<?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 zehra hatipoğlu on Medium]]></title>
        <description><![CDATA[Stories by zehra hatipoğlu on Medium]]></description>
        <link>https://medium.com/@hatipogluuzehra?source=rss-1a5b4c77db32------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*WLuFY-JjmDMLZrX0nRPh9w.jpeg</url>
            <title>Stories by zehra hatipoğlu on Medium</title>
            <link>https://medium.com/@hatipogluuzehra?source=rss-1a5b4c77db32------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 17:53:58 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@hatipogluuzehra/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[Word2Vec]]></title>
            <link>https://medium.com/@hatipogluuzehra/word2vec-59231d2b2ce0?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/59231d2b2ce0</guid>
            <category><![CDATA[word2vec]]></category>
            <category><![CDATA[skip-gram]]></category>
            <category><![CDATA[embedding]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Fri, 26 Sep 2025 10:24:49 GMT</pubDate>
            <atom:updated>2025-10-21T07:35:28.297Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Word2Vec ve Skip-Gram: Kelimelerden Anlama Giden Yol</strong></p><p>Doğal dil işleme (NLP) alanında devrim yaratan en önemli adımlardan biri, kelimeleri sayısal vektörlerle ifade etme fikri oldu. Word2Vec ve özellikle Skip-Gram yaklaşımı, kelimeler arasındaki anlamsal ilişkileri matematiksel olarak modellememize imkan tanıyor. Bu yazıda, Word2Vec’in Skip-Gram mimarisini, kullanılan teknikleri ve PyTorch ile eğitim sürecini adım adım inceleyeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1023/1*z-4jITkCKIj4y0Y_HrSRQA.png" /></figure><p><strong>1. Veri Hazırlığı: Gürültüyü Azaltmak</strong></p><p>Bir dil modeli eğitmeye başlamadan önce elimizde büyük bir metin verisi olması gerekiyor. Ancak bu ham veri doğrudan kullanılmaz.</p><ul><li><strong>Frekans analizi:</strong> Tüm corpus taranır, her kelimenin kaç defa geçtiği sayılır.</li><li><strong>Minimum eşik:</strong> Çok nadir geçen kelimeler atılır (ör. 5 defadan az görünenler). Çünkü bunlar modele fayda yerine noise katar.</li><li><strong>Çok sık geçenler:</strong> “ve”, “bir”, “the” gibi kelimeler bağlamda sık tekrar ettiği için öğrenmeyi yavaşlatır. Bunlar da özel tekniklerle azaltılır.</li><li><strong>Kelimelerden “training sample” (eğitim örnekleri) oluşturuluyor:</strong> Skip-Gram yönteminde bir merkez kelimeden çevresindeki kelimeleri tahmin etmeye çalışıyoruz.</li></ul><p>📌 Sonuç: Daha temiz, daha dengeli ve istatistiksel olarak anlamlı bir kelime dağarcığı (vocabulary).</p><p><strong>2. Skip-Gram Mantığı</strong></p><p>Skip-Gram’in fikri basit ama güçlüdür.Skip-Gram yönteminde bir merkez kelimeden çevresindeki kelimeleri tahmin etmeye çalışıyoruz. Bundan sonraki bahsedeceğimiz maddelerde de bu model için hazırlık aşamalırıdır:</p><ul><li><strong>Girdi:</strong> Bir merkez kelime (ör. <em>kitap</em>).</li><li><strong>Çıktı:</strong> Bu kelimenin yakınındaki bağlam kelimeleri (<em>okumak</em>, <em>sayfa</em>, <em>yazar</em>).</li></ul><p>Model, her kelimeyi yoğun (dense) vektörlerle ifade etmeyi öğrenir. Eğitim sırasında hem <strong>input embedding</strong> (hedef kelime) hem de <strong>output embedding</strong> (bağlam kelime) matrisleri güncellenir.</p><p><strong>3. Neden Rastgelelik?</strong></p><p>Word2Vec eğitiminde birçok aşama rastgele yapılır:</p><ul><li><strong>Örnek seçme:</strong> Sub-sampling ile bazı sık kelimeler daha az gösterilir.</li><li><strong>Negative sampling:</strong> Rastgele yanlış kelimeler seçilir.</li><li><strong>Ağırlık başlatma:</strong> Modelin başlangıç parametreleri rastgele atanır.</li></ul><p>Bu rastgelelik, modelin daha hızlı ve genelleme gücü yüksek öğrenmesini sağlar. Ancak her çalıştırmada farklı sonuç alınır.</p><p>📌 <strong>Çözüm:</strong> Reprodüksiyon için random seed belirlenir. Böylece aynı deney her seferinde aynı sonuçları üretir.</p><p><strong>4. Sub-sampling: Sık Kelimeleri Azaltmak</strong></p><p>Problem: Çok sık tekrar eden kelimeler (“the”, “ve”) modelin ilgisini sürekli üstüne çeker.</p><p>Çözüm: Bu kelimeler belirli bir olasılıkla <strong>atlanır</strong>.</p><ul><li>Yüksek frekanslı kelimeler daha çok atılır.</li><li>Nadir ama anlamlı kelimeler korunur.</li></ul><p><strong>Öncesi ve Sonrası Karşılaştırma</strong></p><ul><li><strong>Önce:</strong> Tüm corpus’taki kelimeler sayılıyor → en sık geçenlerden en az geçenlere doğru sıralanıyor.</li><li><strong>Sonra:</strong> Sub-sampling tekniği uygulanıyor → çok sık geçen kelimelerden bazı örnekler <strong>atılıyor</strong>.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/558/1*qvgLRSYIC691Xgi6cutCwA.png" /></figure><ul><li>Bu sayede:</li></ul><p>“the”, “and” gibi <strong>yüksek frekanslı kelimelerin</strong> sayısının <strong>drastik şekilde azaldığı</strong> görülüyor.</p><p>Daha az geçen, ama <strong>daha anlamlı</strong> olabilecek kelimelerin ise çoğunlukla korunduğu ortaya çıkıyor.</p><p><strong>5. Negative Sampling: Hesaplamayı Kolaylaştırmak</strong></p><p>Skip-Gram’de softmax hesaplaması tüm sözlük üzerinde yapılsaydı, milyonlarca kelime için işlem yapmak gerekirdi. Bu neredeyse imkânsız.</p><p>Çözüm: <strong>Negative sampling.</strong></p><ul><li>Her doğru (target–context) örneğin yanına birkaç yanlış örnek eklenir.</li><li>Model sadece bu küçük alt küme üzerinde güncellenir.</li><li>Negatif örnekler özel bir dağılımdan seçilir: kelime frekanslarının ¾ (0.75) üssü.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*SndW_Eksx97hFBuIvUjTTA.png" /></figure><p><strong>Neden 3/4?</strong></p><p>Çok sık kelimeler biraz <strong>azaltılır</strong> (çok fazla çıkmasın diye).</p><p>Çok nadir kelimeler biraz <strong>artırılır</strong> (daha fazla şans bulsunlar diye).</p><p>Böylece negatif örnekler <strong>daha dengeli ve anlamlı</strong> seçilir.</p><p>📌 Bu sayede eğitim hem hızlı hem de anlamlı hale gelir.</p><p><strong>6. Skip-Gram Modelin’de PyTorch ile Dataset ve DataLoader</strong></p><p>Skip-Gram mantığında:</p><ul><li><strong>Hedef (target) kelime</strong> seçilir.</li><li>Bunun çevresindeki <strong>bağlam (context) kelimeler</strong> alınır.</li><li>Ayrıca <strong>negative sampling</strong> ile bağlamda olmayan kelimeler eklenir.</li></ul><p>Eğitim seti bu üçlüden oluşur: (target, context, negative_samples)</p><p>Word2Vec eğitiminde veri hazırlığı kritik rol oynar. PyTorch’ta bunun için özel Dataset ve DataLoader yazılır.</p><ul><li><strong>Dataset:</strong></li></ul><p>Bu aşamada ise sub-sampling yöntemi ile temizlediğimiz veri kullanılarak skip-gram modelimizin 3&#39;lüsü oluşturulur(target-context,negatives)</p><ul><li>__getitem__: (target-context,negatives) döndürür.Bu kısım için girdi olarak Dynamic window(her örnekte 1–5 arasında rastgele bağlamlar seçilir). Önceden hazırladığımız negative sampling. Ve de temizliğini yaptığımız temiz target vocabulary</li><li>__len__: Kaç örnek olduğunu söyler.</li><li><strong>DataLoader — Collate function (collate_fn)</strong></li><li>PyTorch’un DataLoader sınıfı, Dataset’ten gelen <strong>tekil örnekleri</strong> alıp <strong>batch (küme)</strong> haline getirir.</li><li>Ama her target kelimenin bağlam sayısı farklı olabilir.Her örnekte negatif örnek sayısı da değişebilir.</li><li>Dolayısıyla standart DataLoader bunu düzgün bir tensöre çeviremeyebilir</li><li>DataLoader’a parametre olarak verilir.</li><li>Dataset’ten gelen tekil örnekleri alır.Onları düzgün hale getirir (gerekirse pad ekler).Sonra targets, contexts, negatives olarak ayrı tensörler halinde döndürür.</li><li>GPU üzerinde paralel eğitime uygun hale getirir.</li></ul><p><strong>7. Skip-Gram Modeli ve Loss Fonksiyonu</strong></p><p>Model iki embedding matrisi kullanır:</p><ul><li>Input embeddings</li><li>Output embeddings</li></ul><p><strong>Loss fonksiyonu:</strong></p><ul><li>Pozitif eşleşmeler için: log(σ(target·context))</li><li>Negatif örnekler için: log(σ(-target·negative))</li></ul><p>📌 Eğitim sonunda kelimeler, semantik ilişkileri yansıtan vektörlerle temsil edilir.</p><p><strong>8. Embedding’lerin Kullanımı</strong></p><p>Eğitim bittiğinde elimizde her kelime için vektörler vardır.</p><ul><li>Sadece input embedding kullanılabilir.</li><li>Sadece output embedding kullanılabilir.</li><li>Ya da ikisi birleştirilip ortalama alınabilir.</li></ul><p>Bu embedding’ler:</p><ul><li>Benzerlik ölçümü</li><li>Kümeleme</li><li>t-SNE ile görselleştirme</li><li>Başka NLP görevleri için girdi</li></ul><p>olarak kullanılabilir.</p><p><strong>9. Cosine Similarity ile Benzerlik Analizi</strong></p><p>Modelin başarısını ölçmek için en sık kullanılan yöntemlerden biri <strong>cosine similarity</strong>’dir.</p><ul><li>1 → tamamen benzer</li><li>0 → ilgisiz</li><li>-1 → tamamen zıt</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/336/1*ECw3kCiZUhX55abq81EX4w.png" /></figure><p>Örneğin: <em>king — man + woman ≈ queen</em> ilişkisi doğru çıkıyorsa embedding’ler anlamlıdır.</p><p>“computer”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/380/1*R0-qO0qn47msr_9UytBpWg.png" /></figure><p><strong>10. SKIP-GRAM MODELİNDE LOSS</strong></p><p>Skip-Gram modelinde amacımız şudur:</p><ul><li><strong>Pozitif örnekler</strong>: (target, context) çiftleri → bunların <strong>birlikte görülme olasılığı</strong> yüksek olmalı.