<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Feyza Biber on Medium]]></title>
        <description><![CDATA[Stories by Feyza Biber on Medium]]></description>
        <link>https://medium.com/@feyzabiber34?source=rss-ae5bfa77428b------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*dmbNkD5D-u45r44go_cf0g.png</url>
            <title>Stories by Feyza Biber on Medium</title>
            <link>https://medium.com/@feyzabiber34?source=rss-ae5bfa77428b------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 22:30:20 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@feyzabiber34/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[ Çilek Verisi ile SQL Mantığını Kavra: Pandas’ta Sorgu Gibi Düşünmek]]></title>
            <link>https://medium.com/@feyzabiber34/%C3%A7ilek-verisi-ile-sql-mant%C4%B1%C4%9F%C4%B1n%C4%B1-kavra-pandasta-sorgu-gibi-d%C3%BC%C5%9F%C3%BCnmek-1b7d6e8f95bd?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/1b7d6e8f95bd</guid>
            <category><![CDATA[veri]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[sql]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Fri, 23 May 2025 06:49:22 GMT</pubDate>
            <atom:updated>2025-05-23T06:49:22.518Z</atom:updated>
            <content:encoded><![CDATA[<p>Veri bilimi dünyasında SQL bilmek, temel taşlardan biri. Ancak yalnızca SQL öğrenmek yeterli değil; bu sorgu mantığını başka araçlarla da kavrayabilmek gerekiyor. İşte bu noktada devreye Pandas giriyor.</p><p>Bu yazıda, bir çilek kalitesi veri seti üzerinden, SQL sorgularını Pandas ile nasıl benzer şekilde uygulayabileceğimizi gösteriyoruz. Amaç, sadece veriyi analiz etmek değil, aynı zamanda sorgulama becerilerimizi farklı bir dilde pekiştirmek!</p><p>📦 Kullandığımız Veri Seti:</p><p>Veri Kümesi Adı: Strawberry Quality Dataset</p><p>Kaynak: Kaggle – Strawberry Quality</p><p>İçerik: Çileklerin boyutları, tatlılık seviyeleri, yetiştiği bölgeler ve kalite dereceleri gibi bilgiler içeriyor.</p><p>🔁 SQL vs. Pandas: Sorgulara İki Farklı Yaklaşım</p><p>Peki SQL sorgularını Pandas ile nasıl düşünürüz? Aşağıda örneklerle açıklıyoruz:</p><p>⸻</p><p>🍓 Örnek 1: Yüksek Kaliteli Çilekleri Filtrele</p><p>SQL Sorgusu:</p><p>SELECT * FROM strawberries</p><p>WHERE Quality = ‘High’;</p><p>Pandas Karşılığı:</p><p>high_quality = df[df[“Quality”] == “High”]</p><p>print(high_quality)</p><p>⸻</p><p>📍 Örnek 2: Her Bölgedeki Ortalama Tatlılık Seviyesi</p><p>SQL Sorgusu:</p><p>SELECT Region, AVG(Sweetness)</p><p>FROM strawberries</p><p>GROUP BY Region;</p><p>Pandas Karşılığı:</p><p>avg_sweetness = df.groupby(“Region”)[“Sweetness”].mean()</p><p>print(avg_sweetness)</p><p>🧠 Neden Bu Yaklaşım?</p><p>Pandas, tıpkı SQL gibi veriyi sorgulama ve analiz etme imkânı tanır. Ancak Python ekosisteminin bir parçası olduğu için daha esnek yapılar kurmaya da olanak sağlar. Bu yazıda gördüğün gibi, SQL mantığını Pandas’a aktararak sorgulama pratiğini iki cephede birden geliştirebilirsin.</p><p>✨ Sonuç</p><p>SQL ve Pandas, veriyle çalışan herkesin çantasındaki en önemli iki araç. Birinde iyiysen, diğerini öğrenmek çok daha kolay. Çilek gibi sade ve tatlı veri setleriyle pratik yapmak, bu öğrenme yolculuğunu çok daha eğlenceli hale getiriyor.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1b7d6e8f95bd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[️‍♀️ Gizli Günlük: Bir Veri Dedektifinin İzin Peşindeki Yolculuğu]]></title>
            <link>https://medium.com/@feyzabiber34/%EF%B8%8F-%EF%B8%8F-gizli-g%C3%BCnl%C3%BCk-bir-veri-dedektifinin-i%CC%87zin-pe%C5%9Findeki-yolculu%C4%9Fu-1f384590a380?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/1f384590a380</guid>
            <category><![CDATA[siber-guvenlik]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Thu, 15 May 2025 10:37:34 GMT</pubDate>
