! Önce Dünya etrafında bir tur atıp “Yüksek Dünya Yörüngesi” (HEO) denilen yere yerleşecekler.

Neden hemen gitmiyorlar? Çünkü bu, “geri dönüşü olmayan nokta” öncesi son kontrol. Astronotlar burada kapsülün yaşam destek sistemlerini yani nefes aldıkları havayı ve içtikleri suyu temizleyen makineleri test ediyorlar. Eğer bir sorun varsa, Ay yoluna girmeden hemen dünyaya dönebilirler. Güvenlik her şeydir.

2. ve 4. Gün: Ay’a Doğru Serbest Sürüş

Her şey yolundaysa, Orion’un motorları ateşleniyor ve Ay’a doğru yolculuk başlıyor. Bu aşamada artık motorları kapatıyorlar ve fizik kurallarının onları Ay’a doğru çekmesine izin veriyorlar. Bu tıpkı, yokuş aşağı boşa alınmış bir bisikletle gitmek gibi; enerji harcamadan yerçekimiyle süzülüyorlar. Bu süreçte astronotlar pencerelerinden Dünya’nın küçülmesini izliyorlar.

5. Gün: Ay’ın Karanlık Yüzü ve Mutlak Sessizlik

İşte misyonun kalbi burası. Artemis II, Ay’ın etrafında tam bir tur attı. Ay’ın arka yüzüne (Dünya’dan hiç görünmeyen taraf) geçtiklerinde, Ay devasa bir kalkan gibi araya girdi ve Dünya ile tüm radyo sinyalleri kesildi.

30 Dakika: Yarım saat boyunca ne NASA ne de aileleri onlardan haber alabildi. Sadece kapsülün içindeki kendi nefes sesleri ve Ay’ın kraterleri altlarındaydı. Bu sessizlik, insanlığın yalnızlığını ve cesaretini temsil eden en ikonik an oldu.

6. ve 9. Gün: Eve Dönüş Yolculuğu

Ay’ın yerçekimini bir sapan gibi kullanarak (Slingshot manevrası) kendi etraflarında dönüp Dünya’ya doğru savruldular. Bu aşamada tek amaçları, atmosfere giriş için doğru açıyı yakalamak.

Eğer açı çok dik olursa yanarlar, çok yatay olursa atmosferden taş gibi sekip uzay boşluğuna fırlarlar. Mühendisler bu açıyı santimetrik hassasiyetle hesaplıyor.

10. Gün: Pasifik’te Büyük Buluşma

Ve final! Atmosfere “Sıçrama Girişi” (Skip Re-entry) ile giriyorlar. Önce atmosfere değip bir miktar yükseliyorlar (hız kesmek için), sonra asıl inişi gerçekleştiriyorlar. 11 paraşüt aynı anda açıldığında, 4 tonluk kapsül Pasifik Okyanusu’na nazikçe, bir tüy gibi kondu. Onları bekleyen gemiler ve helikopterler astronotları karşıladığında, insanlık 50 yıl sonra en büyük sınavını vermiş oldu.

Büyük Final — Artemis III Planı: Ay Yüzeyine İniş

Geldik bu görevin finali olacak kısmına! Artemis 3, insanlığın 1972’den beri Ay’a gerçekten ayak basacağı o tarihi an olacak. Planlanan tarih 2026 (veya sonrası) olsa da, planın detayları dudak uçuklatıyor.

Şu an NASA’nın resmi takviminde tarih Eylül 2026 olarak görünüyor ancak uzay projelerinde tarih niyet demektir, garanti değil. Neden ertelenme ihtimali var?

1. Starship HLS: SpaceX’in Starship’i henüz Ay’a inip kalkabilecek kadar test edilmedi. En az bir tane “insansız Ay’a iniş” provası yapmaları gerekiyor.
2. Uzay Giysileri: Apollo dönemindeki eski kıyafetleri unutun. Yeni giysiler birer kişisel uzay aracı gibi. Ama bu giysilerin üretimi ve testi de zaman alıyor.
3. Yörüngede Yakıt İkmali: Starship’in Ay’a gidebilmesi için Dünya yörüngesinde başka Starship’lerden yakıt alması lazım. Bu, insanlığın daha önce hiç yapmadığı devasa bir operasyon. Eğer her şey kusursuz giderse 2026 sonu ama gerçekçi bir tahminle 2027 veya 2028 insanlığın Ay yüzeyine dokunduğu yıl olabilir.

Güney Kutbu: Neden Oraya İniyoruz?

Apollo görevleri hep Ay’ın ekvator bölgesine, yani daha düz ve güneş alan yerlere inmişti. Artemis 3 ise Ay’ın Güney Kutbu’na inecek.

Ekvator bölgesi bir sahil kasabasıysa, Güney Kutbu Antarktika gibidir. Zifiri karanlık, dondurucu soğuk ama bir o kadar da kıymetli. Çünkü orada milyarlarca yıldır güneş görmemiş kraterlerin içinde su buzu var. Biz oraya su bulup Mars’a gitmek için gidiyoruz.

Yörüngede Orion ve Starship Buluşması

Artemis 3’ün en çılgın kısmı iniş sistemi. NASA bu sefer yalnız değil, Elon Musk’ın SpaceX’i de işin içinde.

Astronotlar Orion ile Ay yörüngesine gelecek. Orada onları bir Starship (HLS) bekliyor olacak. Astronotlar yörüngede araç değiştirecek (evet, uzayda araçtan araca geçecekler.) ve Starship ile Ay yüzeyine inecekler.

X’te “NASA artık beceremiyor mu da SpaceX’i kullanıyor?” diyenlere şunu söyleyin: Bu bir rekabet değil, güç birliği. NASA’nın tecrübesi ile özel sektörün hızı birleşince, Ay’da kalıcı olmak hayal olmaktan çıkıyor.

Bilimsel Hedefler

“Oraya gidip ne yapacaklar?” araştırmam şu verileri söylüyor:

1. Su Çıkarma Deneyleri: Ay toprağının (regolit) altındaki suyu çıkarıp saflaştırma deneyleri yapılacak.
2. Biyoloji Deneyleri: Ay’ın düşük yerçekiminin insan vücuduna ve bitkilere etkisi yüzeyde test edilecek.
3. Lojistik Üs Seçimi: Gelecekte kurulacak olan Artemis Base Camp için en uygun düzlük ve güneş alan nokta belirlenecek.

Neden Oraya Milyarlarca Dolar Döküyoruz?

“Dünya’da bu kadar dert varken ne işimiz var Ay’da?” diye soran birine şu cevabı verin: Bugün cebinizdeki GPS teknolojisinden tutun, kanser araştırmalarında kullanılan protein kristallerine kadar her şey bu gereksiz görülen uzay görevlerinin yan ürünüdür. Uzayda idrarı %98 oranında içme suyuna dönüştüren teknoloji, bugün Afrika’da binlerce insanın temiz suya ulaşmasını sağlıyor.

NASA, uzaydaki o kısıtlı alanda suyu temizlemek için en hafif, en uzun ömürlü ve en etkili filtreleri geliştirmek zorundaydı. Geleneksel yöntemler (klorlama gibi) uzayda çok ağır ve tehlikeli kaçıyordu. İşte bu süreçte geliştirilen “Mikrobiyal Kontrol Valfleri” ve “İyot Temelli Filtreleme Sistemleri”, bugün ticari hale getirildi. NASA’nın su geri dönüşümü için geliştirdiği filtreleme teknolojisi, yardım kuruluşları tarafından taşınabilir, küçük su fabrikalarına dönüştürüldü.

Afrika’nın en ücra köylerinde, nehirlerden alınan çamurlu ve bakterili sular, NASA’nın o astronotlar için geliştirdiği filtreleme mantığıyla saniyeler içinde içilebilir hale geliyor. Bu cihazlar elektrik gerektirmeden, sadece yerçekimi veya manuel pompayla çalışabiliyor.

Uzay, dünyanın en ekstrem laboratuvarıdır. Dünyada yeterince su var diye önemsemediğimiz verimlilik konusunu, NASA uzayda ölüm kalım meselesi olduğu için mükemmelleştirdi. Astronotun idrarını %98 oranında geri döndüren mükemmeliyetçi mühendislik olmasaydı, bugün elimizde ucuz, bir o kadar dayanıklı ve etkili su filtreleri olmayacaktı. Yani Ay’a gitmek için harcanan her kuruş, aslında dünyadaki bir çocuğun temiz suya ulaşması için yapılan bir ar-ge yatırımıdır.

Özetle, astronotlar yukarıda kendi sularını kurtarırken, aslında dünyadaki milyonlarca insanın suyunu kurtaracak teknolojinin de kapısını açtılar. Bu, insanlığın sadece gökyüzüne değil; aynı zamanda birbirine ne kadar bağlı olduğunun en somut örneğidir.

Adınızı Ay’a Göndermiş Miydiniz? (Sanal İzleyiciler)

NASA bu sefer “sadece izlemeyin bize katılın” dedi. “Send Your Name with Artemis” programıyla milyonlarca insanın ismi bir mikroçipin içinde Ay’a doğru yolculuk yaptı. Ben kendi biniş kartımı önceden almıştım bile!

Siz de gelecekteki Artemis III görevi için bu heyecana ortak olabilir ve sanal pasaportunuzu alabilirsiniz : NASA’dan Sanal Davetiyeler

NASA’nın Artemis Guest Operations sayfasına girerek sanal bir misafir olabilir, fırlatma anında size özel dijital içeriklere ve rozetlere erişebilirsiniz. Bu sadece bir izleme değil, tarihin dijital bir parçası olma şansıdır.