</li><li><strong>Negatif örnekler</strong>: (target, negative) çiftleri → bunların <strong>birlikte görülme olasılığı</strong> düşük olmalı.</li></ul><p>Loss fonksiyonu bu ayrımı öğretir.</p><p><strong>Matematiksel formül</strong></p><p>Her (t, c) pozitif çifti için loss:</p><p>Yani:</p><ul><li>Target ile gerçek context çarpımı <strong>yüksek</strong> olsun → σ\sigmaσ büyük → −log⁡-\log−log küçük.</li><li>Target ile negatif çarpımı <strong>düşük</strong> olsun → σ(−score)\sigma(-score)σ(−score) büyük → loss küçük.</li></ul><h3>NOT:</h3><p><strong>collet_fn</strong></p><p><strong>Strateji A: flatten</strong></p><ul><li>Her (target, context) çifti ayrı bir satır kabul ediliyor.</li><li>Yani target tekrar etse bile context’ler tek tek ayrılıyor.</li></ul><p>collate_fn sadece stack (yani listeleri üst üste koyma) yapar.</p><p>(target=kitap, contexts=[okudum, aldım], negatives=[…])</p><p>Row1: (kitap, okudum, negs)</p><p>Row2: (kitap, aldım, negs)</p><p><strong>Strateji B:</strong></p><ul><li>Her target <strong>tek satır</strong> ama altında <strong>birden fazla context</strong> olabilir.</li><li>Bu durumda context sayısı her örnekte farklıdır → sabitlemek için <strong>padding</strong> + <strong>mask</strong> gerekir.</li></ul><p><strong>ÖRNK</strong></p><p>target=kitap, contexts=[okudum, aldım]</p><p>target=masa, contexts=[gördüm]</p><p>targets: [kitap, masa]</p><p>contexts: [[okudum, aldım], [gördüm, PAD]]</p><p>mask: [[1,1], [1,0]]</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=59231d2b2ce0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RAG Sistemlerinin Temelleri]]></title>
            <link>https://medium.com/@hatipogluuzehra/rag-sistemlerinin-temelleri-b1e07dc5bcea?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/b1e07dc5bcea</guid>
            <category><![CDATA[embedding]]></category>
            <category><![CDATA[text-splitting]]></category>
            <category><![CDATA[retrieval-augmented]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Thu, 24 Jul 2025 17:57:01 GMT</pubDate>
            <atom:updated>2025-07-24T17:57:01.815Z</atom:updated>
            <content:encoded><![CDATA[<h3>🧱 LangChain Belgeleri: Document Yapısı</h3><p>LangChain, metinleri işlerken özel bir Document formatı kullanır. Bu format iki temel bileşenden oluşur:</p><ul><li><strong>page_content</strong>: Belgenin asıl metinsel içeriğini barındırır.</li><li><strong>metadata</strong>: Belgeye ait ek bilgileri içerir (örneğin kaynak yolu, belge türü, sayfa numarası, vb.).</li></ul><p>Bu yapı, metin parçalarının içerikleriyle birlikte, onları nereden aldığınızı veya nasıl kullanmanız gerektiğini bilmenizi kolaylaştırır.</p><h3>✂️ Text Splitters: Neden ve Nasıl Bölmeliyiz?</h3><p>Documents splitting , birçok uygulama için genellikle çok önemli bir ön işleme adımıdır. Büyük metinlerin daha küçük, yönetilebilir parçalara ayrılmasını içerir. Bu işlem, farklı belge uzunluklarının tutarlı bir şekilde işlenmesini sağlamak, modellerin girdi boyutu sınırlamalarının üstesinden gelmek ve retrieval sistemlerinde kullanılan metin temsillerinin kalitesini artırmak gibi çeşitli avantajlar sunar. Belgeleri bölmek için her birinin kendine özgü avantajları olan çeşitli stratejiler vardır.</p><ul><li><strong>Tutarlılık</strong>: Belgeler farklı uzunlukta olabilir. Bölme işlemi tüm belgelerin aynı formatta işlenmesini sağlar.</li><li><strong>Girdi Limiti</strong>: Dil modelleri (LLM) ve embedding modelleri genellikle belirli bir girdi boyutuna sahiptir. Split işlemi bu sınırları aşmayı engeller.</li><li><strong>Daha İyi Eşleşme</strong>: Bilgi alma sistemlerinde küçük parçalara bölünmüş metinler, daha iyi arama sonuçları verir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/681/1*OOimkuaq-pSiZ1yd_AkGug.png" /></figure><p>LangChain, farklı kullanım senaryoları için çeşitli bölme stratejileri sunar. Aşağıda en yaygın yöntemleri inceleyelim:</p><h4>1. Length-Based Splitting</h4><p>En sezgisel yöntemdir. Metin, <strong>uzunluğa</strong> göre parçalara ayrılır. Belirli bir sınır aşıldığında yeni bir chunk başlatılır.</p><p><strong>Avantajları:</strong></p><ul><li>Basit ve hızlıdır.</li><li>Chunk boyutları tutarlıdır.</li><li>Farklı model ihtiyaçlarına kolayca uyarlanabilir.</li></ul><h4>Alt türleri:</h4><ul><li><strong>Token-based splitting</strong>: Metni token sayısına göre böler. Dil modelleriyle uyum için idealdir.</li><li><strong>Character-based splitting</strong>: Metni karakter sayısına göre böler. Genellikle daha tutarlı parçalara yol açar.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/746/1*PYRBTzMLzuKUUAoGgmUAsQ.png" /></figure><h4>2. Document-Structure Based Splitting</h4><p>Eğer belgeniz doğal bir yapıya sahipse (örneğin HTML, Markdown, JSON), bu yapıları kullanarak metni bölmek daha anlamlı olur.</p><p><strong>Avantajları:</strong></p><ul><li>Başlık, liste, paragraf gibi öğeleri koruyarak daha semantik parçalar oluşturur.</li><li>Kod dökümanları veya web sayfaları için uygundur.</li></ul><h4>3. Semantic Meaning-Based Splitting</h4><p>Bu yöntemde, metnin <strong>anlamına</strong> göre bölme yapılır. Örneğin, iki paragraf arasında anlamsal geçiş varsa, bu geçişi tespit ederek yeni bir chunk başlatılır.</p><p><strong>Uygulama Örneği:</strong></p><ul><li>sliding window yöntemiyle embedding’ler oluşturulur.</li><li>Bu embedding’ler arasındaki <strong>anlamsal farklılıklar</strong> analiz edilerek bölme kararları alınır.</li></ul><p>📚 Örnek:<br> 🔗 <a href="https://github.com/FullStackRetrieval-com/RetrievalTutorials/blob/main/tutorials/LevelsOfTextSplitting/5_Levels_Of_Text_Splitting.ipynb">5 Levels of Text Splitting Tutorial</a></p><h3>🧠 Embedding Modelleri: Anlamı Sayılara Dönüştürmek</h3><p>Herhangi bir metnin — bir tweet, bir belge ya da bir kitap — özünü tek ve kompakt bir biçimde temsil edebildiğinizi hayal edin. İşte bu hayal, modern bilgi alma (retrieval) sistemlerinin temel taşlarından biri olan <strong>embedding modelleri</strong> sayesinde gerçeğe dönüşüyor.</p><h3>Embedding Nedir?</h3><p><strong>Embedding</strong>, metni modellerin anlayabileceği şekilde <strong>sabit uzunlukta sayısal vektörlere</strong> dönüştüren bir süreçtir. Bu sayısal temsil, metnin <strong>anlamsal içeriğini</strong> yakalayan bir “parmak izi” görevi görür.</p><p>Metinler artık sadece kelime eşleşmeleriyle değil, <strong>anlam düzeyinde</strong> de karşılaştırılabilir hale gelir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/734/1*Aly_-T-KS-PR2hM4SRYKvg.png" /></figure><h4>1. Metni Vektöre Dönüştürme (embed_documents, embed_query)</h4><ul><li>embed_documents: Birden fazla belgeyi gömme (embedding) işlemine tabi tutar.</li><li>embed_query: Tek bir kullanıcı sorgusunu sayısal vektöre dönüştürür.</li></ul><h4>2. Measure Similarity</h4><ul><li>Oluşan vektörler arasında <strong>matematiksel benzerlik</strong> hesaplanarak en ilgili sonuçlar bulunur.</li></ul><h3>📐Measure Similarity</h3><p>Her bir embedding , genellikle yüksek boyutlu bir uzayda yer alan bir koordinat kümesidir. Bu uzayda, her bir noktanın konumu (embedding) karşılık gelen textin anlamını yansıtır. Smilar wordslerin bir eş anlamlılar sözlüğünde birbirine yakın olması gibi, smilar kavramlar da bu embedding uzayında birbirine yakın olur. Bu, farklı metin parçaları arasında sezgisel karşılaştırmalar yapılmasına olanak tanır.</p><p><strong>Cosine Similarity:</strong>İki vektör arasındaki açının kosinüsünü ölçer.<strong>Euclidean Distance</strong>:İki nokta arasındaki düz çizgi mesafesini ölçer.<strong>Dot Product</strong>:Bir vektörün diğerine izdüşümünü ölçer..</p><h3>📦 Vector Stores ve RAG Sistemleri</h3><p>Günümüzde dil modelleri (LLM) çok güçlü olsa da, sabit eğitim verileri nedeniyle güncel ya da alan özelindeki bilgileri yakalama konusunda sınırlamalar yaşarlar. Bu problemi çözmenin yolu, <strong>Retrieval-Augmented Generation (RAG)</strong> ve <strong>vector store</strong> teknolojilerinden geçiyor.</p><h3>Vector Store Nedir?</h3><p><strong>Vector store (vektör deposu)</strong>, metin, ses, görsel gibi yapılandırılmamış verilerin <strong>embedding</strong> saklayan özel bir veri deposudur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/778/1*bdbtNOr0EXvQsnPHtWGhvw.png" /></figure><h3>Temel Özellikler:</h3><ul><li>Embedding işlemiyle verilerin <strong>anlamsal özü</strong> çıkarılır ve bir <strong>sabit boyutlu vektöre</strong> dönüştürülür.</li><li>Bu vektörler daha sonra hızlı ve etkili semantic similarity için indekslenir.</li><li>Tam eşleşme yerine, <strong>semantic similarity</strong> esas alınır.</li></ul><h3>Örnek Çalışma Akışı:</h3><ol><li>Bir belge vektöre dönüştürülür ve vector store’a eklenir.</li><li>Kullanıcıdan gelen query da embed edilir.</li><li>embed edilen belgeler üzerinde bir similiarity search yapacak ve en similiarity olanları döndürecektir.</li></ol><h3>🤖 Retrieval-Augmented Generation (RAG)</h3><p><strong>RAG</strong>, dil modellerini dış bilgi kaynaklarıyla entegre ederek zenginleştiren güçlü bir tekniktir. Bu sayede modeller, yalnızca eğitim verisine değil, güncel ve dinamik içeriklere de erişebilir.</p><h3>RAG Sistemi Nasıl Çalışır?</h3><p>Bir RAG pipeline’ı tipik olarak aşağıdaki adımları izler:</p><ol><li>Kullanıcıdan bir <strong>input query</strong> alınır.