<?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 HSD MSKU on Medium]]></title>
        <description><![CDATA[Stories by HSD MSKU on Medium]]></description>
        <link>https://medium.com/@hsdmsku?source=rss-7fea9dbbdcb0------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*YIpol0Qjt65hX9Ut1HfRGw.png</url>
            <title>Stories by HSD MSKU on Medium</title>
            <link>https://medium.com/@hsdmsku?source=rss-7fea9dbbdcb0------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 21:00:10 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@hsdmsku/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[Çocuğunuzun Genlerini Seçme Şansınız Olsaydı, Hayır Diyebilir Miydiniz?]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/%C3%A7ocu%C4%9Funuzun-genlerini-se%C3%A7me-%C5%9Fans%C4%B1n%C4%B1z-olsayd%C4%B1-hay%C4%B1r-diyebilir-miydiniz-166e36c2e086?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/166e36c2e086</guid>
            <category><![CDATA[biology]]></category>
            <category><![CDATA[dna]]></category>
            <category><![CDATA[humanity]]></category>
            <category><![CDATA[philosophy]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Sun, 30 Aug 2026 15:10:29 GMT</pubDate>
            <atom:updated>2026-08-30T15:10:29.713Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir gün çocuk sahibi olmak istediğimizi düşünün. Doktor karşınıza oturuyor ve bilgisayar ekranında sizin genomunuzu açıyor. “Babanızdan gelen şu varyant burada, dedenizden gelen başka bir varyant da burada. Atalarınızdan gelen bazı genetik özellikler bugün sizde görünür değil ama bunların bir kısmını değiştirebilir veya farklı şekilde ifade ettirebiliriz.” Sonra size bir soru soruyor: “Çocuğunuzda hangilerini görmek istersiniz?” Mavi göz mü? Daha açık saç rengi mi? Daha uzun boy mu? Daha yüksek bilişsel kapasiteyle ilişkili genetik kombinasyonlar mı?</p><p>Hatta belki bir gün ekranın karşısında çocuğunuz için onlarca farklı ihtimali karşılaştırabiliyorsunuz. Bir anlamda çocuğunuz henüz doğmadan önce onun genetik ihtimalleri arasında seçim yapıyorsunuz. Bilim kurgu gibi geliyor lakin bu geleceğin bazı parçaları şimdiden gerçek.</p><p>Elbette bugün DNA’mız, içinde atalarımızın bütün özelliklerinin saklandığı bir hazine sandığı değil. “Atamın gözleri maviydi, demek ki bende gizli bir mavi göz geni var; bilim insanları bunu açabilir.” şeklinde düşünmek doğru olmaz. Göz rengi, ten rengi, boy, zekâ ve kişilik gibi özellikler çoğunlukla çok sayıda genin ve çevrenin birlikte etkisiyle ortaya çıkıyor. Örneğin “süper zekâ” olmak, bir anahtarla açılıp kapanabilen bir özellik değildir; binlerce genin kombinasyonuyla (poligenik) ve çevresel deneyimlerle (epigenetik) şekillenir. Gen düzenleme teknolojileri geliştikçe belirli DNA bölgelerinde değişiklik yapmak ve bazı genlerin aktivitesini etkilemek giderek daha mümkün hâle geliyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*I4tRX-MlaHVli8lf5ntQ8A.png" /><figcaption><a href="http://chatgpt.com/">Görsel 1</a>: Genom analizi</figcaption></figure><p>Dolayısıyla gelecekte bazı özelliklerin genetik temelini bugünkünden çok daha iyi anlayabilirsek, bugün bize inanılmaz gelen bir soru ortaya çıkabilir: “Bu özellik neden ortaya çıkmıyor ve onu değiştirebilir miyiz?”</p><p>Fakat burada iki farklı gelecek senaryosunu birbirinden ayırmak gerekiyor. Birincisi, doğrudan genleri değiştirmek. İkincisi ise çok daha yakın bir ihtimal: embriyolar arasında seçim yapmak.</p><p>Diyelim ki laboratuvarda birden fazla embriyo oluşturuldu. Hepsinin DNA’sı ayrıntılı biçimde analiz ediliyor. Birinin belirli kalıtsal hastalıklara yakalanma riski daha düşük. Bir diğerinin bazı fiziksel özelliklere sahip olma ihtimali daha yüksek. Gelecekte bu analizler çok daha gelişmiş hâle gelirse, anne ve baba çocuklarının genlerini doğrudan değiştirmeden önce hangi embriyoyu seçeceklerine karar verebilir.</p><p>Bugün bunun bazı biçimleri zaten mümkün. Örneğin embriyolar belirli genetik hastalıklar açısından incelenebiliyor. IVF embriyoları, transfer edilmeden önce ağır kalıtsal hastalıklara (kistik fibrozis gibi) karşı taranabiliyor ve ilgili mutasyonu taşıyan embriyo elenebiliyor. Cinsiyet bilgisi de aynı süreçte ortaya çıkabiliyor. Ancak cinsiyet seçiminin yalnızca “kız istiyorum” veya “erkek istiyorum” şeklinde yapılması birçok ülkede hukuken ve etik açıdan sınırlandırılmış durumda. Yani mesele sadece teknolojinin neye izin verdiği değil, toplumun neye izin vereceğinin de önemli olması.</p><p>Fakat teknolojinin yüz yıl, iki yüz yıl sonra nerede olacağını düşünürsek asıl büyük soru burada başlıyor. Ya bir gün embriyoları yalnızca hastalıklardan uzak olmalarına göre değil, çok daha fazla özellik üzerinden değerlendirebilirsek? “Bu embriyonun beklenen boyu biraz daha yüksek.” “Bunun bazı hastalıklar açısından riski daha düşük.” “Bunun bilişsel özelliklerle ilişkili genetik profili daha avantajlı.”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KNgsf9eDvCHy4Dd3ycieVQ.png" /><figcaption><a href="http://chatgpt.com/">Görsel 2</a>: Seçilebilir embriyolar</figcaption></figure><p>O zaman çocuk sahibi olmak yavaş yavaş bir seçim problemine dönüşebilir. Ve insanlar muhtemelen seçim yapacaktır. Çünkü çoğu insan çocuğunun sağlıklı ve başarılı olmasını ister. Eğer bir gün bilim insanları “Bir embriyonun diğerine göre bazı avantajları var.” diyebilecek kadar güvenilir hâle gelirse, kaç kişinin “Hayır, ben rastgele seçmek istiyorum.” diyeceğini bilmiyoruz.</p><p>İşte burada biyoloji, teknolojiden daha büyük bir meseleye dönüşüyor.</p><h4>Peki herkes en iyi genleri seçerse ne olur?</h4><p>Bir kişinin çocuğunu daha sağlıklı veya daha zekâlı hâle getirmeye çalışması tek başına insanlığı değiştirmez. Ama milyonlarca insanın aynı şeyi yaptığını düşünün. Bir nesil, iki nesil, on nesil…</p><p>İnsanların belirli genetik özellikleri sürekli olarak tercih ettiği bir dünyada, bu özelliklerin toplumdaki oranı zamanla değişebilir. Çünkü bir özelliğin gelecek nesillere aktarılma ihtimali değiştiğinde, popülasyonun genetik yapısı da değişebilir.</p><p>Bugün bunu büyük ölçüde doğa ve çevre belirliyor. Gelecekte ise bir kısmını insanların tercihleri belirleyebilir. Bu noktada insanlık kendi evriminin seçici gücü hâline gelmeye başlayabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jVwcLJj56LrRmjS4yOS4XA.png" /><figcaption><a href="http://chatgpt.com/">Görsel 3:</a> Değiştirilen DNA’lar</figcaption></figure><p>Ve asıl felsefi soru ortaya çıkar:</p><h4>Herkes en iyi genleri seçerse bir “Üst İnsan” (Übermensch) ortaya çıkabilir mi?</h4><p>Belki de. Ama burada garip bir paradoks var. Diyelim ki bir şekilde istediğimiz genleri seçebildiğimiz bir gelecek oluştu. Herkesin zekâsı olağanüstü derecede yükseldi. Bugün 150 IQ olağanüstü kabul edilebilirken, toplumdaki insanların büyük bölümünün IQ’su 150 civarına gelirse 150 artık süper zekâ olarak kabul edilmez. Yeni normaldir. Sonra 170 üstün olur. Sonra 180.</p><p>Yani herkes daha iyi hâle geldikçe “daha iyi” kavramı da ileri taşınır. Kusursuzluğun standart olduğu bir dünyada kimse özel değildir. Belki de “Üst İnsan” yaratmak mümkün olsa bile, o insanın üstünlüğü yalnızca yeni normalin başlangıcı olur.</p><h4>Peki kusursuzluk bizi savunmasız bırakabilir mi?</h4><p>Daha da ilginç bir problem var. İnsanlığın hayatta kalmasını sağlayan şeylerden biri genetik çeşitliliğimizdir. Bazılarımız belirli hastalıklara karşı daha dirençli olabilir. Bazılarımız farklı çevrelere daha iyi uyum sağlayabilir. Bir genetik özellik bir ortamda avantaj sağlarken başka bir ortamda dezavantaja dönüşebilir.</p><p>Şimdi bunun tersini düşünelim. Herkes aynı “mükemmel” özellikleri seçmeye başlıyor. Herkes benzer bağışıklık sistemi, fiziksel özellikler, genetik kombinasyonlar ve risk profilleri taşıyor.</p><p>İlk bakışta bu harika görünebilir. Fakat biyolojik çeşitlilik azalırsa, gelecekte ortaya çıkacak yeni bir hastalık veya çevresel değişim karşısında insanlık daha kırılgan hâle gelebilir.</p><p>Bunu bilgisayarlara benzetebiliriz. Milyonlarca bilgisayarın hepsinin aynı işletim sistemini kullandığını düşünün. Hepsi hızlı, güçlü ve verimli olabilir. Fakat sistemde kimsenin keşfetmediği tek bir kritik açık varsa, aynı saldırı hepsini etkileyebilir.</p><p>Biyolojik çeşitlilik de insanlığın güvenlik katmanlarından biri olabilir. Belki bizi hayatta tutan şey sistemimizdeki “kusurlar” değil; hepimizin farklı kusurlara sahip olmasıdır. Bu yüzden insanlığı mükemmelleştirme isteği, paradoksal olarak bizi daha kırılgan hâle getirebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*s5CINLz0Aup-qzGMWQuANg.png" /><figcaption><a href="http://chatgpt.com/">Görsel 4</a>: Seçimler ve seçilenler</figcaption></figure><h4>Peki bu teknolojiye kim ulaşabilecek?</h4><p>Fakat bütün bunlardan önce çok daha somut bir problem var: Bu teknolojiye kim ulaşabilecek?</p><p>Yeni ve güçlü teknolojiler genellikle ilk ortaya çıktıklarında pahalıdır. Genetik teknolojiler de bundan bağımsız olmayabilir. İlk başta belki yalnızca çok zengin insanlar çocuklarının genomunu ayrıntılı biçimde analiz ettirebilir. Daha gelişmiş embriyo seçim yöntemlerine ulaşabilir, belirli hastalık risklerini azaltabilir ve gelecekte bazı fiziksel veya bilişsel özellikler açısından daha fazla seçeneğe sahip olabilir.</p><p>Üstelik bu ailelerin zaten daha iyi eğitim, sağlık hizmeti, beslenme ve yaşam koşullarına erişimi vardır. Böylece çok tehlikeli bir döngü ortaya çıkabilir:</p><p><strong>Para → daha iyi teknoloji → daha iyi başlangıç → daha fazla başarı → daha fazla para.</strong></p><p>Bu döngü nesiller boyunca devam ederse, eşitsizlik yalnızca ekonomik olmaktan çıkabilir. İşte burada genetik aristokrasi fikri ortaya çıkıyor.</p><p>Geçmişte aristokrat doğmak, hayatın başında büyük bir avantaj elde etmek anlamına geliyordu. Geleceğin aristokrasisinde ise avantaj yalnızca sahip olduğun para olmayabilir. Belki doğmadan önce sana sunulan seçenekler bile farklı olabilir. Zengin bir ailenin çocuğu yalnızca daha iyi bir okulda okumuyor olabilir. Belki daha doğmadan önce çok daha gelişmiş genetik teknolojilere erişmiş olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_cIZ2kPyhvJg0Znxud9J4Q.jpeg" /><figcaption><a href="http://chatgpt.com/">Görsel 5</a>: Sınıf farkı</figcaption></figure><p>Bu durumda sınıfsal farklar yalnızca toplum tarafından değil, kısmen biyoloji tarafından da yeniden üretilebilir.