Artemis II göreviyle birlikte 5.65 milyon kişinin ismini uzaya taşıyan peluş oyuncak da işte burada. İçindeki SD kartta milyonlarca kişinin ismi bulunuyor.

X’te veya YouTube’da NASA’nın canlı yayınlarını izlerken aslında tarihe tanıklık ediyoruz. X’teki #Artemis etiketi altında dönen tartışmalar aslında bir bakıma güzel çünkü insanlar yeniden merak etmeye başladı. Bilgi kirliliği olsa da, o merak insanları araştırmaya iten tek güç.

Son Sözler..

Artemis görevleri, hiçbir zaman bir ay ziyaretinden ibaret olmadı. Önyargıları, cehaleti ve korkuyu aşarak insanlığı bir üst seviyeye taşıma niteliğindeydi. O dört kişi, kapsülün içinde bizim bütün merakımızı ve geleceğimizi taşıdılar.

Tek bir cümleye sığdırmak gerekirse: Artemis, bizim gelecek planımız.

Tarih yazılırken o coşkunun tam kalbinde olalım çünkü merak etmeyi bıraktığımız gün, insan olmaktan vazgeçtiğimiz gündür.

Artemis II Misyonundan daha fazla görsel görmek isteyenler için NASA’nın paylaştığı resmi kaynaklar :

1. Artemis II astronotlarının Ay etrafındaki uçuşları sırasında fotoğrafladıklarından bir tadım. Görevin daha fazla fotoğrafı için buraya tıklayın.
2. Bu yeni yayınlanan fotoğraflar, Ay'ın uzak tarafındaki çarpıcı detayları sergiliyor: Çeşitli boyutlarda kraterler ve havzalar gibi. Yeni fotoğraflar için buraya tıklayın.
3. Ücretsiz mobil duvar kağıtlarını indirin ve cihazınızı keşfin yeni çağına taşımak için buraya tıklayın.

Sosyal medyada gördüğüm kafa karışıklığı üzerine, Ay Görevleri hakkında bilgilendirici bir yazı yazmak istedim. Umarım faydalı olmuştur, bir sonraki yazıda tekrar buluşmak dileğiyle..

ARTEMİS II: Ay’a Gidiyoruz Ama Bu Sefer Kalıcıyız! was originally published in Türkiye UP on Medium, where people are continuing the conversation by highlighting and responding to this story.

Veri Toplama ve Özetleme (Data Aggregation) dediğimiz terim, tam olarak yapboz parçalarını doğru yerlere oturtup büyük resmi ortaya çıkarmadır. Veriyi tek tek satırlar halinde okuyarak hiçbir trendi yakalayamazsın. Parçaları bir araya getirmeli, filtrelemeli ve özetlemelisin.

Bugün kahvelerimizi büyük boy alıyoruz çünkü bu yazı, e-tabloların formüllerinden başlayıp SQL’in derin sularındaki iç içe geçmiş alt sorgularına (Subqueries) kadar uzanan, her anında gerçek vaka çalışmaları barındıran bir başucu kılavuzu niteliğinde.

Hazırsan, başlıyoruz..

Bölüm 1 : E-Tablolarda VLOOKUP Kullanımı

SQL’e geçmeden önce her zamanki gibi E-Tablolar’a bakacağız. Veri toplamanın en temel adımı farklı listelerdeki bilgileri tek bir ekranda birleştirmektir.

Vaka Çalışması - Bordro Krizi: Bir şirkette bordro yöneticisi olduğunu düşün. Sayfa 1'de çalışanlarının o hafta gün gün kaç saat çalıştığı var. Sayfa 2'de ise bu çalışanların kimlik numaraları (ID) ve saatlik ücretleri (Ödeme Oranı)var. Amacımız bu iki sayfayı birleştirip toplam maaşı hesaplamak.

İşte VLOOKUP formülümüz: =VLOOKUP(A2, Sheet2! $A$2:$D$6, 4, FALSE)

Bu Formül Ne Yapıyor?

1. A2 (Aranan Değer): "Kimi arıyorum?" A2 hücresindeki çalışanın ID'sini arıyorum.
2. Sheet2! $A$2:$D$6 (Arama Aralığı): "Nerede arıyorum?" 2. Sayfadaki A2 ile D6 hücreleri arasında.
3. 4 (Sütun İndisi): "Bulduğumda sana kaçıncı sütunu getireyim?" Çalışan ID'sini bulduğu satırda soldan sağa doğru sayar ve 4. sütundaki "Saatlik Ücret" bilgisini çeker.
4. FALSE (Tam Eşleşme): Asla TRUE kullanma. TRUE yaklaşık eşleşme yapar. Bordro hesaplarken kimseye yaklaşık birilerine ait maaşı yatırmak istemeyiz. FALSE diyerek "Bana tam olarak bu ID'yi bul, bulamazsan hata ver" diyoruz.

Hata Yönetimi:

VLOOKUP yazdın, her şey doğru ama inatla #N/A hatası alıyorsun. Neden? Çünkü veri genellikle temiz gelmez.

1. Sabitlenmeyen Aralıklar: Formülü yazıp aşağı çektin ve her şey bozuldu. Neden? Çünkü Sheet2!A2:D6 yazarsan formülü aşağı çektiğinde Excel arama alanını da A3:D7 , A4:D8 diye aşağı kaydırır. Bu yüzden aralığı $ işaretleriyle kilitleriz: $A$2:$D$6. Bu kilit (Mutlak Referans) seni büyük bir yükten kurtarır.
2. Görünmez Boşluklar: Sayfa 1'de isim “Daniel”, Sayfa 2'de “Daniel “ (sonunda boşluk var). Sistem bunu eşleştiremez. Hemen yan sütuna =TRIM(B2) yazarak ekstra boşlukları temizlemelisin.
3. Metin Kılığına Girmiş Sayılar: Sistemden çektiğin çalışma saatleri metin formatında gelmiş olabilir. Bunları toplayamazsın. =VALUE(C2) formülü ile metinleri gerçek sayı formatına dönüştürmelisin.

Veriyi TRIM ve VALUE ile temizleyip VLOOKUP ile saatlik ücretleri çektikten sonra geriye sadece PRODUCT(Saat, Ücret) formülüyle çarpmak ve bunu Pivot Tablo'ya dökmek kalır.

Bölüm 2 : SQL JOIN’ler

Bir önceki yazılarımda da belirttiğim gibi, E-Tablolar binlerce satırda harikadır ama veriniz milyonlara ulaştığında sistem çöker. İşte o kısımda SQL dünyasına geçiş yaparız. SQL’de VLOOKUP’ın yerini, çok daha güçlü olan JOIN komutları alır. JOIN, Birincil Anahtar (Primary Key) ve Yabancı Anahtar (Foreign Key) kullanarak tabloları birbirine bağlar.

Türleri Nelerdir?

1. INNER JOIN: Sadece her iki tabloda da ortak olanları getirir.
2. LEFT JOIN: Sol (ilk) tablonun tamamını getirir, sağdakinden sadece eşleşenleri yanına koyar. Eşleşmeyenlere NULL (Boş) yazar.
3. RIGHT JOIN / FULL OUTER JOIN: RIGHT, LEFT’in tersidir ve nadiren kullanılır. FULL ise iki tablonun tamamını getirip devasa bir birleşim yapar ve sistemi yorabilir.

Vaka Çalışması: NCAA Basketbol Takımları ve Kayıp Maskotlar : Diyelim ki 1990'lardaki üniversite basketbol takımlarının (seasons tablosu) maç istatistiklerini, maskotlarıyla (mascots tablosu) birleştirmek istiyorsunuz.

İlk refleksiniz INNER JOIN kullanmak olabilir. Sonucu incelediğinizde takımların yarısının listede olmadığını fark edebilirsiniz. Neden mi? Çünkü her takımın bir maskotu yoktu! INNER JOIN maskotu olmayan tüm takımları analizden tamamen silmişti.

İşte çözüm: LEFT JOIN KULLANMAK

SELECT
  seasons.market AS university,
  seasons.name AS team_name,
  mascots.mascot AS team_mascot,
  AVG(seasons.wins) AS avg_wins
FROM `bigquery-public-data.ncaa_basketball.mbb_historical_teams_seasons` AS seasons
LEFT JOIN `bigquery-public-data.ncaa_basketball.mascots` AS mascots
  ON seasons.team_id = mascots.id
WHERE seasons.season BETWEEN 1990 AND 1999
GROUP BY 1, 2, 3
ORDER BY avg_wins DESC;

Nasıl Çalışır?

1. FROM … AS seasons ile sezonlar tablosuna tüm üniversiteleri koyduk.
2. LEFT JOIN … AS mascots diyerek maskotları yanına ekledik.
3. ON seasons.team_id = mascots.id bizim köprümüz oldu.
4. Sonuç: Tüm takımlar listelendi. Maskotu olanların karşısında aslan, kaplan yazarken, olmayanların karşısında NULL yazıyordu ve veri kaybımız sıfır oldu.

İpucu: Takma Adlar (Aliases / AS)

Yukarıdaki koda dikkat ettin mi? Tabloların orijinal isimleri “bigquery-public-data.ncaa…” diye uzayıp gidiyordu. Kodun okunabilirliğini artırmak için AS seasons ve AS mascots takma adlarını kullandık. Bir analist, kodunun temiz ve okunabilir olmasına dikkat etmeli. AS komutu, karmaşık tablo adlarını tek kelimeye indirgeyerek kodunuzu daha okunabilir ve profesyonel hale getirir.