</li><li>Query’e göre en ilgili belgeleri bulmak için bir <strong>retriever</strong> çalıştırılır.</li><li>Bulunan belgeler, dil modeline <strong>prompt</strong> olarak eklenir.</li><li>Alınan response dan yararlanan bir retrieved context oluşturulur.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/998/1*L7auhN_A5RK1Jqub4iSh1w.png" /></figure><h3>Belgeleri Saklamak ve İndekslemek</h3><p>Retriever sistemlerinin çoğu, verileri kolayca aranabilir hale getirmek için bir <strong>indeksleme</strong> süreci kullanır. Bu süreçte:</p><ul><li>Belgeler genellikle <strong>chunk’lara bölünür</strong>.</li><li>Her chunk embed edilerek indekslenir.</li><li><strong>Orijinal belge ile bağlantı</strong> korunursa, daha sağlam ve anlam bütünlüğü olan sonuçlar alınır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/857/1*gBo4PSO-T1EdY6oyNRprUA.png" /></figure><h3>LangChain’de Gelişmiş Retriever Seçenekleri</h3><p>LangChain, bu sorunu aşmak için iki özel geri getirici (retriever) sunar:</p><h3>1. Multi-Vector Retriever</h3><ul><li>Belgeyi embed etmeden önce, örneğin bir LLM ile özet çıkarabilirsiniz</li><li>Bu özetin vektörü ile belge arasında bağlantı korunur.</li><li>Böylece anlamlı indeksleme + orijinal belgeye erişim bir arada olur.</li></ul><h3>2. Parent Document Retriever</h3><ul><li>Belge küçük parçalara bölünür (splitting).</li><li>Ancak her parça, <strong>kaynak belgeye referansla</strong> ilişkilendirilir.</li><li>Model geri getirilen parçaya ek olarak, ana belge bağlamına da erişebilir.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b1e07dc5bcea" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ “Context Window” Nedir?]]></title>
            <link>https://medium.com/@hatipogluuzehra/context-window-nedir-dd968c391e6e?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/dd968c391e6e</guid>
            <category><![CDATA[llm-evaluation]]></category>
            <category><![CDATA[context-window]]></category>
            <category><![CDATA[llm-applications]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Fri, 27 Jun 2025 06:54:31 GMT</pubDate>
            <atom:updated>2025-06-27T06:54:31.378Z</atom:updated>
            <content:encoded><![CDATA[<p>LM’ler (GPT, Claude, Mistral, vs.) gelen input’u anlamak ve yanıt üretmek için sadece belli bir miktarda “bağlam”ı görebilir. İşte bu görünür alan <strong>context window (bağlam penceresi)</strong> olarak adlandırılır.</p><blockquote><em>Kısaca: </em><strong><em>Modelin aynı anda “okuyabildiği” toplam içerik miktarıdır.</em></strong></blockquote><p>Bu pencereye şu girer:</p><ul><li>Kullanıcının mesajı</li><li>Sistem mesajı (system prompt)</li><li>Önceki konuşmalar (chat history)</li><li>Tool / function çağrıları</li><li>Modelin verdiği geçmiş yanıtlar</li></ul><p>Eğer bu pencere dolarsa, eski mesajlar <strong>“unutulur”</strong> çünkü modelin daha fazla bilgi tutacak kapasitesi yoktur.</p><h3>🧮 2. Token Nedir? Neden Kelime Değil?</h3><p>Context window ölçüsü genellikle <strong>token cinsinden</strong> verilir, kelime değil.<br> Çünkü dil modelleri, metni işlerken doğal dili küçük parçalara bölerler.<br> Bu parçalar:</p><ul><li>Tam bir kelime olabilir → &quot;kitap&quot; → 1 token</li><li>Bir kelimenin parçası olabilir → &quot;kitaplık&quot; → [&quot;kitap&quot;, &quot;lık&quot;] → 2 token</li><li>Tek harf bile olabilir → &quot;çalışıyor&quot; → [&quot;ç&quot;, &quot;alış&quot;, &quot;ıyor&quot;] → 3 token</li></ul><p>🔢 GPT modelleri için yaklaşık:</p><ul><li>1 token ≈ 4 karakter</li><li>1 token ≈ 0.75 kelime</li></ul><h3>🔄 4. Context Window Dolarsa Ne Olur?</h3><p>Model context penceresinin kapasitesini aşarsa:</p><ul><li>En eski içerikler <strong>otomatik olarak kesilir (truncate)</strong></li><li>Genellikle en baştan, yani system ya da ilk human mesajlar silinir</li><li>Bu da modelin “bağlamı unutmasına” neden olur</li></ul><blockquote><em>Örneğin bir müşteri destek botu, kullanıcıya “daha önce söylediğini” hatırlayamaz hale gelebilir.</em></blockquote><p>Bunu engellemek için:</p><ul><li>Chat geçmişini kısıtla</li><li>Özetleyerek sakla (ConversationSummaryMemory)</li><li>Semantik olarak önemli olanları koru, geri kalanı at</li></ul><h3>📚 5. LangChain’de Context Yönetimi Nasıl Yapılır?</h3><p>LangChain, context yönetimi için farklı Memory sınıfları sağlar:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/938/1*dd-Q47u7oO_XgyqOVfX4qQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dd968c391e6e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ LLM Projelerinde Sıkça Karşımıza Çıkan Terimler: LangChain Üzerinden Kavramları Anlamak]]></title>
            <link>https://medium.com/@hatipogluuzehra/llm-projelerinde-s%C4%B1k%C3%A7a-kar%C5%9F%C4%B1m%C4%B1za-%C3%A7%C4%B1kan-terimler-langchain-%C3%BCzerinden-kavramlar%C4%B1-anlamak-1a0ff1afdf7b?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/1a0ff1afdf7b</guid>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[prompt-engineering]]></category>
            <category><![CDATA[langchain]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Thu, 26 Jun 2025 13:01:33 GMT</pubDate>
            <atom:updated>2025-07-22T10:00:45.177Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BVHXcwRCi1LhxvdgUo-Eug.png" /></figure><p>Günümüzde büyük dil modelleriyle (LLM) proje geliştirmek, sadece bir prompt yazıp modelden cevap almakla sınırlı değil. Özellikle <strong>LangChain</strong> gibi güçlü framework’lerle çalıştığınızda, işler hızla büyüyor: zincirler, ajanlar, hafıza yönetimi, araç kullanımı, mesaj yapıları derken birçok yeni kavramla tanışıyorsunuz.</p><p>Ben de bu yazıda, LangChain kullanarak LLM tabanlı bir uygulama geliştirirken sıkça karşıma çıkan bazı temel kavramları sade, anlaşılır ve örnekli bir şekilde anlatmak istiyorum. Eğer sen de “messages nedir?”, “prompt şablonu nasıl çalışır?”, “agent ne zaman kullanılır?”, “function calling neden bu kadar konuşuluyor?” gibi sorularla boğuşuyorsan — doğru yerdesin!</p><p>Amacım, teknik dökümanlarda parçalar hâlinde anlatılan bu yapıları, daha bütüncül bir şekilde ele alıp gerçek kullanım senaryoları üzerinden açıklamak. Böylece hem yeni başlayanlar hem de daha derinlemesine bilgi arayan geliştiriciler için pratik bir başvuru noktası oluşturmak istiyorum.</p><h3>Bu yazıda neler olacak?</h3><p>Her başlık altında aşağıdaki soruların cevabını bulabileceksin:</p><p>· Bu kavram ne anlama gelir?</p><p>· LangChain’de nasıl temsil edilir?</p><p>· Hangi durumlarda kullanılır?</p><p>· Dikkat edilmesi gereken noktalar nelerdir?</p><h3>messages Nedir?</h3><p>messages,<strong>bir sohbetin geçmişini</strong> tutmak için kullanılan yapıların genel adıdır. LLM’e yalnızca tek bir prompt değil, önceki mesajlarla birlikte <strong>diyalog geçmişi</strong> gönderilmek istendiğinde kullanılır.</p><h3>Temel Yapı</h3><p>Bir message , temel olarak şu alanlardan oluşur:</p><pre>{<br>  &quot;role&quot;: &quot;user&quot;,           // mesajın kimden geldiği<br>  &quot;content&quot;: &quot;Merhaba!&quot;,    // mesajın içeriği<br>  &quot;additional_kwargs&quot;: {}   // isteğe bağlı ek meta veriler<br>}</pre><h3>🧑‍💻 role</h3><p>role, mesajın kim tarafından yazıldığını belirtir. Bu, modelin bağlamı nasıl işleyeceğini doğrudan etkiler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*7RVEqq2G7ZPLt1GsBo1vaA.png" /></figure><p>sytem mesajı genellikle ilk sırada yer alır ve modele nasıl davranması gerektiğini söyler:<br> “Sen teknik bir destek asistanısın.” gibi.</p><h3>💬 content</h3><p>Bu alan, kullanıcının yazdığı metin ya da modelin ürettiği cevaptır.</p><p>Örneğin:</p><pre>{ &quot;role&quot;: &quot;user&quot;, &quot;content&quot;: &quot;Hava bugün nasıl?&quot; }</pre><p>📝 Not: Bazı mesaj türlerinde content boş olabilir, özellikle tool gibi mesajlarda çıktılar additional_kwargs içinde olur.</p><h3>🧩 additional_kwargs: Ek Bilgiler</h3><p>Bu alan genellikle özel kullanım senaryoları için kullanılır. Örneğin:</p><p>· <strong>Function call bilgisi</strong> (function_call)</p><p>· <strong>Tool usage metadata</strong></p><p>· <strong>token loglama</strong></p><p>· <strong>custom tags</strong></p><p>OpenAI gibi sağlayıcılarda şöyle görünebilir:</p><pre>{<br>  &quot;role&quot;: &quot;assistant&quot;,<br>  &quot;content&quot;: null,<br>  &quot;function_call&quot;: {<br>    &quot;name&quot;: &quot;getWeather&quot;,<br>    &quot;arguments&quot;: &quot;{\&quot;location\&quot;:\&quot;Istanbul\&quot;}&quot;<br>  }<br>}</pre><p>LangChain tarafında additional_kwargs alanı otomatik olarak ayrıştırılır ve ilgili ChatMessage objesinin bir parçası haline gelir.</p><h3>🔧 LangChain’de Messages Yapısı</h3><p>LangChain’de bir LLM ile konuşurken,HumanMessage ve SystemMessage vardır.</p><p><strong>🧑‍💻 HumanMessages</strong></p><p>“user” rolüne karşılık gelir. Model bu mesajı alır ve ne yapması gerektiğini anlamaya çalışır. Bu, bizim klasik anlamda yazdığımız prompt’la aynıdır. Ancak, LangChain’de her mesaj ayrı bir nesne olarak işlendiğinden, HumanMessage rolüyle açıkça belirtilir.</p><p><strong>🧠SystemMessage</strong></p><p>SystemMessage,modelin nasıl davranacağını tanımlayan bir tür <strong>ön talimat</strong> (instruction) verir. Bu mesajı genellikle sohbetin başında göndeririz ve modelin yanıtlarını yönlendirir.