            <atom:updated>2025-05-15T10:37:34.160Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*3_fW6y0pW8hSAD82Syy79A@2x.jpeg" /></figure><p>📖 1. Gün: “Merhaba, Ben Gizem”</p><p>Ben Gizem. Bilgisayar mühendisliği öğrencisiyim ve siber güvenlik stajımın ilk haftasındayım. Bugün, hocam bana masum görünen ama sinsi olabilecek bir görev verdi:</p><p>“Gizem, telefonundaki uygulamaları kontrol et. Hangi izinleri istediklerini listele ve ‘tehlikeli’ olanları ayıkla. Sonra Python’la analiz et. Küçük bir adım ama önemli bir fark yaratabilir.”</p><p>İtiraf edeyim, biraz hafife almıştım. Ama o akşam telefonuma şöyle bir göz attım ve içim ürperdi.</p><p>📱 2. Gün: Şüpheli Listesi</p><p>Bir uygulama neden rehberime erişmek ister ki? Ya da neden mikrofonumu kullanmak istesin? Gerçekten bu izinler olmazsa çalışmıyorlar mı?</p><p>Elimdeki verilerle dedektifliğe soyundum. İşte araştırma dosyamdan kısa bir kesit:</p><p>import pandas as pd</p><p># Şüpheli uygulamalar dosyası</p><p>data = {</p><p>. “AppName”: [“ChatBuzz”, “FilterPro”, “SafeBank”, “FunRun”],</p><p>. “Permissions”: [</p><p>. “READ_CONTACTS, ACCESS_FINE_LOCATION, INTERNET”,</p><p>. “INTERNET, WRITE_EXTERNAL_STORAGE”,</p><p>. “INTERNET, READ_SMS, READ_CONTACTS, CAMERA”,</p><p>. “INTERNET, VIBRATE”</p><p>. ]</p><p>}</p><p>df = pd.DataFrame(data)</p><p># Android’e göre tehlikeli kabul edilen izinler</p><p>dangerous_permissions = {</p><p>. “READ_CONTACTS”, “ACCESS_FINE_LOCATION”, “READ_SMS”,</p><p>. “RECORD_AUDIO”, “CAMERA”, “WRITE_EXTERNAL_STORAGE”</p><p>}</p><p># İzinleri tarayıp tehlikeli olanları bulan fonksiyon</p><p>def has_dangerous_permissions(permission_str):</p><p>. app_permissions = {perm.strip() for perm in permission_str.split(“,”)}</p><p>. return not dangerous_permissions.isdisjoint(app_permissions)</p><p># Dedektif çalışıyor!</p><p>df[“TehlikeliMi”] = df[“Permissions”].apply(has_dangerous_permissions)</p><p>tehlikeli_uygulamalar = df[df[“TehlikeliMi”]]</p><p># Sonuçları dökelim</p><p>print(“🔍 Tehlikeli izinlere sahip uygulamalar:”)</p><p>print(tehlikeli_uygulamalar[[“AppName”, “Permissions”]])</p><p>⚠️ 3. Gün: Tehlikenin Adı Var</p><p>Kodum çalıştı. Ve işte sonuçlar… Telefonumda, aslında sadece filtre uygulaması sandığım “FilterPro”, dış belleğe yazma izni istiyor. “ChatBuzz” ise hem konumuma hem rehberime erişiyor.</p><p>Bu izinler yalnızca teknik terimler değil. Bunlar, özel hayatımızın kapılarını aralayan dijital anahtarlar.</p><p>🤔 4. Gün: Peki Ya Gerçek Hayat?</p><p>İzin istemek kötü mü? Elbette hayır. Ama önemli olan neden istendiği ve gerçekten gerekli olup olmadığı. Banka uygulamasının SMS erişimi, 2 adımlı doğrulama için mantıklı olabilir. Ama bir oyun uygulamasının kamera erişimi? İşte orası muamma…</p><p>🎯 5. Gün: Sonuç ve Mesajım</p><p>Bu küçük Python analizim bana şunu öğretti:</p><p>🔐 Veri güvenliği sadece yazılımcıların ya da hackerların konusu değil. Bu, her kullanıcıyı ilgilendiren bir mesele.</p><p>💡 Bir uygulama yüklerken “kabul et” demeden önce 2 saniye durup düşün. Çünkü o “küçük izinler”, seni görünmez kılabilir ya da göz önüne serer.</p><p>📌 Ekstra Not: Kendi Verini Korumak İçin 3 Mini Öneri</p><p>1.	Uygulama izinlerini yükledikten sonra ayarlar kısmından kontrol et.</p><p>2.	Android 11 ve sonrası sürümlerde, “sadece bu seferlik” izinleri kullan.</p><p>3.	Belirsiz kaynaklardan APK indirme. O izinleri kontrol edemezsin.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1f384590a380" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Hızın Adı mı, Gerçekten Hızlı mı? Quick Sort’un Perde Arkası]]></title>
            <link>https://medium.com/@feyzabiber34/h%C4%B1z%C4%B1n-ad%C4%B1-m%C4%B1-ger%C3%A7ekten-h%C4%B1zl%C4%B1-m%C4%B1-quick-sortun-perde-arkas%C4%B1-de11673c31d5?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/de11673c31d5</guid>
            <category><![CDATA[quicksort]]></category>
            <category><![CDATA[quick]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Wed, 14 May 2025 14:18:51 GMT</pubDate>
            <atom:updated>2025-05-14T14:18:51.547Z</atom:updated>
            <content:encoded><![CDATA[<p>Sıralama algoritmaları, bilgisayar biliminin görünmeyen kahramanlarıdır. Arama motorlarından veri analizine, kullandığımız birçok sistemin arka planında sessizce ama etkili bir şekilde çalışırlar. Bu algoritmalar arasında ise bir tanesi ismiyle oldukça iddialıdır: Quick Sort. Peki Quick Sort gerçekten hızlı mı, yoksa sadece adı mı öyle?</p><p>Quick Sort Nedir?</p><p>Quick Sort (Hızlı Sıralama), 1960 yılında Tony Hoare tarafından geliştirilen, böl ve fethet (divide and conquer) mantığına dayanan bir sıralama algoritmasıdır. Temel mantığı, bir pivot (merkez) eleman seçip, diziyi bu pivotun solunda küçük, sağında büyük olacak şekilde ikiye ayırmak ve bu işlemi alt dizilere uygulayarak devam ettirmektir.</p><p>Neden “Quick”?