<?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 Hasan Ayas on Medium]]></title>
        <description><![CDATA[Stories by Hasan Ayas on Medium]]></description>
        <link>https://medium.com/@hasanayas?source=rss-b724fd1229e2------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*NblNHGuXcDPAigw2</url>
            <title>Stories by Hasan Ayas on Medium</title>
            <link>https://medium.com/@hasanayas?source=rss-b724fd1229e2------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 03:04:22 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@hasanayas/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[Yazılım Geliştirmede Agile Yaklaşımı: Temel Kavramlar ve 6 Adımda Süreç]]></title>
            <link>https://medium.com/@hasanayas/yaz%C4%B1l%C4%B1m-geli%C5%9Ftirmede-agile-yakla%C5%9F%C4%B1m%C4%B1-temel-kavramlar-ve-6-ad%C4%B1mda-s%C3%BCre%C3%A7-48d239ed3948?source=rss-b724fd1229e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/48d239ed3948</guid>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[agile]]></category>
            <category><![CDATA[yazılım]]></category>
            <dc:creator><![CDATA[Hasan Ayas]]></dc:creator>
            <pubDate>Sun, 25 May 2025 08:42:37 GMT</pubDate>
            <atom:updated>2025-05-25T09:02:44.281Z</atom:updated>
            <content:encoded><![CDATA[<p>Yazılım geliştirme, sadece kod yazmaktan ibaret olmayan, çok katmanlı ve disiplinlerarası bir süreçtir. Başarılı bir ürün ortaya çıkarmak için doğru gereksinimlerin belirlenmesi, ekip içinde net iletişim, ortak akılla teknik çözümlerin tasarlanması ve süreç boyunca koordineli ilerleme şarttır. Ürünün beklentileri karşılayacak şekilde test edilip son kullanıcıya sorunsuz ulaştırılması, tüm bu aşamaların uyum içinde yürütülmesine bağlıdır.</p><p>Bu sürecin sağlıklı bir şekilde yürüyebilmesi için takımların hem kendi içlerinde hem de diğer takımlarla senkron çalışması gerekir. Agile yaklaşımı, tam da bu ihtiyaca cevap verir. Süreci küçük, yönetilebilir parçalara bölerek değişen önceliklere hızla uyum sağlama imkanı sunar. Sürekli geri bildirim ve iterasyonlarla süreç boyunca iyileştirmeyi destekleyen Agile, yazılım geliştirmeyi hem daha şeffaf hem de daha verimli kılar.</p><h3>Kavramlar</h3><p><strong><em>Takım Rolleri</em></strong></p><ul><li><strong>Product Owner (Ürün Sahibi):</strong> Gereksinimleri belirler ve önceliklendirir. Product Backlog’un sahibidir.</li><li><strong>Scrum Master:</strong> Sürecin doğru işlemesinden sorumlu kişidir. Takımın önündeki engelleri kaldırır.</li><li><strong>Development Team (Geliştirme Ekibi):</strong> Yazılım geliştirme sürecindeki tüm teknik işleri üstlenen, farklı alanlarda uzman ve birlikte uyum içinde çalışan ekip.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Rv1sT86EBAHo5kQRNUWrxg.png" /></figure><p><strong><em>Sprint: </em></strong>Genellikle 1 ila 4 hafta arasında değişen sabit süreli çalışma döngüsüdür. Bu süre içinde ekip, önceden belirlenmiş işlerden oluşan bir hedefe odaklanır ve sonunda tamamlanmış, çalışır durumda bir ürün parçası teslim etmeyi amaçlar.</p><p><strong><em>Sprint Planlaması: </em></strong>Sprint başında yapılır. Takım, Product Owner’dan gelen işleri değerlendirir ve Sprint süresince yapılacak işleri seçer.</p><p><strong><em>Sprint Backlog: </em></strong>Bir Sprint’te yapılacak işlerin seçilmiş halidir. Sprint Planning toplantısında oluşturulur.