</p><p>Şimdi sırada LLM projelerinde en çok kafa karıştıran ama aynı zamanda en kritik bileşenlerden biri olan <strong>prompt yapısı</strong> var. LangChain’de bunun iki temel hali var: <strong>PromptTemplate</strong> ve <strong>ChatPromptTemplate</strong>. Aşağıda ikisini de detaylı ve örnekli şekilde açıklayacağım:</p><p>Prompt dediğimiz kavram aslında kullanıcının input ve parametreleri talimatlara dönüştürmeye yardımcı olur. Model’in yanıtını yönlendirmek, contex’in anlamasını language-based çıktısı üretmek için kullanılır</p><h3>✏️ PromptTemplate ve ChatPromptTemplate Nedir?</h3><p>Dil modelleri, ne yanıt vereceklerini <strong>prompt</strong> dediğimiz yönlendirme metinlerine göre belirler. Ancak projeler büyüdükçe bu prompt’ları sabit metin olarak yazmak verimsiz ve karmaşık hale gelir. İşte LangChain bu noktada devreye girerek <strong>şablonlanabilir prompt sistemleri</strong> sunar:</p><ul><li>PromptTemplate: <strong>tek metinli, klasik prompt’lar için</strong></li><li>ChatPromptTemplate: <strong>chat tabanlı mesaj akışları için</strong></li></ul><h3>PromptTemplate: Klasik Formatlar İçin</h3><p>Bu yapı, tek bir metin bloğu ile modele ne yapması gerektiğini anlatır. Genellikle LLMChain gibi tek adımlı modellerde kullanılır.</p><h4>Ne zaman kullanılır?</h4><ul><li>Modelden bir özet, açıklama, çeviri gibi tek seferlik bir görev isteniyorsa</li><li>Chat değil de metin tabanlı modelle çalışılıyorsa</li></ul><pre>from langchain.prompts import PromptTemplate<br><br>template = PromptTemplate.from_template(<br>    &quot;Bir {konu} hakkında kısa bir açıklama yap.&quot;<br>)<br><br>prompt = template.format(konu=&quot;yapay zekâ&quot;)<br>print(prompt)<br># Çıktı: &quot;Bir yapay zekâ hakkında kısa bir açıklama yap.&quot;</pre><h3>🗨️ ChatPromptTemplate: Sohbet Tabanlı Yapılar İçin</h3><p>LLM’lerin çoğu artık <strong>chat formatında</strong> çalışıyor (örneğin gpt-3.5, gpt-4). Bu modellerde mesajlar role: content formatındadır ve sistem-mesaj-geçmiş ilişkisi korunur.<br> İşte bu noktada ChatPromptTemplate, LangChain&#39;in bu çok mesajlı yapıyı yönetmesini sağlar.</p><h4>Ne zaman kullanılır?</h4><ul><li>ChatModel (örneğin OpenAI’s ChatOpenAI) ile çalışıyorsan</li><li>Rol bazlı mesajları yönetmek istiyorsan</li><li>Önce system, sonra user, sonra assistant mesajlarını sıralamak gerekiyorsa</li></ul><pre>from langchain.prompts.chat import ChatPromptTemplate<br>from langchain.prompts.chat import SystemMessagePromptTemplate, HumanMessagePromptTemplate<br><br>chat_prompt = ChatPromptTemplate.from_messages([<br>    SystemMessagePromptTemplate.from_template(&quot;Sen yaratıcı bir hikaye anlatıcısısın.&quot;),<br>    HumanMessagePromptTemplate.from_template(&quot;Lütfen {mekan} hakkında kısa bir hikaye yaz.&quot;)<br>])<br><br>formatted_prompt = chat_prompt.format_messages(mekan=&quot;Ay&#39;da&quot;)</pre><p>Bu yapı, modelin input olarak beklediği mesaj formatına otomatik olarak dönüştürülür:</p><pre>[<br>  {&quot;role&quot;: &quot;system&quot;, &quot;content&quot;: &quot;Sen yaratıcı bir hikaye anlatıcısısın.&quot;},<br>  {&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: &quot;Lütfen Ay&#39;da hakkında kısa bir hikaye yaz.&quot;}<br>]</pre><p>🧠 PromptTemplate vs ChatPromptTemplate Karşılaştırması</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/944/1*xFlB0t-KQgtTS_5FptUpMg.png" /></figure><h3><strong>🗣️ LangChain’de Conversation Patterns</strong></h3><p>bir sonraki konumuz ise LLM tabanlı uygulamalar geliştirirken en yaygın senaryolardan biri şüphesiz ki <strong>sohbet (chat)</strong> deneyimi. Ancak bu sohbet her zaman aynı yapıda ilerlemez. Bazen model önceki konuşmaları hatırlamalı, bazen geçmişi özetlemeli, bazen de sadece bir adımda cevap verip geçmelidir.</p><p>LangChain, farklı konuşma ihtiyaçlarına göre kullanılabilecek çeşitli <strong>conversation pattern’ları</strong> destekler. Bunlar sayesinde diyaloğun nasıl ilerleyeceğini ve modelin ne kadar “akıllı” hissedileceğini sen belirlersin.</p><h3>🧩 Pattern 1: Stateless Conversation (Geçmişsiz Sohbet)</h3><p>Bu en basit yapı. Her seferinde modele sadece tek bir HumanMessage verilir. Önceki konuşmalar hatırlanmaz.</p><h4>Ne zaman kullanılır?</h4><ul><li>Basit görevler: Soru-cevap, çeviri, kısa özetler</li><li>Konuşma geçmişine gerek olmayan senaryolar</li></ul><pre>chat_model.invoke([HumanMessage(content=&quot;Paris nerededir?&quot;)])</pre><p>📌 <strong>Avantaj:</strong> Hızlı ve maliyeti düşüktür<br> ❗ <strong>Dezavantaj:</strong> Model geçmişi bilmediği için bağlam kuramaz</p><h3>🧠 Pattern 2: Buffered Conversation (Geçmişi Tutmalı Sohbet)</h3><p>Bu pattern’de önceki konuşmalar bir buffer içinde tutulur ve her model çağrısında geçmiş mesajlarla birlikte yeni mesaj modele gönderilir.</p><p>LangChain’de bu ConversationBufferMemory ile yapılır.</p><h4>Ne zaman kullanılır?</h4><ul><li>Kullanıcının birkaç adımda yönlendirme yaptığı senaryolarda</li><li>Chatbot veya asistan deneyimi sunulmak istenen uygulamalarda</li></ul><pre>from langchain.memory import ConversationBufferMemory<br><br>memory = ConversationBufferMemory(return_messages=True)<br>memory.chat_memory.add_user_message(&quot;Nasılsın?&quot;)<br>memory.chat_memory.add_ai_message(&quot;İyiyim, sen nasılsın?&quot;)<br>memory.chat_memory.add_user_message(&quot;Bugün hava nasıl?&quot;)<br><br>chat_model.invoke(memory.load_memory_variables({})[&quot;history&quot;])</pre><p>📌 Model, “Bugün hava nasıl?” sorusuna <strong>“İyiyim, sen nasılsın?”</strong> cevabını da göz önünde bulundurarak yanıt verir.</p><h3>🧠📝 Pattern 3: Summarized Conversation</h3><p>Sohbet geçmişi uzadıkça, tüm mesajları modele tekrar tekrar göndermek maliyetli olur. Bunun yerine önceki mesajlar özetlenerek saklanır. Bu, ConversationSummaryMemory kullanılarak yapılır.</p><h4>Ne zaman kullanılır?</h4><ul><li>Uzun sohbetlerde maliyeti ve token limitini düşürmek isteniyorsa</li><li>Modelin geçmişi genel hatlarıyla bilmesi yeterliyse</li></ul><pre>from langchain.memory import ConversationSummaryMemory<br><br>memory = ConversationSummaryMemory(llm=chat_model)</pre><p>Bu pattern’de model geçmiş konuşmaları tam olarak değil, onların özetini bilir. Örneğin:</p><blockquote><em>“Kullanıcı seninle hava durumu hakkında konuştu. Sen Ankara’da yağmurlu olduğunu söyledin.”</em></blockquote><h3>🔄 Pattern 4: Conversation with Retrieval (Bilgiye Dayalı Diyalog)</h3><p>Bazen modelin sadece geçmişi değil, dış veri kaynaklarını da hatırlaması gerekir. Örneğin kullanıcı “Daha önce yüklediğim dosyada ne yazıyordu?” derse, modelin o dosyayı semantik olarak tarayabilmesi gerekir.</p><p>Bu senaryoda VectorStoreRetrieverMemory gibi yapılarla <strong>belge tabanlı hafıza</strong> oluşturulur.</p><h4>Ne zaman kullanılır?</h4><ul><li>Bilgi tabanlı asistanlar (FAQ botları, belge danışmanları)</li><li>Kişiselleştirilmiş bellek sistemleri</li></ul><h3>🤖 Pattern 5: Tool-Using Conversations (Ajanlı Diyaloglar)</h3><p>Bazı senaryolarda model kendi başına cevap veremez. Örneğin:<br> “Kütüphane saat kaçta kapanıyor?” gibi bir soru için web araması yapması gerekir.</p><p>Bu durumda LangChain içinde bir <strong>agent</strong> devreye girer. Konuşma adımında model tool kullanır, cevap üretir ve yeni soruya geçer.</p><p>Bu daha dinamik bir yapı olduğu için klasik “memory” mantığından biraz farklı, ama bir tür konuşma düzenidir.</p><h3>🗂️ Managing Chat History: LangChain ile Sohbet Geçmişini Yönetmek</h3><p>Bir LLM uygulamasında sohbet geçmişi tutmak sadece modelin bağlamı anlaması için değil, <strong>kullanıcı deneyimi, maliyet yönetimi ve davranış kontrolü</strong> açısından da oldukça kritik. LangChain, bu konuda geliştiriciye farklı araçlar sunarak sohbet geçmişini nasıl, ne kadar ve ne şekilde yöneteceğine dair tam kontrol sağlar.</p><p>Bu bölümde “chat history” kavramını ve LangChain’deki yönetim stratejilerini ele alacağız.</p><h3>Neden Sohbet Geçmişi Önemlidir?</h3><ul><li>Modelin bir önceki soruya verdiği cevaba bağlı yeni soruların anlamlandırılması gerekir:</li></ul><p>“Peki ya İstanbul’da?” gibi sorular ancak önceki bağlamla anlamlıdır.</p><ul><li>Uygulamanın hafızalı hissettirilmesi için:</li></ul><p>Kullanıcı “dün ne demiştim?” dediğinde anlamlı bir cevap alabilmeli.</p><ul><li>Prompt token sınırı ve maliyet açısından:</li></ul><p>Tüm geçmişi her defasında göndermek pahalı ve sınırlıdır.</p><h3>📦 LangChain’de Chat History Nasıl Yönetilir?</h3><p>LangChain, chat geçmişini yönetmek için iki ana yol sunar:</p><h4>1. chat_memory (Geçici Bellek)</h4><p>Zincirin içinde geçmiş mesajların tutulduğu temel yapı.</p><pre>memory.chat_memory.add_user_message(&quot;Merhaba!&quot;)<br>memory.chat_memory.add_ai_message(&quot;Hoş geldiniz, size nasıl yardımcı olabilirim?&quot;)</pre><p>Bu yapı, belleğe mesaj ekleyip [&quot;history&quot;] değişkeniyle zincire dahil eder:</p><pre>inputs = memory.load_memory_variables({})<br>inputs[&quot;history&quot;]  # -&gt; [SystemMessage, HumanMessage, AIMessage, ...]</pre><p>Bu yapı ConversationBufferMemory içinde kullanılır.</p><h4>2. save_context() ve load_memory_variables()</h4><p>LangChain’in Memory sınıfları Runnable zincirler ile entegre çalışır.<br> Her model çağrısında:</p><pre>chain.invoke({&quot;input&quot;: &quot;Bugün hava nasıl?&quot;})</pre><p>arka planda şunlar olur:</p><ul><li>memory.load_memory_variables() → geçmiş mesajları çeker</li><li>chain çalışır</li><li>memory.save_context() → yeni mesajları kaydeder</li></ul><p>Bu sayede otomatik chat history yönetimi sağlanır.</p><h3>📥 Chat History Saklama Yöntemleri</h3><p>LangChain, ChatMessageHistory adında soyut bir sınıf sunar. Bunun farklı uygulamaları vardır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/901/1*DjTAo2D0VtrRvJUnHWvHtA.png" /></figure><pre>from langchain.memory.chat_message_histories import FileChatMessageHistory<br><br>history = FileChatMessageHistory(file_path=&quot;history.json&quot;)<br>history.add_user_message(&quot;Selam&quot;)<br>history.add_ai_message(&quot;Merhaba!&quot;)</pre><p>Bu geçmişi daha sonra tekrar kullanarak:</p><pre>history.messages  # -&gt; [HumanMessage(...), AIMessage(...)]</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1a0ff1afdf7b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LangChain Ekosistemine Giriş: LLM Uygulamaları için Modern Bir Yapı Taşı]]></title>