</p><p>Fakat bunun kaçınılmaz olduğunu söylemek de mümkün değil. Teknoloji zamanla ucuzlayabilir. Devletler bu uygulamaları herkes için erişilebilir sağlık hizmetlerine dönüştürebilir. Ya da tam tersine, etik ve hukuki nedenlerle çok sert biçimde sınırlandırabilir. Yani geleceğin nasıl olacağını yalnızca bilim insanları belirlemeyecek. Hukuk, ekonomi, etik ve toplumun vereceği kararlar da en az bilim kadar önemli olacak.</p><p>Belki de insanlığın önündeki en büyük soru, bir gün genlerimizi değiştirebilip değiştiremeyeceğimiz değil. Bir gün bunu yapabilecek hâle geldiğimizde neyi değiştirmemeyi seçebileceğimiz.</p><p>Çünkü insanlık ilk defa kendi evrimini yönlendirebilecek bir noktaya gelirse, artık yalnızca doğanın bize ne verdiğini kabul etmek zorunda olmayacağız. Çocuklarımızın nasıl olabileceği konusunda seçeneklerimiz olacak. Ve insan doğası gereği, seçenekler ortaya çıktığında onları kullanmak isteyecek.</p><p>Belki de geleceğin en büyük genetik deneyi bir laboratuvarda yapılmayacak. Milyonlarca anne ve babanın aynı cümleyi söylemesiyle başlayacak:</p><p><strong>“Çocuğumun en iyi versiyonunu istiyorum.”</strong></p><p>Peki ya herkes aynı şeyi isterse? O zaman belki de asıl soru, “Üstün insanı yaratabilecek miyiz?” değil.</p><p><strong>“Herkes üstün olmaya çalıştığında, üstünlük diye bir şey kalacak mı?”</strong></p><p>Ve belki bir gün insanlık, yüzyıllar boyunca doğanın kendisini nasıl şekillendirdiğini anlamaya çalıştıktan sonra, kendi elleriyle kendisini yeniden şekillendirdiğini fark edecek.</p><p><strong>Ya mükemmel insanı yaratmanın bedeli, insanın kendisi olursa?</strong></p><p><em>Kaynakça:</em></p><ul><li><strong>World Health Organization (WHO). (2021). <em>Human Genome Editing: Recommendations.</em></strong><br> <a href="https://www.who.int/publications-detail-redirect/9789240030381?utm_source=chatgpt.com">https://www.who.int/publications-detail-redirect/9789240030381</a> </li><li><strong>World Health Organization (WHO). (2021). <em>Human Genome Editing: A Framework for Governance.</em></strong><br> <a href="https://www.who.int/publications-detail-redirect/9789240030060?utm_source=chatgpt.com">https://www.who.int/publications-detail-redirect/9789240030060</a> </li><li><strong>National Academy of Medicine, National Academy of Sciences &amp; The Royal Society. (2020). <em>Heritable Human Genome Editing.</em></strong><br> <a href="https://www.nationalacademies.org/publications/25665?page=458&amp;utm_source=chatgpt.com">National Academies Press — Heritable Human Genome Editing</a> </li><li><strong>Okbay, A., et al. (2022). “Polygenic prediction of educational attainment within and between families from genome-wide association analyses in 3 million individuals.” <em>Nature Genetics, 54</em>, 437–449.</strong><br> <a href="https://www.nature.com/articles/s41588-022-01016-z?utm_source=chatgpt.com">Nature Genetics</a></li><li><strong>World Health Organization (WHO). <em>Human Genome Editing.</em></strong><br> <a href="https://www.who.int/health-topics/human-genome-editing?utm_source=chatgpt.com">WHO — Human Genome Editing</a></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*j5S2KMYWfriSGRGx.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=166e36c2e086" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/%C3%A7ocu%C4%9Funuzun-genlerini-se%C3%A7me-%C5%9Fans%C4%B1n%C4%B1z-olsayd%C4%B1-hay%C4%B1r-diyebilir-miydiniz-166e36c2e086">Çocuğunuzun Genlerini Seçme Şansınız Olsaydı, Hayır Diyebilir Miydiniz?</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Odysseus’un Eve Dönüşü ve Bizim Kayboluşumuz — Ya Eve Dönmek Diye Bir Şey Yoksa?]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/odysseusun-eve-d%C3%B6n%C3%BC%C5%9F%C3%BC-ve-bizim-kaybolu%C5%9Fumuz-ya-eve-d%C3%B6nmek-diye-bir-%C5%9Fey-yoksa-390d5ee4f077?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/390d5ee4f077</guid>
            <category><![CDATA[philosophy]]></category>
            <category><![CDATA[dopamine]]></category>
            <category><![CDATA[odysseus]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Tue, 18 Aug 2026 08:42:37 GMT</pubDate>
            <atom:updated>2026-08-18T08:45:27.431Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Odyssey</em>’i düşündüğümüzde aklımıza ilk olarak ne geliyor? Karanlık bir deniz, uzun bir yolculuk, tanrılar, adalar, canavarlar ve yıllarca süren bir eve dönüş… Fakat <em>Odyssey</em>’e biraz daha yakından baktığımızda, hikâyenin aslında yalnızca denizle ya da eve dönmekle ilgili olmadığını fark ediyoruz. Belki de <em>Odyssey</em>, insanın bir yere ulaşmaya çalışırken yolda neye dönüştüğüyle ilgilidir ve belki de bu yüzden, aradan binlerce yıl geçmesine rağmen bize hâlâ bu kadar tanıdık gelir. Çünkü biz de sürekli bir yerlere gidiyoruz; sadece bizim denizlerimiz biraz farklı.</p><p>Odysseus’un bir hedefi vardır: Ithaka. Nereye gittiğini bilir. Bu yüzden karşılaştığı her şeyin, çıktığı her yolun ve verdiği her kararın bir anlamı vardır. Bugün ise bundan o kadar emin değiliz. Nereye gidiyoruz? Daha iyi bir hayat dediğimiz şey tam olarak nerede? Daha fazla para kazandığımızda mı, daha güzel bir şehirde yaşadığımızda mı, kaç ülke gördüğümüzde mi, hangi işi yaptığımızda mı, yoksa kaç kişinin bizi tanıdığında mı? Bazen bütün hayatımızı bir hedefin peşinde geçiriyoruz ve o hedefe vardığımızda, neden oraya gitmek istediğimizi çoktan unutmuş olduğumuzu fark ediyoruz.</p><blockquote><strong>Belki modern insanın en büyük problemi başarısızlık değildir; hedeflerinin gerçekten kendisine ait olup olmadığını bilmemesidir</strong>.</blockquote><p>Odysseus’un yolculuğundaki en ilginç duraklardan biri Sirenlerdir. Sirenlerin şarkısında insanı kendine çeken bir şeyler vardır: merak, güzellik, haz ve yaklaşma isteği.. Odysseus da bu şarkıyı duymak ister. Burada bana göre oldukça tanıdık bir insan hâli ortaya çıkar; bazen neyin bizi kendimizden uzaklaştıracağını biliriz, hatta bunun farkında olduğumuzu düşünürüz, fakat yine de ona yaklaşmak isteriz. Bugün bunun için mitolojik varlıklara ihtiyacımız yok. Telefonlarımız fazlasıyla yeterli. Sonsuz kaydırma, sonsuz video, sonsuz haber ve sonsuz seçenek… Her şey birkaç saniye uzağımızda ve belki de çağımızın en büyük Sirenleri kötü görünen şeyler değil, tam tersine dışarıdan bakıldığında son derece masum ve bizi cezbeden şeyler. Bir bildirim daha, bir video daha, bir bölüm daha, bir alışveriş daha, bir tatil daha… Birinin hayatına biraz daha bakmak, kendi hayatımıza biraz daha geç dönmek anlamına gelebiliyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oAVBTu1e3-03KA9zvPVzjw.png" /><figcaption><a href="https://chatgpt.com/">Görsel 1</a>: Ekranla dolu geçen günler</figcaption></figure><p>Fakat <em>Odyssey</em>’deki daha sessiz ve bana göre daha düşündürücü duraklardan biri <strong>Lotus Yiyenler</strong>. Çünkü onların etkisi Sirenlerinki kadar gürültülü değildir. Seni bir yere çağırmazlar, sana büyük bir vaat sunmazlar; yalnızca bazı şeyleri yavaş yavaş unutmaya başlarsın. Lotus yiyenler için Ithaka giderek anlamını kaybeder, eve dönme arzusu zayıflar ve yolculuğun kendisi önemini yitirir. Belki insanın kaybolmasının en tuhaf biçimi de budur: Nereye gittiğini bilmemek değil, nereden dönmek istediğini unutmak.</p><p>Bugün bunun karşılığını bulmak çok zor değil. Günlerimiz sürekli bir şeylerle dolu. Bir yere yetişiyoruz, bir şey izliyoruz, bir şey dinliyoruz, birileriyle konuşuyoruz ve başkalarının hayatlarını takip ediyoruz. Telefonu elimizden bıraktığımızda bile zihnimiz başka bir yerde dolaşıyor. Belki de bu yüzden bazen ne istediğimizi değil, en son ne istediğimizi bile hatırlamakta zorlanıyoruz. Bizi durdurmuyorlar, sadece kendimize dönmemizi geciktiriyorlar.</p><p>Fakat <em>Odyssey</em>’deki bir başka hayati durak da Kalypso’nun adasıdır. Kalypso, Odysseus’a kalabileceği bir hayat sunar; yolculuğun belirsizliğinden ve yorgunluğundan uzak, sakin ve konforlu bir yaşam… Odysseus orada kalabilir. Artık yola çıkmak zorunda değildir, önünde yeni bir belirsizlik yoktur ve hayatını değiştirmek için bir adım atmasına da gerek kalmaz.</p><p>Burada bana göre hikâyenin en modern taraflarından biri ortaya çıkar: Bazen insanı yolundan çıkaran şey zorluk değil, konfordur. Çünkü acı bizi hareket ettirebilir, konfor ise olduğumuz yerde tutabilir. Bir süre sonra neden mutsuz olduğumuzu bile tam olarak anlamadan aynı hayatın içinde yaşamaya devam edebiliriz. Her şey yolundadır, büyük bir problem yoktur; fakat yine de içimizde bir şeylerin eksik olduğunu hissederiz. Belki de insanın kendine sorması gereken en önemli sorulardan biri şudur: İyi olduğum için mi burada kalıyorum, yoksa gitmeye cesaret edemediğim için mi?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jCkCBbSJZqhp59K5HENg_A.png" /><figcaption><a href="https://chatgpt.com/">Görsel 2</a>: Hangi kapı?</figcaption></figure><p>Modern hayat bize sürekli hareket etmemizi söylüyor. Daha fazla deneyim, daha fazla başarı, daha fazla üretkenlik, daha fazla seyahat, daha fazla hedef… Lakin ilginç olan şu ki bu kadar hareketin içinde kendimizi hiç olmadığı kadar sıkışmış hissedebiliyoruz. Çünkü hareket etmekle ilerlemek aynı şey değil. Bir insan dünyanın yarısını gezip yine de kendisinden hiç uzaklaşmamış olabilir; başka biri ise bütün hayatını aynı şehirde geçirip kendisi hakkında büyük bir yolculuk yapmış olabilir.</p><blockquote><strong>Bu yüzden belki de asıl mesele ne kadar uzağa gittiğimiz değildir, yol boyunca neyi geride bırakabildiğimiz ve kendimize ne kadar yaklaşabildiğimizdir.</strong></blockquote><p>Bu yüzden <em>Odyssey</em>’in sonunda Odysseus’un Ithaka’ya dönüşü bana artık eskisi kadar basit gelmiyor. Çünkü eve dönmek yalnızca bir adaya ulaşmak değildir. İnsan bazen bir yere değil, eski bir hâline dönmeye çalışır; çocukluğuna, bir insana, bir eve, bir şehre veya geçmişte kendisini başka türlü hissettiği bir zamana… Fakat hiçbirine gerçekten aynı şekilde dönemeyiz. Çünkü biz değişmişizdir, gittiğimiz yer değişmiştir ve zaman çoktan başka bir yere akmıştır. Belki de eve dönüşün asıl tuhaflığı burada saklıdır: Döndüğümüzde artık bıraktığımız kişi değiliz.