</p><p>Adı üzerinde “hızlı” sıralama. Ama bu hız nereden geliyor? Quick Sort’un ortalama durumda çalışma süresi O(n log n)’dir. Bu, birçok durumda oldukça iyi bir performanstır. Özellikle belleği verimli kullanması ve genellikle çok az ek hafızaya ihtiyaç duyması, onu pratikte hızlı yapan unsurlardan biridir.</p><p>Ancak en kötü durumda (örneğin her seferinde en küçük ya da en büyük eleman pivot seçilirse) O(n²) gibi kötü bir performansa sahip olabilir. Bu yüzden pivot seçimi oldukça kritik bir detaydır.</p><p>Quick Sort vs. Diğerleri</p><p>•	Bubble Sort ve Insertion Sort gibi basit algoritmalar genellikle O(n²) performans sergilerken, Quick Sort çoğu durumda daha hızlıdır.</p><p>•	Merge Sort, Quick Sort’a benzer şekilde O(n log n) ortalama süreye sahiptir ama daha fazla bellek kullanır.</p><p>•	Heap Sort, sabit bellek kullanımı açısından iyidir ancak genellikle Quick Sort kadar hızlı değildir.</p><p>Peki Ya Gerçek Hayatta?</p><p>Teorik analizlerin ötesinde, Quick Sort birçok modern programlama dilinin standart kütüphanelerinde tercih edilen algoritmadır. Bunun nedeni, pratikte oldukça hızlı ve verimli olmasıdır. Ancak bazı durumlarda, özellikle sıralanmış veya ters sıralanmış verilerde, performansı düşebilir. Bu nedenle çoğu zaman hibrid algoritmalar (örneğin Quick Sort + Insertion Sort) kullanılır.</p><p>Sonuç: Hızlı mı, Değil mi?</p><p>Quick Sort gerçekten hızlıdır, ama her koşulda değil. Doğru pivot seçimiyle ve dikkatli uygulandığında, isminin hakkını fazlasıyla verir. Ancak algoritma dünyasında “tek doğru” yoktur. Verinin yapısına ve uygulamanın ihtiyaçlarına göre en uygun algoritmayı seçmek her zaman en doğrusudur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*H9H8j6IroEtJmIuHUuya8g@2x.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de11673c31d5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SQLite ile SQL’e Hakim Ol: Ham Veriden Anlamlı Sonuçlara]]></title>
            <link>https://medium.com/@feyzabiber34/sqlite-ile-sqle-hakim-ol-ham-veriden-anlaml%C4%B1-sonu%C3%A7lara-6954e9fc6861?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/6954e9fc6861</guid>
            <category><![CDATA[sql]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Mon, 12 May 2025 04:45:42 GMT</pubDate>
            <atom:updated>2025-05-12T04:45:42.313Z</atom:updated>
            <content:encoded><![CDATA[<p>Veriyi Karar Gücüne Dönüştüren Temel SQL Komutlarını Öğrenin</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*X07wEnwWmHI8SZXF9om9ng@2x.jpeg" /></figure><p>Neden SQL Öğrenmeliyim?</p><p>Günümüzde veri her yerde. Uygulamalar, web siteleri, cihazlar ve hatta sensörler bile veri üretiyor. Bu verileri anlamlı hale getirmek, analiz etmek ve doğru kararlar almak için ise veritabanı dili olan SQL (Structured Query Language) büyük bir rol oynuyor.</p><p>SQL bilmek, sadece yazılım geliştiriciler için değil; veri analistleri, mühendisler ve hatta kendi projelerinde anlamlı sonuçlar görmek isteyen öğrenciler için bile olmazsa olmaz hale geldi.</p><p>Bu yazıda, en basit veritabanı sistemlerinden biri olan SQLite üzerinden temel SQL komutlarını öğreneceğiz. Amacımız; ham verileri sorgulayıp, filtreleyip, temizleyip anlamlı içgörülere dönüştürmek.</p><p>⸻</p><p>SQLite Nedir?</p><p>SQLite, sunucuya ihtiyaç duymayan, dosya tabanlı, hafif ve kurulumu son derece kolay bir veritabanı motorudur. Öğrenme aşamasında karmaşık yapılarla uğraşmak istemeyenler için harika bir seçimdir.</p><p>Her şey tek bir .db dosyasında tutulur. Ayrıca Python gibi dillerle de kolayca entegre edilebilir.</p><p>⸻</p><p>Bu Yazıda Neler Öğreneceksin?</p><p>Aşağıdaki başlıklar üzerinden, temel SQL komutlarını adım adım öğreneceğiz:</p><p>•	CREATE TABLE ile tablo oluşturma</p><p>•	INSERT INTO ile veri ekleme</p><p>•	SELECT ile veri sorgulama</p><p>•	WHERE ile verileri filtreleme</p><p>•	ORDER BY ve LIMIT ile sıralama ve sınırlama</p><p>•	UPDATE ve DELETE ile veri güncelleme/silme</p><p>•	JOIN komutları ile tabloları birleştirme</p><p>•	GROUP BY ve HAVING ile gruplama ve özetleme işlemleri</p><p>Her başlık için hem kısa bir açıklama hem de SQLite üzerinde çalışan örnek kod parçaları yer alacak.</p><p>⸻</p><p>Kimler İçin Uygun?</p><p>•	Veritabanı konusuna yeni başlayan öğrenciler</p><p>•	Basit ama etkili veri sorgulamaları yapmak isteyen geliştiriciler</p><p>•	SQL pratiği yapmak isteyen veri analizi meraklıları</p><p>•	Kendi projelerine veri odaklı özellikler eklemek isteyen herkes</p><p>⸻</p><p>Sonuç</p><p>Bu yazı serisiyle SQL’in temelini sağlam şekilde öğrenip, SQLite üzerinde pratik yaparak gerçek hayattaki verileri analiz etmenin ilk adımlarını atacaksın. Her örnek, sade ve anlaşılır olacak şekilde hazırlandı.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6954e9fc6861" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Unutulmaz Bir Klasik: Linear Search Neden Hâlâ Öğretiliyor ve Kullanılıyor?]]></title>