            <link>https://medium.com/@hatipogluuzehra/langchain-ekosistemine-giri%C5%9F-llm-uygulamalar%C4%B1-i%C3%A7in-modern-bir-yap%C4%B1-ta%C5%9F%C4%B1-32147daedd3f?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/32147daedd3f</guid>
            <category><![CDATA[langgraph]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[langchain]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Thu, 26 Jun 2025 10:36:36 GMT</pubDate>
            <atom:updated>2025-07-22T09:59:09.215Z</atom:updated>
            <content:encoded><![CDATA[<p>Yapay zekâ dünyasında özellikle <strong>LLM (Large Language Model)</strong> tabanlı uygulamalar hayatımıza hızla entegre oluyor. Chatbot’lardan özetleme sistemlerine, arama motorlarından kod yazan asistanlara kadar pek çok senaryo artık dil modelleriyle mümkün. Ancak bu modelleri gerçek hayatta çalışır hale getirmek — yani sadece bir API çağrısı olmaktan çıkarıp anlamlı iş akışlarının parçası yapmak — her zaman kolay değil.</p><p>İşte burada karşımıza <strong>LangChain</strong> çıkıyor.</p><p>LangChain, LLM’leri dış veri kaynakları, araçlar, hafıza yapıları ve zincirleme mantıklarla birleştirerek <strong>modüler ve üretime hazır sistemler kurmamızı sağlayan bir framework</strong>. LLM uygulaması geliştirirken, bazen sadece bir prompt yetmez. Belki kullanıcıdan gelen metni analiz etmek, ardından bir veritabanından bilgi çekmek, sonra da bunu bir dil modeliyle özetlemek gerekir. LangChain bu gibi çok adımlı senaryolar için biçilmiş kaftan.</p><p>Bu yazıda, LangChain’in yapı taşlarını oluşturan ve ekosistemi tamamlayan bileşenlere — <strong>langchain-core</strong>, <strong>langchain-community</strong>, <strong>LangGraph</strong>, <strong>LangServe</strong> ve <strong>LangSmith</strong> — yakından bakacağız. Her biri, LLM temelli projelerin farklı bir ihtiyacına cevap veriyor. Haydi sırasıyla keşfedelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FcVV4M5BQwrWZazhGT96fQ.png" /></figure><h3>🧱 langchain-core: Her Şeyin Temeli</h3><p>LangChain’in kalbi diyebileceğimiz langchain-core, framework’ün minimal ve modüler hâlidir. Dış bağımlılıklardan arındırılmış olan bu paket, diğer tüm LangChain bileşenlerinin üzerinde yükseldiği temel katmandır.</p><p>İçinde neler var?</p><ul><li><strong>PromptTemplate</strong>: Tekrarlanabilir ve şablonlanabilir prompt yapıları</li><li><strong>Runnable</strong>: Zincirlerin veya bileşenlerin çalışabilir formu</li><li><strong>LLM</strong>: Model çağrıları için soyut yapı</li><li><strong>OutputParser, </strong><strong>Memory, </strong><strong>Document, </strong><strong>ChatMessage</strong> gibi standart sınıflar</li></ul><p>Özellikle sıfırdan kendi zincirlerini oluşturmak isteyen geliştiriciler için langchain-core , oldukça esnek ve sade bir başlangıç noktası sunar.</p><h3>🌍 langchain-community</h3><p>Geliştirdiğimiz LLM uygulamalarında dış dünyayla konuşmak neredeyse kaçınılmaz:</p><ul><li>Bir web sayfasından veri çekmek</li><li>HuggingFace’teki bir modeli kullanmak</li><li>Vektör veritabanına embedding göndermek…</li></ul><p>İşte bu noktada devreye langchain-community giriyor. Bu paket, LangChain’in dış servislerle kurduğu tüm bağlantıları barındırır. HuggingFace, Cohere, SerpAPI, Pinecone, FAISS, Notion, PDF okuyucular ve çok daha fazlası burada yer alır.</p><p>Bu ayrım sayesinde çekirdek (langchain-core) temiz ve sade kalırken, dış bağlantılar topluluk katkısıyla esnek bir şekilde yönetilebilir.</p><h3>🔄 LangGraph</h3><p>Çoğu dil modeli “stateless” çalışır; yani geçmişi hatırlamaz. Ancak bazı senaryolarda, özellikle çok adımlı diyaloglar veya karar verme mekanizmalarında, bir “durum” takip etmek gerekir. İşte burada karşımıza LangGraph çıkar.</p><p>LangGraph, LangChain üzerine inşa edilmiş, <strong>durum odaklı (stateful)</strong> iş akışları oluşturmanı sağlayan bir framework’tür.<br> Örneğin:</p><ul><li>Kullanıcı bir soruya yanıt verir → sistem bir veritabanına bakar → cevaba göre başka bir adım atar.<br> Bu tarz dallanıp birleşen süreçler LangGraph ile görsel veya kod bazlı olarak tanımlanabilir.</li></ul><h3>🚀 LangServe</h3><p>Projeni tamamladın ve başkalarının da kullanmasını istiyorsun. Frontend’le entegre edeceksin ya da bir mobil uygulamaya veri sağlayacaksın. İşte tam bu aşamada LangServe hayat kurtarıyor.</p><p>LangServe, LangChain zincirlerini <strong>tek satır kodla</strong> bir <strong>FastAPI servisine</strong> dönüştürür. Üstelik Swagger UI üzerinden test edebilir, lokal veya cloud ortamda kolayca yayına alabilirsin.</p><p>Bu da seni “model geliştiren biri” olmaktan çıkarıp, <strong>servis sağlayan bir geliştiriciye</strong> dönüştürür.</p><h3>🧠 LangSmith</h3><p>Uygulaman çalışıyor olabilir, ama performansı yeterli mi? Yanlış cevaplar veriyor mu? Hatalar nerede?<br> Bu soruların cevabı LangSmith ile geliyor.</p><p>LangSmith, LangChain zincirlerini <strong>izlemek, test etmek, değerlendirmek ve iyileştirmek</strong> için kullanılan bir platformdur.</p><ul><li>Her LLM çağrısının prompt’u, cevabı, süresi, token sayısı gibi detayları görebilirsin.</li><li>Test dataset’leri oluşturabilir, modellerini kalite açısından karşılaştırabilirsin.</li><li>Geliştirdiğin prompt’ların farklı versiyonlarını değerlendirme setleriyle ölçebilirsin.</li></ul><p>LangSmith ile LLM uygulamaları “sadece çalışan değil”, aynı zamanda <strong>ölçülebilir</strong>, <strong>geliştirilebilir</strong> ve <strong>takip edilebilir</strong> hale gelir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=32147daedd3f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[DHCP-ARP]]></title>
            <link>https://medium.com/@hatipogluuzehra/dhcp-arp-5fd31da5fcc2?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/5fd31da5fcc2</guid>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[company-culture]]></category>
            <category><![CDATA[cyber]]></category>
            <category><![CDATA[dhcp]]></category>
            <category><![CDATA[arp-protocol]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Tue, 18 Jul 2023 07:15:28 GMT</pubDate>
            <atom:updated>2023-07-18T07:15:28.696Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*asX-Th7oE0rTV_cAe88oiQ.png" /></figure><p>ARP (Address Resolution Protocol), cihazların bir ağ üzerinde kendilerini tanımlamalarına izin vermekten sorumlu olan teknolojidir.ARP, ağdaki cihazların IP adreslerini kullanarak birbirlerinin MAC adreslerini öğrenmelerine olanak sağlar. Bu sayede, bir cihazın IP adresi bilindiğinde, o cihazla doğrudan iletişim kurulabilir.</p><p>İnternet üzerinde veri iletimi gerçekleştirilirken, veriler IP paketleri halinde gönderilir. Her IP paketinin hedef IP adresi vardır. Ancak, veri link katmanında (Ethernet, Wi-Fi vb.) kullanılan cihazlar, fiziksel olarak MAC adreslerini kullanarak birbirleriyle iletişim kurarlar. Bu nedenle, bir cihazın IP adresini kullanarak, hedef cihazın MAC adresini öğrenmek gerekmektedir. İşte ARP bu noktada devreye girer.</p><p><strong>ARP Nasıl Çalışır?</strong></p><p>Genel olarak, bir cihaz, ağda hedeflediği IP adresine sahip bir cihazla iletişim kurmak istediğinde, öncelikle ARP isteği gönderir. ARP isteği, hedef hostun IP adresi ve kaynak MAC adresi içerir. Ağdaki tüm cihazlar bu ARP isteğini alır ve kendi IP adresleriyle karşılaştırır. Eğer bir cihaz, ARP isteğinde belirtilen IP adresine sahipse, kendi MAC adresini ARP yanıtı olarak gönderir. ARP isteğini gönderen cihaz, bu ARP yanıtını alır ve hedef cihazın MAC adresini öğrenir.</p><p>Bir cihaz, hedef IP adresine sahip bir cihazla iletişim kurmak istediğinde, öncelikle ARP önbelleğini kontrol eder. ARP önbelleğinde hedef IP adresine ilişkin MAC adresi bulunursa, doğrudan iletişim kurar. Ancak ARP önbelleğinde MAC adresi bulunmuyorsa, ARP isteği göndererek hedef cihazın MAC adresini öğrenmeye çalışır.</p><p>ARP, ağdaki cihazların iletişimini hızlandırmak ve veri iletimini kolaylaştırmak için önemlidir. Cihazlar, ARP önbelleğindeki bilgilere dayanarak hedef cihazın MAC adresini keşfedebilir ve verileri doğrudan gönderebilir. ARP, ağda IP-MAC adres eşleştirmesini dinamik olarak yönetir ve ağ topolojisinin etkin bir şekilde çalışmasını sağlar.