</p><p>Ve belki Ithaka’nın anlamı da tam burada ortaya çıkar. Ithaka hiçbir zaman yalnızca varılacak bir yer değildir. Ithaka, insanın bütün yolculuk boyunca neyi kaybetmek istemediğini hatırlatan şeydir. Belki de bir insanın eve dönmesi, eski hayatına olduğu gibi geri dönmesi değil, yolculuk boyunca değişmiş hâliyle kendisine ait olan şeyi yeniden tanımasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HBayb1mYd52WIkRK0zGMiQ.png" /><figcaption><a href="https://chatgpt.com/">Görsel 3</a>: Düşünmek ve sorgulamak</figcaption></figure><p>Bugün belki de Odysseus’tan farklı bir problemimiz var. Bizim önümüzde çok fazla yol var. Çok fazla şehir, meslek, insan ve hayat biçimi mevcut. Her gün başka bir hayat görüyoruz. Algoritmalar bize sürekli yeni ihtimaller gösteriyor. Başkasının evi, başkasının ilişkisi, başkasının kariyeri, başkasının tatili, başkasının mutluluğu… Bütün bunlara bakarken kendi hayatımızın yanlış olduğunu düşünmeye başlayabiliyoruz. Belki de modern insanın denizde kaybolmasının sebebi yönünü kaybetmesi değildir; her yöne gidebilecek kadar fazla seçeneğinin olmasıdır.</p><p>Belki bu yüzden binlerce yıl sonra hâlâ <em>Odyssey</em>’i okuyoruz. Çünkü onun hikâyesinde kendimizi buluyoruz. Biz de yoldayız; bizim denizimiz farklı, bizim Sirenlerimiz farklı, bizim Lotuslarımız farklı, bizim Ithakamız belki başka bir yerde. Ama soru aynı: Nereye gidiyorum? Ve bundan daha elzem olanı, oraya gerçekten ben mi gitmek istiyorum?</p><p>Çünkü insanın bütün hayatını yanlış bir hedefe doğru başarıyla geçirmesi, başarısız olmaktan çok daha acı bir ihtimaldir. Belki de bazen ihtiyacımız olan şey yeni bir hedef değildir. Yeni bir şehir, yeni bir iş ya da yeni bir hayat da değildir. Bazen sadece durmamız ve bütün bu gürültünün içinde kendi sesimizi yeniden duyabilmemiz gerekir.</p><p>Belki de bazen yapmamız gereken şey ileriye bakmayı bırakıp ilk defa geriye bakmaktır. Neyi özlediğimize, neyi geride bıraktığımıza, neyi unutmaya başladığımıza ve bütün bu koşuşturmanın içinde aslında neyin hâlâ bizim için önemli olduğuna bakmak… O zaman belki şunu fark ederiz:</p><blockquote><strong>Eve dönüş dediğimiz şey her zaman bir yere gitmek değildir. Bazen insanın kendisinden ne kadar uzaklaştığını fark etmesidir.</strong></blockquote><p>Ithaka bir yer olmayabilir. Belki Ithaka, hangi hayatın gerçekten bize ait olduğunu anlayabildiğimiz o nadir andır. Belki insanın bütün yolculuğu boyunca aradığı şey de tam olarak budur: Gideceği yeri bulmaktan önce, neden oraya gitmek istediğini anlayabilmek.</p><p>Ve asıl soru eve dönüp dönemeyeceğimiz olmayabilir. Belki asıl soru, hâlâ dönmek istediğimiz bir yerin olup olmadığıdır.</p><p>Kaynakça:</p><ul><li><em>Homeros — Odysseia</em></li><li><strong><em>Meshi, D., Tamir, D. I. &amp; Heekeren, H. R. (2015). “The Emerging Neuroscience of Social Media.” Trends in Cognitive Sciences, 19(12), 771–782.</em></strong><em><br> </em><a href="https://pubmed.ncbi.nlm.nih.gov/26578288/?utm_source=chatgpt.com"><em>Makalenin PubMed sayfası</em></a></li><li><strong><em>Stijovic, A. et al. (2024). “Defining Social Reward: A Systematic Review of Human and Animal Studies.” Psychological Bulletin, 150(12), 1472–1509.</em></strong><em><br> </em><a href="https://pubmed.ncbi.nlm.nih.gov/39432336/?utm_source=chatgpt.com"><em>PubMed — Defining Social Reward</em></a></li><li><strong><em>Sherman, L. E. et al. (2018). “Peer Influence Via Instagram: Effects on Brain and Behavior in Adolescence and Young Adulthood.” Child Development.</em></strong><em><br> </em><a href="https://pmc.ncbi.nlm.nih.gov/articles/PMC5730501/?utm_source=chatgpt.com"><em>Makalenin tam metni — PMC</em></a></li><li><strong><em>“What the brain ‘Likes’: neural correlates of providing feedback on social media.”</em></strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*DNwxMTGNuG3tMlMX.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=390d5ee4f077" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/odysseusun-eve-d%C3%B6n%C3%BC%C5%9F%C3%BC-ve-bizim-kaybolu%C5%9Fumuz-ya-eve-d%C3%B6nmek-diye-bir-%C5%9Fey-yoksa-390d5ee4f077">Odysseus’un Eve Dönüşü ve Bizim Kayboluşumuz — Ya Eve Dönmek Diye Bir Şey Yoksa?</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[“Productivity Toxicity” (Toksik Verimlilik): Hiçbir Şey Yapmamanın Suçluluğu]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/productivity-toxicity-toksik-verimlilik-hi%C3%A7bir-%C5%9Fey-yapmaman%C4%B1n-su%C3%A7lulu%C4%9Fu-6e856f02a074?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/6e856f02a074</guid>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Tue, 07 Jul 2026 18:47:38 GMT</pubDate>
            <atom:updated>2026-07-07T18:47:38.925Z</atom:updated>
            <content:encoded><![CDATA[<p>Pazar akşamı koltuğa uzanmış, hiçbir şey yapmadan sadece tavanı izliyorsunuz ya da rastgele bir dizi açmışsınız. Ama içinizde anlam veremediğiniz, kemirici bir huzursuzluk var. <em>“Şu an kitap okumalıydım”, “Yeni bir dil öğrenmek için harika bir vakit”, “Neden vaktimi boşa harcıyorum?”</em> sesleri zihninizde dönüp duruyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*QdmSrEt_H478SlSe" /><figcaption>Görsel 1: Photo by <a href="https://unsplash.com/@p_kuzovkova?utm_source=medium&amp;utm_medium=referral">Polina Kuzovkova</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Tanıdık geldi mi? Tebrikler, siz de modern dünyanın en sinsi pandemilerinden birine yakalandınız: <strong>Toksik Verimlilik.</strong></p><p>Üniversitede yakından tanıdığım bir arkadaşım vardı. Ne zaman karşılaşsak, ne zaman sorsam hep aynı cevabı alıyordum: <em>“Kütüphaneye gidiyorum.”</em> Her vaktini kütüphanede, bilgisayar başında bir şeyler öğrenmeye çalışarak geçirirdi. Yurda hep çok geç saatlerde döner, sadece uyur ve ertesi gün aynı döngüye sıfırdan başlardı.</p><p>Bir gün dayanamayıp ona sordum: <em>“Sen kendine hiç vakit ayırıyor musun?”</em></p><p>Durdu. Önce derin derin düşündü, sanki bu soruyu kendine daha önce hiç sormamış gibiydi. Sonra bana aynen şu cümleyi kurdu: <strong>“Boş durduğum vakit kendimi rahatsız hissediyorum. Boşa vakit geçirdiğimi, zamanı ziyan ettiğimi düşünüyorum.”</strong></p><p>O an çok şaşırmıştım. Çünkü ben, onun tam aksine, her ne koşulda olursa olsun kendine alan açan, dinlenmeyi de hayatın bir parçası gören biriydim. Onun zihnindeki bu prangayı görmek beni sarsmıştı. Ama asıl sarsıcı olan, arkadaşımın bu hikâyede yalnız olmaması. Bugün milyonlarca insan, durmanın bir “hak” değil, bir “suç” olduğuna inanarak yaşıyor.</p><h3>İnsan Bir Proje Değildir: Verimlilik Nasıl Bir Zehre Dönüştü?</h3><p>Sosyal medyayı açıyoruz; sabah 5’te uyanıp buzlu kahvesini içen, meditasyonunu yapıp sabah 8 olmadan üç proje bitiren “kusursuz” hayatlar önümüze düşüyor. Kapitalist sistem ve dijital dünya bize sürekli şu alt metni fısıldıyor: <em>Eğer üretmiyorsan, değer üretmiyorsun demektir. Değer üretmiyorsan, değersizsin.</em></p><p>Eskiden “verimlilik”, bir işi daha kısa sürede bitirip kendine ve sevdiklerine vakit ayırabilmek anlamına gelirdi. Şimdiyse dinlenmenin kendisi bile verimli yapılması gereken bir aktiviteye dönüştü. Kahve içerken podcast dinlemek, yürüyüş yaparken sesli kitap bitirmek, kişisel gelişim furyasının içinde boğulmak zorundaymışız gibi hissediyoruz. Hayatı, optimize edilmesi gereken bir Excel tablosuna çevirdik. Ama unuttuğumuz bir şey var: <strong>İnsan bir proje değildir.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-MDmfdCd8laGpoKd" /><figcaption>Görsel 2: Photo by Borja Verbena on Unsplash</figcaption></figure><h3>Başarı Odaklı Anksiyete: “Durursam Düşerim” Yanılgısı</h3><p>Sürekli bir şeyler başarma baskısı, beynimizi kronik bir “savaş ya da kaç” moduna sokuyor. Hiçbir şey yapmadığımızda, beynimiz bunu bir dinlenme fırsatı olarak değil, bir “başarısızlık” veya tehlike sinyali olarak algılamaya başlıyor. İşte o koltukta otururken hissettiğimiz anlamsız huzursuzluğun, o iç kemiren suçluluk duygusunun arkasında bu var.</p><p>Sürekli koşmak zorunda hissetmek bizi daha başarılı yapmıyor; aksine, bizi kaçınılmaz bir <em>burnout</em> (tükenmişlik) sendromuna ve kronik anksiyeteye sürüklüyor. Kendimize acımasızca yüklendiğimizde, zihnimiz bir süre sonra tamamen greve gidiyor.</p><h3>“Tembellik Hakkı” ve Radikal Bir Eylem Olarak Durmak</h3><p>Paul Lafargue’ın ünlü <em>“Tembellik Hakkı”</em> kavramı, günümüzde her zamankinden daha devrimci bir yerde duruyor. Psikolojik araştırmalar, beynimizin hiçbir şey yapmadığı, boş boş etrafa baktığı anlarda <strong>“Default Mode Network” (Varsayılan Mod Şebekesi)</strong> adı verilen bir mekanizmayı devreye soktuğunu gösteriyor. Yani aslında en yaratıcı fikirlerimiz, problem çözme yeteneğimiz biz harıl harıl çalışırken değil; zihnimiz arka planda özgürce dinlenirken filizleniyor.</p><p>Dinlenmek, bir sonraki iş gününe enerji toplamak için yapılan mekanik bir bakım süreci değildir. Dinlenmek, sadece insan olmanın getirdiği doğal ve başlı başına bir haktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*4lkVGfBLv8Yn4Tk8" /><figcaption>Görsel 3: Photo by <a href="https://unsplash.com/@greedwolf97?utm_source=medium&amp;utm_medium=referral">Quan Jing</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h3>Son Söz: Koltuktaki O Suçluluk Duygusunu Uğurlamak</h3><p>Kütüphaneden çıkmayan o arkadaşıma ne mi oldu? Zamanla, sabırla ona kendine vakit ayırmayı, hiçbir şey yapmamanın da güzel olabileceğini aşıladım. Kolundaki o hayali saati durdurmayı, sadece “olmanın” tadını çıkarmayı öğrendi. Onu o döngüden çıkarabilmek, bana da hayata dair çok şey öğretti.</p><blockquote><strong>Hayat, sürekli bir sonraki istasyona yetişmeye çalıştığımız bir maraton olmak zorunda değil. Bazen sadece durmak, verimsiz olmak ve hiçbir şey başarmamak da bu hayata dâhil.</strong></blockquote><p>Bugün kendinize bir iyilik yapın. Telefonu bir kenara bırakın, yapılacaklar listenizi kapatın ve suçluluk duymadan tamamen “boşa” vakit geçirin. Çünkü bu çılgın çağda bazen yapabileceğiniz en verimli eylem, hiçbir şey yapmamaktır.</p><p><strong>Kaynakça</strong></p><ul><li>Paul Lafargue. <em>The Right to Be Lazy</em> (1883).</li><li>Marcus E. Raichle et al. <em>The brain’s default network</em>. <em>Proceedings of the National Academy of Sciences</em> (2001).</li><li>Christina Maslach &amp; Michael P. Leiter. <em>Job Burnout</em>. <em>Annual Review of Psychology</em> (2016).</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kBcJvOQVqlruHO-SbqZVPA.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6e856f02a074" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/productivity-toxicity-toksik-verimlilik-hi%C3%A7bir-%C5%9Fey-yapmaman%C4%B1n-su%C3%A7lulu%C4%9Fu-6e856f02a074">“Productivity Toxicity” (Toksik Verimlilik): Hiçbir Şey Yapmamanın Suçluluğu</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekâ ve Müzik: Bir Tehdit mi Yoksa Yeni Bir Enstrüman mı?]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2-ve-m%C3%BCzik-bir-tehdit-mi-yoksa-yeni-bir-enstr%C3%BCman-m%C4%B1-a2fcb0386d1e?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/a2fcb0386d1e</guid>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Mon, 25 May 2026 14:05:51 GMT</pubDate>