Bölüm 3 : Saymak, COUNT ve COUNT DISTINCT Kullanımı

Basit bir sayma işlemi ne kadar yanlış gidebilir? Cevap vereyim: Binlerce dolarlık hatalara yol açabilir. Hemen bir örneğe başvuralım:

Vaka Çalışması - 9.999 Eyalet Hatası : Bir depolama ve lojistik (warehouse_orders) projesinde, sana "Siparişleri gönderdiğimiz kaç farklı eyalet var?" diye soruldu.

Gittiğimiz ilk yol:

SELECT COUNT(warehouse.state) FROM orders INNER JOIN warehouse…

Çıkan sonuç: 9.999! ABD'de 50 eyalet varken 9.999 eyalete nasıl ulaştık? Çünkü COUNT komutu, o sütundaki veri olan tüm satırları sayar. Eğer New York'tan 3.000 sipariş çıktıysa New York'u 3.000 kez sayar. Doğru yaklaşım, kopyaları sistemden atan COUNT DISTINCT komutudur:

SELECT
    warehouse.state,
    COUNT(DISTINCT orders.order_id) as num_orders
FROM `your-project.warehouse_orders.orders` AS orders
INNER JOIN `your-project.warehouse_orders.warehouse` AS warehouse 
    ON orders.warehouse_id = warehouse.warehouse_id
GROUP BY warehouse.state;

Adım Adım Ne Yaptık? :

1. Bana state (eyalet) sütununu getir.
2. COUNT(DISTINCT order_id) : Sipariş numaralarını say ama her birini sadece BİR KEZ say.
3. GROUP BY warehouse.state : Bu satır olmadan kod hata verir. Veriyi eyaletlere göre grupladık ki her eyaletin sipariş sayısı ayrı ayrı satırlarda karşımıza çıksın.

Bölüm 4 : SQL’in Alt Sorguları (Subqueries)

Alt sorgular (iç içe geçmiş sorgular), bir SQL komutunun içine yerleştirilmiş başka bir SQL komutudur. Amacımız, veritabanına defalarca gidip gelmek yerine karmaşık işlemleri tek seferde halletmektir. Parantez () içinde yazılırlar.

Alt sorguları 3 ana kalemde (SELECT, FROM, WHERE içinde) vaka çalışmalarıyla öğrenelim.

A) SELECT İçinde Alt Sorgu

Vaka 1 (Citi Bike): New York’taki bisiklet istasyonlarının ortalama sürüş sürelerini inceliyorsun. Bir istasyonun ortalamasını buldun (örneğin 15 dakika). Peki ama bu iyi mi kötü mü? Bunu anlamak için şehrin genel ortalamasına ihtiyacın var.

SELECT
    start_station_id,
    ROUND(AVG(tripduration), 2) AS istasyon_ortalamasi,
    (
        SELECT ROUND(AVG(tripduration), 2)
        FROM `bigquery-public-data.new_york_citibike.citibike_trips`
    ) AS genel_ortalama,
    ROUND(AVG(tripduration) - (SELECT AVG(tripduration) FROM `bigquery-public-data.new_york_citibike.citibike_trips`), 2) AS fark
FROM `bigquery-public-data.new_york_citibike.citibike_trips`
GROUP BY start_station_id
LIMIT 25;

Ne yaptık? SELECT komutunun tam ortasında parantez açıp tüm şehrin ortalamasını bulan bağımsız bir sorgu yazdık. Bu alt sorgu her satırın yanına şehrin genel ortalamasını yapıştırdı. Sonra bu ikisini birbirinden çıkararak (istasyon_ortalamasi — genel_ortalama) istasyonun genelden ne kadar saptığını (farkını) bulduk.

B) FROM İçinde Alt Sorgu

Diyelim ki asıl tablon çok karmaşık ve sen önce veriyi süzüp kendi istediğin temiz ve küçük bir sanal tablo yaratmak, ardından analizini bu sanal tablo üzerinden yapmak istiyorsun.

SELECT
    top_five.start_station_id,
    top_five.avg_duration
FROM
    (
        SELECT
            start_station_id,
            AVG(tripduration) AS avg_duration
        FROM `bigquery-public-data.new_york_citibike.citibike_trips`
        GROUP BY start_station_id
        ORDER BY avg_duration DESC
        LIMIT 5
    ) AS top_five;

Nasıl Çalışır? Önce FROM içindeki parantez çalışır. Tüm veri tabanını tarar, istasyonları gruplar, süreleri sıralar ve sadece en yüksek 5 istasyonu alır. İşte bu 5 satırlık çıktıya top_five takma adını verdik. Dışarıdaki asıl SELECT sorgumuz artık milyonlarca satıra değil, sadece senin yarattığın 5 satırlık sanal tabloya bakar. Bu, performansı oldukça artırır.

C) WHERE İçinde Alt Sorgu

Vaka 2 (Gıda Güvenliği): Bir gıda analistisin. Hangi ürün kategorilerinin şikayet aldığını buldun ama sana sadece “Hastaneye Yatış” ile sonuçlanan kritik vakaların olduğu sektörler lazım.

SELECT 
    products_industry_name, 
    COUNT(report_number) AS count_hospitalizations
FROM `bigquery-public-data.fda_food.food_events`
WHERE outcomes IN
    (
        SELECT outcomes
        FROM `bigquery-public-data.fda_food.food_events`
        WHERE outcomes LIKE '%Hospitalization%'
    )
GROUP BY products_industry_name
ORDER BY count_hospitalizations DESC
LIMIT 10;

Nasıl Çalışır ? : Önce içerideki alt sorgu çalışır. LIKE ‘%Hospitalization%’ diyerek içinde hastane geçen tüm rapor sonuçlarını (outcomes) bulur ve bir liste yapar.

Sonra dış sorgu devreye girer. WHERE outcomes IN (…) kodu şunu söyler: "Bana sadece sonucu, alt sorgudan dönen listedeki kelimelerle eşleşen sektörleri getir." IN operatörü burada kritik çünkü alt sorgudan birden fazla değer dönüyorsa = (eşittir) operatörü sistemi çökertir.

Bölüm 5 : CASE ve HAVING ile Derin Analiz

Bir analist olarak veriyi kategorize de etmelisin. Depoların performansını ölçtüğümüz o örneğe geri dönelim. Depoları, toplam siparişlerin ne kadarını karşıladıklarına göre sınıflandırmak istiyoruz.

SELECT
  Warehouse.warehouse_id,
  CONCAT(Warehouse.state, ': ', Warehouse.warehouse_alias) AS warehouse_name,
  COUNT(Orders.order_id) AS number_of_orders,
  CASE
    WHEN COUNT(Orders.order_id)/(SELECT COUNT(*) FROM orders) <= 0.20 THEN 'Fulfilled 0-20% of Orders'
    WHEN COUNT(Orders.order_id)/(SELECT COUNT(*) FROM orders) <= 0.60 THEN 'Fulfilled 21-60% of Orders'
    ELSE 'Fulfilled more than 60% of Orders'
  END AS fulfillment_summary
FROM warehouse AS Warehouse
LEFT JOIN orders AS Orders ON Orders.warehouse_id = Warehouse.warehouse_id
GROUP BY Warehouse.warehouse_id, warehouse_name
HAVING COUNT(Orders.order_id) > 0;

Adım Adım Ne Yaptık? :

1. CONCAT : Eyalet kodu ile depo adını birleştirip warehouse_name adında tek bir sütun yarattık (Örn: "NY: Kuzey Deposu").
2. CASE … WHEN … THEN: Yazılımdaki If-Else mantığıdır. Alt sorgu yardımıyla oransal bir hesap yaptık ve depoları başarı yüzdelerine göre etiketledik.
3. HAVING COUNT(…) > 0: Neden WHERE kullanmadık? Çünkü WHERE veriler gruplanmadan önce çalışır. Biz ise GROUP BY ile veriyi grupladıktan, toplamları (COUNT) hesapladıktan sonra bir filtreleme yapmak istiyoruz. Toplam sipariş sayısı 0'dan büyük olanları getir dedik. HAVING, gruplanmış verinin filtresidir.

Son Sözler..

Biliyorum, şu an ekranında devasa bir formül bloğu ve onlarca SQL kuralı duruyor ama unutma, temelde yaptığın şey 5000 parçalık yapbozun kayıp referans resmini kendi ellerinle çizmeye çalışmaktır. Zor olabilir, karmaşık gelebilir hatta pes bile ettirebilir. Kendime her zaman hatırlattığım bir cümle var :

“İlk başta her şey zor görünür.”

İster başka yoldan devam et ya da etme, bir şeye başladığında her zaman böyle hissedeceksin. Herkes ilk başta böyle hissetti, yapman gereken tek şey üzerine gitmek.. (Eğer gerçekten istiyorsan)

Burada vedalaşıyorum ve bir sonraki yazılarda tekrar buluşmayı diliyorum..

E-Tablolar ve SQL ile Veri Toplama (Aggregation) Rehberi was originally published in Türkiye UP on Medium, where people are continuing the conversation by highlighting and responding to this story.

Veri analizi serüvenime ilk başladığım günleri hatırlıyorum. Önümde binlerce satırlık, ne anlama geldiğini çözemediğim bir tablo duruyordu. Satırlar arasında kaybolmuş, “Ben bu karmakarışık tabloyla ne yapabilirim ki?” diye ekrana boş boş bakıyordum. Belki sen de şu an benzer bir hissi yaşıyorsun. Veriyi işe yarar hale getirmeyi öğrenmeden bir adım bile atamıyorsunuz.

Bugün seninle gerçek hayatta kullanılan taktikleri incelemeye ve öğrenmeye çalışacağız. E-Tablolar’ın (Google Sheets/Excel) pratik dünyası ile SQL’i karşılaştırmalı olarak öğreniyoruz. Sıralamadan filtrelemeye, veri dönüştürmeden metin parçalamaya doğru öğrendiğim kritik fonksiyonları buraya da aktarmaya çalışacağım.