            <link>https://medium.com/@feyzabiber34/unutulmaz-bir-klasik-linear-search-neden-h%C3%A2l%C3%A2-%C3%B6%C4%9Fretiliyor-ve-kullan%C4%B1l%C4%B1yor-261888171cfe?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/261888171cfe</guid>
            <category><![CDATA[algoritma]]></category>
            <category><![CDATA[kod]]></category>
            <category><![CDATA[linear-search]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Tue, 06 May 2025 09:53:06 GMT</pubDate>
            <atom:updated>2025-05-06T09:53:06.095Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*x2qjYiPoZ7dRwdN3qfdoFg@2x.jpeg" /></figure><p>Algoritmalar dünyasında sürekli daha hızlı, daha verimli yöntemler geliştirilirken; bazı temel teknikler hâlâ geçerliliğini koruyor. Linear Search (Doğrusal Arama), bu zamansız yöntemlerden biri. Peki, bu kadar basit bir algoritma neden hâlâ öğretiliyor, kullanılıyor ve önemli kabul ediliyor? Bu yazıda Linear Search’ün mantığını, örnek kullanımını ve neden hâlâ değerli olduğunu birlikte keşfedeceğiz.</p><p>⸻</p><p>Linear Search Nedir?</p><p>Linear Search, bir dizide ya da listede belirli bir değeri bulmak için en baştan itibaren her elemanı tek tek kontrol eden basit bir arama algoritmasıdır. İlk bakışta çok temel gibi görünse de, arkasında birçok değerli kullanım senaryosu yatar.</p><p>⸻</p><p>Nasıl Çalışır?</p><p>1.	Listenin ilk elemanından başlanır.</p><p>2.	Her eleman aranan değerle karşılaştırılır.</p><p>3.	Eşleşme bulunursa, o elemanın indeksi döndürülür.</p><p>4.	Tüm elemanlar kontrol edilip eşleşme bulunamazsa, aranan değerin listede olmadığı sonucu çıkarılır.</p><p>def linear_search(liste, hedef):</p><p>. for i in range(len(liste)):</p><p>. if liste[i] == hedef:</p><p>. return i. # Eleman bulundu</p><p>. return -1. # Eleman yok</p><p># Örnek kullanım</p><p>veriler = [12, 7, 19, 33, 5]</p><p>aranan = 19</p><p>sonuc = linear_search(veriler, aranan)</p><p>if sonuc != -1:</p><p>. print(f”{aranan} değeri {sonuc}. indeksinde bulundu.”)</p><p>else:</p><p>. print(f”{aranan} değeri listede yok.”)</p><p>Ne Zaman Linear Search Kullanmalıyız?</p><p>•	Küçük veri kümeleri: Liste çok büyük değilse, Linear Search hızlı ve pratiktir.</p><p>•	Sıralı olmayan veriler: Liste sıralı değilse Binary Search işe yaramaz.</p><p>•	Basit çözümler yeterliyse: Ekstra karmaşıklık gereksiz olduğunda Linear Search idealdir.</p><p>⸻</p><p>Artı ve Eksi Yönleri</p><p>Avantajları:</p><p>•	Uygulaması çok kolay</p><p>•	Her tür veri üzerinde çalışabilir</p><p>•	Ek işlem (sıralama vb.) gerektirmez</p><p>Dezavantajları:</p><p>•	Büyük listelerde yavaş (O(n) zaman karmaşıklığı)</p><p>•	Arama işlemi verimli değildir</p><p>⸻</p><p>Sonuç</p><p>Linear Search, algoritmaların ABC’sidir. Basit olması onu değersiz kılmaz; aksine birçok durumda ideal çözüm olabilir. Özellikle yazılım öğrenmeye yeni başlayanlar için algoritmik düşünmenin ilk adımıdır. Karmaşıklığın içinde sadeliğiyle parlayan bu klasik yöntem, hâlâ öğretiliyor çünkü hâlâ işe yarıyor.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=261888171cfe" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Algoritmalar: Problemleri Çözmenin Sessiz Kahramanları]]></title>
            <link>https://medium.com/@feyzabiber34/algoritmalar-problemleri-%C3%A7%C3%B6zmenin-sessiz-kahramanlar%C4%B1-e162b31418dd?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/e162b31418dd</guid>
            <category><![CDATA[algoritma]]></category>
            <category><![CDATA[problém]]></category>
            <category><![CDATA[problem-çözme]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Fri, 02 May 2025 08:18:23 GMT</pubDate>
            <atom:updated>2025-05-02T08:18:23.388Z</atom:updated>