            <atom:updated>2026-05-25T14:05:51.295Z</atom:updated>
            <content:encoded><![CDATA[<p>Kulaklığınızı takıp bir şarkıyı başlattığınızda arkadaki melodinin bir insan eliyle mi yoksa bir satır kodla mı yazıldığını hiç düşündünüz mü?</p><p>Günümüzde yapay zekâ, sadece veri analiz eden bir yazılım olmaktan çıkıp her alanda olduğu gibi müzik endüstrisine de büyük bir rol oynamakta. Bugünlerde bile sanatçılar ve dinleyenler arasında büyük bir tartışma konusu olmuş olan yapay zekâ saniyeler içerisinde Bach gibi beste yapabiliyor, sesleri klonlayabiliyor ve mix-mastering gibi zorlu prodüksiyon süreçlerini tek tuşla halledebiliyor. Peki, bu dijital devrim gerçek sanatçıları ve müziğin geleceğini nereye götürüyor?</p><p>İlk bakışta “Yapay zekâ her şeyi yapacaksa gerçek sanatçılara gerek kalacak mı?” endişesi uyanması çok normal. Ancak madalyonun diğer yüzüne baktığımızda, durum tam tersi bir yöne evriliyor: Yapay zekâ geliştikçe, “insan” olmanın ve gerçek sanatçıların değeri hiç olmadığı kadar artıyor.</p><p>Biz bir şarkıyı sadece ses dalgaları güzel olduğu ya da çok iyi kurgulandığı için sevmeyiz; o şarkının arkasındaki <strong><em>yaşanmışlıkla ve hikâyeyle</em></strong> bağ kurarız. Yapay zekâ, teknik olarak en dokunaklı minör akorları yan yana getirerek muazzam bir ayrılık şarkısı besteleyebilir ama o notaların arkasında gerçek bir acı, kırılmış bir kalp veya yaşanmış bir hayat hikâyesi olmadığını bildiğimiz an büyü bozulur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mrln6RAJojq_llobpeqETw.png" /><figcaption><a href="https://gemini.google.com/app">Figure 1:</a> Yapay zekâ ve müzik</figcaption></figure><blockquote><strong>Sanat, en basit tabirle duygudur; insanın kendi iç dünyasını, acılarını, neşesini ve varoluşunu dışa vurma biçimidir.</strong></blockquote><p>Ve duygu, yalnızca insana aittir. Sadece müzik için değil, sanatın bütününde en önemli şey insanlar ve onların hissettikleridir.</p><p>Örneğin bugün Picasso’nun Guernica tablosu hakkındaki tüm teknik verileri, renk paletlerini ve fırça darbelerini yapay zekâya yükleyebilirsiniz. AI size görsel olarak kusursuz yeni bir Guernica çizebilir. Ancak o topraklarda doğmuş bir İspanyolun, Guernica’da yaşanan savaştan, ölümden ve yıkımdan dolayı duyduğu o derin acıyla çizdiği orijinal tablonun yanına bile yaklaşamaz. Çünkü buradaki mesele sadece tuval üzerindeki fırça darbeleri değil, o resmin geçmiş hikâyesini oluşturabilmek, o acıyı hücrelerinde hissetmektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*tJ29duXy7acNR_-u" /><figcaption>Figure 2: Picasso’nun ünlü Guernica Tablosu — Photo by <a href="https://unsplash.com/@alinsontf?utm_source=medium&amp;utm_medium=referral">Alinson torres</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Aynı durum müzik için de geçerlidir. Rock tarihinin en destansı anlarından birini, Queen’in <strong><em>“The Show Must Go On”</em></strong> parçasını düşünün. Freddie Mercury, o dönemde hastalığının son aşamasındaydı ve stüdyoya yürüyemeyecek kadar zayıf düşmüştü. Şarkının yazarı Brian May, notaların çok yüksek olduğunu ve Freddie’nin o halde bu şarkıyı söyleyemeyeceğinden büyük bir endişe duyuyordu.</p><blockquote><strong>Bizi sarsan ve zamansızlaşan şarkılar matematiksel bir algoritmanın değil; kan, ter, gözyaşı ve yaşamın bir ürünüdür.</strong></blockquote><p>Fakat Freddie tüm acısına meydan okuyarak mikrofonun başına geçti, içindeki o muazzam enerjiyle tek seferde müzik tarihinin en görkemli, en unutulmaz vokallerinden birini kaydetti.</p><p>Yapay zekâ bugün o tiz notalara, frekansları milimetrik olarak hesaplayıp algoritmik bir kusursuzlukla çıkabilir. Ancak o frekansların arasına, tükenmekte olan bir bedenin hayata ve sahneye tutunma çabasını, o muazzam direnişi kodlayamaz. Biz o şarkıyı dinlediğimizde sadece doğru basılmış notaları duymayız; hayata karşı atılmış varoluşsal bir çığlığa tanıklık ederiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5H6g8bHcoLAflvn1RMogHg.png" /><figcaption><a href="https://gemini.google.com/app">Figure 3:</a> Temsili Freddie Mercury görseli</figcaption></figure><p>İşin canlı performans boyutu ise teknolojinin asla taklit edemeyeceği bir meziyettir. Bir albüm kaydını evde bin kere dinleyebilirsiniz, ama konser bambaşka bir şeydir. Yanınızda hiç tanımadığınız binlerce insanla aynı anda, aynı nakaratı haykırırken tüylerinizin diken diken olması tesadüf değildir. Sahnedeki sanatçının o gece canı öyle istediği için attığı farklı bir gitar solosu veya solistin sesinin çatallanması, sadece “o gece orada olanların” şahit olduğu tekrarlanamaz bir anıya dönüşür.</p><blockquote><strong>Yapay zekâ kulaklığımıza kadar olan mesafeyi kusursuzca yönetebilir ama bir stadyumda paylaşılan o kolektif enerjiyi ve aidiyet hissini asla simüle edemez.</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UyMtGft4PYhZuoS0rNGcwg.png" /><figcaption><a href="https://gemini.google.com/app">Figure 4:</a> Müziğin birleştirici gücü konserler</figcaption></figure><p>Sonuç olarak; yapay zekâ üretimi müzikler hayatımızı bir fon müziği gibi kaplayabilir; asansörlerde, reklamlarda veya hızlı tüketim listelerinde yerini alabilir. Ancak bizi ağlatan, hayatımızı değiştiren o “büyük” eserler, yine kendi hikâyesini müziğe döken gerçek insanlardan çıkacak. Yapay zekâ kusursuzluğu sıradanlaştırdıkça, insanın o organik ve kusurlu dokunuşu çok daha elit ve aranan bir sanat formu haline gelecek.</p><p>Teknoloji sanatı yok etmiyor; ona yepyeni bir enstrüman kazandırıyor. Geleceğin harika eserlerini sadece yapay zekâlar yazmayacak; teknolojiyi teknik bir asistan olarak kullanıp, kendi ruhunu, kusurlarını ve yaşanmış hikâyesini sahneye taşımayı başaran gerçek sanatçılar dünyayı büyülemeye devam edecek.</p><p>Yazar: <a href="https://medium.com/u/29dfe83f7ffc">Hüseyin Emre UYSAL</a></p><p>Kaynakça:</p><ul><li><a href="https://www.npr.org/2026/05/02/nx-s1-5804489/music-listeners-dislike-ai-music-study">AI music is flooding streaming platforms. But listeners like it less and less</a></li><li><a href="https://www.artefact.com/blog/the-sound-shift-how-generative-ai-is-redefining-the-music-industrys-business-model/">The Sound Shift: How Generative AI is Redefining the Music Industry&#39;s Business Model - Artefact</a></li><li><a href="https://en.wikipedia.org/wiki/The_Show_Must_Go_On_(Queen_song)">The Show Must Go On (Queen song) - Wikipedia</a></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TxM25uWSHwtLJem6eHRFDQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a2fcb0386d1e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2-ve-m%C3%BCzik-bir-tehdit-mi-yoksa-yeni-bir-enstr%C3%BCman-m%C4%B1-a2fcb0386d1e">Yapay Zekâ ve Müzik: Bir Tehdit mi Yoksa Yeni Bir Enstrüman mı?</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veriden Modele, Modelden Gerçek Dünyaya]]></title>
            <link>https://medium.com/@hsdmsku/veriden-modele-modelden-ger%C3%A7ek-d%C3%BCnyaya-73c9741bbdb8?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/73c9741bbdb8</guid>
            <category><![CDATA[model-generalization]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-quality]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Fri, 06 Feb 2026 15:02:41 GMT</pubDate>
            <atom:updated>2026-02-06T15:02:41.405Z</atom:updated>
            <content:encoded><![CDATA[<h3>Giriş: Veri Bolluğunun Sınırına Geldik mi?</h3><p>Son yıllarda yapılan araştırmalar, birçok makine öğrenimi sisteminin performansının artık algoritma veya donanım sınırlarına değil,<br>veri kalitesi ve veri temsiliyeti sınırlarına dayandığını gösteriyor.</p><p>Veri miktarı hiç olmadığı kadar fazla. Ancak bu bolluk, daha iyi öğrenme veya daha doğru kararlar anlamına gelmiyor. Aksine, günümüz problemlerinin büyük bir kısmında:</p><ul><li>Etiketli (ground truth) veri sınırlı</li><li>Yeni dağılımları temsil eden veri yetersiz</li><li>Gürültü ve önyargı oranı yüksek</li><li>Gerçek dünya koşulları hızla değişiyor</li></ul><p>Bu durum, <strong>Veri Bilimi</strong>’ni yalnızca model kuran bir alan olmaktan çıkarıp,<br><strong>verinin kendisini sorgulayan bir disiplin</strong> hâline getiriyor.</p><p>Bu yazıda, Veri Bilimi ve Makine Öğrenimi’ni klasik tanımlar üzerinden değil; <strong>modern bir problem çözme süreci</strong> olarak ele alacağız.</p><h3>Veri Bilimi Nedir?</h3><p>Veri Bilimi, tek başına bir algoritma ya da kütüphane bilgisi değildir. Gerçekte veri bilimi, <strong>uçtan uca bir karar destek sürecidir</strong>.</p><p>Bu sürecin temel adımları şunlardır:</p><ul><li>Problemi doğru tanımlamak</li><li>Gerekli veriyi toplamak</li><li>Veriyi temizlemek ve anlamak</li><li>Modelleme yapmak</li><li>Sonuçları değerlendirmek</li><li>Çözümü üretim ortamına almak</li></ul><p>Buradaki kritik nokta şudur:</p><blockquote><em>Başarısız veri bilimi projelerinin çoğu, kötü modelden değil,<br></em><strong><em>yanlış problem tanımından ve zayıf veri varsayımlarından</em></strong><em> kaynaklanır.</em></blockquote><p>Press enter or click to view image in full size</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*sLdHJQAVqitQy3TX.png" /></figure><p>Press enter or click to view image in full size</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*eWcPyicgnVPb3w-J.jpeg" /><figcaption>Veri Bilimi Yaşam Döngüsü: Problem tanımı, veri toplama, analiz, modelleme ve dağıtımı kapsayan uçtan uca süreç</figcaption></figure><h3>Makine Öğrenimi Bu Sürecin Neresinde Durur?</h3><p>Makine Öğrenimi (Machine Learning), veri bilimi sürecinin <strong>tahmin üreten çekirdeğidir</strong>.