<?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 Ibrahimbarankilicc on Medium]]></title>
        <description><![CDATA[Stories by Ibrahimbarankilicc on Medium]]></description>
        <link>https://medium.com/@ibrahimbarankilicc?source=rss-7319d561cdee------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*0mNaH8xFGMOlx2yG8Gzl_g.png</url>
            <title>Stories by Ibrahimbarankilicc on Medium</title>
            <link>https://medium.com/@ibrahimbarankilicc?source=rss-7319d561cdee------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 12:49:08 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ibrahimbarankilicc/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[CRM Analitiğine Giriş: Müşteriyi Veriyle Anlamak]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/crm-analiti%C4%9Fine-giri%C5%9F-m%C3%BC%C5%9Fteriyi-veriyle-anlamak-e4e0722c594b?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/e4e0722c594b</guid>
            <category><![CDATA[crm]]></category>
            <category><![CDATA[cltv-prediction]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[rfm-analysis]]></category>
            <category><![CDATA[data-analytics]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Fri, 30 Oct 2026 21:05:03 GMT</pubDate>
            <atom:updated>2026-10-30T21:05:03.311Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nsXzvITa_vvCUP0ClEIbKw.png" /></figure><p>Bir şirketin en değerli varlığı nedir diye sorsak, çoğumuz “müşterileri” deriz. Ama elimizde binlerce müşteri varken şu soruların cevabını vermek hiç de kolay değil: Hangi müşterimiz bize en çok kazandırıyor? Hangileri bizi terk etmek üzere? Yeni bir müşteri mi kazanmak daha kârlı, yoksa eldekini tutmak mı? İşte <strong>CRM analitiği</strong> tam da bu soruların cevabını his ile değil, veriyle vermeye çalışır. Bu yazıda CRM analitiğinin temel kavramlarına, en çok kullanılan tekniklere ve müşteriyi veriyle anlamanın yollarına baştan sona bir tur atacağız.</p><h3>CRM Nedir?</h3><p>CRM, yani <strong>Customer Relationship Management (Müşteri İlişkileri Yönetimi)</strong>, var olan ve ileride iletişime geçeceğimiz müşterilerle kurduğumuz ilişkinin yönetilmesidir. CRM analitiği ise bu sürecin tamamını <strong>veriye dayalı</strong> olarak daha verimli hale getirme çabasıdır.</p><p>Bu dünyanın birkaç temel kavramı var, bunları tanımadan ilerlemek zor:</p><ul><li><strong>Müşteri yaşam döngüsü (customer lifecycle / journey / funnel):</strong> Müşterinin bizimle olan yolculuğu. Web sitesine ilk ziyaret, üye olma, ilk satın alma, satış sonrası teslim, ikinci ürünü alma… Her biri bu döngünün bir adımıdır.</li><li><strong>Müşteri edinme çabaları:</strong> Online ya da offline kanallardan (dijital pazarlama, billboard, broşür) yeni müşteri bulmak için harcadığımız emek.</li><li><strong>Müşteri elde tutma (churn) çalışmaları:</strong> Elimizdeki müşteriyi kaybetmemek. Unutmayın, <strong>yeni müşteri kazanmak, eldekini tutmaktan her zaman daha pahalıdır.</strong></li><li><strong>Cross-sell (çapraz satış) ve up-sell (üst satış):</strong> Müşteriye tamamlayıcı bir ürün ya da daha üst bir paket satmak.</li><li><strong>Müşteri segmentasyonu:</strong> Kaynaklar sınırlıyken müşterileri gruplara ayırmak. En değerli müşteriye en çok, daha az değerliye daha az emek vererek verimli iletişim kurmak.</li></ul><h3>KPI’lar: Neyi Ölçüyoruz?