Hazırsan ve iyice odaklandıysan, birlikte veriyi mantıklı hale getirmeye çalışalım.

1. Sıralama ve Filtreleme Mantığımız

Veriyi önümüze ilk aldığımızda genellikle darmadağınık bir haldedir. Önce dağınıklığı toplamamız gerekir.

A) E-Tablolarda Sıralama ve Karşılaştabileceğimiz Kritik Hata

E-tablolarda veriyi sıralamak (Sorting) bir eğilim bulma aracıdır ancak burada kendi yaptığım bir hatayı paylaşmalıyım: Sadece bir sütunu sıralamak!

Diyelim ki elinde bir film veri seti var. A sütununda “Film Adı”, B sütununda “Çıkış Tarihi” yazıyor. Veriyi incelerken sadece A sütununu seçip “A’dan Z’ye Sırala” dersen geçmiş olsun! Film isimleri alfabetik sıraya girer ama çıkış tarihleri yerinde kalır. The Matrix filmi birden 2025 yapımı gibi görünebilir. Veri bütünlüğünü kalıcı olarak bozmuş olursun.

İpucu: Her zaman “Sayfayı Sırala” (Sort Sheet) seçeneğini kullan. Eğer işlevlerle otomatize etmek istersen SORT formülü yardımına yetişir.

Diyelim ki bir parti planlıyoruz ve A2:D6 aralığındaki misafirleri, atandıkları masa numarasına (2. Sütun) göre sıralayacağız:

=SORT(A2:D6, 2, TRUE)

Formüldeki Parametrelerin Anlamları:

A2:D6 : Verimizin bulunduğu sınırlar.

2 : İkinci sütuna (Masa Numarası) göre sırala diyoruz.

TRUE: Artan (küçükten büyüğe) sırala. Eğer büyükten küçüğe isteseydik burası FALSE olacaktı.

B) SQL ile Filtreleme ve Sıralama (WHERE ve ORDER BY)

Tablolar milyonlarca satıra ulaştığında Excel veya Sheets çökmeye başlar. İşte burada SQL kullanmalıyız.

Diyelim ki bir gişe veritabanından, sadece Komedi türünde olup 300.000.000$’ dan fazla hasılat yapan filmleri en yeniden en eskiye doğru sıralamak istiyorsun.

SELECT *
FROM projectID.movie_data.movies
WHERE Genre = 'Comedy' AND Revenue > 300000000
ORDER BY `Release Date` DESC;

Satır satır ne yaptık?

1. SELECT * : "Bana tüm sütunları getir" dedik.
2. FROM… : Hangi tablodan veri çekeceğimizi belirttik.
3. WHERE Genre = ‘Comedy’ AND Revenue > 300000000 : Önce veriyi bir süzgeçten geçirdik. SQL' e "Bana sadece komedi olanları VE geliri 300 milyonu aşanları bul" dedik.
4. ORDER BY Release Date DESC : Elimizde kalan listeyi vizyon tarihine göre sıraladık. DESC (Descending) diyerek en yeniden en eskiye, yani azalan bir sıralama yaptık. (Artan isteseydik ASC yazacaktık).

Hata Yönetimi: SQL’de her zaman WHERE komutunun ORDER BY komutundan önce yazılması gerekir. Aksi takdirde sistem sana bir "Syntax Error" (Sözdizimi Hatası) fırlatır. Önce ele, sonra sırala. Mantık bu şekilde olmalı.

2. Veri Dönüştürme

En çok baş ağrıtan konulardan biri de verinin sana yanlış formatta gelmesidir. Sayı gibi görünen ama aslında metin (string) olarak kaydedilmiş değerlerle matematiksel işlem yapamazsın.

A) E-Tablolarda Dönüşüm ve Kilitleme

Bazen sana ABD’den bir hava durumu verisi gelir, her şey Fahrenheit’tır. Bunu Celsius’a çevirmen gerekir. CONVERT fonksiyonumuz bu işi kolaylıkla yapar:

=CONVERT(B2, “F”, “C”)

Parametrelerimizin Açıklaması:

B2: Çevrilecek hücre.

“F” ve “C”: Kaynak ve hedef birimler. İstersen mil/saati (“mph”), metre/saniyeye (“m/s”) bile çevirebilirsin.

Kritik Bir Sorun ve Çözümü (Veriyi Kilitlemek): Formüllerle dolu bir sütun yarattın ama ana veriyi (B2'yi) biri yanlışlıkla silerse, senin dönüştürdüğün C sütunu da anında çöker ve #REF! hatası verir. Bunu engellemek için formüllü sütunu kopyala, üzerine sağ tıkla ve "Özel Yapıştır -> Sadece Değerleri Yapıştır" de. Böylece formülleri uçurur, sadece çıkan sonucu oraya sabitlersin.

B) SQL’de Dönüşüm : SAFE_CAST

SQL’de veri tiplerini değiştirmek için CAST kullanırız. Örneğin bir tarih (date) verisini düz bir metne (string) çevirmek için:

SELECT CAST(MyDate AS STRING) 
FROM MyTable

Hata Yönetimi: Diyelim ki bir sütunda milyonlarca sayı var ama araya bir tane yanlışlıkla “Bilinmiyor” diye metin girilmiş. Sen tüm sütunu CAST(Sutun AS INT64) diyerek tam sayıya çevirmeye kalkarsan, o tek bir "Bilinmiyor" metni yüzünden tüm sorgun iptal olur, sistem hata verir.

Çözüm: SAFE_CAST kullanmak.

SELECT SAFE_CAST(MyDate AS INT64) 
FROM MyTable

Bu fonksiyon, dönüştürülemeyen hatalı bir değer gördüğünde sistemi çökertmez, o değere sessizce NULL(Boş) yazar ve sorguyu çalıştırmaya devam eder. Profesyonellik için önerim CAST değil, SAFE_CAST kullanmak.

3. Metin İşleme ve Birleştirme

Diyelim ki bir trafik veya ulaşım projesi yapıyorsun. Sistemden sana “Başlangıç İstasyonu” ve “Bitiş İstasyonu” ayrı sütunlarda geliyor ama senin raporlamada “A İstasyonu -> B İstasyonu” şeklinde tek bir rota sütununa ihtiyacın var.

A) SQL ile Metin Birleştirme (CONCAT)

SQL’de ayrı sütunları tek parça haline getirmek çok keyiflidir(En azından benim için).

SELECT
  usertype,
  CONCAT(start_station_name, " to ", end_station_name) AS route,
  COUNT(*) AS num_trips,
  ROUND(AVG(CAST(tripduration AS INT64)/60), 2) AS duration
FROM `bigquery-public-data.new_york.citibike_trips`
GROUP BY start_station_name, end_station_name, usertype
ORDER BY num_trips DESC
LIMIT 10;

Bu karmaşık görünen kodu adım adım açıklayalım:

1. CONCAT(start…, “ to” , end…) AS route : Başlangıç istasyonu ile bitiş istasyonu arasına “ to” ekleyerek kaynak yaptık. Çıkan bu yeni sütuna da AS route diyerek "route" (rota) adını verdik.
2. COUNT(*) AS num_trips : O rotada kaç yolculuk yapıldığını saydık.
3. ROUND(AVG(CAST(tripduration AS INT64)/60), 2) AS duration : Burası önemli. Önce yolculuk süresini (tripduration) CAST ile tam sayıya (INT64) çevirdik. Saniye cinsinden olduğu için 60'a bölüp dakikaya çevirdik. Sonra AVG ile bu rotanın ortalama süresini bulduk. En dıştaki ROUND(…, 2) ile de çıkan küsuratlı sonucu virgülden sonra 2 basamak olacak şekilde yuvarladık.
4. GROUP BY ve ORDER BY : Sonuçları istasyonlara ve kullanıcı tipine göre gruplayıp, en çok yolculuk yapılandan en aza doğru sıraladık.

Not: Alternatif olarak eğer aralara nokta, virgül gibi sabit bir ayırıcı koyarak onlarca sütunu birleştireceksen CONCAT_WS(‘.’, alan1, alan2) kullanabilirsin. Bazı SQL sistemlerinde ise CONCAT yazmak yerine direkt alan1 || ‘-’ || alan2 şeklinde operatörlerle de bu birleştirmeyi yapabilirsin.

B) E-Tablolarda Dizeleri Parçalamak

Bazen de tam tersi, birleşik gelen veriyi parçalaman gerekir. Elinde “2026–04–06 18:15:57” gibi bir Tarih-Saat verisi var ama sana sadece tarih lazım.

=LEFT(C2, 10) : C2 hücresinin en solundan başla, ilk 10 karakteri al. (Sadece "2026-04-06" kısmını alır).

=RIGHT(C2, 8) : En sağdan başla, 8 karakteri al. (Sadece saat kısmını alır).

=FIND(“ “, C2) : Boşluk karakterinin metin içinde kaçıncı sırada olduğunu bulur. Bu sayede LEFT veya RIGHT formüllerini ne kadar keseceğini dinamik olarak ayarlayabilirsin.

=CONCATENATE(A2, “ “, B2) : Excel/Sheets'in CONCAT karşılığıdır. A2 ve B2'yi araya bir boşluk koyarak birleştirir.

Çöplük Girmesin, Çöplük Çıkmasın: Veri Doğrulama

Veri analizinde bir kural vardır:

“Çöp girerse, çöp çıkar.”

Eğer veriyi başkaları girecekse, onlara serbest metin alanı bırakmak çoğu zaman felaket olabilir. Biri “Devam Ediyor” yazar, diğeri “Sürüyor”, öteki “dvmedyr”. Al sana temizlenmesi gereken çöp yığını!