            <content:encoded><![CDATA[<p>Günlük hayatımızda karşılaştığımız basit görevlerden, devasa yazılım sistemlerine kadar her şeyin arkasında sessiz ama güçlü bir kahraman yatar: algoritmalar.</p><p>Bu yazıda, algoritmaların problem çözmedeki yerini, bir algoritmanın nasıl geliştirildiğini ve algoritma tasarımında kullanılan temel teknikleri birlikte inceleyeceğiz.</p><p>⸻</p><p>Algoritmaların Problem Çözmedeki Rolü</p><p>Bir problemi matematiksel olarak ifade edebiliyorsak, bu problemi bir algoritma ile çözmemiz mümkündür. Algoritmalar, çözüm için adım adım ilerleyen net bir yol haritası sunar. Bu yönüyle algoritmalar, sadece bilgisayarların değil, mühendislerin, bilim insanlarının ve hatta günlük hayatta karar veren insanların da başvurduğu güçlü bir araçtır.</p><p>Örneğin; en kısa yol problemini çözmek isteyen bir navigasyon uygulaması, doğru kararı vermek isteyen bir yapay zeka ya da büyük veriler içinde desen arayan bir yazılım – hepsi algoritmalara dayanır.</p><p>⸻</p><p>Bir Algoritma Nasıl Geliştirilir?</p><p>Algoritma geliştirme süreci genel olarak şu adımlardan oluşur:</p><p>1.	Problemi Tanımlama: Ne çözülmek isteniyor? Girdi ve çıktılar neler?</p><p>2.	Çözüm Stratejisi Geliştirme: Hangi yaklaşım en uygun? Brute-force mu, yoksa daha verimli bir teknik mi?</p><p>3.	Algoritmayı Yazma: Adımlar net ve sıralı bir şekilde ifade edilir.</p><p>4.	Test Etme ve Doğrulama: Farklı senaryolarla algoritmanın doğru çalışıp çalışmadığı kontrol edilir.</p><p>5.	Analiz Etme: Zaman ve bellek açısından verimliliği değerlendirilir.</p><p>6.	Geliştirme: Gerekirse daha hızlı veya daha az kaynak tüketen hale getirilir.</p><p>⸻</p><p>Temel Algoritma Tasarım Teknikleri</p><p>Algoritma geliştirirken sıkça başvurulan bazı temel yöntemler şunlardır:</p><p>•	Böl ve Yönet (Divide and Conquer): Problemi daha küçük parçalara ayır, çöz ve birleştir. (Örn: Merge Sort)</p><p>•	Dinamik Programlama: Alt problemleri kaydederek tekrar hesaplamayı önle. (Örn: Fibonacci, Knapsack)</p><p>•	Greedy (Açgözlü) Yöntemler: Her adımda en iyi görünen seçimi yaparak sonuca ulaşmayı hedefler. (Örn: Kruskal, Prim)</p><p>•	Backtracking (Geriye Dönerek Arama): Tüm olasılıkları deneyerek doğru çözümü bulma. (Örn: Sudoku, N-Queens)</p><p>•	Brute Force (Kaba Kuvvet): Tüm ihtimalleri dene. Genellikle verimsizdir ama garantili sonuç verir.</p><p>⸻</p><p>Sonuç</p><p>Algoritmalar sadece programlamanın değil, düşünmenin de temelidir. Doğru algoritma, doğru çözüm anlamına gelir. Bu yüzden algoritma tasarımı öğrenmek, sadece yazılım geliştiriciler için değil, sistematik düşünmeyi öğrenmek isteyen herkes için büyük bir kazançtır.</p><p>Unutmayalım, algoritmalar problemleri çözen görünmez yol haritalarıdır. Onları anlamak ve doğru kullanmak ise bizim elimizde.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e162b31418dd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Algoritmalarla Problem Çözme: Akıllı Düşün, Hızlı Çöz]]></title>
            <link>https://medium.com/@feyzabiber34/algoritmalarla-problem-%C3%A7%C3%B6zme-ak%C4%B1ll%C4%B1-d%C3%BC%C5%9F%C3%BCn-h%C4%B1zl%C4%B1-%C3%A7%C3%B6z-392b5ee18c06?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/392b5ee18c06</guid>
            <category><![CDATA[algoritma]]></category>
            <category><![CDATA[problem-çözme]]></category>
            <category><![CDATA[problém]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Tue, 22 Apr 2025 04:46:52 GMT</pubDate>
            <atom:updated>2025-04-22T04:46:52.102Z</atom:updated>
            <content:encoded><![CDATA[<p>Programlamada iyi olmanın en temel yollarından biri, problem çözme becerilerini geliştirmektir. Bu sadece kod yazmakla ilgili değil; asıl mesele problemi anlamak, küçük parçalara ayırmak ve etkili bir çözüm tasarlamaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*dprH4sqHE90VlKfYZVglTg@2x.jpeg" /></figure><p>Peki, algoritmalarla nasıl daha etkili problem çözebiliriz?</p><ol><li>Önce Problemi Gerçekten Anla</li></ol><p>Her şeyin başlangıç noktası: problemi tam olarak anlamak. Girdi nedir? Çıktı ne olmalı? Hangi kurallar, kısıtlamalar var? Bunları bilmeden yazacağın kod sadece tahminden ibaret olur.</p><p>2. Kodlamaya Geçmeden Önce Düşün</p><p>Direkt kod yazmaya başlamadan önce, basit örneklerle problemi düşünmek çok işe yarar. Bazen küçük bir örnek üzerinden düşünmek, hiç fark etmediğin uç durumları görmeni sağlar.</p><p>3. Uygun Yaklaşımı Seç</p><p>Her problem için en iyi yöntem farklı olabilir. İşte bazı popüler algoritma yaklaşımları:</p><p>•	Brute Force (Kaba Kuvvet): Tüm olasılıkları denemek. Kolay ama büyük verilerde çok yavaş.