</p><p>Ancak ARP’nin güvenlik zafiyetleri de vardır. Örneğin, ARP zehirlemesi saldırıları, yanlış IP-MAC adres eşleştirmelerini oluşturarak ağ güvenliğini tehlikeye atabilir. Bu nedenle, ARP güvenlik önlemleri, örneğin ARP izleme ve ARP tablosunun düzenli olarak temizlenmesi gibi uygulamalar, ağ güvenliği açısından önemlidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*gdzvQr148U2J1XGhzCPUMw.png" /><figcaption><a href="https://www.hackers-arise.com/post/network-basics-for-hackers-address-resolution-protocol-or-arp">https://www.hackers-arise.com/post/network-basics-for-hackers-address-resolution-protocol-or-arp</a></figcaption></figure><h3>DHCP</h3><p>DHCP (Dynamic Host Configuration Protocol), IP (Internet Protocol) ağı üzerindeki cihazlara IP adresleri ve diğer ağ yapılandırma bilgilerini otomatik olarak dağıtmak ve yönetmek için kullanılan bir ağ protokolüdür. DHCP, ağdaki cihazların IP adreslerini elle yapılandırmak yerine dinamik olarak almasını sağlar, bu da ağ yönetimini kolaylaştırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*blPZASFWD6A3M7l4YCqsgg.png" /><figcaption>tome</figcaption></figure><p>DHCP’nin temel amacı, ağa bağlanan bir cihaza otomatik olarak IP adresi, alt ağ maskesi, varsayılan ağ geçidi, DNS (Domain Name System) sunucu adresi ve diğer ilgili yapılandırma bilgilerini sağlamaktır. Böylece, yeni bir cihaz ağa bağlandığında veya bir cihaz ağda IP adresini değiştirdiğinde, DHCP sunucusu tarafından bu yapılandırma bilgileri dinamik olarak atanır.</p><ol><li>Aşama= DHCP discover(keşfi) ağ üzerinde herhangi bir DHCP sunucusu olup olmadığını görmek için bir istek</li><li>Aşama= DHCP offer(teklifi) DHCP sunucusu daha sonra cihazın kullanabileceği bir IP adresi ile yanıt verir</li><li>Aşama= DHCP request(isteği) cihaz daha sonra teklif edilen IP Adresini istediğini onaylayan bir yanıt gönderir</li><li>Aşama= DHCP ack(onayı) son olarak DHCP sunucusu bunun tamamlandığını onaylayan bir yanıt gönderir ve cihaz IP Adresini kullanmaya başlayabilir</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/877/1*x2Q1fnF5oSceOv4CWsqzww.png" /><figcaption>tryhackme</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5fd31da5fcc2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[TCP/IP ve OSI MODELİNİN KARŞILAŞTIRILMASI]]></title>
            <link>https://medium.com/@hatipogluuzehra/tcp-ip-ve-osi-modeli%CC%87ni%CC%87n-kar%C5%9Fila%C5%9Ftirilmasi-407064aae36a?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/407064aae36a</guid>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[tcp-ip-model]]></category>
            <category><![CDATA[osi-model]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Sat, 27 May 2023 15:01:46 GMT</pubDate>
            <atom:updated>2023-05-27T15:01:46.990Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*ZO0IFFVvQp4udQbzI4gygw.png" /></figure><p>Bilgisayar ağları, günümüzde iletişimin temel taşlarından biri haline gelmiştir. Bu ağlar, farklı bilgisayarların ve cihazların birbirleriyle iletişim kurmasını sağlayarak bilgi paylaşımını ve işbirliğini kolaylaştırır. Bu iletişim sürecini yönetmek için, ağ protokollerine ihtiyaç vardır. İki temel protokol ve model, OSI ve TCP/IP, ağ dünyasında büyük bir rol oynamaktadır. Bu yazımda, OSI modeli ve TCP/IP protokolüne bir göz atacağız ve bu protokollerin nasıl çalıştığını bakacağız.</p><h3><strong>OSI MODELİ NEDİR?</strong></h3><p>OSI (Open Systems Interconnection), bilgisayarlar arasındaki iletişimi standartlaştırmak ve farklı ağ protokollerinin birlikte çalışmasını sağlamak amacıyla 1970&#39;lerde ISO (International Organization for Standardization) tarafından geliştirilen bir referans modelidir. OSI modeli, ağ iletişimini yedi farklı katmana böler ve her katmanın belirli bir işlevi vardır.</p><p>Bu modelde, her katman üstündeki katmana hizmet sağlar. İki bilgisayar arasında iletişim kurulduğunda, katmanlar sırasıyla iletişim kurar. Verinin iletimi üst katmandan alt katmana doğru gerçekleşirken, alıcı bilgisayara gelen veri alttan üst katmana doğru ilerler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/710/0*gmga30a4RRV_3AGR.png" /></figure><p><strong>Physical layer</strong></p><p>Fiziksel katman (Physical Layer), ağ iletişiminin en alt katmanıdır ve verinin fiziksel ortam üzerinden iletimini sağlar. Fiziksel katman, verinin elektrik sinyalleri, optik sinyaller veya radyo dalgaları gibi fiziksel medya aracılığıyla verinin fiziksel ortam üzerinde iletimini sağlayarak ağ iletişimini gerçekleştirir.</p><ul><li>Fiziksel katman, bitlerin veri iletişim ortamı üzerinden nasıl taşınacağını belirler. Bu katmanda, veri bitleri elektrik gerilim seviyeleri, optik ışık dalgaları veya radyo frekansları gibi fiziksel sinyallere dönüştürülür.</li><li>Fiziksel katman, cihazların ağa fiziksel olarak bağlanmasını sağlayan kablolama, konektörler ve diğer fiziksel bileşenleri tanımlar. Ethernet kablosu, fiber optik kablolar, koaksiyel kablolar gibi farklı bağlantı ortamları fiziksel katmanda kullanılan örneklerdir.</li></ul><p><strong>Data Link layer</strong></p><p>Data Link Layer, fiziksel katmandan aldığı veriyi frame’lere ayırarak, hata kontrolü yaparak ve akışı yöneterek güvenilir veri iletimini sağlar. Aynı zamanda, ağdaki cihazları tanımlayan ve adresleyen fiziksel adresleri kullanarak doğru iletişimi sağlar.</p><ul><li>Data Link Layer, ağdaki cihazları benzersiz fiziksel adreslerle tanımlayan MAC (Media Access Control) adreslerini kullanır. Bu adresler, ağdaki cihazların birbirlerini tanıyabilmesini ve iletişim kurabilmesini sağlar.</li><li>Uygulama katmanından aldığı veriyi bölümlere, yani “frame”lere ayırır. Her frame, başlık (header) ve bitiş (trailer) bilgileriyle birlikte veri bölümünü içerir. Bu şekilde, verinin iletimi sırasında parçalanma ve birleştirme işlemi gerçekleştirilir.</li><li>Veri Bağlantı Katmanı, iletişim sırasında oluşabilecek hataları tespit etmek ve düzeltmek için hata kontrol mekanizmaları kullanır. Bu mekanizmalar, örneğin parite kontrolü, döngüsel gereksinim kontrolü (CRC) gibi yöntemleri içerebilir.</li><li>Data Link Layer, aynı fiziksel iletişim ortamını paylaşan cihazlar arasında uygun bir erişim yöntemi kullanarak çakışmaları önler. Çoklu Erişim Kontrolü (MAC) protokolleri, örneğin Ethernet, Token Ring gibi protokoller bu katmanda çalışır.</li></ul><p><strong>Network Layer</strong></p><p>Ağ Katmanı, veri paketlerinin doğru hedefe ulaşmasını sağlar ve ağdaki rota seçimini yönetir. IP (Internet Protocol) gibi protokoller, Ağ Katmanı’nda çalışır ve bu katmanın temel bileşenleridir.</p><ul><li>Ağ Katmanı, veri paketlerini yönlendirebilmek için her cihaza benzersiz bir ağ adresi (IP adresi) atar. Bu adresler, kaynak ve hedef cihazları tanımlamak ve paketlerin doğru şekilde yönlendirilmesini sağlamak için kullanılır.</li><li>Ağ Katmanı, veri paketlerinin kaynak cihazdan hedef cihaza ulaşması için en uygun rota seçimini yapar. Bu rota seçimi, ağdaki yönlendiricilerin (router) işbirliğiyle gerçekleştirilir. Yönlendiriciler, veri paketlerini doğru hedefe yönlendirmek için yönlendirme tablolarını kullanır.</li></ul><p><strong>Transport Layer</strong></p><p>Taşıma Katmanı, veri iletiminin güvenilir ve hatasız bir şekilde gerçekleştirilmesini sağlayan bir katmandır. Taşıma Katmanı, kaynak ve hedef cihazlar arasındaki iletişimin yönetimiyle ilgilenir ve veri paketlerinin doğru bir şekilde taşınmasını sağlar.</p><ul><li>Taşıma Katmanı, veri paketlerinin kaynak cihazdan hedef cihaza güvenilir bir şekilde iletilmesini sağlar. Bu katmanda kullanılan protokoller, veri paketlerinin bütünlüğünü korur, hata kontrol mekanizmaları uygular ve paket kayıplarını tespit eder. Hata düzeltme teknikleri, parça kayıplarının yeniden gönderilmesi gibi mekanizmalar taşıma güvenilirliğini sağlar.</li><li>Taşıma Katmanı, kaynak ve hedef cihazlar arasında bir iletişim bağlantısı kurar, sürdürür ve sonlandırır. Bağlantı kurulumu, veri transferi ve bağlantı sonlandırma gibi işlemler bu katmanda gerçekleştirilir. Bağlantı yönetimi, iletişimin güvenli ve düzenli bir şekilde gerçekleşmesini sağlar.</li></ul><p><strong>Session Layer</strong></p><p>Oturum Katmanı, ağdaki iletişim oturumlarının yönetilmesiyle ilgilenen bir katmandır. Oturum Katmanı, kaynak ve hedef cihazlar arasındaki iletişimi başlatır, sürdürür ve sonlandırırken oturum kontrolünü sağlar.</p><ul><li>Oturum Katmanı, kaynak ve hedef cihazlar arasında bir iletişim oturumu oluşturur ve bu oturumun kontrolünü sağlar. Oturumun başlatılması, sürdürülmesi ve sonlandırılması işlemleri bu katmanda gerçekleşir. Bu işlemler, oturum tanımlama, kimlik doğrulama, yetkilendirme gibi işlemleri içerebilir.</li></ul><p><strong>Presentation Layer</strong></p><p>Sunum Katmanı, verinin farklı sistemler arasında uyumlu bir şekilde temsil edilmesi, kodlanması ve şifrelenmesiyle ilgilenen bir katmandır. Sunum Katmanı, veri iletimindeki farklı formatlar arasında dönüşümleri gerçekleştirir ve verinin hedef cihaz tarafından anlaşılabilir bir şekilde sunulmasını sağlar.</p><ul><li>Sunum Katmanı, veriyi şifreleme işlemlerini gerçekleştirir. Şifreleme, verinin gizliliğini korumak ve yetkisiz erişime karşı güvenliği sağlamak için kullanılır. Şifreleme işlemi, veriyi şifreleyen ve hedef cihazda bu şifreyi çözen algoritmaları içerir.</li><li>Sunum Katmanı, verinin boyutunu azaltmak için veri sıkıştırma işlemlerini uygular. Bu işlem, veri akışını optimize eder, iletim süresini azaltır ve ağ kaynaklarını daha verimli bir şekilde kullanır.</li><li>Sunum Katmanı, verinin kaynak ve hedef cihazlar arasında farklı formatlarda temsil edilmesini sağlar. Farklı sistemlerin kullandığı veri formatları arasında dönüşümleri gerçekleştirir. Örneğin, bir cihazın kendi veri formatını başka bir cihazın anlayabileceği bir formata dönüştürür.