Bunu engellemek için Veri Doğrulama (Data Validation) kullanırız. Hücreye tıklayıp “Açılır Liste (Drop-down)” eklersek kullanıcı sadece senin belirlediğin “Başlanmadı”, “Devam Ediyor”, “Hazır” seçeneklerinden birini seçebilir veya tarih girilecek bir sütuna “Sadece Geçerli Tarih Girilebilir” kuralı koyarsan, kimse oraya gidip “Yarın” yazamaz.

Bunu Koşullu Biçimlendirme (Conditional Formatting) ile süslersen harikalar yaratırsın. “Durum ‘Hazır’ ise hücreyi yeşile boya”, “Teslim tarihi bugünden küçükse hücreyi kırmızı yap” diyerek tabloyu anında okunabilir bir panele dönüştürürsün.

Bu Yazı İçin Sona Geldik

Bugün sadece formüllerle yazıyı boğmak istemedim. Yanlış sıralamanın bir projeyi nasıl çökertebileceğini, hatalı veri tiplerinin sistemi nasıl tıkayabileceğini ve veriyi sınırlamanın bizi sonrasındaki saatlerce sürecek temizlik işinden nasıl kurtardığını da örneklerle yazmaya çalıştım. Bütün yazılarım boyunca karşılaşılan hataları ve bunları nasıl çözebileceğimizi örnekler vererek anlatmaya çalışacağım. Bunlar zaman zaman benim de karşılaştığım hatalar olacak. Yazacağım her formülü ve sorguyu desteklemesi için çoğunlukla örnekler üzerinden gitmeye çalışacağım.

Bu yazılar benim gelişme ve öğrenme sürecimi destekliyor. Umarım senin de işine yarar. Konuyu öğrenmek dışında sen de pratikler yapmayı unutmamalısın. SQL ve Elektronik tablolarda bir sürü ezberlenecek formül var gibi düşünebilirsin. Unutmamalısın ki ezberlemek seni belli bir süre için sınavlarda veya o günlük bir çalışmada kurtarabilir ama çeşitli çalışma ve pratiklerle kendini desteklersen ister istemez genel formülleri kendiliğinden yazmaya başlarsın. Pratik olarak bir şeyler denenmezse her şey teoride kalır. Verilerle dans etmekten çekinme! :)

Buraya kadar okuduğun için teşekkürler, bir sonraki yazıda tekrar buluşalım!

E -Tablolar ve SQL ile Karşılaştırmalı Öğrenme was originally published in Türkiye UP on Medium, where people are continuing the conversation by highlighting and responding to this story.

Bir önceki yazımızda verinin bütünlük kısıtlamalarından ve örneklem büyüklüğünün (n ≥ 30) istatistiksel sınırından bahsetmiştik ancak en güvenilir örneklem büyüklüğünü belirleseniz bile, elinizdeki veriler kirli ise o analiz sadece dijital bir gürültüden ibaret kalacaktır. Veri analisti olarak zamanınızın büyük bir kısmını alan ve sabır isteyen sürece yani veriyi temizlemeye giriş yapıyoruz.

1. Kirli Veri Türleri

Kirli veri; eksik, yanlış veya çözmeye çalıştığınız iş problemiyle ilgisi olmayan her türlü veri yığınıdır. Bu veriler sadece tabloları kalabalıklaştırmakla kalmaz, işletmelere devasa maliyetler ödetir.

Karşılaşabileceğimiz Temel Örnekler:

Yinelenen (Duplicate) Veriler: Manuel giriş veya sistem taşıma hatalarıyla aynı kaydın birden fazla görünmesidir. Örneğin, sağlık sektöründe mükerrer kayıtlar hastane verilerinin %10 ila %20' sini oluşturabilmektedir.

Güncel Olmayan Veriler: İnsanların rol değiştirmesi veya yazılımların eskimesiyle doğruluğunu yitirmiş bilgilerdir.

Eksik Veriler: Önemli alanları boş olan verilerdir; yanlış içgörülere ve üretkenlik kaybına yol açar.

Tutarsız Veriler: Aynı şeyi temsil etmek için farklı formatların kullanılmasıdır (Örn: Bir yerde “ABD”, diğerinde “Amerika”). Bankacılıkta bu tip yanlışlıklar gelirin %15 ila %25' ine mal olabilir.

2. Temizlik Yolundaki Kritik Tuzaklar: Neyi Yanlış Yapıyoruz?

Veri temizlemek metodik bir yaklaşım gerektirir. İşte en sık düşülen hatalar:

Hataları Belgelemeyi Unutmak: Hangi sorunu nasıl çözdüğünüzü not etmezseniz gelecekte aynı hatayla karşılaştığınızda sorun gidermeye sıfırdan başlamak zorunda kalırsınız.

Sistemi ve Kaynağı Analiz Etmemek: Sadece hatayı düzeltmek kolaydır, asıl önemli olan hatanın kaynağını (format eksikliği, yanlış formül vb.) bulup kökten çözmektir.

Yedek Almamak: Temizliğe başlamadan önce en önemli tavsiyem, verilerinizi yedeklemeniz olurdu. Programın çökmesi veya yanlış bir toplu işlem sizi saatlerce geriye götürebilir.

İş Hedeflerinden Sapmak: Veri içindeki ilginç ama konuyla alakasız desenler sizi asıl sorunuzdan uzaklaştırmasın, odak hayati önem taşır.

3. Uygulama Bölümü: Elektronik Tablolarda Temizlik Fonksiyonları

Elektronik tablolar, kirli verileri ayıklamak için bize çok güçlü silahlar sunar. İşte silahlarımız:

Metin Standartlaştırma ve Kontrol:

TRIM: Verideki baştaki, sondaki ve gereksiz tüm boşlukları temizler.

Formül : =TRIM(C2)

LEN: Bir hücredeki karakter sayısını döndürür. Örneğin, 6 haneli olması gereken bir müşteri ID’si 7 hane görünüyorsa, orada bir hata olduğunu anında anlarsınız.

Formül : =LEN(musteri_id)

CONCATENATE: Farklı hücrelerdeki verileri birleştirirken araya boşluk veya karakter eklemenizi sağlar.

Formül : =CONCATENATE(D2; “ “; E2)

Veri Parçalama (Split): Bir hücrede birleşik duran verileri (Örn: “Sokak, Bina No, Şehir”) ayırmak için “Metni Sütunlara Böl” özelliğini kullanabiliriz.

SPLIT Formülü Kullanımı ve Özellikleri

Temel Sözdizimi: =SPLIT(A1; “,”) (A1 hücresini virgüllere göre böler).

Örnek: A1 hücresinde “Ali,Veli,Ayşe” yazıyorsa, =SPLIT(A1; “,”) formülü B1, C1 ve D1 hücrelerine sırasıyla Ali, Veli ve Ayşe değerlerini yazar. Ayırıcı olarak boşluk “ ”, virgül “,” tire “-” veya herhangi bir karakter kullanılabilir. Varsayılan olarak, ayırıcı içindeki her karakter tek tek bölme işlemi yapar. Örneğin, ayırıcı olarak “ve” yazarsanız, metni hem ‘v’ hem de ‘e’ harflerinden böler.

Eğer “ve” ifadesinin tek bir kelime olarak algılanıp bölünmesini istiyorsanız, üçüncü parametreyi FALSE yapın: =SPLIT(A1; “ve”; FALSE)

Ayrıca LEFT, RIGHT ve MID işlevleriyle metnin belirli bölümlerini (Örn: Ürün kodunun ilk 5 hanesi) cımbızla çekip alabiliriz.

4. Farklı Perspektifler: Pivot ve VLOOKUP ile Hata Avı

Veriye farklı açılardan bakmak, aykırı değerleri (outliers) yakalamak için en iyi yöntemdir.

1. Pivot Tablolar: Verileri hızlıca özetleyerek tutarsızlıkları görmenizi sağlar. Örneğin, bir ürünün fiyatı ortalamadan çok düşükse (0.73$ yerine 7.30$), ondalık virgül hatasını pivot tabloda anında fark edebilirsiniz.
2. VLOOKUP: Farklı sayfalardaki verileri eşleştirerek eksik bilgileri (Örn: Ürün kodundan ürün adını bulmak) tamamlamanıza yardımcı olur.
3. Grafikler: Verilerinizi basit bir sütun grafiğine döktüğünüzde, grubun çok dışında kalan aykırı bir veri noktası size “ben hatalıyım” diye bağıracaktır.

Otomasyonlar: Neyi Makineye, Neyi İnsana Bırakmalı?

Veri setimizdeki kirli verileri temizledikten sonra, asıl mesele bu süreci ne kadar hızlandırabileceğimize geliyor. Bazen Excel’in başında saatlerimi harcamak yerine bir butona basıp her şeyin saniyeler içinde düzelmesini hayal ettiğim anlar oluyor ancak bu dijital yardımcıların sınırlarını bilmek, analizin doğruluğunu korumak adına en az formüller kadar kritik. İş akışı otomasyonu zaman kazandırır ancak analistin vizyonunun yerini tutmayabilir.

Neden Tamamen Makinelere Güvenmemeliyiz?

Kendi tecrübelerimden de biliyorum ki, bir betik (script) eksik bir hücreyi saniyeler içinde bulabilir ancak o hücrenin neden boş kaldığını veya o verinin iş hedeflerimizle olan ince bağını sadece biz yorumlayabiliriz. Otomasyon, bizim yerimize düşünen bir yapı değil, bizim daha stratejik düşünmemiz için önümüzdekileri temizleyen bir yardımcıdır. Veriyi bulunduğu yerde temizlemek ve bu süreci bir kez kurgulayıp otomatize etmek, ekibimize büyük bir bant genişliği sağlar ancak günün sonunda, o veriden çıkan hikayeyi paydaşlara anlatacak ve “Bu sayılar ne anlama geliyor?” sorusuna yanıt verecek olan yine bizler oluyoruz.