</p><p>Tanım olarak:</p><blockquote><em>Makine öğrenimi, bir görevi yerine getirme performansını,<br>geçmiş örneklerden öğrenerek iyileştiren algoritmalar bütünüdür.</em></blockquote><p>Bir ML sistemi üç temel bileşenden oluşur:</p><ol><li><strong>Model</strong> — Tahmin yapan matematiksel yapı</li><li><strong>Parametreler</strong> — Modelin öğrendiği sayısal değerler</li><li><strong>Öğrenme Mekanizması</strong> — Hatalara bakarak parametreleri güncelleyen süreç</li></ol><p>Burada önemli bir ayrım yapmak gerekir:</p><blockquote><em>Makine öğrenimi </em><strong><em>anlamaz</em></strong><em>, </em><strong><em>yorum yapmaz</em></strong><em>, </em><strong><em>nedensellik kurmaz</em></strong><em>.</em></blockquote><p>Sadece verideki <strong>istatistiksel örüntüleri</strong> öğrenir.</p><h3>Somut Bir Örnek: Ev Fiyatı Tahmini</h3><p>Teoriyi somutlaştıralım.</p><p>Elimizde şu bilgilerin bulunduğunu varsayalım:</p><ul><li>Metrekare</li><li>Oda sayısı</li><li>Bina yaşı</li><li>Konum bilgisi</li></ul><p>Hedefimiz:</p><blockquote><em>Bu özelliklere bakarak bir evin fiyatını tahmin etmek.</em></blockquote><p>Bu problem:</p><ul><li><strong>Denetimli öğrenme</strong></li><li><strong>Regresyon problemi</strong></li></ul><p>olarak sınıflandırılır.</p><p>Model için bu veriler, yalnızca sayılardan ibarettir.<br>“Ev”, “pahalı” veya “ucuz” gibi kavramlar model için <strong>anlamsızdır</strong>.</p><h3>Modelden Önce En Kritik Adım: Veriyi Anlamak (EDA)</h3><p>Gerçek dünyada veri bilimi projelerinin büyük kısmı, <strong>model eğitmekten çok veriyi anlamakla</strong> geçer.</p><p>Bu aşamada sorulan sorular:</p><ul><li>Dağılımlar nasıl?</li><li>Eksik değerler var mı?</li><li>Aykırı (outlier) gözlemler mevcut mu?</li><li>Değişkenler birbiriyle nasıl ilişkili?</li></ul><p>Örneğin ev fiyatları çoğu zaman:</p><ul><li>Sağa çarpık dağılır</li><li>Az sayıda <strong>çok pahalı</strong> gözlem içerir</li></ul><p>Bu durum, özellikle doğrusal modellerde ciddi sapmalara yol açabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/0*tGUrVGJCMc8k_hMn.png" /><figcaption>Ortalama ev fiyatının frekans histogramı.</figcaption></figure><blockquote><strong><em>Garbage In → Garbage Out</em></strong><em><br>Veri kalitesi düşükse, modelin çıktısı da yanıltıcı olur.</em></blockquote><h4>Feature Engineering: Çoğu Zaman Modelden Daha Etkili</h4><p>Ham veriler nadiren yeterlidir.</p><p>Örneğin:</p><ul><li>“Yapım yılı” → “Evin yaşı”</li><li>“Semt adı” → “Merkez / merkeze uzak”</li><li>Sayısal değişkenlerin ölçeklenmesi</li></ul><p>Bu tür dönüşümler, çoğu zaman model performansını <strong>algoritma seçiminden daha fazla etkiler</strong>.</p><h3>Modelleme, Genelleme ve Gerçek Dünya Sorunu</h3><p>Model eğitildiğinde asıl soru şudur:</p><blockquote><em>Eğitim verisinde iyi olmak yeterli mi?</em></blockquote><p>Cevap: <strong>Hayır.</strong></p><p>Bir modelin değeri, <strong>daha önce görmediği verilerde</strong> nasıl davrandığıyla ölçülür. Buna <strong>genelleme (generalization)</strong> denir.</p><h3>Overfitting ve Underfitting</h3><ul><li><strong>Underfitting:</strong> Model çok basittir, temel ilişkileri yakalayamaz</li><li><strong>Overfitting:</strong> Model eğitimi (train verisini) ezberler, gerçek dünyada (test verisinde) çöker</li></ul><p>Bu dengeyi sağlamak için:</p><ul><li>Train / Validation / Test ayrımı</li><li>k-fold cross-validation</li></ul><p>kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*dXx8VDQxm-hMUPeW.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/0*o3ujKtHL0lFDpH-D.png" /><figcaption>Train–Test Split ve K-Fold Cross-Validation: Modelin genelleme performansını ölçmek için kullanılan temel değerlendirme stratejileri.</figcaption></figure><h3>Modern Perspektif: Büyük Modeller, Aynı Temel Sorunlar</h3><p>Derin öğrenme ve büyük dil modelleri (LLM’ler) veri bilimi pratiğini dönüştürdü.<br>Ancak temel gerçek değişmedi:</p><blockquote><em>Büyük model, kötü veri problemini çözmez.</em></blockquote><p>EDA, veri temizliği, değerlendirme ve domain bilgisi <strong>hala merkezi rol oynar</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/0*tMSBBE6S3UFtyj9i.png" /><figcaption>Veri Kalitesi vs Model Karmaşıklığı</figcaption></figure><h3>Güncel Kullanım Alanları</h3><p>Bugün veri bilimi ve makine öğrenimi şu alanların merkezinde:</p><ul><li>Öneri sistemleri</li><li>Dolandırıcılık tespiti</li><li>Sağlıkta risk analizi</li><li>Müşteri terk (churn) tahmini</li><li>LLM destekli karar sistemleri</li></ul><p>Ortak nokta:</p><blockquote><em>Hepsi </em><strong><em>tahmin</em></strong><em> yapar, hiçbiri “bilinçli” değildir.</em></blockquote><h3>Sonuç: Makine Öğrenimi Ne Yapar, Ne Yapmaz?</h3><p>Bu yazıyı şu çerçeveyle bitirmek gerekir:</p><p>Makine öğrenimi:</p><ul><li>İnsan gibi düşünmez</li><li>Gerçeği “bilmez”</li><li>Nedensellik kurmaz</li></ul><p>Makine öğrenimi:</p><ul><li>Veriden örüntü öğrenir</li><li>Tahmin üretir</li><li>Karar destek sistemleri oluşturur</li></ul><p>Bu nedenle gerçek değer, modelin karmaşıklığından değil; onu doğru problem, doğru veri ve doğru yorumla konumlandırabilmekten gelir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/0*zV_1i1rnYVdaCed_.png" /></figure><p>YAZAR : Yakup zengin</p><p>Editör :Rana Sueda Asma</p><h3>Kaynaklar</h3><ol><li><a href="https://www.onlinemanipal.com/blogs/data-science-lifecycle-explained">https://www.onlinemanipal.com/blogs/data-science-lifecycle-explained</a></li><li><a href="https://www.business-science.io/business/2019/06/27/data-science-workflow.html">https://www.business-science.io/business/2019/06/27/data-science-workflow.html</a></li><li><a href="https://www.researchgate.net/figure/Frequency-histogram-of-average-house-price_fig2_384442767">https://www.researchgate.net/figure/Frequency-histogram-of-average-house-price_fig2_384442767</a></li><li><a href="https://www.researchgate.net/figure/Train-test-cross-validation-split-methodology-used-in-this-paper-The-first-operation_fig2_340567535">https://www.researchgate.net/figure/Train-test-cross-validation-split-methodology-used-in-this-paper-The-first-operation_fig2_340567535</a></li><li><a href="https://www.researchgate.net/figure/K-Fold-Cross-Validation-Concept_fig1_366851964">https://www.researchgate.net/figure/K-Fold-Cross-Validation-Concept_fig1_366851964</a></li><li><a href="https://www.researchgate.net/figure/Qualitative-relationship-between-model-complexity-potential-prediction-error-and-data_fig3_349864079">https://www.researchgate.net/figure/Qualitative-relationship-between-model-complexity-potential-prediction-error-and-data_fig3_349864079</a></li><li><a href="https://www.timeplus.com/post/machine-learning-inference-vs-prediction">https://www.timeplus.com/post/machine-learning-inference-vs-prediction</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=73c9741bbdb8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python’da SQLite Kullanımı: Hafif, Hızlı ve Öğrenci Dostu Bir Veritabanı Rehberi]]></title>
            <link>https://medium.com/@hsdmsku/pythonda-sqlite-kullan%C4%B1m%C4%B1-hafif-h%C4%B1zl%C4%B1-ve-%C3%B6%C4%9Frenci-dostu-bir-veritaban%C4%B1-rehberi-d744824466f3?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/d744824466f3</guid>
            <category><![CDATA[hsd]]></category>
            <category><![CDATA[sqlite]]></category>
            <category><![CDATA[huawei]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Sun, 14 Dec 2025 13:05:06 GMT</pubDate>
            <atom:updated>2025-12-14T13:05:06.104Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>aweiaPython’da SQLite Kullanımı: Hafif, Hızlı ve Öğrenci Dostu Bir Veritabanı Rehberi</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*CfdvFLXa-I9Kd428jd3hgg.png" /></figure><p>Veritabanlarıyla ilk kez karşılaştığınızda kavramlar genellikle göz korkutucu görünür; ilişkisel modeller, şema tasarımı, normalizasyon, SQL söz dizimi… Özellikle yazılım öğrenme sürecinin henüz başındaysanız bu terimler bir anda çok fazla gelmeye başlayabilir. Ancak Python’ın standart kütüphanesinde yer alan SQLite, veritabanı dünyasına giriş yapmak isteyen herkes için oldukça yalın ve pratik bir başlangıç noktası sunuyor. Sunucusuz yapısı, tek bir .db dosyası üzerinde çalışması ve Python ile entegre halde gelmesi sayesinde hem öğrenmesi hem kullanması son derece kolay.</p><p>Bu yazıda SQLite’ın teknik olarak nasıl çalıştığından başlayarak Python’daki sqlite3 modülünü kullanarak bağlantı kurma, tablo oluşturma, veri ekleme, sorgulama ve güvenli parametreli sorgular yazmaya kadar temel tüm adımları ele alacağız. Ayrıca mini bir <strong>CRUD</strong> uygulaması geliştirerek öğrendiklerimizi pekiştireceğiz.</p><p><strong>📌 SQLite Nedir? Teknik Olarak Nasıl Çalışır?</strong></p><p>SQLite bir <strong>sunucusuz (serverless)</strong>, <strong>dosya tabanlı</strong> veri tabanıdır. Yani MySQL, PostgreSQL gibi sunucu çalıştırmaz. Tüm veriler tek bir .db veya .sqlite dosyasında tutulur. Bu yapı sayesinde:</p><ul><li>Ekstra kurulum yoktur.</li><li>Tüm veriler tek bir dosyaya yazılır.</li><li>Uygulama her açıldığında bağlantı otomatik kurulur.</li><li><strong>ACID</strong> uyumludur: Atomicity, Consistency, Isolation, Durability özelliklerini tam destekler.</li></ul><p>SQLite’ın Python ile çok tercih edilmesinin bir diğer sebebi ise veri tabanı motorunun Python’ın içine gömülü olarak gelmesidir. Ekstra kütüphane kurmadan veri tabanı işlemlerini yapabilmek, öğrenciler için büyük bir kolaylık sağlar.</p><p><strong>🗂️ İlk Adım: Veri tabanına Bağlanmak</strong></p><p>Python’da veri tabanına bağlanmak için sadece birkaç satır kod yeterlidir:</p><pre>import sqlite3<br>conn = sqlite3.connect(&quot;ogrenciler.db&quot;)<br>cursor = conn.cursor(</pre><p>connect() fonksiyonunun teknik olarak yaptığı şey:</p><p>✔ Veri tabanı dosyasını açmak<br>✔ Yoksa oluşturmak<br>✔ Bir bağlantı (connection) nesnesi döndürmek</p><p>Bağlantı nesnesi üzerinden hem <strong>transaction</strong> yönetimi hem de hata yönetimi yapılabilir.</p><p>Bu kod çalıştığında, projenin bulunduğu klasörde <strong>ogrenciler.db</strong> adında bir veri tabanı dosyası oluşur. Eğer dosya zaten varsa direkt ona bağlanır. Cursor ise SQL komutlarını veri tabanına göndermemizi sağlar.