</p><p><strong><em>Task: </em></strong>Bir projenin küçük ve yönetilebilir iş parçalarından biridir. Örneğin, “Kullanıcı giriş ekranının tasarlanması” veya “Veritabanı bağlantısının kurulması” gibi spesifik işleri ifade eder. Takım üyeleri bu görevleri üstlenerek adım adım ilerler ve sprint sonunda tamamlanmasına hedeflenir</p><p><strong><em>Grooming (Backlog Refinement) : </em></strong>Yapılacak işlerin net ve uygulanabilir olmasını sağlamaktır. Sprint öncesinde veya sırasında yapılabilir.</p><p><strong><em>Daily : </em></strong>Her gün yapılan ortalama 15 dakikalık toplantıdır. Herkes şu soruları yanıtlar:</p><ul><li>Dün ne yaptım?</li><li>Bugün ne yapacağım?</li><li>Bir engelim var mı?</li></ul><p><strong><em>Sprint Review: </em></strong>Sprint sonunda tamamlanan işlerin sunumudur. Bu sunuma product owner, takım üyeleri ve paydaşlar katılabilir. Sprintte yapılan işler için geri bildirim verilir.</p><p><strong><em>Retrospective: </em></strong>Sprint sonunda sadece takım içinde yapılan süreç değerlendirme toplantısıdır. “Neyi daha iyi yapabiliriz?” sorusuna cevap aranır.</p><p><strong><em>Chapter Meeting: </em></strong>Aynı uzmanlık alanındaki (örneğin tüm backend geliştiricileri) kişilerin bir araya gelerek bilgi paylaşımı yaptığı toplantıdır.</p><p><strong><em>Chapter Lead: </em></strong>Her Chapter’ın teknik lideridir. Kaliteyi ve bilgi aktarımını koordine eder.</p><p><strong><em>Kanban: </em></strong>İşlerin görsel olarak takip edildiği sistemdir. To Do, In Progress, Done gibi sütunlarla işler sürüklenerek takip edilir.</p><h3>Agile Sürecini 6 Adımda Anlamak</h3><h4>1️⃣ Gereksinim Analizi (Requirements)</h4><ul><li>Ürünle ilgili iş hedefleri belirlenir.</li><li>Product Owner, ihtiyaçları Product Backlog’a yazar.</li><li>Gereksinimler Sprint öncesi <strong>Grooming toplantılarında</strong> netleştirilir.</li></ul><p>📌 <strong>Amaç:</strong> “Ne yapacağız?” sorusuna net cevap verebilmek.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*glUG3Aa3-L1K_w1lFBxopg.png" /></figure><h4>2️⃣ Tasarım (Design)</h4><ul><li>UI/UX tasarımları hazırlanır.</li><li>Teknik mimari planlaması yapılır; bu aşamada veri modelleri, API yapısı, sistem bileşenleri ve entegrasyon tasarlanır.</li><li>Chapter Meeting’ler ile ekip içinde ortak kararlar alınır.</li></ul><p>📌 <strong>Amaç:</strong> “Nasıl yapacağız?” sorusuna teknik ve görsel açıdan net cevap bulmak.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uLp-8gUOSd_CvEDRgEtl_w.png" /></figure><h4>3️⃣ Geliştirme (Development)</h4><ul><li>Sprint Planlama’da seçilen işler Sprint Backlog’a alınır.</li><li>Takım üyeleri görevleri üstlenir ve geliştirir.</li><li>Her gün yapılan <strong>Daily </strong>ile ilerleme kontrol edilir.</li></ul><p>📌 <strong>Amaç:</strong> İşlerin kodlama ile gerçeğe dönüşmesi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/1*_KhFQjnOPGcA7pGvVoBreA.png" /></figure><h4>4️⃣ Test Süreci (Testing)</h4><ul><li>Otomatik ve manuel testler yapılır.</li><li>QA ekipleri test senaryolarını uygular.</li><li>Hatalar hızlıca düzeltilir.</li></ul><p>📌 <strong>Amaç:</strong> Ürün beklendiği gibi çalışıyor mu sorusuna güvenli cevap vermek.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/538/1*wH3_Z3bYiZtCAQwLbBhmbQ.png" /></figure><h4>5️⃣ Yayınlama (Deployment)</h4><ul><li>Geliştirilen işler staging ortamında test edilir.</li></ul><p>Staging ortamı, canlı ortama çok benzeyen ancak gerçek kullanıcıların erişmediği ve canlı ortam öncesinde testlerin gerçekleştirildiği bir ortamdır. Bu ortamda, olası hatalar, performans sorunları ve entegrasyon problemleri erken aşamada tespit edilip çözülür.</p><ul><li>Başarılıysa production ortamına aktarılır.</li><li>CI/CD süreçleriyle dağıtım yapılır.</li></ul><p>📌 <strong>Amaç:</strong> Kullanıcılarla çalışan ürünü buluşturmak.