Veri temizleme süreci, dışarıdan bakıldığında bir analizin en sıkıcı kısmı gibi görünse de aslında kaostan stratejik bir karara giden en önemli kısımdır. Temiz veri, analizin ahlakı ve kurumun geleceğini üzerine inşa ettiği güven zeminidir. Bir analist olarak elinizdeki veriyi fazlalıklardan arındırdığınızda, eksik parçaları birleştirdiğinizde veya pivot tablolarla aykırı değerleri gün yüzüne çıkardığınızda, aslında sadece bir hata düzeltmiyorsunuz; aynı zamanda o verinin anlattığı hikayenin üzerindeki bulanıklığı gideriyorsunuz. Unutulmamalıdır ki otomasyon ne kadar gelişirse gelişsin, verideki gürültüyü dindirecek ve sayılardan anlamlı bir strateji fısıldayacak olan güç, sizin disiplininiz ve analiz vizyonunuzdur.

“ Kirli veriyi ayıklamak, gerçeğe giden yoldaki taşları temizlemektir; bu temizlik ne kadar titiz yapılırsa, varacağınız içgörü de o kadar pürüzsüz ve sarsılmaz olacaktır. ”

Buraya kadar okuduğun için teşekkürler! Elektronik tablolar hakkındaki ilk ve diğer bilgilendirici yazılarıma profilimden ulaşabilirsiniz, orada elektronik tabloları kullanmaya başlarken dikkat edilecek kısımlar ve diğer bazı formüller var. Bir sonraki yazıda tekrar buluşalım.

Verileri Temizleme Rehberi : Elektronik Tablolar was originally published in Türkiye UP on Medium, where people are continuing the conversation by highlighting and responding to this story.

Veri analitiği sayıların doğruluğunu, eksiksizliğini ve iş hedefleriyle olan sarsılmaz uyumunu garanti altına alma sanatıdır. Bugün, analizlerinizin kaderini belirleyen kritik eşiği; veri bütünlüğünü, örneklem matematiğini ve verinin yetmediği yerdeki stratejik çözüm yollarını inceliyoruz.

1. Veri Bütünlüğü

Veri bütünlüğü; verinin doğruluğu, eksiksizliği, tutarlılığı ve güvenilirliği gibi niteliklerin toplamıdır. Düşük veri bütünlüğü, verinin kendisinden kaynaklanan hatalar nedeniyle analizlerin tamamen yanlış sonuçlanmasına yol açar.

Tarih Formatları : Özellikle küresel şirketlerde çalışan analistler için tarih formatları tam bir bütünlük tehdididir:

1. DD/MM/YY: Birçok ülkede 12/10/2020 ifadesi 12 Ekim anlamına gelir.
2. MM/DD/YY: ABD standartlarında aynı tarih 10 Aralık demektir.
3. YYYY-MM-DD: Uluslararası standart ise 2020/10/12 şeklindedir. Eğer bu formatları kontrol etmezseniz ekim ayında ihtiyaç duyduğunuz bir stok yerine, Aralık ayı için devasa siparişler vererek şirketi operasyonel bir krize sokabilirsiniz.

2. Veri Bütünlüğünü Sabote Eden Üç Faktör

Analiz sürecinde veri bütünlüğünü tehdit eden üç ana risk bulunur:

1. Veri Çoğaltma (Replication): Verinin kopyalanması sırasında senkronizasyon sorunları yaşanabilir. Örneğin, devasa bir veri kümesini kopyalarken bellek sorunları nedeniyle setin sadece bir kısmı aktarılırsa analist eksik veri üzerinden standartlaştırma yapar ve tutarsız sonuçlar elde eder.
2. Veri Transferi: Veri aktarımı sırasında kesintiler oluşabilir. Bir elektronik tablodaki tarih alanının veritabanına aktarılırken yanlışlıkla metin olarak sınıflandırılması, veritabanındaki tarihlerin işlenemez metin dizelerine dönüşmesine neden olur.
3. Veri Manipülasyonu ve İnsan Hatası: Veriyi düzenlerken yapılan hatalardır. Bir analistin tekrar eden (duplicate) sandığı bir kaydı silmesi, aslında o kaydın bir yan kuruluşa ait benzersiz bir veri olması durumunda veri setinde telafisi güç boşluklar açar.

3. Veri Kısıtlamaları ile Bütünlüğü Korumak

Veritabanı ve tablo yapınızı kurarken hataları henüz oluşmadan engellemek için şu kısıtlamaları kullanmalısınız:

4. Veri Yoksa Vekil (Proxy)

Her zaman mükemmel veriye sahip olamayız. Bu durumlarda, tereyağı yerine sıvı yağ kullanmak gibi vekil (proxy) veriler devreye girer.

Örnek 1 — Yeni Araç Lansmanı: Bir otomobil bayisi satış verilerini bekleyemez; analist, web sitesindeki tıklama sayılarını satış tahmini için vekil veri olarak kullanır.

Örnek 2 — Yeni Ürün Talebi: Bitki bazlı bir et ürünü için talep tahmini yapılırken, piyasada yıllardır bulunan tofudan yapılmış hindi ikamesi verileri vekil olarak alınır.

Açık Veri Kaynakları: Kendi verileriniz yetersizse Kaggle, BigQuery veya kamuya açık CSV/JSON veri setlerinden yararlanabilirsiniz.

5. Örneklem Matematiği ve 30 Kuralı

Tüm popülasyonu analiz etmek maliyetli olduğunda popülasyonun bir alt kümesini yani örneklemi seçeriz.

Merkezi Limit Teoremi (CLT): İstatistiksel olarak 30, bir örneklemin popülasyon ortalamasını temsil etmeye başladığı alt sınırdır.

Hata Payı: Örnek sonuçlarının gerçek popülasyondan ne kadar sapabileceğini gösterir; hata payı ne kadar küçükse sonuç o kadar kesindir.

Güven Seviyesi: Genellikle %95 hedeflenir; bu, çalışmayı 100 kez tekrarlasanız 95'inde benzer sonuç alacağınız anlamına gelir.

6. Uygulama: İş Hedefleri ve Fonksiyonlar

Veri bütünlüğü sağlandığında, iş hedeflerine ulaşmak için Excel fonksiyonlarını silah olarak kullanabiliriz:

1. VLOOKUP: Farklı tablolardaki ilişkili bilgileri (Örn: Aktivasyon tarihi ve kullanıcı ismi) birleştirmek için kullanılır.
2. DATEDIF: İki tarih arasındaki farkı (gün, ay, yıl) otomatik hesaplar.
3. Formül: =DATEDIF(A2; B2; “d”) Burada “d”, sonucun gün cinsinden dönmesini sağlar.

7. İstatistiksel Güç ve A/B Testi

İstatistiksel güç, bir testin anlamlı sonuç elde etme olasılığıdır ve örneklem büyüklüğü arttıkça güç de artar.

Örnek: İki farklı e-posta konu satırını (A ve B) test ediyorsanız, aradaki %2'lik farkın şans eseri mi yoksa gerçek bir başarı mı olduğunu anlamak için hata payını incelemelisiniz. Eğer hata payı %2 ise, A ve B arasında istatistiksel olarak anlamlı bir fark yoktur.

Sonuç olarak veri analizi, verilerin bütünlüğünü korumak ve matematiksel olarak doğruluğunu ispatlamaktır; verinin bütünlüğüne duyduğunuz sadakat, kararlarınızın doğruluğunu belirleyen pusuladır.

Buraya kadar okuduğun için teşekkürler! Bir sonraki yazacağım yazılarda veri temizlemenin inceliklerine değineceğiz. O zamana kadar görüşmek üzere..

Analizdeki Gizli Tehlike: Veri Bütünlüğü was originally published in Türkiye UP on Medium, where people are continuing the conversation by highlighting and responding to this story.

İstanbul trafiği… Çoğumuz için sabahları kahve eşliğinde radyodan dinlenen veya navigasyon ekranında iç sıkan kırmızı çizgilerden ibaret. Peki, bu kırmızı çizgilerin arkasında her ay biriken milyonlarca satırlık devasa bir veri olduğunu hiç biliyor muydunuz?

Bir veri bilimi öğrencisi olarak amacım sadece bu veriyi alıp haritada göstermek değildi. Hedefim; geleceği, aksaklıkları ve mevsimsel etkileri tahmin edebilen bir arayüz oluşturmaktı ancak bunu ücretsiz bir bulut sunucusunda (Streamlit Cloud), sadece 1 GB RAM sınırı varken yapmak aynı zamanda bir sürü soruna da neden oldu.

Bu yazıda, sıradan bir CSV okuma işleminden başlayıp, bellek sızıntılarını nasıl çözdüğümüzü, harita çökmelerini nasıl atlattığımızı ve bir tahmin modelini nasıl kurduğumuzu inceleyeceğiz.

1. Veri Okuma ve Hatalar

Projeye başlarken İstanbul Büyükşehir Belediyesi’nin (İBB) açık veri portalından aylık trafik yoğunluk CSV’lerini indirdik : Hourly-Traffic-Density-Data-Set

Her bir dosya yaklaşık 1 milyon satırdan oluşuyordu. Amacımız modeli daha iyi eğitebilmek için sisteme birden fazla ay (örneğin Ocak ve Şubat) yüklemekti.