</p><p><strong>🏗️ Tablo Oluşturma</strong></p><p>Şimdi veri tabanı dosyamız hazır olduğuna göre küçük bir tablo oluşturalım. Örneğin bir öğrenci tablosu:</p><pre>cursor.execute(&quot;&quot;&quot;<br>CREATE TABLE IF NOT EXISTS ogrenci (<br>    id INTEGER PRIMARY KEY AUTOINCREMENT,<br>    ad TEXT,<br>    soyad TEXT,<br>    yas INTEGER)<br>&quot;&quot;&quot;)</pre><p>Burada kullanılan komutların açıklamaları :</p><ul><li><strong>INTEGER PRIMARY KEY AUTOINCREMENT</strong> → SQLite için özel bir veri türüdür. Bu alan aslında dahili olarak <strong>ROWID</strong> ile yönetilir.</li><li><strong>NOT NULL</strong> → Alanın boş geçilemeyeceğini garanti eder.</li><li><strong>CHECK()</strong> → Veri doğruluğunu veri tabanı seviyesinde sağlar.</li><li>SQLite veri türleri esnek olduğu için (dynamic typing) veri kontrollerinin tablo seviyesinde yapılması önemlidir.</li><li>IF NOT EXISTS sayesinde aynı tabloyu iki kere oluşturmaya çalışırsak hata almayız. Bu da pratik bir güvenlik önlemidir.</li></ul><p><strong>➕ Veri Ekleme (INSERT)</strong></p><p>Veritabanına veri eklemek Python’da gerçekten kolay:</p><pre>cursor.execute(&quot;INSERT INTO ogrenci (ad, soyad, yas) VALUES (?, ?, ?)&quot;,<br>               (&quot;Harry&quot;, &quot;Potter&quot;, 12))<br>conn.commit()</pre><p>Bir tabloya veri eklerken parametreli sorgu kullanmak kritik bir noktadır, çünkü bu yöntem SQL injection’ı doğal olarak engeller. SQLite, sorguyu iki parçaya ayırır: Sorgu yapısı (SQL kodu), Parametreler (ham veri).</p><p>Motor bu iki kısmı bağımsız olarak işler. Yani injection denemesi yapsanız bile parametre olarak gönderilen ifade SQL koduna dönüşmez; sadece “literal string” olarak saklanır. Hiçbir OR 1=1, — , DROP TABLE gibi komutlar çalıştırılamaz.<br>Ayrıca commit() çağrısının yapılması, SQLite’ın <strong>transaction log</strong> dosyasına yazma işlemini tamamlar.</p><p>✔ Eğer commit çağrılmazsa işlem RAM’de bekler ve uygulama kapanırsa veri kaybı olur.</p><p><strong>📤 Verileri Okuma (SELECT)</strong></p><p>Eklediğimiz verileri artık çekebiliriz:</p><pre>cursor.execute(&quot;SELECT * FROM ogrenci&quot;)<br>sonuclar = cursor.fetchall()<br>for s in sonuclar:<br>    print(s)<br><br></pre><ul><li><strong>fetchone()</strong> → Tek kayıt döner</li><li><strong>fetchmany(10)</strong> → 10 kayıt döner</li><li><strong>fetchall()</strong> → Tüm kayıtları liste olarak döner.</li></ul><p>Profesyonel uygulamalarda fetchall() tavsiye edilmez çünkü büyük tablolar RAM’i doldurabilir. Öğrenci projelerinde ise idealdir.</p><p><strong>✏️ Veri Güncelleme (UPDATE)</strong></p><p>Bir öğrencinin yaşını güncellemek istediğimizde şu komutu yazabiliriz:</p><pre>cursor.execute(&quot;UPDATE ogrenci SET yas = ? WHERE id = ?&quot;, (13, 1))<br>conn.commit()</pre><p>Burada id = 1 olan öğrencinin yaşını 13 yapmış olduk.</p><p>SQLite tüm işlemleri <strong>atomic (bölünmez)</strong> bir şekilde yapar.Bir hata olursa işlem geri alınır (rollback).</p><p>Dilersen işlem yönetimini manuel de yapabilirsin:</p><pre>conn.execute(&quot;BEGIN TRANSACTION&quot;)<br># SQL işlemleri<br>conn.commit()<br><br></pre><p>Bu yöntem özellikle çoklu veri güncellemelerinde daha güvenlidir.</p><p><strong>🗑️ Veri Silme (DELETE)</strong></p><p>Artık veri tabanından veri silmek gerekiyorsa:</p><pre>cursor.execute(&quot;DELETE FROM ogrenci WHERE id = ?&quot;, (1,))<br>conn.commit()</pre><p>Bir satırı silmek bu kadar basit. Burada (1,) kullanımının sebebi, Python’un tek elemanlı dizi yapısı gerekliliğidir.</p><p><strong>Küçük Bir CRUD Örneği</strong></p><p>Aşağıdaki örnek, SQLite ile temel CRUD (Create, Read, Update, Delete) işlemlerinin hepsini gösterir.</p><pre># CREATE<br>cursor.execute(&quot;INSERT INTO ogrenciler (ad, soyad ,yas) VALUES (?, ?, ?)&quot;,<br>               (&quot;Elif&quot;, ” Elif” , 21))<br>conn.commit()<br># READ<br>cursor.execute(&quot;SELECT * FROM ogrenciler&quot;)<br>print(cursor.fetchall())<br># UPDATE<br>cursor.execute(&quot;UPDATE ogrenciler SET yas = ? WHERE ad = ?&quot;, (23, &quot;Elif&quot;))<br>conn.commit()<br># DELETE<br>cursor.execute(&quot;DELETE FROM ogrenciler WHERE ad = ?&quot;, (&quot;Elif&quot;,))<br>conn.commit()</pre><p>Bu yapı küçük projelerde veri yönetimini oldukça kolaylaştırır.</p><p><strong>SQLite ile Başlamak Doğru Tercih</strong></p><p>Python’da SQLite ile çalışmak, veritabanı fikrinin kafada netleşmesi için mükemmel bir başlangıçtır. SQL öğrenmek, veri kalıcılığı sağlamak, küçük uygulamalar geliştirmek ve CRUD mantığını oturtmak için fazlasıyla yeterlidir. Daha sonra PostgreSQL, MySQL gibi ileri seviye sistemlere geçtiğinizde temel kavramların çoğu zaten tanıdık gelecektir.</p><p>Eğer Python öğrenme sürecinin bu aşamasındaysan, SQLite seni hem teknik açıdan geliştirir hem de gerçek dünyadaki veri yönetimi mantığına hazırlar. Kendi projelerinde .db dosyasıyla başlayan bu yolculuk zamanla çok daha güçlü veritabanı tasarımlarına kapı açacaktır.</p><p>Kaynak Önerisi:</p><ul><li><a href="https://www.w3schools.com/python/ref_module_sqlite3.asp">W3Schools.com</a></li><li><a href="https://docs.python.org/3/library/sqlite3.html">sqlite3 - DB-API 2.0 interface for SQLite databases</a></li></ul><p>Yazar: Bilge Su Bilgin</p><p>Editör: Rana Sueda ASMA</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d744824466f3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bir İnsanın Karakterini Belirleyen Şey: Yaşadıkları mı, Yoksa Seçimleri mi?]]></title>
            <link>https://medium.com/@hsdmsku/bir-i%CC%87nsan%C4%B1n-karakterini-belirleyen-%C5%9Fey-ya%C5%9Fad%C4%B1klar%C4%B1-m%C4%B1-yoksa-se%C3%A7imleri-mi-ec6a6dc62249?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/ec6a6dc62249</guid>
            <category><![CDATA[hsd]]></category>
            <category><![CDATA[seçimler]]></category>
            <category><![CDATA[huawei]]></category>
            <category><![CDATA[karakter]]></category>
            <category><![CDATA[yaşanmışlık]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Sat, 06 Dec 2025 16:39:55 GMT</pubDate>
            <atom:updated>2025-12-06T16:39:55.870Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*FR8I6X8Jju3tz1KqfxjdMg.png" /></figure><p>İnsanı anlamak bazen sandığımızdan daha karmaşık bir mesele. Birinin davranışını yorumlamaya çalışırken çoğu zaman “Daha genç, olgunlaşacak” ya da “Bu yaşta hâlâ böyle davranır mı?” gibi cümlelere sarılırız. Sanki yaş dediğimiz şey, insanın kişiliğini baştan sona açıklıyormuş gibidir. Oysa dikkat ettiğimizde görürüz ki yaş tek başına hiçbir şeyi anlatmaz; çünkü kimi insanlar çok genç yaşta ağır yüklerin altından kalkmak zorunda kalır, kimi ise yıllar boyunca korunaklı bir ortamda büyür. Gerçek karakteri belirleyen ise ne yaş ne de sadece koşullardır; asıl belirleyici, başımıza gelenlerle nasıl başa çıktığımızdır.</p><p>Beni en çok etkileyen şeylerden biri şu: Aynı evi, aynı sofrayı, aynı sıkıntıları paylaşan iki kardeş bile birbirinden tamamen farklı insanlar olabilir. Biri içine kapanır, kendini korumak için duvarlar örer; diğeri aynı olaylardan bambaşka anlamlar çıkarıp daha anlayışlı biri haline gelir. İkisinin yaşadıkları aynıdır. Ama seçtikleri yol farklıdır.</p><p>Hayat, insana pek çok sahne sunar. Bazısı komik, bazısı acı, bazısı şaşırtıcıdır. Fakat sahnenin nasıl oynanacağını belirleyen, yaşanan olayın kendisi değil; olay karşısında aldığımız tavırdır. Belki bir insanın kalbi kırılmıştır. O kişi buna öfkeyle mi karşılık verecek, yoksa aynı acıyı başkasına yaşatmamak için daha dikkatli biri olmayı mı seçecek? Belki hayal kırıklığı yaşamıştır. Kendini tamamen bırakıp akışa mı teslim edecek, yoksa bunu bir dönüm noktası sayıp kendine yeni bir yol mu çizecek? Bu sorulara verilen cevaplar, yıllar içinde kişinin karakterini sessizce şekillendirir.</p><p>Elbette seçim yapma imkânı herkes için eşit değildir. Bazı aileler çocuklarına daha fazla destek sunar; bazılarıysa çocuğunu kendi başına bırakır. Bazıları daha güvenli, daha anlayışlı çevrelerde yetişir; bazıları ise sürekli yargılandığı, sürekli mücadele ettiği bir ortamda büyür. Bu, yaşadıklarımızın seçimlerimizi nasıl etkilediğini gösterir. Yaşadıklarımız karakterimizin üzerine kurulduğu zemini oluşturur. Bu zemin kimi zaman kaygandır, kimi zaman taşlı, kimi zaman da yumuşaktır. Ancak o zeminin üzerinde nasıl yürüyeceğimize biz karar veririz. Karakter tam da bu yürüyüş biçiminde saklıdır.</p><p>Hayatın bir döneminde herkes kendi içine şunu fısıldar: “Ben neden böyleyim?” Bazen cevap çocukluğumuzdan gelir, bazen ergenlikte yaşadığımız bir olaydan, bazen çok daha yakın bir zamandan… Genelde insan fark etmeden, karakterini belirleyen anlar küçük ama kritik kararlardır: Öfkeyi mi seçeceğim, sabrı mı? İnsanlara güvenmeyi mi bırakacağım, yoksa onlara bir şans daha mı vereceğim? Kırıldım diye kabuğuma mı çekileceğim, yoksa kırılganlığımı doğru insanlara gösterebilecek kadar güçlü olabilecek miyim?</p><p>Bu soruların cevabı çoğu zaman dışarıdan görünmez; kimse bir başkasının zihninin içini bilemez. İnsan, iç sesleriyle baş başa kaldığında karakterinin gerçek yönünü bulur. Ve bu yön, sadece yaşadıklarımızdan doğmaz; yaşadıklarımız karşısında kim olmayı seçtiğimizde ortaya çıkar.</p><p>Tüm bunların sonunda şunu söyleyebilirim: İnsanın karakteri, yaşadığı olayların ona vurduğu darbelerle değil, o darbelerden sonra nasıl doğrulduğuyla belli olur. Kimse hayatındaki fırtınaları kontrol edemez: Ne zaman başlayacaklarını, ne kadar süreceklerini, kimi etkileyip kimi etkilemeyeceklerini bilemeyiz. Ama fırtınadan sonra nasıl bir insan olarak yolumuza devam edeceğimize biz karar veririz.</p><p>Kimi insanlar fırtına sonrası daha rengârenk olur; kimi daha karanlık. Kimi kırıldığı yerlerden ışık sızdırır; kimi kırıklarını sert kabuklarla kapatır. Aynı olayı yaşayan iki kişiyi birbirinden ayıran şey, tam olarak bu seçimdir.</p><p>Yazar: Nilay ATİK</p><p>Editör: Rana Sueda ASMA</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ec6a6dc62249" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Almanya’da Geliştirilen Su Emici Yol: Şehirlerin Geleceği mi, Yoksa Geçici Bir Deneme mi?]]></title>
            <link>https://medium.com/@hsdmsku/almanyada-geli%C5%9Ftirilen-su-emici-yol-%C5%9Fehirlerin-gelece%C4%9Fi-mi-yoksa-ge%C3%A7ici-bir-deneme-mi-697ccbcbb8ba?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/697ccbcbb8ba</guid>
            <category><![CDATA[huawei]]></category>