</li></ul><p><strong>Application Layer</strong></p><p>Uygulama Katmanı, kullanıcıların ağ üzerinden iletişim kurmasını ve uygulama hizmetlerine erişmesini sağlayan bir katmandır. Uygulama Katmanı, kullanıcıların ağ üzerindeki uygulamalarla etkileşimde bulunmasını sağlar ve uygulama seviyesindeki iletişim süreçlerini yönetir.</p><ul><li>Uygulama Katmanı, kullanıcılara ağ üzerindeki uygulamalarla etkileşimde bulunmak için bir kullanıcı arayüzü sağlar. Bu arayüz, kullanıcılara uygulama hizmetlerine erişme, veri gönderme ve alma, ayarları yapılandırma gibi işlevleri gerçekleştirme imkanı verir.</li></ul><h3><strong>TCP-IP NEDİR?</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/275/0*fzeCtsZROkU9-HIS.png" /></figure><p>TCP/IP (Transmission Control Protocol/Internet Protocol), bilgisayar ağlarında veri iletişimi için kullanılan standart bir protokol ailesidir. İnternetin temelini oluşturan ve geniş ölçüde kullanılan bir iletişim protokolüdür.TCP/IP, veri iletişimini paketler halinde gerçekleştirir. İletilecek veri, paketlere bölünerek gönderilir ve alıcı tarafında paketler yeniden birleştirilerek orijinal veri elde edilir. TCP, güvenilir veri iletimi sağlamak için paketlerin doğru bir şekilde iletilmesini ve hedefe ulaşmasını sağlar. IP ise paketlerin ağ üzerindeki yönlendirme işlemlerini gerçekleştirir ve hedef cihazlara ulaşmasını sağlar.</p><p>TCP/IP protokol ailesi, günümüzde internetin temelini oluşturan standart bir iletişim protokolüdür. Bilgisayarlar arasında veri iletimi, IP adresleme ve yönlendirme, güvenilir veri iletimi gibi temel işlevleri sağlar. Bu sayede, internet üzerindeki iletişim ve veri paylaşımı mümkün hale gelir.</p><p>APPLİCATİON:OSI’nin ilk 3 katmanıdır.</p><p>NETWORK INTERFACE:OSI’nin alttan 2 katmanıdır.</p><p><strong><em>NOT</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/631/0*GoJPia_jMNRUk54B.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*0pSCuWoFP4fUtyeB.png" /></figure><p>Yukarıdaki resimde gördüğümüz gibi, veriler alt katmana kapsüllenerek gönderilir ve alıcı bilgisayara iletilir. Ardından, verilerin alıcıya ulaştığı doğrulandıktan sonra, alıcıda tekrar kapsülleme işlemi gerçekleştirilir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=407064aae36a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[KALİ LİNUX’UN KEŞİF YOLCULUĞUNA HAZIR MISIN?]]></title>
            <link>https://medium.com/@hatipogluuzehra/kali%CC%87-li%CC%87nuxun-ke%C5%9Fi%CC%87f-yolculu%C4%9Funa-hazir-misin-e6c3c6737b40?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/e6c3c6737b40</guid>
            <category><![CDATA[siber-guvenlik]]></category>
            <category><![CDATA[kali-linux]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[linux-tutorial]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Sat, 20 May 2023 19:31:27 GMT</pubDate>
            <atom:updated>2023-05-20T19:31:27.260Z</atom:updated>
            <content:encoded><![CDATA[<h3>BÖLÜM 4: AĞ KOMUTLARI</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5YfceOwDU6vKtoILWtNdSw.jpeg" /><figcaption><a href="https://tr.pinterest.com/pin/32369691062690489/">https://tr.pinterest.com/pin/32369691062690489/</a></figcaption></figure><p>Local IP (yerel IP), bir ağ üzerindeki cihazların yerel ağ içerisindeki benzersiz adresleridir. Bu adresler, yerel ağda iletişim kurmak için kullanılır ve internete erişim sağlamak için doğrudan kullanılmaz. Local IP adresleri, genellikle ağ yönlendiricileri tarafından DHCP (Dynamic Host Configuration Protocol) protokolü kullanılarak otomatik olarak atanır. Local IP adresleri, “192.168.x.x” veya “10.x.x.x” gibi IP adresi bloklarında yer alır. Bu adresler, özel ağlar olarak bilinir ve sadece yerel ağdaki cihazlar arasında geçerlidir. Diğer bir deyişle, local IP adresleri internet üzerinde benzersiz değildir ve global olarak erişilemezler.</p><p>Public IP (genel IP), bir ağ cihazının internete erişim sağladığı IP adresidir. Bu IP adresi, cihazın internete doğrudan bağlanmasını sağlayan internet servis sağlayıcısı (ISP) tarafından atanır. Public IP adresi, cihazın internete erişilebilir olduğu ve diğer cihazlarla iletişim kurabildiği adresdir. Public IP adresleri, genellikle ağ yönlendiricileri veya modemler üzerinde kullanılır ve ağdaki tüm cihazlar bu tek IP adresi üzerinden internete erişir. Public IP adresleri, benzersiz olmalıdır, yani aynı IP adresi birden fazla cihaza atanamaz. Bu sayede internet üzerindeki diğer cihazlarla iletişim kurulabilir ve internete erişim sağlanabilir. Bize atanmış IP adreslerini görmek için nereye bakmamız gerektiğini yazımın devamında açıklıyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/779/1*EpGL89pd6P4Fqx1pH2QqxQ.png" /></figure><p><strong>“Local IP” (yerel IP) </strong>adresimiz hakkında bilgi almak için <strong>“ifconfig”</strong> komutunu kullanıyoruz. <strong>Bu komut, ağ arabirimlerini yapılandırmak, durumlarını kontrol etmek ve ağ yapılandırma bilgilerini göstermek için kullanılır.</strong> “ifconfig” ifadesi, “Interface Configuration” (Ağ Arabirimi Yapılandırması) kelimelerinin kısaltmasıdır. Bu komut sayesinde ağ arabirimlerinin IP adresleri, netmask’ları, ağ geçitleri, MAC adresleri ve diğer ağ yapılandırma bilgilerini gösterir.</p><p>ifconfig komutu çalıştırdığımızda <strong>eth0</strong> <strong>ethernet</strong> kartımızı ifade ediyor. Başka <strong>ethernet</strong> kartları olması durumunda diğer kartlar da <strong>eth1</strong> ..<strong>eth2</strong> şeklinde belirtilir.</p><p><strong>lo</strong> bilgisayarın kendisini yani <strong>localhost</strong>’u ifade ediyor.</p><p><strong>wlan0</strong> ise <strong>kablosuz ağ kartını</strong> ifade eder. Ben de şuan wife kart takılı. Yine başka kartlar olması durumunda <strong>wlan1</strong> ..<strong>wlan2</strong> şeklide belirtilir.</p><p><strong>“Public IP” (genel IP) adresimiz hakkında bilgi almak için, genellikle “What is my IP” veya benzeri bir ifadeyi Google’da arayabilirsiniz. Bu şekilde, çıkan sonuçta görünen IP adresi, genel IP adresinizi temsil eder.</strong> Ancak, bu IP adresini burada paylaşmamanız önemlidir, çünkü public IP adresinizi sadece sizin bilmemeniz gerekmektedir. Public IP adresiniz, internet üzerindeki cihazınızı tanımlar ve potansiyel saldırganlar için bir hedef olabilir. <strong>Bu yüzden, güvenliğinizi sağlamak için public IP adresinizi gizli tutmanız önemlidir. </strong>Ayrıca, biliyoruz ki hacker saldırganları, saldırılarını gerçekleştirmeden önce genellikle VPN (Sanal Özel Ağ) kullanarak public IP adreslerini değiştirirler. Bu da güvenlik önlemlerinin önemini vurgulamaktadır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e6c3c6737b40" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[KALİ LİNUX’UN KEŞİF YOLCULUĞUNA HAZIR MISIN?]]></title>
            <link>https://medium.com/@hatipogluuzehra/kali%CC%87-li%CC%87nuxun-ke%C5%9Fi%CC%87f-yolculu%C4%9Funa-hazir-misin-41170139a602?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/41170139a602</guid>
            <category><![CDATA[linux-tutorial]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[linux]]></category>
            <category><![CDATA[kali-linux]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Fri, 19 May 2023 20:48:40 GMT</pubDate>
            <atom:updated>2023-05-20T16:10:52.051Z</atom:updated>
            <content:encoded><![CDATA[<h3>BÖLÜM 3: DOSYA İŞLEMLERİ</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/0*lFSJUhJrHgv0HjEZ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/811/0*69kMY85xRtMmrA5Z.png" /></figure><p>Sıradaki komutumuz<strong> “touch” komutudur. Bu komutu kullanarak, bir önceki bölümde oluşturduğumuz klasörün içinde istediğimiz formatta dosyalar oluşturabiliriz. </strong>Ben örneğin “.txt” formatında bir dosya oluşturdum. Oluşturmak için “touch dosya_adi” komutunu kullanrız. Ardından, dosyanın oluşup oluşmadığını kontrol etmek için “ls” komutunu kullandım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/579/0*-ZYSvjQSRnbJdgos.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/810/0*wkuqB0-a8RqiVWy_.png" /></figure><p><strong>“nano” komutunu kullanarak oluşturduğumuz “.txt” dosyasının içini doldurabiliriz. </strong>Bu komutu çalıştırdığımız da<strong> </strong>2. resimde görülen ekran, metinleri yazmak veya düzenlemek için bizi karşılar. Gördüğünüz gibi, şu anda bir şeyler yazdım. Dosyadan çıkmak için “Ctrl + X” tuş kombinasyonunu kullanırız. Ardından, kaydetmek isteyip istemediğimiz sorulur. “Y” (yes) tuşuna basıp Enter tuşuna basarak değişiklikleri dosyaya kaydederiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/778/0*pXR6EXpqOtBgDTZe.png" /></figure><p><strong>“cat” komutu, temel olarak bir dosyanın içeriğini terminal ekranında okumamıza olanak sağlayan bir komuttur.