Ancak pd.contact() ile dosyaları birleştirdiğimiz an Streamlit hatayı verdi: "Oh no! MemoryError".

Neden mi? Çünkü Pandas kütüphanesi, varsayılan olarak sayıları bellekte devasa yer kaplayan float64 ve int64 formatlarında tutar. Eğer 2 milyon satırlık bir veriyi bu formatta tutarsanız, ücretsiz sunucunun fişi anında çekilir.

Çözüm: Veriyi Küçültme

İşte kodumuz:

import gc # Python'un Çöp Toplayıcısı

@st.cache_data(max_entries=1)
def verileri_hazirla(yuklenen_dosyalar):
    df_listesi = []
    
    for dosya in yuklenen_dosyalar:
        # Farklı Türkçe karakter kodlamalarını (Encoding) yakala
        try:
            temp_df = pd.read_csv(dosya, encoding="utf-8-sig")
        except:
            temp_df = pd.read_csv(dosya, encoding="ISO-8859-9")
        
        # Sadece lazım olan 5 sütunu alıyoruz,gereksizleri hemen çöpe atıyoruz
        harita = {'DATE_TIME': 'Tarih_Saat', 'LATITUDE': 'lat', 'LONGITUDE': 'lon', 'AVERAGE_SPEED': 'Hiz', 'NUMBER_OF_VEHICLES': 'Arac'}
        temp_df = temp_df.rename(columns=harita)[['Tarih_Saat', 'lat', 'lon', 'Hiz', 'Arac']]
        
        # Zaman verilerini ayırma işlemleri
        
        # RAM Kurtarıcısı Tip Küçültme İşlemleri
        temp_df['lat'] = temp_df['lat'].astype('float32')
        temp_df['lon'] = temp_df['lon'].astype('float32')
        temp_df['Hiz'] = temp_df['Hiz'].astype('int16')
        temp_df['Arac'] = temp_df['Arac'].astype('int16')
        
        df_listesi.append(temp_df)

    # Verileri birleştir ve geçici listeleri RAM'den sil
    df = pd.concat(df_listesi, ignore_index=True)
    del df_listesi 
    gc.collect()

Kod Açıklaması : Koordinat verileri (lat, lon) için float64 kullanmak, otoyoldaki bir çukuru milimetrik olarak ölçmek gibidir; bizim projemizde buna gerek yoktu. Verileri float32 ve int16'ya düşürerek bellek tüketimini tek satırda yarı yarıya indirdik. İşi biten df_listesi' ni del komutuyla silip gc.collect() ile sistemi temizledik.

2. Ham Veriden Değişkenlere

Makine öğrenmesi modelleri 2022.09.01 08:00:00 gibi uzun metinleri (string) sevmezler. Onlara sayılar ve örüntüler lazımdır. Ayrıca trafiği etkileyen en büyük faktörlerden biri Resmi Tatillerdir.

Bunun için holidays kütüphanesini kullanarak veriye zamanı öğrettik:

import holidays
tr_holidays = holidays.Turkey()

# Zamanı parçala ve int8 yap
df['Saat'] = df['Tarih_Saat'].dt.hour.astype('int8')
df['Ay'] = df['Tarih_Saat'].dt.month.astype('int8')
df['Gun_No'] = df['Tarih_Saat'].dt.weekday.astype('int8')
df['Gün'] = df['Tarih_Saat'].dt.date

# O gün resmi tatil mi? (1: Evet, 0: Hayır)
df['Is_Holiday'] = df['Gün'].apply(lambda x: 1 if x in tr_holidays else 0).astype('int8')

# metin sütununu artık silebiliriz!
df = df.drop(columns=['Tarih_Saat'])

3. Harita Çiziminde JSON Serileştirme Krizini Aşmak

Tarih seçimi yapıldığında haritanın güncellenmesi gerekiyordu ancak Pydeck kütüphanesi ile verileri çizerken sistem aniden “TypeError: Object of type int64 is not JSON serializable” hatasıyla çöktü.

Çünkü Pydeck, arka planda web tarayıcısına veri gönderirken bunu standart JSON formatına çevirir. Pandas’ın içindeki o sayı tiplerini tanıyamaz. Çözüm: veriyi çizime göndermeden hemen önce onu anlaşılır bir Python listesine dönüştürmekti:

# Pydeck'in çökmesini engellemek için DataFrame'i sözlük (dictionary) listesine çeviriyoruz
harita_verisi = saatlik_veri[['lat', 'lon', 'Renk', 'Hiz', 'Arac']].to_dict(orient='records')

layer = pdk.Layer(
    "ScatterplotLayer",
    data=harita_verisi, # Hata vermeyen temiz veri
    get_position='[lon, lat]',
    get_color='Renk',
    get_radius=nokta_boyu,
    pickable=True
)

Ayrıca kullanıcı, filtrelerden bir tarih seçtiğinde koskoca 2 milyon satırlık df içinde tekrar tekrar arama yapmak yerine, o günü df_gunluk = df[df['Gün'] == secilen_gün].copy() diyerek izole ettik. Bu sayede uygulama, filtre değişimlerinde takılmadan su gibi aktı.

4. Akıllı Tahmin Motoru: Random Forest ve Aksaklık Tespiti

Tahmin motoru için karmaşık örüntüleri yakalamada usta olan Random Forest Regressor kullandık ancak 2 milyon satırla modeli eğitmek yine sunucuyu patlatabilirdi. Mantıklı olan, verinin özünü almaktı:

@st.cache_resource
def model_egit(veri):
    # Verinin içinden en kaliteli 50.000 satırı rastgele seçiyoruz
    ornek = veri.sample(n=min(50000, len(veri)), random_state=42)
    
    # Modelin öğrenmesi gereken parametreler
    X = ornek[['Saat', 'Gun_No', 'Arac', 'lat', 'lon', 'Is_Holiday', 'Ay']]
    y = ornek['Hiz'] # Tahmin edilecek hedef
    
    rf = RandomForestRegressor(n_estimators=30, max_depth=12, random_state=42, n_jobs=-1)
    rf.fit(X, y)
    return rf

Nasıl Çalışır?

Model; “Şişli’de, Salı günü, saat 18:00'de, 150 araç varken, üstelik günlerden Bayram değilken hız kaç olur?” sorusunun cevabını karar ağaçlarıyla hesaplar.

Bunu bir adım öteye taşıyarak Aksaklık (Anomali) Tespiti mantığı kurduk: Diyelim ki Esenyurt için o saatin basit geçmiş ortalaması 55 km/s. Ancak yapay zeka modelimiz parametrelere bakıp hızı 42 km/s olarak tahmin etti. İşte burada koda şu mantığı ekledik: “Eğer AI tahmini, geçmiş ortalamadan 10 birim daha düşükse, kullanıcıya “Aksaklık veya Yol Çalışması Olabilir!” uyarısı ver.

5. Dinamik Grafikler

İnteraktif haritalar kullanıcıya “Şu an ne oluyor?” sorusunun cevabını verir ancak bir veri analisti her zaman büyük resmi görmek ister: “Mecidiyeköy’de sabah 08:00'deki yoğunluk, öğlen 14:00'e kadar nasıl bir ivmeyle düşüyor?” İşte bu noktada veriyi statik tablolara hapsetmek yerine, Plotly kütüphanesini kullanarak 24 saatlik trendi ve trafik durum dağılımını görselleştirdik.

# 1. Saatlik Hız Trendini Pandas ile Grupluyoruz
trend = df_bolge.groupby('Saat')['Hiz'].mean().reset_index().sort_values('Saat')

fig = px.line(trend, x='Saat', y='Hiz', title=f"{secilen_yaka} - Günlük Hız Akışı", markers=True)

# X Eksenini 0-23 Arasına Sabitleme (Grafiğin kaymasını önler)
fig.update_xaxes(tickmode='linear', dtick=1, range=[-0.5, 23.5])

# Kullanıcının slider'dan seçtiği 'o anki' saati grafikte kırmızı bir elmasla işaretliyoruz
if secilen_saat in trend['Saat'].values:
    anlik_hiz = trend.loc[trend['Saat'] == secilen_saat, 'Hiz'].values[0]
    fig.add_scatter(x=[secilen_saat], y=[anlik_hiz], mode='markers', marker=dict(color='red', size=12), name="Seçilen Saat")

Nasıl Çalışır?

groupby(‘Saat’)[‘Hiz’].mean() formülü sayesinde milyonlarca satırlık veriyi sadece 24 satırlık (her saate bir hız düşecek şekilde) bir özete dönüştürdük. Üstüne eklediğimiz fig.add_scatter kodu, kullanıcı yan menüden saati değiştirdikçe kırmızı noktanın çizgi grafik üzerinde ilerlemesini sağladı.

6. Hata Yönetimi

Yapılan hatalarından biri, makine öğrenmesi modellerini bilmedikleri verilerde tahmine zorlamaktır. Sisteme sadece Ocak ve Şubat aylarının CSV dosyasını yükleyen bir kullanıcı, tahmin ekranında “Ağustos” ayını seçerse ne olur?

Model sessizce ve yanlış bir şekilde ocak ayına benzeyen kör bir tahmin mi yapsın? Yoksa takvimi sadece geçmiş aylar için kilitleyip uygulamanın geleceği tahmin etme özelliğini mi yok edelim? Biz üçüncü ve en iyi yolu seçtik: Kullanıcıya özgürlük ver, ancak modelin sınırlarını dürüstçe açıkla.

# --- ZEKİ GÜVENİLİRLİK UYARISI ---
egitilen_aylar = df['Ay'].unique()

if t_tarih.month not in egitilen_aylar:
    st.warning(f"⚠ Güvenilirlik Notu: Model henüz {t_tarih.month}. ayın verisiyle eğitilmedi!
               Bu tahmin, yüklediğiniz diğer ayların 
               karakteristiğine göre yapılıyor (Mevsimsel etkiler eksik olabilir).")