</p><p>•	Divide and Conquer (Böl ve Fethet): Problemi parçalara böl, her birini çöz, sonra birleştir.</p><p>•	Greedy (Açgözlü Algoritmalar): Her adımda en iyi görünen kararı al. Hızlıdır ama her zaman en iyi sonucu vermez.</p><p>•	Dynamic Programming (Dinamik Programlama): Alt problemlerin tekrarlandığı durumlarda kullanılır. Önceden çözülmüş alt problemleri saklar ve tekrar kullanır.</p><p>•	Backtracking (Geriye Dönerek Arama): Tüm seçenekleri dener, işe yaramayanları geri dönerek eler.</p><p>•	Recursion (Özyineleme): Problem kendi içinde tekrar eden yapılara sahipse kullanılır. Özellikle ağaç yapılarında sık görülür.</p><p>4. Hangi Durumda Hangi Yöntem?</p><p>•	Çok fazla olasılık varsa: Brute Force veya Backtracking.</p><p>•	Alt problemler tekrar ediyorsa: Dynamic Programming.</p><p>•	Problem parçalanabiliyorsa: Divide and Conquer.</p><p>•	Her adımda mantıklı bir karar çözümü getiriyorsa: Greedy.</p><p>5. Bol Bol Pratik Yap</p><p>Algoritmalarla problem çözmek bir kas gibidir. Ne kadar çok çalışırsan o kadar güçlenirsin. Zamanla daha hızlı düşünmeye, daha doğru kararlar vermeye başlarsın.</p><p>⸻</p><p>Sonuç olarak:</p><p>Problem çözme, sadece “çalışan bir kod yazmak” değildir. Doğru düşünme, doğru strateji seçme ve düzenli pratikle gelişen bir yetenektir. Ne kadar çok soru çözersen, o kadar iyi bir yazılımcı olursun.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=392b5ee18c06" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AVL Tree: The Tree That Hates Imbalance]]></title>
            <link>https://medium.com/@feyzabiber34/avl-tree-the-tree-that-hates-imbalance-effb531e7e60?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/effb531e7e60</guid>
            <category><![CDATA[avl-tree]]></category>
            <category><![CDATA[database]]></category>
            <category><![CDATA[avl]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Tue, 25 Mar 2025 08:06:26 GMT</pubDate>
            <atom:updated>2025-03-25T08:06:26.238Z</atom:updated>
            <content:encoded><![CDATA[<p>Imagine you planted two fruit trees in your garden. One keeps growing taller, and you need a ladder to pick its fruits. The other stays short and produces fewer fruits. Well, the AVL tree is like the perfect gardener that keeps both trees balanced!</p><p>So, what exactly is an AVL tree, and why is it so cool? Let’s dive in and find out in a fun way.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*unUm6SRe1Ox2WqvETDOBbw@2x.jpeg" /></figure><p>⸻</p><p>🌳 What is an AVL Tree?</p><p>The AVL tree is a balanced binary search tree named after its inventors, Adelson-Velsky and Landis. In an AVL tree, the height difference between the left subtree and right subtree of any node can be at most 1.</p><p>If this balance is disturbed, the AVL tree immediately steps in and says, “Wait a minute, there’s an imbalance here!” and reorganizes itself to restore balance.</p><p>⸻</p><p>📏 What is the Balance Factor?</p><p>The backbone of the AVL tree is the balance factor, calculated for each node using this formula:</p><p>\text{Balance Factor} = \text{Height of Left Subtree} – \text{Height of Right Subtree}</p><p>•	Balance Factor = 0 → The tree is perfectly balanced.</p><p>•	Balance Factor = 1 or -1 → The tree is still balanced.</p><p>•	Balance Factor &gt; 1 or &lt; -1 → Imbalance detected! The AVL tree needs to fix itself.</p><p>⸻</p><p>🔄 AVL Tree Rotation Techniques</p><p>To restore balance, the AVL tree uses four rotation techniques:</p><p>1.	Left Rotation → When the right subtree grows too large.</p><p>2.	Right Rotation → When the left subtree grows too large.</p><p>3.	Left-Right Rotation → When the left subtree’s right child grows too large.</p><p>4.	Right-Left Rotation → When the right subtree’s left child grows too large.</p><p>These rotations are the AVL tree’s way of “quickly fixing” any imbalance.</p><p>⸻</p><p>🌰 Example: Building an AVL Tree</p><p>Suppose we insert the following values in order: 10, 20, 30</p><p>1.	Insert 10 → The tree is balanced.</p><p>2.	Insert 20 → Still balanced.</p><p>3.	Insert 30 → Oops! The right subtree has grown too large, and the balance factor becomes 2.</p><p>At this point, the AVL tree performs a Left Rotation, resulting in the following balanced structure:</p><p>20</p><p>/ \</p><p>10 30</p><p>Now everything is perfectly balanced again!