</strong> Bunun için, konsolda açmak istediğimiz dosyanın konumunda olmalıyız ve “cat acilacak_dosya” şeklinde komut vermemiz gerekir. Ben örneğin, değişiklik yaptığım “zehra.txt” isimli dosyanın içeriğini okumak için “cat zehra.txt” komutunu kullandım. Gördüğünüz gibi, içinde yazılanlar ekrana verildi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/505/0*-0vyMZnzjmy7H_pa.png" /></figure><p>Son olarak, “.zip” uzantılı dosyaları nasıl oluşturabileceğimizi ve daha sonra bu dosyaları nasıl açabileceğimizi görelim. Öncelikle, “.zip” dosyası oluşturma işlemiyle başlayalım. <strong>Bunun için konsola “zip dosya_adi.zip eklenecek_dosya” komutunu gireriz. </strong>Bu komut, belirtilen dosyayı “.zip” uzantılı bir dosyaya dönüştürür. Bu şekilde, “.zip” dosyamız oluşmuş olur. Bende belirtilen adımları uyguladım ve zera.zip oluştu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/0*kO2YaDq27slu10K8.png" /></figure><p>Eğer “zip” komutuyla sıkıştırdığımız bir dosyayı açmak istiyorsak,<strong> “.zip” dosyalarını açma işlevini yerine getiren “unzip” komutunu kullanırız.</strong> Bunun için “unzip dosya_adi.zip” şeklinde bir komut gireriz. Örneğin, “zera.zip” dosyasını açmak için “unzip zera.zip” komutunu kullandım. Ancak, içeride çıkarılacak dosya ile aynı isimde bir dosya bulunduğunda, mevcut dosyanın üzerine yazılıp yazılmayacağını sorar. Ben “Y” diyerek devam ettim. Aynı dosya olduğu için değişiklik yapılmadı, ancak dosyamız başarıyla çıkarılmış oldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/812/0*l9ufT2U3dkwaclaW.png" /></figure><p><strong>“rm” komutu, dosya veya dizinleri silmek için kullandığımız bir komuttur.</strong> Kullanımı “rm silinecek_dosya” şeklindedir. Örneğin, oluşturduğumuz “zehra.txt” dosyasını silmek için “rm zehra.txt” komutunu kullandım. Ardından, “ls” komutunu kullanarak kontrol ettim ve gördüğünüz gibi dosya başarıyla silindi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/815/1*WzzgBDDQPNcY8GqAcilt-Q.png" /></figure><p>Önemli komutlarımızdan biri de “find” dosyamızın nerde konumlandığını bulmak için kullanırız. “find / -type f -name “dosy_adi” şeklinde kullandım.</p><h3>KURMA-KALDIRMA-GÜNCELLEME</h3><p><strong>&quot;apt-get update” komutu, “sources.list” dosyasına eklenmiş olan depoları kontrol ederek paket listelerini günceller. </strong>Bu şekilde, sistemimizdeki paketlerin son sürümlerini ve bağımlılıklarını kontrol etmek için kullanılır. Temel olarak, güncelleme işleminden önce, hangi paketlerin güncellenmesi gerektiğini belirlemek için depolardan gelen yenilikleri kontrol eder. Bu komut, sistemimize yüksek sürümleri olan ve güncellenmesi gereken doğru paketleri güncellememizi sağlar. Özetle, “apt-get update” komutu depolardan gelen yenilikleri kontrol etmek için kullanılır.</p><p><strong>“apt-get upgrade” komutu ise “apt-get update” komutunun depolardan bildirdiği güncellenmesi gereken paketleri en son sürümlerine günceller.</strong> Bu komut, sisteminizdeki paketleri en son versiyonlarına getirmek için kullanılır. Yani, “apt-get update” ile belirlenen güncelleme ihtiyaçlarını “apt-get upgrade” komutuyla gerçekleştirir.</p><p><strong>Depoda bulunan programların kurulumlarını yaparken “apt-get install program_adi” komut bütünü kullanılıyor.</strong></p><p><strong>Kurduğunuz programı kaldırmanız(silmeniz) gerekirse konsola “apt -get remove program_adi” şeklinde girdiğinizde ilgili program otomatik olarak sistemden kaldırılacaktır.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=41170139a602" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[KALİ LİNUX’UN KEŞİF YOLCULUĞUNA HAZIR MISIN?]]></title>
            <link>https://medium.com/@hatipogluuzehra/kali%CC%87-li%CC%87nuxun-ke%C5%9Fi%CC%87f-yolculu%C4%9Funa-hazir-misin-4e2d1b28141a?source=rss-1a5b4c77db32------2</link>
            <guid isPermaLink="false">https://medium.com/p/4e2d1b28141a</guid>
            <category><![CDATA[kali-linux]]></category>
            <category><![CDATA[linux-dizinler]]></category>
            <dc:creator><![CDATA[zehra hatipoğlu]]></dc:creator>
            <pubDate>Fri, 19 May 2023 13:07:20 GMT</pubDate>
            <atom:updated>2023-05-19T20:42:46.593Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>BÖLÜM 2: DİZİNLER</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*_-ERDBw_cfbtc4ZGc5R1-Q.png" /></figure><p>Ben Kalimi sanal makine olan <strong>virtulbox</strong> da kullanıyorum. <strong>Sanallaştırma işlemi kısaca;</strong> kurulum için kalıcı bir diske ihtiyaç duymadan mevcut işletim sistemi üzerinde çalıştırılabilmesidir. Bu teknolojiyi kullanarak, VirtualBox gibi bir sanal makine programıyla yeni bir işletim sistemi kurabilir ve deneyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/948/1*2NliKcWtqKqyAd1POqEAgw.png" /></figure><p>Kali’mizin üst kısmında bulunan <strong>Root Terminal’i</strong> ile başlıyoruz. Root terminalini kullanmamızın sebebi, root (kök) kullanıcısı olarak yüksek ayrıcalıklara sahip olmaktır. Root kullanıcısı, sistemin tüm kaynaklarına erişebilir, sistem yapılandırmalarını değiştirebilir ve sistemin tam kontrolünü elinde tutar. Ancak, root yetkilerinin kullanılması ciddi bir sorumluluk gerektirir. <strong>Root kullanıcısı olarak çalışırken dikkatli olmalıyız ve sisteme zarar verebilecek potansiyel işlemlerden kaçınmalıyız</strong>. Eğer Kali şifrenizi değiştirmediyseniz, Kali giriş şifrenizle root terminalini açabilirsiniz. Şifrenizi girerken lütfen İngilizce klavyenin aktif olduğunu unutmayalım. Merak etmeyin, ilk girişi tamamladıktan sonra Türkçe klavyeye geçeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/951/1*KBERV50w4bmQf4_kQH9Rmw.png" /></figure><p>Karşınızda terminalimiz, artık birçok işlemimizi burada gerçekleştireceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/820/1*F_MPc4q0ArK7OQlNjytRlg.png" /></figure><p>Şimdi, zorlanmadan devam etmek için klavyemizi Türkçe yapalım. Yalnızca yukarıdaki komutu yazıp Enter tuşuna basmanız yeterli olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/806/1*nuPgenyZV2D-i43P7O2P_Q.jpeg" /></figure><p>Kali’mizin /home/kali klasörüne ulaşmak için kullanacağımız komutları göstereceğim. Bu biraz daha uzun bir yol olabilir ancak amacım, ilk adımlarımıza aşina olmanızı sağlamak ve geldiğimiz noktayı açık bir şekilde görebilmenizdir.</p><p>İlk olarak, <strong>“cd ..” komutunu kullanarak bir önceki dizine (bir dizin geriye) dönmek istediğimizi belirtiyoruz. </strong>Bu komutla root klasörüne geçttim. Burada, Linux’un “Tekil Hiyerarşik Klasör Yapısı”nı benimsediğini belirtmek istiyorum. Yani her şey, “/” (slash) simgesiyle ifade edilen root klasöründen başlar ve aşağıya doğru ilerler.</p><p><strong>“ls” komutunu kullanarak ulaştığımız konumda hangi dosyaların bulunduğunu görüyoruz.</strong>Ardından, /home/kali klasörüne ulaşmak için “cd home” komutunu kullandım. <strong>“cd ‘klasör adı’” şeklinde kullanarak istediğimiz klasöre veya dosyaların içine girebiliriz.</strong></p><p>Şu anda bulunduğumuz konum <strong>/home </strong>klasörüdür. Kendi klasörümüze geçmek için “cd kali” komutunu kullanarak kendi<strong> home/kali</strong> klasörüme geçttim. “ls” komutunu girerek içerisinde neler olduğunu kontrol ettim.</p><p>Bu hiyerarşiyi daha iyi anlamanız için aşağıda bir resim paylaşıyorum. Bu şekilde nereden başladığımızı ve nereye geldiğimizi daha iyi görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SmLPsNZI25EDq4HUcKJ0Cw.png" /><figcaption><a href="https://github.com/taylanbildik/Linux_Dersleri/blob/master/dok%C3%BCmantasyonlar/Linux_dosya_sistemi_hiyerar%C5%9Fisi.md">https://github.com/taylanbildik/Linux_Dersleri/blob/master/dok%C3%BCmantasyonlar/Linux_dosya_sistemi_hiyerar%C5%9Fisi.md</a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/520/1*lKvbEpVHyWjUlXBcIBdfXQ.png" /></figure><p><strong>Bulunduğumuz konumdaki gizli klasörleri de görebilmek için “ls -la”</strong> komutunu kullanabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/593/1*T7C1QDRA8J8kWxWAGJdaYw.png" /></figure><p><strong>Bulunduğumuz konumu görmek için “pwd”</strong> komutunu kullanıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/760/1*gLzK6ZbbbykGK0HY8xEVrQ.png" /></figure><p><strong>&quot;mkdir” komutu, klasör oluşturmamıza olanak sağlayan bir komuttur.</strong> En temel kullanımı, “mkdir klasör_adı” şeklindedir. Örneğin, bulunduğumuz konuma “deneme” adında bir klasör oluşturdum. Ayrıca klasörün oluşup oluşmadığını “ls” komutuyla teyit ettim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/767/1*XgcnvxHPLKJSLfe3xMx0_A.png" /></figure><p>Bir sonraki komutumuz, <strong>klasör </strong>s<strong>ilme işlemi için “rm -rf klasör_adi” komutunu kullanıyoruz.</strong> Gördüğünüz gibi oluşturduğumuz bu klasörü “<strong>rm -rf deneme”</strong> yazarak sildim.ls komutu ile de bunu teyit ettim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/1*Zk7zzKDdRnStqsvAuG0Ybw.png" /></figure><p>Burada en önemli komutlardan biri olan <strong>“-help” </strong>komutunu göreceğiz. <strong>Bu komutu, yazmak istediğiniz herhangi bir komutun yanına eklediğinizde, kullanımı hakkında bilgi alabilirsiniz.</strong> Bu şekilde, Kali Linux bize kendi kullanım kılavuzunu da sağlıyor. Biz sadece daha kolay anlayabilmeniz için bu bilgileri yazıyoruz. Denemeler yaparak ve incelemelerde bulunarak her komutu keşfetmek önemlidir.</p><p>Bu bölümde komutlarla ilgili bu kadarıyla yetineceğim. Diğer bölümde dosyalar üzerinde duracağım. Tabii ki bu komutların daha derin kullanım şekilleri de mevcut, ancak amacım en sık kullanılanlar hakkında özet bilgi vermektir. Yukarıda da belirttiğim gibi, mutlaka “help” bölümünden diğer kullanım şekillerini de incelemenizi istiyorum.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4e2d1b28141a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>