</p><h4>6️⃣ Gözden Geçirme ve Değerlendirme (Review)</h4><ul><li><strong>Sprint Review</strong></li><li><strong>Retrospective</strong></li></ul><p>📌 <strong>Amaç:</strong> Sprint sonunda elde edilen sonuçları değerlendirmek, paydaşlardan geri bildirim almak ve takımın çalışma sürecini sürekli iyileştirerek daha verimli hale getirmektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*yYzeYFTZ70SsyspdSMj8cA.png" /></figure><h3>Sonuç: Sürekli İyileşen Bir Geliştirme Kültürü</h3><p>Başarı, sadece süreçlerin uygulanmasıyla değil, bu süreçleri yürüten ekibin doğru yapılandırılmasıyla sağlanır. Agile yaklaşımı, ekiplerin değişime hızlı adapte olmasını ve sürekli geri bildirimle hem ürünün hem de çalışma yöntemlerinin gelişmesini destekler. Her Sprint, deneyimlerden öğrenerek verimliliği artırır ve hedeflere daha sağlam adımlarla ulaşmayı mümkün kılar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=48d239ed3948" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Evrişimli Sinir Ağları (Convolutional Neural Networks) : Yapay Zeka’nın Görsel Yetenekleri]]></title>
            <link>https://medium.com/@hasanayas/evri%C5%9Fimli-sinir-a%C4%9Flar%C4%B1-convolutional-neural-networks-yapay-zekan%C4%B1n-g%C3%B6rsel-yetenekleri-836e93756bb8?source=rss-b724fd1229e2------2</link>
            <guid isPermaLink="false">https://medium.com/p/836e93756bb8</guid>
            <category><![CDATA[yapay-sinir-ağları]]></category>
            <dc:creator><![CDATA[Hasan Ayas]]></dc:creator>
            <pubDate>Sat, 18 Mar 2023 14:17:36 GMT</pubDate>
            <atom:updated>2023-03-18T14:17:36.300Z</atom:updated>
            <content:encoded><![CDATA[<h3>Evrişimli Sinir Ağları (Convolutional Neural Networks): Yapay Zeka’nın Görsel Yetenekleri</h3><h3>1- CNN Nedir Ve Ne Amaçla Kullanılır ?</h3><p>Günümüzde yapay zeka ve makine öğrenimi teknolojileri hızla gelişiyor. Bu teknolojilerin en önemli bileşenlerinden biri de Convolutional Neural Network (CNN) yani Evrişimli Sinir Ağlarıdır. Evrişimli Sinir Ağları, görsel tanıma, nesne algılama, ses işleme, doğal dil işleme ve daha birçok alanda kullanılmaktadır.</p><p>CNN’ler, sinir ağlarının bir alt sınıfıdır ve görüntü işleme problemleri için özellikle etkilidirler. Verileri matris şeklinde algılar ve görüntülerin işlenmesi için özel olarak tasarlanmıştır. Bilgisayarlar, görüntülerin bizim gördüğümüz gibi algılanmasını sağlayamazlar; zira görüntüler bilgisayarlar için sadece bir matristen ibarettir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*6oicMzZewkWI9nEjGhTt3Q.png" /><figcaption><strong>Şekil 1: Bir Resmin Matris Gösterimi</strong></figcaption></figure><p>CNN’ler, filtreleme ve alt örnekleme gibi işlemleri kullanarak, bir görüntüyü daha küçük ve daha özgün bir temsil haline dönüştürürler. Bu sayede, modelin genelleme yapabilme yeteneği artar ve overfitting (aşırı öğrenme) sorunu önlenir.</p><p>Temel amacı, bir girdi görüntüsünden belirli özellikleri çıkararak sınıflandırma veya nesne tanıma gibi görevleri gerçekleştirmektir. Bu özellikler, belirli filtreler kullanılarak görüntü üzerinde uygulanan matematiksel işlemlerle elde edilir. Bu sayede, CNN’ler özellikle büyük veri kümelerinde yüksek doğruluk oranları elde etmek için kullanılır.