</p><p>⸻</p><p>🚀 Where Are AVL Trees Used?</p><p>AVL trees are highly effective when fast search operations are required. They are commonly used in:</p><p>✅ Database systems</p><p>✅ File systems</p><p>✅ Real-time applications</p><p>✅ Network routing tables</p><p>These applications rely on AVL trees to maintain efficiency and performance.</p><p>⸻</p><p>🎯 Conclusion</p><p>An AVL tree acts like a self-correcting system, always keeping itself balanced. It’s like that one student who immediately reviews their notes after every lecture to stay on top of things.</p><p>If you’re looking for a data structure that excels in fast and organized searches, the AVL tree is the way to go!</p><p>So, what do you think? Is the AVL tree cooler than the Red-Black Tree? Share your thoughts in the comments!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=effb531e7e60" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Designing an ER Diagram for a Human Resource Management System: An Academic Approach]]></title>
            <link>https://medium.com/@feyzabiber34/designing-an-er-diagram-for-a-human-resource-management-system-an-academic-approach-cce8853f28c0?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/cce8853f28c0</guid>
            <category><![CDATA[entity-relationship-model]]></category>
            <category><![CDATA[er-diagram]]></category>
            <category><![CDATA[data-modeling]]></category>
            <category><![CDATA[human-resource-management]]></category>
            <category><![CDATA[database-design]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Thu, 20 Mar 2025 11:28:26 GMT</pubDate>
            <atom:updated>2025-03-20T11:28:26.118Z</atom:updated>
            <content:encoded><![CDATA[<p>Introduction:</p><p>Human Resource (HR) management is one of the most critical elements of organizations. An effective HR management system requires accurate storage of employee information, applications, and available positions. At this point, ER (Entity-Relationship) diagrams are powerful tools for designing a system’s data model.</p><p>In this article, we will examine database modeling techniques through the ER diagram designed for a university career center’s HR management system.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*GqioQ6rL-ULNqmoYWwXsYw@2x.jpeg" /></figure><ol><li>Project Scenario</li></ol><p>The university’s career center aims to develop a system to better manage student and alumni internship and job applications. The primary objectives of this system are:</p><p>•	To store employee information,</p><p>•	To list available positions,</p><p>•	To track employee applications.</p><p>2. ER Diagram Design</p><p>The main entities and relationships used in this project are as follows:</p><p>Entities:</p><p>•	Employee: Each employee should have a unique ID (Employee ID). Additionally, details such as name and address are stored.</p><p>•	Position: Each open position has a unique ID (Position ID), along with information like the position title and requirements.</p><p>•	Application: This table acts as a bridge, identifying which employee applied for which position.</p><p>Relationships:</p><p>•	An employee can apply for multiple positions.</p><p>•	A position can receive applications from multiple employees.</p><p>•	Each application serves as a link between an employee and a position.</p><p>3. Diagram Analysis</p><p>In the ER diagram design:</p><p>✅ Primary Key (PK) and Foreign Key (FK) definitions are established.</p><p>✅ Table relationships are structured following 1-N (one-to-many) and N-N (many-to-many) rules.</p><p>✅ Normalization steps are applied to ensure data integrity.</p><p>4. Key Considerations in Database Design</p><p>•	Avoiding Data Redundancy: Storing the same data in multiple places may cause data inconsistencies.</p><p>•	Key Definitions: Unique keys should be used to ensure database accuracy.</p><p>•	Data Integrity: Relational rules should be defined, ensuring that every record has a logical place in the system.</p><p>5. Conclusion</p><p>This ER diagram forms the foundation of the human resource management system and supports the database design for the intended software. With this design, data loss is minimized, and users can access information quickly and efficiently.</p><p>If you are working on database design, starting with ER diagrams will ensure your system is built on a solid foundation.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cce8853f28c0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python’da Üç Boyutlu Diziler: Tanımlama, Değer Atama ve Erişim]]></title>