            <category><![CDATA[hsd]]></category>
            <category><![CDATA[almanya]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Sat, 29 Nov 2025 17:19:21 GMT</pubDate>
            <atom:updated>2025-11-29T17:19:21.628Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HxX-VddnpDl-Paf3pHQIlA.png" /></figure><p>Küresel iklim değişikliği, şehirlerde sel ve taşkın risklerini her geçen yıl artırıyor. Artan betonlaşma, suyun toprağa karışmasını engelliyor; yağmur suları, yolları ve altyapıyı adeta boğuyor. İşte Almanya bu soruna çözüm olabilecek iddialı bir adım attı: “Su Emici Yol” projesi.</p><p>Medyanın ilgisini çeken bu yeni yol yüzeyi, dakikada 4 ton suyu emebiliyor. Peki bu gerçekten mümkün mü? Yoksa biraz da pazarlama büyüsü mü var işin içinde?</p><p><strong>Su Emici Yol Nedir?</strong></p><p>“Su emici” veya teknik adıyla geçirgen (permeable) yol, yağmur suyunun yüzeyde birikmeden, alt katmanlara süzülmesine izin veren özel bir kaplama sistemidir.</p><p>Klasik asfalt gibi suyu yüzeyde tutmak yerine, suyu içeri geçirir ve alttaki drenaj sistemine yönlendirir.</p><p>Bu sistem üç temel katmandan oluşur:</p><p><strong>1. Gözenekli yüzey:</strong> Su damlalarının içeri geçmesini sağlayan özel karışımlı beton veya taş.</p><p><strong>2. Filtrasyon tabakası:</strong> Gelen suyu süzerek alttaki zemine iletir.</p><p><strong>3. Drenaj altyapısı: </strong>Suyu kanalize ederek ya yeniden kullanıma ya da yeraltı sularına yönlendirir.</p><p><strong>Almanya Neden Bu Teknolojiye Yatırım Yapıyor?</strong></p><p>Almanya, son yıllarda aşırı yağış ve ani sel felaketlerinden ciddi şekilde etkileniyor.</p><p>2021’deki Ahr Vadisi seli, 180’den fazla can kaybına yol açtı. Bu olay, altyapı sistemlerinin artık geleneksel yöntemlerle bu yükü taşıyamadığını gösterdi.</p><p>Bu yüzden mühendisler, suyun akışını yönetmek yerine onu yüzeyde absorbe eden yollar geliştirmeye başladı.</p><p>Projenin amacı, yağmur suyunu hem yoldan uzaklaştırmak hem de şehir altyapısına yük bindirmeden geri kazandırmak.</p><p><strong>⚙ Teknoloji Nasıl Çalışıyor?</strong></p><p>Projede kullanılan sistem, tam anlamıyla “suyu içen bir asfalt” değil.</p><p>Aslında bir poröz granit taban ve gizli drenaj borularından oluşuyor.</p><p>Yani su, yüzeydeki gözeneklerden hızla geçip yer altına yönlendiriliyor.</p><p>Laboratuvar testlerinde, 1 dakikada 4 ton suyun yüzeyden geçebildiği gösterilmiş durumda.</p><p>Ancak mühendisler bu değerin ideal laboratuvar koşullarında elde edildiğini vurguluyor. Gerçek şehir ortamında toz, yaprak, kum gibi faktörler gözenekleri tıkayabiliyor.</p><p><strong>Avantajları</strong></p><p>Sel ve taşkın riskini azaltır: Yağmur suyunun yüzeyde birikmesini önler.</p><p>Kanalizasyon yükünü hafifletir: Suların doğrudan altyapıya değil, drenaj sistemine akmasını sağlar.</p><p>Yeraltı sularını destekler: Suyun toprakla buluşmasına izin verir.</p><p>Isı adası etkisini azaltabilir: Gözenekli yüzeyler klasik asfalta göre daha serindir.</p><p>Ama her şey mükemmel değil. Bu yolların önünde hâlâ çözülmesi gereken teknik engeller var:</p><p>Tıkanma (Clogging): Toz ve yapraklar gözenekleri doldurarak geçirgenliği azaltabilir.</p><p>Don-çözülme döngüsü: Soğuk iklimlerde yüzey çatlayabilir veya deforme olabilir.</p><p>Dayanıklılık: Ağır araç trafiğinde yüzeyin ömrü kısa olabilir.</p><p>Bakım maliyeti:Gözeneklerin düzenli temizlenmesi gerekir, bu da klasik asfalttan daha pahalıdır.</p><p>Yani bu sistem, şimdilik şehir merkezlerinden çok daha az yoğun trafiğe sahip bölgelerde veya pilot uygulamalarda test ediliyor.</p><p><strong>Almanya’daki Pilot Uygulamalar</strong></p><p>Şu anda çeşitli Alman şehirlerinde permeable pavement sistemleri deneniyor.</p><p>Araştırmalar, bu sistemlerin özellikle yağmur bahçeleri, otoparklar ve bisiklet yolları gibi alanlarda oldukça başarılı olduğunu gösteriyor.</p><p>Yazar: Sena ÖZYAMAN</p><p>Editör: Rana Sueda ASMA</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=697ccbcbb8ba" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI’ın Üçüncü Gözü: Tek Bir Fotoğraftan Üç Boyutlu Evren Yaratmanın Sırları]]></title>
            <link>https://medium.com/@hsdmsku/ai%C4%B1n-%C3%BC%C3%A7%C3%BCnc%C3%BC-g%C3%B6z%C3%BC-tek-bir-foto%C4%9Fraftan-%C3%BC%C3%A7-boyutlu-evren-yaratman%C4%B1n-s%C4%B1rlar%C4%B1-29921d3e543c?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/29921d3e543c</guid>
            <category><![CDATA[dijital-i̇çerik]]></category>
            <category><![CDATA[hsd]]></category>
            <category><![CDATA[2d]]></category>
            <category><![CDATA[huawei]]></category>
            <category><![CDATA[3d]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Sat, 01 Nov 2025 14:28:27 GMT</pubDate>
            <atom:updated>2025-11-01T14:28:27.020Z</atom:updated>
            <content:encoded><![CDATA[<p>Dijital içerik üretimi, yapay zekâ sayesinde bambaşka bir boyuta taşınıyor. Eskiden saatler süren, yetenek gerektiren bir süreç olan 2D (iki boyutlu) bir görüntüden 3D (üç boyutlu) bir model oluşturma artık saniyeler sürebiliyor. Bu, oyun geliştiricilerden mimarlara, 3D baskı meraklılarına kadar herkes için çığır açan bir gelişme.</p><p>Bu teknoloji, yaratıcı endüstriler için “Absolute Zero” (Sıfır Veri/Sıfır Başlangıç) noktasından zirve performansa ulaşmanın anahtarıdır.<br> Peki, yapay zekâ tek bir düzlemden hacmi nasıl hayal ediyor?</p><h3>🔬 Gizli Anatomi: Tek Görselden 3D Yaratım Protokolü</h3><p>Tek bir 2D görüntüden 3D model oluşturmanın önündeki en büyük ve en temel engel, derinlik bilgisinin eksikliğidir.<br> Yapay zekâ, bu engeli aşmak için birden fazla algoritmayı aşamalı olarak kullanarak adeta bir “Üçüncü Göz” geliştirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*_CkFKVK3wIPZ_H_yYH9ydQ.png" /><figcaption><strong>Referans 2D Resim</strong></figcaption></figure><h4>1. Derinlik ve Normal Tahmini (Geometrinin İskeleti)</h4><p>Modelin ilk adımı, geometriyi tahmin etmektir. Yapay zekâ, fotoğraf üzerindeki gölge, perspektif ve doku ipuçlarını okuyarak gözle görülemeyen derinliği hayal etmek zorundadır.</p><p><strong>Teknik:</strong> Süpervizyonlu Derinlik Ağları (CNN) kullanılır. Bu ağlar, görüntüdeki nesnelerin göreceli boyutlarını ve örtüşme (occlusion) durumlarını analiz eder.<br> <strong>Çıktı:</strong> Bir gri tonlamalı <em>derinlik haritası</em> (her pikselin uzaklığını gösterir) ve yüzey eğimini belirten <em>normal haritası</em>. Bu haritalar, 3D modelin ilk iskeletini oluşturur.</p><h4>2. Hacimsel Tamamlama: 3D Difüzyon Modelleri</h4><p>Tek bir açıdan bakılan bir nesnenin arka tarafı, derinlik haritası tarafından tahmin edilemez.<br> Bu aşamada, yapay zekânın uzamsal akıl yürütme (<em>spatial reasoning</em>) yeteneği devreye girer.</p><p><strong>Temel prensip:</strong> 3D Difüzyon Modelleri (örneğin <em>TripoSR</em> gibi popüler algoritmalar), büyük 3D model veri kümeleri üzerinde eğitilmiştir. Bu sayede girdideki 2D görüntüye bakarak, nesnenin istatistiksel olarak en olası arka, yan ve alt görünümlerini tahmin eder.<br> <strong>İşlev:</strong> Girdiyi tutarlı ve hacimsel olarak eksiksiz bir 3D geometrik ağ (<em>mesh</em>) veya bir Nöral Işın Alanı (<em>NeRF</em>) çıktısına dönüştürerek eksik kısımları tamamlar.</p><h4>3. Görünüm Sentezi ve Tekstürleme (Gerçekçilik Katmanı)</h4><p>Son aşama, 3D geometrinin üzerine yalnızca renk değil, gerçekçi bir görsel kalite katmaktır.</p><p><strong>Yöntem:</strong> Tahmin edilen 3D geometri üzerine, orijinal 2D görselden renk bilgisi ve doku (<em>texture</em>) haritası çıkarılır. Eksik veya yapay olarak oluşturulan bölgelerdeki dokular, yapay zekâ tarafından uygun renk ve detaylarla doldurulur.<br> <strong>Amaç:</strong> 3D modelin, yeni açılardan bakıldığında bile (<em>Novel View Synthesis</em>) orijinal görüntüyle görsel olarak tutarlı ve yüksek kalitede görünmesini sağlamaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*_CkFKVK3wIPZ_H_yYH9ydQ.png" /><figcaption><strong>Referans resimden oluşturulan 3D model</strong></figcaption></figure><h3>🚀 Sonuç: Yaratıcılığın Yeni Sınırı</h3><p>Bu algoritmik birleşim sadece bir görseli kopyalamak yerine bilinmeyeni yaratır ve bir fikri anında 3D ortama taşıyabilme yeteneği kazandırır.<br> Yapay zekâ, 2D’den 3D’ye dönüşümü bir standart hâline getirerek sanal ve artırılmış gerçeklik (VR/AR) içeriği üretimi, prototipleme ve dijital sanat gibi alanlarda modelleme süresini dramatik şekilde kısaltıyor.Bu devrim, yaratıcı endüstrilerin iş akışını kökten değiştiriyor.</p><p><strong>Yazar</strong>: <strong>Muhammed Ata Kaş</strong></p><p><strong>Editör: Rana Sueda ASMA</strong></p><h3>📚 Kaynaklar ve İleri Okuma</h3><ul><li><strong>NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis </strong><a href="https://arxiv.org/abs/2003.08934">https://arxiv.org/abs/2003.08934</a></li><li><strong>TripoSR: Fast 3D Object Reconstruction from a Single Image </strong><a href="https://github.com/VAST-AI-Research/TripoSR">https://github.com/VAST-AI-Research/TripoSR</a></li><li><strong>Monocular Depth Estimation Using Deep Learning: A Review (İnceleme Makalesi) </strong><a href="https://www.mdpi.com/1424-8220/22/14/5353">https://www.mdpi.com/1424-8220/22/14/5353</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=29921d3e543c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekâ Var mı? — Gerçekten Zeki mi, Yoksa Sadece Taklitçi mi?]]></title>
            <link>https://medium.com/@hsdmsku/yapay-zek%C3%A2-var-m%C4%B1-ger%C3%A7ekten-zeki-mi-yoksa-sadece-taklit%C3%A7i-mi-7cb2f9b6849b?source=rss-7fea9dbbdcb0------2</link>
            <guid isPermaLink="false">https://medium.com/p/7cb2f9b6849b</guid>
            <category><![CDATA[gerçek]]></category>
            <category><![CDATA[hsd]]></category>
            <category><![CDATA[huawei]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <dc:creator><![CDATA[HSD MSKU]]></dc:creator>
            <pubDate>Sat, 25 Oct 2025 10:29:46 GMT</pubDate>
            <atom:updated>2025-10-25T10:29:46.142Z</atom:updated>