</p><p>Ancak, CNN’lerin kullanımı bazı zorlukları beraberinde getirir. Özellikle eğitim süreci oldukça zaman alan ve hesaplama gücü gerektiren bir işlemdir. Ayrıca, doğru parametrelerin seçilmesi de oldukça önemlidir ve yanlış seçimler, modelin performansını olumsuz etkileyebilir. Bununla birlikte birçok avantajı da vardır. Örneğin, CNN’ler, önceden belirlenmiş özellikleri tanımlamak için insan müdahalesine ihtiyaç duymazlar. Ayrıca, transfer öğrenme gibi teknikler kullanarak, daha az veri kullanarak daha iyi sonuçlar elde edebilirler. CNN’ler, bu sayede görüntü işleme problemleri için yaygın bir tercih haline gelmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/1*ilnO3UlrWK3hI2YnJrwlew.png" /><figcaption><strong>Şekil 2: Evrişimsel Sinir Ağları (CNN) Yapısına Örnek Bir Model</strong></figcaption></figure><h3>2- CNN Katmanları Nelerdir ?</h3><h4>2.1- Convolutional Layer</h4><p>CNN’lerin temel yapı taşı olan Convolutional Layer, özellik haritasındaki özellikleri öğrenmek için kullanılır. Bu katman, özellik haritasındaki her bölgeyi ayrı ayrı ele alarak, bu bölgedeki özellikleri çıkarmak için bir filtre (kernel) kullanır. Filtre, özellik haritası üzerinde hareket eder ve her bölgedeki özelliklerin toplamını hesaplar. Bu işlem sonucunda, özellik haritası boyutu küçülür ve daha fazla özellik öğrenilir.</p><p>Convolutional layer, özellik haritasında bulunan özellikleri öğrenmek için birden fazla filtre kullanabilir. Her filtre, özellik haritasındaki farklı özellikleri tanımlamak için ayrı ayrı eğitilir. Örneğin, bir filtre kenarları tanımlamak için kullanılırken, diğer filtreler şekilleri, yüzleri veya diğer nesneleri algılamak için kullanılabilir.</p><p>Örnek bir Convolutional layer katmanı için, 3x3 boyutunda bir filtre ve 1 piksel kaydırma ile bir resmin üzerinden geçen işlem şu şekilde gösterilebilir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/535/1*Zx-ZMLKab7VOCQTxdZ1OAw.gif" /><figcaption><strong>Şekil 3: Convolutional Layer</strong></figcaption></figure><p>Bu örnekte, resimdeki özellikler filtre tarafından algılanır ve özellik haritasında bir sonuç üretilir. Bu özellikleri öğrendikten sonra, Convolutional layer’ın çıktısı, bir sonraki katmana aktarılır ve modelin eğitimi devam eder.</p><h4>2.2 — Pooling Layer</h4><p>Pooling layer, ağın özellik haritasını küçültmek ve hesaplama yükünü azaltmak için kullanılır. Pooling katmanı, özellik haritasındaki bir bölgeyi tek bir özellik vektörüne özetleyerek boyutunu küçültür. Önemli özelliklerini korumak için yararlıdır. En yaygın kullanılan iki tür pooling katmanı, maksimum pooling ve ortalama pooling’dir.</p><p><strong>Maksimum Pooling: </strong>Her özellik haritasındaki bir bölgenin maksimum özelliğini seçerek çalışır. Bu, önemli özellikleri korurken boyutu azaltmaya yardımcı olur. Örneğin, bir resimde bir nesnenin köşeleri, nesnenin diğer bölgelerinden daha belirleyici olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/1*1iiIBt-0nMceL7qnnt2tOA.png" /><figcaption><strong>Şekil 4: Maksimum Pooling İşlemi</strong></figcaption></figure><p><strong>Average (Ortalama) Pooling:</strong> Her özellik haritasındaki bir bölgenin ortalama özelliğini alarak çalışır. Bu, maksimum pooling’den farklı olarak daha yumuşak bir özetleme sağlar. Average pooling, özellik haritasındaki tüm bölümlerin önemli olduğu durumlarda daha iyi performans gösterebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/944/1*fDbrxckGQxzqFPolA_6YvA.png" /><figcaption><strong>Şekil 5: Average Pooling İşlemi</strong></figcaption></figure><h4>2.3 — Fully Connected Layer</h4><p>Fully connected layer, bir sinir ağındaki nöronlar arasında tam bağlantı kurulan bir katmandır. Her nöron, önceki katmandaki tüm nöronlarla bağlantılıdır. Bu bağlantılar, önceki katmanın çıktılarına göre ağırlıklandırılmış ve bias terimleriyle toplanmıştır. Bu işlem sonucunda, her nöronun çıktısı hesaplanır ve aktivasyon fonksiyonu kullanılarak çıktılar sınırlanır. Bu süreç, sinir ağındaki her nöron için aynı şekilde tekrarlanır.