Bu sayede sistem çökmez, kullanıcı gelecekteki bir tarihi seçebilir ancak model ona “Ben bir yaz ayını hiç görmedim, tahminim sadece saat ve lokasyon bazlıdır, yanılma payım var” diyerek harika bir kullanıcı deneyimi sunar.

Tahmin etmek istediğiniz ayın verisini (örneğin şubat) sisteme yüklerseniz daha doğru ve paralel tahminler elde edebilirsiniz. Tavsiyem; şubat ayı hız tahmini için geçmiş senelerdeki şubat aylarının (sistemin sağlıklı çalışması için maksimum 2 veri seti yüklemeniz önerilir.) verisini sisteme yüklemenizdir. Eğer veri setini yüklediğiniz ay dışında bir tahmin yapılacaksa sistem zaten sizi uyaracaktır.

Sonuç ve Kazanımlar

Bir veri bilimi projesi; bozuk karakter kodlamalarıyla, donanım kısıtlamalarıyla (1 GB RAM sınırıyla) ve JSON serileştirme hatalarıyla doludur. Bu projede devasa bir veriyi az maliyetle okumayı, bellek temizliğini manuel yönetmeyi ve son kullanıcıyı yönlendiren Güvenilirlik Uyarısı gibi hata yönetimi mekanizmalarını kurmayı başardık.

Son olarak, eğer uygulamayı denemek isterseniz uygulama linki : İBB Trafik Analizi

Uygulamayı kullanırken yükleyeceğiniz veri setlerine İBB açık veri portalından ulaşabilirsiniz, işte link : İBB Trafik

Bu projeyi yaparken çok fazla şey öğrendim. Bunlardan en önemlisi hata yönetimi oldu. Buraya kadar okuduğunuz için teşekkürler, bir sonraki yazıda tekrar görüşelim! :)

İBB Veri setleri ile İstanbul Trafik Analiz ve Tahmini was originally published in Türkçe Yayın on Medium, where people are continuing the conversation by highlighting and responding to this story.

Bugün akademideki şubat ayının Ideathon yarışmasında, takımımla birlikte ortaya çıkardığımız fikri ve sunumu sizlerle paylaşmak istiyorum. 2026 Ideathon temamız iklimdi, biz de iklim temasına uygun olarak ülkemizin su sorunu üzerinde yoğunlaşmayı ve bu konuya dikkat çekmeyi hedefledik. Türkiye’nin 2026 su hedeflerine hizmet eden ve tarladaki her bir ışıltıyı veriye dönüştüren dijital bir kalkanı, Spectra-Farm proje fikrini ortaya çıkardık. Bu projeyle, siyah ekranlardaki kodların toprağın bereketini nasıl koruyabileceğini, “vahşi sulama” denilen ilkel yöntemlerin yerini nasıl akıllı sistemlere bırakacağını kanıtlamayı hedefledik.

Ürettiğimiz fikrin açıklamasına geçmeden önce, fikrin ortaya atılmasından sunumun tasarlanmasına kadar birlikte çalıştığım takım arkadaşlarımı tanıtmak istiyorum:

1. Sorununumuz : Vahşi Sulama ve Kaynak Tüketimi

Türkiye, kişi başına düşen 1300 metreküp su miktarıyla su stresi altında olan bir ülkedir. Bu kısıtlı kaynağın %77'si tarımda kullanılmakta ve bu kullanımın %70'i verimi düşük vahşi sulama yöntemleriyle yönetilmektedir.

• Vahşi Sulama: Suyun doğrudan toprak yüzeyine rastgele salındığı en ilkel yöntemdir.
• İsraf: Suyun %50'den fazlası bitkiye ulaşmadan buharlaşmakta veya yeraltına kaçmaktadır.
• Tehlike: Kontrolsüz çekim sonucu Konya Kapalı Havzası’ndaki obruk sayısı 2.600'ü aşmış durumdadır.

2. Spektral İmza

Spectra-Farm projemizin kalbinde, uydulardan gelen hiperspektral imza verileri yer alıyor. Her bitkinin hücre yapısı, klorofil yoğunluğu ve su içeriği güneş ışığını farklı oranlarda yansıtır ve bu durum her ürün için eşsiz bir Spektral İmza oluşturur.

1. Sıfır Hata Payı: Uzaktan benzer görünen şeker pancarı ve mısır gibi ürünler, genetik varyasyonlarına kadar bu teknolojiyle ayırt edilebilir.
2. Ürün Doğrulama: Su kısıtı olan bölgelerde (Konya’da mısır gibi) hatalı ürün ekimi fide aşamasındayken %100 doğrulukla tespit edilir.
3. Erken Teşhis: Bitki sağlığı henüz hastalık oluşmadan tespit edilerek hasat kaybı önlenir.

3. IoT ve Yapay Zeka: Tarladaki Akıllı Beyin

Projemiz sadece uydudan izlemekle kalmıyor, sahadaki mevcut altyapıyı düşük maliyetli IoT sistemleriyle akıllı hale getiriyor.

1. Akıllı Gateway Panoları: Mevcut elektrik panolarına entegre edilen üniteler, toprak altı sensörlerinden gelen verileri Çiftçi Kayıt Sistemi (ÇKS) veritabanına gönderir.
2. Otonom Karar Mekanizması: Yapay zeka, meteorolojik yağmur tahmini ile topraktaki gerçek nem verisini birleştirir. Eğer toprak suya doymuşsa sulama otomatik olarak kesilir.
3. Tam İzlenebilirlik: Süreç manuel denetimden dijital ve otomatik bir raporlama mekanizmasına dönüşür.

4. Somut Çıktılar: %68 Su Tasarrufu Senaryosu

Spectra-Farm, ham veriyi işleyerek hem devlet hem de çiftçi için şeffaf bir yönetim ekosistemi sunar.

1. Su Tasarrufu: Otonom hassas sulama ile %68'e varan su tasarrufu öngörülmektedir.
2. Enerji Verimliliği: Gereksiz sulamanın önlenmesiyle %40 enerji tasarrufu sağlanır.
3. Teşvik ve Yaptırım: Su tasarrufu sağlayan çiftçilere “Hassas Tarım Bonusu” tanımlanırken, kural ihlali yapanlara hibe kesintisi uygulanır

5. Hedef Hitlemiz

Sistemin birincil kullanıcıları, su kaynaklarını havza bazlı yöneten Tarım ve Orman Bakanlığı ile DSİ gibi kamu kurumlarının yanı sıra, operasyonel maliyetlerini düşürmek isteyen profesyonel çiftçiler ve büyük ölçekli tarım işletmeleridir.

Günümüzde bu ihtiyaca yönelik alternatif çözümler: çiftçilerin manuel beyanına dayalı ÇKS sistemleri, klasik damla sulama aparatları ve düşük çözünürlüklü standart uydu görüntüleridir.

Peki, Bizim Farkımız Ne ?

Sadece donanım sunmak yerine, hiperspektral imza teknolojisiyle ürün türünü ve bitki sağlığını uydudan %99 doğrulukla teyit edebilen bir denetim mekanizması sunmamızdır. Bu sayede, Türkiye’nin 2026 su hedefleri doğrultusunda hem kaçak/yanlış ekimin önüne geçilmekte hem de mevcut elektrik panolarına entegre olan düşük maliyetli IoT yapımızla, yüksek maliyetli rakip sistemlerin aksine her tarlaya hızla uygulanabilir bir akıllı denetim ve yönetim ekosistemi oluşturulmaktadır.

6. Risk ve Varsayım Analizi

Projenin başarısının önündeki en kritik teknik riskler; yoğun bulutluluk durumunda hiperspektral uydu görüntülerinin kalitesinin düşmesi ve kırsal bölgelerdeki zayıf internet altyapısının IoT cihazlarının veri iletimini aksatmasıdır.

Pazar ve kullanıcı tarafında ise, geleneksel yöntemlere alışmış çiftçilerin teknolojiye karşı direnç göstermesi veya “bol su, bol mahsul” algısının kırılamaması temel bir belirsizlik kaynağıdır.

Proje, Türkiye’deki 2026 su kısıtlaması kararlarının tavizsiz uygulanacağı, devletin basınçlı sulama sistemlerine yönelik hibe ve teşviklerinin devam edeceği ve hiperspektral imza kütüphanesinin yerel ürün çeşitliliğine tam uyum sağlayacağı varsayımları üzerine inşa edilmiştir. Bu riskleri yönetmek için sistem, internet kesintilerinde bile çalışabilen çevrimdışı otomasyon modülleri ve çiftçi eğitim programlarıyla desteklenmektedir.

Sonuç

Doğa her şeyi kendi diliyle söyler, biz Spectra-Farm ekibi olarak sadece o ışımayı okuyoruz. Tarımı ve suyu, hiperspektral teknoloji ve yapay zeka ile korunan bir gelecek mirası olarak görüyoruz. 2026 su hedefleri doğrultusunda, tarladan geleceğe uzanan bu dijital köprüyü kurmaya hazırız.

Buraya kadar okuduğun için teşekkürler, bir sonraki yazıda tekrar buluşalım! Ayrıca bu ideathon etkinliği sürecinde emekleri için takım arkadaşlarıma tekrar teşekkür ederim. Birlikte fikir üretip, birlikte tasarladığımız bir süreç oldu. Bunun için mutluyum..

Spectra-Farm ile Tarımda Devrim was originally published in Türkçe Yayın on Medium, where people are continuing the conversation by highlighting and responding to this story.