            <content:encoded><![CDATA[<h3>Yapay Zekâ Var mı? — Gerçekten Zeki mi, Yoksa Sadece Taklitçi mi?</h3><p>Bir yazılım, bir sanatçı gibi resim çizebiliyor; bir yazılım mühendisi kadar kod yazabiliyor; bir kamera görüntüsünden kanserli hücreyi bir doktordan daha hızlı bulabiliyor.<br>Bu saydıklarımın hepsi ‘zekâ’ mı, yoksa zekâyı çok iyi taklit eden sistemler mi?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/936/1*Ed05IT37AvSvnNyiSTZG2w.jpeg" /><figcaption>Photo by Andy Kelly on Unsplash</figcaption></figure><p>Giriş — Zekâ kelimesine fazla anlam yüklüyoruz<br>Bugünlerde neredeyse yaşlısından gencine kadar herkes “yapay zekâ” kelimesini kullanıyor.<br>Kimi “işimizi elimizden alacak” diyor, kimi de “artık evlerimizin içine kadar girdi” diyor.<br>Ama bir adım geri çekilip düşünelim:<br>Gerçekten “zekâ” dediğimiz şeyi biz mi sistemlere kazandırdık,<br>yoksa sadece çok iyi tahmin yapan modeller mi inşa ettik?<br>Yani belki de mesele, zekâ üretmek değil; zekâ gibi görünen tahminler üretmek.<br>Haydi o zaman, “zekâ” derken aslında neyi kastettiğimizi konuşalım.<br>Press enter or click to view image in full size</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*5skLBtXZVhPGOCKXTUp4_Q.jpeg" /><figcaption>Photo by Steve Johnson on Unsplash</figcaption></figure><p>Bölüm 1 — Zekâ derken aslında neyi kastediyoruz?<br>“Zekâ” kelimesi, insanoğlunun en eski meraklarından biri.Binlerce yıldır filozoflar, bilim insanları ve sanatçılar bu kavramı tanımlamaya çalıştı. Platon’a göre zekâ, ruhun erdemli biçimde düşünmesiydi; Descartes içinse “düşünebilen varlık” olmanın ta kendisiydi. Sonra sahneye bilgisayarlar çıktı. Ve ilk kez şu soruyu sorduk:</p><p>“Bir makine düşünebilir mi?”</p><p>Bu soruyu 1950’de Alan Turing dile getirdi. Turing, “Makineler düşünür mü?” tartışmasını başlatarak bugünkü yapay zekâ anlayışının tohumlarını ekti. O günden bugüne yapay zekâ iki ana evrim geçirdi:</p><p>Sembolik dönem (1950–1980):</p><p>İnsan zekâsını kurallarla taklit etmeye çalıştık. “Eğer X olursa, Y yap.” cümleleriyle düşünmeyi öğretmeye çalıştık.</p><p>İstatistiksel dönem (1980 — günümüz):</p><p>Kuralların yerini olasılıklar aldı.<br>Artık makineler “ne yapmalı?” sorusunu değil, “hangisi daha olası?” sorusunu sormaya başladı. Ama bu iki yaklaşımın da ortak bir sınırı vardı: Tanımlayabiliyorlardı, fakat anlamıyorlardı. Yani “zekâ”ya yaklaşmak, “anlamayı” garanti etmiyordu.Biz hâlâ aynı temel sorunun etrafında dönüyoruz: Zekâ bilgi midir, yoksa anlamlandırma gücü mü?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/913/1*wcVPu_EgpjMYuQrXvy0_ag.jpeg" /><figcaption>Yapay Zekâ Zaman Çizelgesi</figcaption></figure><p>Bölüm 2 — Yapay Zekâ Gerçekten Zeki mi?</p><p>Hemen hemen herkesin gündelik hayatta kullandığı platform olan ChatGPT’yi esas alalım mesela. ChatGPT nasıl bir yapay zeka? Gerçekten zeki mi?<br>Bir yapay zeka aracına “zeka” dememiz aslında bir tür mecazdır. Çünkü bu sistemler ne hissedebilirler, ne bir bilinç sahibidir, ne de gerçek anlamda çıkarım yapabilme yetkisine sahiptir. Cevap üretirlerken yalnızca istatistiksel temellere dayanarak tahmin üretirler. Bizler de bu sistemlerin bizlere verdiği mesajları anlamlı bulduğumuzda “zeki” olduklarını düşünürüz.<br>ChatGPT’nin (ve Google’ın Gemini’sinin, Anthropic’in Claude’unun) arkasındaki teknoloji, aslında devasa bir “olasılık hesap makinesidir.”<br>Buna “Büyük Dil Modeli” (Large Language Model — LLM) diyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pDYxjDtVSMsD1E_Q6Ij3Wg.jpeg" /><figcaption>Photo by Jona on Unsplash</figcaption></figure><p>Bu modeller, dili anlamazlar, çıkarım yapamazlar sadece hesaplarlar.<br>Aslında hepsinin çalışma mantığı aynıdır: Bir kelimeden (veya kelime grubundan) sonra hangi kelime gelme olasılığının en yüksek olduğunu tahmin etmektir.</p><p>Bu yapay zeka araçları, tam anlamıyla “internetin büyük bir kısmı” ile eğitilir. Milyarlarca web sayfası, kitap, makale, kod satırı… Bu devasa metin yığınını “okurlar”. Ama “okumak” derken, bizim anladığımız anlamda bir idrak etmekten, bir “anlam çıkarmaktan” bahsetmiyoruz.</p><p>Model, bu veriyi işlerken sadece kelimeler arasındaki istatistiksel bağlantıları öğreniyor. Hangi kelimenin hangi kelimeyle yan yana gelmeyi sevdiğini, hangi cümlenin hangi konuyu takip etme eğiliminde olduğunu fark ediyor.</p><p>Bölüm 3 — Zekâ İllüzyonu — “Ankara” Cevabı Nereden Geliyor?</p><p>Mesela Siz sohbete “Türkiye’nin başkenti…” yazdığınızda, model size “Ankara’dır.” cevabını verir. Fakat bunu bildiği için yapmaz. Coğrafya dersi aldığı için, ya da Ankara’nın nerede olduğunu haritada gördüğü için değil.<br>Bunu, okuduğu milyarlarca dokümanda “Türkiye’nin başkenti” kelime grubundan sonra %99.9 olasılıkla “Ankara’dır.” kelimesinin geldiğini hesapladığı için yapar. Yani ChatGPT “bilmiyor”; sadece “tahmin ediyor”.<br>Ama o kadar çok veriyle ve o kadar karmaşık bir modelle (milyarlarca parametreyle) tahmin ediyor ki, bu tahminler bize “bilgi”, hatta “bilgelik” gibi görünüyor. Zekâ ile illüzyon arasındaki ince çizgi de tam burada başlıyor.</p><p>Bölüm 4 — “Peki Ya Yaratıcılık? O Şiirleri ve Kodları Nasıl Yazıyor?”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/935/1*q0yknWzBHKVZpjYj3YVQKA.jpeg" /><figcaption>Robot Sanatçı</figcaption></figure><p>Bu, “sadece tahmin yapıyor” tezine karşı en güçlü argüman gibi duruyor.<br>“Tamam”, diyorsunuz, “Ankara’yı tahmin etti. Ama ben ondan ‘evrendeki en hüzünlü robot hakkında bir şiir’ istedim ve yazdı. Ben ondan bir Yazılım Mühendisi gibi kod yazmasını istedim ve yaptı, çalışıyor! Bunlar daha önce var olmayan, ‘yeni’ şeyler. Bu istatistik değil, tamamen yaratıcılık!”<br>Aslında, saydıkların da istatistik. Yapay zeka aracımız, “yaratıcılığın” neye benzediğini de öğrendi. ChatGPT veya diğer yapay zeka araçları sadece ham bilginin olduğu Wikipedia’daki bilgileri değil, aynı zamanda internet sitelerinde yazılmış milyonlarca şiiri,romanı,hikayeyi ve GitHub gibi yazılım platformlardaki milyarlarca satır kodu da okudu.<br> “Yaratıcı Taklit”</p><p>Model, “şiir” kelimesinin istatistiksel olarak ne anlama geldiğini öğrendi. Kafiye düzeni, uyak, dize yapısı… Bunların hepsi onun için matematiksel kalıplar.</p><p>Siz ondan “evrendeki hüzünlü bir robot hakkında bir şiir” istediğinizde, model basitçe şu olasılıkları birleştirir:</p><p>“Hüzün” kelimesiyle en çok hangi kelimeler kullanılır?</p><p>“Robot” kelimesiyle en çok hangi kelimeler kullanılır?</p><p>“Evren” kelimesiyle en çok hangi kelimeler kullanılır?</p><p>“Şiir” kalıbına en uygun söz dizimi nedir?</p><p>Ortaya çıkan şey, teknik olarak “yeni” bir metindir, ancak “orijinal” bir düşüncenin veya hissin ürünü değildir. Var olan milyonlarca kalıbın çok gelişmiş bir şekilde yeniden birleştirilmesidir (remix).<br>O, hüzünlü bir robotun ne hissettiğini anlamaz. Sadece insanların hüzünlü robotlar hakkında nasıl yazdığını bilir ve o kalıbı mükemmel bir şekilde taklit eder.</p><p>2. Ya Kod Yazmak?</p><p>Aynı durum kod yazmak için de geçerlidir. Model, milyarlarca satır kodu analiz eder. Bir “for döngüsü”nün nasıl yazıldığını, bir “fonksiyon”un nasıl tanımlandığını o kadar çok görür ki, bu kalıpları artık mükemmel bir şekilde “ezberler”.<br>Yani evet, bu sistemler “üretken”. Fakat bu “yaratıcılık” bizim anlam verdiğimiz bir ilham ya da farkındalık değil; devasa bir veri setinden öğrenilmiş kalıpların yeniden harmanlanmasıdır.</p><p>Bölüm 5 — En Büyük Risk: Anlamadığı Halde Anlıyormuş Gibi Davranması</p><p>Yapay zekâ tartışmaları genellikle “Terminatör” senaryosuna kayar; yani robotik sistemlerin bilinç kazanıp dünyayı ele geçirdiği bir geleceğe.<br>Ancak asıl ve daha yakın tehlike bu değil. Asıl tehlike, anlamadığı halde anlıyormuş gibi davranan bir sisteme körü körüne güvenmemiz.<br>Buna “Halüsinasyon” (Hallucination) diyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*-gCj6-wS2TQIngRdPUsF8w.jpeg" /><figcaption>Photo by Ehimetalor Akhere Unuabona on Unsplash</figcaption></figure><p>Diğer bir ifadeyle, yapay zeka araçların “uydurması”.<br>Ankara örneğini hatırlayın: Model, “Türkiye’nin başkenti” için %99.9 olasılıkla “Ankara” dedi. Peki ya ona “17. yüzyıldaki Osmanlı-Japonya ticaret anlaşmasını” sorarsanız? Ya da eğitildiği verilerde bulunmayan örnekte bir soru sorarsanız?</p><p>Model, “bilmiyorum” demeyi sevmez. Çünkü onun işi “doğruyu söylemek” değil, “bir sonraki istatiksel olarak en olası kelimeyi tahmin etmek”.<br>Eğer veri setinde “Osmanlı”, “Japonya” ve “ticaret anlaşması” kelimeleri bir şekilde yan yana gelmişse, model bunlardan son derece “ikna edici” görünen ama tamamen uydurma bir metin üretebilir.</p><p>Ve bunu, Ankara’nın başkent olduğunu söylediği özgüvenle yapar.<br>Neden? Çünkü onun için “doğru” ile “ikna edici görünen tahmin” arasında bir fark yoktur. Model ‘bilmediğini bilmez’ işte fark burada başlar.<br>İnsan zekâsı “Emin değilim” veya “Bilmiyorum” diyebilir. Oysa bu sistemler, istatistiksel boşlukları, en makul görünen yalanlarla doldurur.<br>Asıl tehlike “bilinç” kazanması değil, “bilinçsizce” ve “özgüvenle” yanlış bilgi yaymasıdır.</p><p>Sonuç — Belki de Adını Yanlış Koyduk<br>Girişteki sorumuza dönelim: Yapay zekâ var mı?<br>Eğer “zekâ”yı; bilinç, mantık yürütme ve “ben” farkındalığı olarak tanımlıyorsak, cevap açık: Hayır.</p><p>Elimizdeki şey “zekâ” değil; devasa verideki kalıpları tanıyan ve bir sonraki adımı ‘sezgisel’ olarak tahmin eden çok güçlü bir sistem.<br>Belki de tüm sorun, “Yapay Zekâ” (Artificial Intelligence) kelimesinin kendisindedir. Ona “anlayış” gibi insani vasıflar yüklüyoruz.<br>Belki de adına “Gelişmiş İstatistiksel Taklit Etme Motoru” diyebiliriz.</p><p>Biz “bilinç” üretmedik. Biz, insanlığın kolektif bilgisini istatistiksel olarak taklit eden “Papağanlar” (Bkz: Stochastic Parrots ) ürettik.<br>Ama bu taklit bile, dünyayı dönüştürmeye yetiyor.<br>Ne dersiniz?</p><p>Yazar: Yakup ZENGİN<br>Editör: Rana Sueda ASMA</p><p>Kaynaklar:</p><p>Turing, A. M. (1950). “Computing Machinery and Intelligence.”</p><p>Bender, E. M., Gebru, T., McMillan-Major, A., &amp; Shmitchell, S. (2021). “On</p><p>the Dangers of Stochastic Parrots: Can Language Models Be Too Big? ”</p><p>Wolfram, S. (2023). “What Is ChatGPT Doing … and Why Does It Work?”</p><p>Stephen Wolfram Writings.</p><p>https://www.ve3.global/symbolic-logic-to-statistical-learning-reimagine-sap-with-gen-ai/</p><p><a href="https://www.donanimhaber.com/yapay-zeka-tarafindan-uretilen-sanat-hayata-bir-hakaret-mi--158294">Yapay zeka tarafından üretilen sanat hayata bir hakaret mi?</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7cb2f9b6849b" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>