</p><p>Fully connected layer, son katman olarak kullanılır ve sınıflandırma gibi bir çıkış üretmek için kullanılır. Örneğin, bir resim sınıflandırma probleminde fully connected layer, resimdeki özellikleri kullanarak resmin hangi sınıfa ait olduğunu belirlemek için kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/531/1*GERr2GB8PTvNW0o_8UpnFw.png" /><figcaption><strong>Şekil 6: Fully Connected Layer</strong></figcaption></figure><h3>3- CNN İle Transfer Öğrenme</h3><p>Transfer öğrenme, bir görev için eğitilmiş bir modelin, başka bir görev için kullanılabilmesi için yeniden kullanılması anlamına gelir. Bu yöntem, özellikle büyük veri setleri üzerinde eğitim gerektiren derin öğrenme modellerinde, daha az veriyle eğitim yapmak ve daha hızlı sonuçlar elde etmek için kullanılır.</p><p>CNN modellerinin daha hızlı ve verimli bir şekilde eğitilmesini sağlamak için sıklıkla kullanılır. Önceden eğitilmiş bir modelin ağırlıkları, yeni bir görev için özelleştirilebilir.</p><p>TensorFlow kütüphanesini kullanarak transfer öğrenme için örnek oluşturalım. Veri ön işleme ve model eğitimi için gereken kodları yazalım.</p><pre>#Gerekli kütüphaneleri import et<br>import numpy as np<br>import tensorflow as tf<br>from tensorflow import keras<br>from tensorflow.keras import layers<br>from tensorflow.keras.datasets import cifar10<br>from tensorflow.keras.applications import VGG16<br><br># Veri kümesini yükle<br>(x_train, y_train), (x_test, y_test) = cifar10.load_data()<br><br># Veri kümesini normalize et<br>x_train = x_train.astype(&quot;float32&quot;) / 255.0<br>x_test = x_test.astype(&quot;float32&quot;) / 255.0<br><br># VGG16 modelini yükle<br>base_model = VGG16(weights=&quot;imagenet&quot;, include_top=False, input_shape=(32, 32, 3))<br><br># VGG16 modelinin ilk 15 katmanını dondurarak yeni bir model oluştur<br>for layer in base_model.layers[:15]:<br>    layer.trainable = False<br><br>inputs = keras.Input(shape=(32, 32, 3))<br>x = base_model(inputs, training=False)<br>x = layers.Flatten()(x)<br>x = layers.Dense(256, activation=&quot;relu&quot;)(x)<br>x = layers.Dropout(0.5)(x)<br>outputs = layers.Dense(10, activation=&quot;softmax&quot;)(x)<br><br>model = keras.Model(inputs, outputs)<br><br># Modeli derle<br>model.compile(<br>    optimizer=keras.optimizers.RMSprop(1e-3),<br>    loss=&quot;sparse_categorical_crossentropy&quot;,<br>    metrics=[&quot;accuracy&quot;],<br>)<br><br># Modeli eğit<br>model.fit(x_train, y_train, batch_size=64, epochs=10, validation_split=0.2)<br><br># Modeli değerlendir<br>test_scores = model.evaluate(x_test, y_test, verbose=2)<br>print(&quot;Test loss:&quot;, test_scores[0])<br>print(&quot;Test accuracy:&quot;, test_scores[1])</pre><p>CIFAR-10 veri setindeki görüntüleri kullanarak VGG16 modelini eğitiyor ve sonrasında transfer öğrenme yöntemiyle yeni bir sınıflandırma modeli oluşturuyor. VGG16 modelinin ilk 15 katmanı dondurulduğundan, bu katmanlar sadece özellik çıkarımı için kullanılır ve sınıflandırma için kullanılan katmanlar önceden eğitilmiş (pre-trained) VGG16 modeline göre eğitilir.</p><p>Kaynakça:</p><p>[1] Convolutional Neural Network, Mathworks, [<a href="https://www.mathworks.com/discovery/convolutional-neural-network-matlab.html">Ref</a>]</p><p>[2] A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way, Towards Data Science, [<a href="https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53">Ref</a>]</p><p>[3] What are convolutional neural networks?, IBM, [<a href="https://www.ibm.com/topics/convolutional-neural-networks">Ref</a>]</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=836e93756bb8" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>