            <link>https://medium.com/@feyzabiber34/pythonda-%C3%BC%C3%A7-boyutlu-diziler-tan%C4%B1mlama-de%C4%9Fer-atama-ve-eri%C5%9Fim-92c4da4c17ba?source=rss-ae5bfa77428b------2</link>
            <guid isPermaLink="false">https://medium.com/p/92c4da4c17ba</guid>
            <category><![CDATA[3-boyutlu]]></category>
            <category><![CDATA[diziler]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[kod]]></category>
            <dc:creator><![CDATA[Feyza Biber]]></dc:creator>
            <pubDate>Mon, 17 Mar 2025 13:09:09 GMT</pubDate>
            <atom:updated>2025-03-17T13:09:09.824Z</atom:updated>
            <content:encoded><![CDATA[<p>Çok boyutlu diziler, özellikle karmaşık veri yapılarında önemli bir yer tutar. Bu yazıda, Python’da üç boyutlu dizi tanımlamayı, değer atamayı ve bu değerlere erişmeyi örnek bir kod üzerinden inceleyeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*_-yFr_iEXkJYS3-A6h9nQw@2x.jpeg" /></figure><ol><li>Üç Boyutlu Dizi Nedir?</li></ol><p>Üç boyutlu diziler, her elemanın kendine ait satır ve sütun koordinatlarının yanı sıra bir de derinlik bilgisine sahip olduğu veri yapılarıdır. Bir küp yapısına benzetilebilir.</p><p>Örneğin:</p><p>d = [</p><p>. [[12, 11], [10, 9]],</p><p>. [[8, 7], [6, 5]],</p><p>. [[4, 3], [2, 1]]</p><p>]</p><p>Bu dizi şu yapıya sahiptir:</p><p>•	3 katman (dıştaki liste)</p><p>•	2 satır (her katmanın içindeki liste)</p><p>•	2 sütun (en içteki elemanlar)</p><p>2. Kodun Açıklaması</p><p>Kod:</p><p>d = [</p><p>. [[12, 11], [10, 9]],</p><p>. [[8, 7], [6, 5]],</p><p>. [[4, 3], [2, 1]]</p><p>]</p><p>for i in range(3):</p><p>. for j in range(2):</p><p>. for k in range(2):</p><p>. print(d[i][j][k])</p><p>3. Kodun Adım Adım Çalışma Prensibi</p><p>Bu kod, üç boyutlu dizideki tüm elemanları sırasıyla ekrana yazdırır.</p><p>•	for i in range(3) → 3 katmanı dolaşır.</p><p>•	for j in range(2) → Her katmanda 2 satırı dolaşır.</p><p>•	for k in range(2) → Her satırda 2 elemanı dolaşır.</p><p>Çalışma Sırası</p><p>1.	i = 0, j = 0, k = 0 → d[0][0][0] = 12</p><p>2.	i = 0, j = 0, k = 1 → d[0][0][1] = 11</p><p>3.	i = 0, j = 1, k = 0 → d[0][1][0] = 10</p><p>4.	i = 0, j = 1, k = 1 → d[0][1][1] = 9</p><p>5.	i = 1, j = 0, k = 0 → d[1][0][0] = 8</p><p>6.	Devam eder…</p><p>Çıktı:</p><p>12</p><p>11</p><p>10</p><p>9</p><p>8</p><p>7</p><p>6</p><p>5</p><p>4</p><p>3</p><p>2</p><p>1</p><p>4. Alternatif Yöntem: Daha Anlaşılır Bir Çıktı</p><p>Daha anlaşılır bir çıktı için aşağıdaki gibi bir formatlama yapılabilir:</p><p>d = [</p><p>. [[12, 11], [10, 9]],</p><p>. [[8, 7], [6, 5]],</p><p>. [[4, 3], [2, 1]]</p><p>]</p><p>for i in range(3):</p><p>. print(f”Katman {i + 1}:”)</p><p>. for j in range(2):</p><p>. for k in range(2):</p><p>. print(f”d[{i}][{j}][{k}] = {d[i][j][k]}”)</p><p>. print()</p><p>Çıktı:</p><p>Katman 1:</p><p>d[0][0][0] = 12</p><p>d[0][0][1] = 11</p><p>d[0][1][0] = 10</p><p>d[0][1][1] = 9</p><p>Katman 2:</p><p>d[1][0][0] = 8</p><p>d[1][0][1] = 7</p><p>d[1][1][0] = 6</p><p>d[1][1][1] = 5</p><p>Katman 3:</p><p>d[2][0][0] = 4</p><p>d[2][0][1] = 3</p><p>d[2][1][0] = 2</p><p>d[2][1][1] = 1</p><p>Bu yöntemle dizinin her katmanı ve elemanının konumu daha net anlaşılır.</p><p>5. Üç Boyutlu Diziler Nerelerde Kullanılır?</p><p>Üç boyutlu diziler şu alanlarda sıklıkla kullanılır:</p><p>✅ Görüntü İşleme: Resimler genellikle piksel değerleriyle üç boyutlu matrisler şeklinde saklanır.</p><p>✅ Oyun Geliştirme: Oyun haritaları ve sahne tasarımlarında koordinat sistemlerini yönetmek için idealdir.</p><p>✅ Bilimsel Hesaplamalar: Özellikle simülasyonlar ve analizlerde yaygın olarak tercih edilir.</p><p>✅ Yapay Zeka ve Makine Öğrenmesi: Özellikle derin öğrenme modellerinde çok boyutlu diziler (tensorlar) kritik bir rol oynar.</p><p>6. Sonuç</p><p>Python’da üç boyutlu diziler, verileri düzenli ve erişilebilir bir şekilde depolamak için güçlü bir araçtır. Bu yazıda temel tanım, değer atama ve eleman erişimini inceledik. Daha karmaşık yapılar geliştirdikçe bu dizilerin avantajlarını daha fazla keşfedeceksiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=92c4da4c17ba" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>