</h3><p>Bir süreci iyileştirebilmek için önce onu ölçebilmemiz gerekir. İşte <strong>KPI (Key Performance Indicator)</strong>, yani şirketin, departmanın ya da çalışanın performansını değerlendirmek için kullandığımız matematiksel göstergeler devreye burada girer.</p><p>CRM dünyasında en sık karşılaşacağınız KPI’lar şunlar:</p><ul><li><strong>Customer Acquisition Rate (Müşteri Kazanma Oranı):</strong> Belirli bir zaman diliminde kazanılan müşteri yüzdesi.</li><li><strong>Customer Retention Rate (Müşteri Elde Tutma Oranı):</strong> Uygulamayı indiren ya da alışveriş yapan müşterinin devam edip etmediği.</li><li><strong>Customer Churn Rate (Müşteri Terk Oranı):</strong> Bizi terk eden müşterilerin oranı. Örneğin 0.2&#39;lik bir churn, müşterilerin %20&#39;sini kaybettik demektir.</li><li><strong>Conversion Rate (Dönüşüm Oranı):</strong> Bir aşamadan diğerine geçiş oranı. Bir ilana 1000 kişi baktı, 100 kişi tıkladıysa dönüşüm 0.10&#39;dur.</li><li><strong>Growth Rate (Büyüme Oranı):</strong> Şirketin örneğin yıllık büyüme hedefini ne kadar tutturabildiği.</li></ul><p>Amaç tek: Belirli süreçleri matematiksel olarak takip edip, “iyi gidiyoruz” hissiyatını somut bir sayıya dönüştürmek.</p><h3>Cohort Analizi: Benzer Müşterileri Birlikte İzlemek</h3><p><strong>Cohort</strong>, ortak bir özelliğe sahip bir grup insan demektir. <strong>Cohort analizi</strong> ise bu grubun davranışını zaman içinde incelemektir.</p><p>Peki ortak özellik derken? Örneğin churn (markayı terk etme) bir ortak özellik olabilir. Bunun analizi, churn oranlarının zamana göre nasıl değiştiğine bakmak demektir. Yani “Ocak ayında kazandığımız müşteriler 6 ay sonra hâlâ bizimle mi?” sorusunu, tek tek değil, o grubu bir bütün olarak izleyerek cevaplarız.</p><h3>RFM Analizi: Müşterileri Davranışlarına Göre Gruplamak</h3><p>Geldik CRM analitiğinin en çok kullanılan tekniklerinden birine. <strong>RFM analizi</strong>, müşterileri satın alma alışkanlıklarına göre gruplara ayırıp, her grup için ayrı strateji geliştirmemizi sağlayan bir segmentasyon tekniğidir.</p><p>İsmini üç metrikten alır:</p><ul><li><strong>Recency (Yenilik):</strong> Müşterinin bizden en son ne zaman alışveriş yaptığı. <strong>Küçük olması iyidir</strong> — 1 gün önce alışveriş yapan müşteri, 10 gün öncekinden daha “sıcaktır”.</li><li><strong>Frequency (Sıklık):</strong> Müşterinin toplam işlem sayısı. <strong>Büyük olması iyidir</strong> — 40 kez alışveriş yapan, 20 kez yapandan daha bağlıdır.</li><li><strong>Monetary (Parasal Değer):</strong> Müşterinin bıraktığı toplam para. <strong>Büyük olması iyidir.</strong></li></ul><p>Burada bir sorun var: Bu üç metrik farklı ölçeklerde (gün, adet, para). Dolayısıyla doğrudan karşılaştırılamazlar. Çözüm şu: <strong>RFM metriklerini RFM skorlarına çevirmek.</strong> Yani her metriği örneğin 1–5 arası bir skora standartlaştırmak. Böylece hepsini aynı cinsten ifade etmiş, hem kendi içlerinde hem de birbirleriyle karşılaştırılabilir hale getirmiş oluruz.</p><p>Sonra bu skorları yan yana getirerek <strong>RFM skorunu</strong> oluştururuz (sırasıyla R-F-M). Ama burada da şöyle bir durum var: Skorların çok fazla kombinasyonu çıkar ve bunların hepsiyle tek tek uğraşmak segmentasyon adımını zorlaştırır. Bu yüzden skorları daha anlamlı, daha az sayıda <strong>segmente</strong> indirgeriz (örneğin “Şampiyonlar”, “Sadık Müşteriler”, “Risk Altındakiler”, “Kaybedilenler” gibi). İlginç bir not: Bu segmentasyonda genelde Monetary kullanılmaz; Recency ve Frequency yani müşteri bağlılığı daha belirleyicidir.</p><p>RFM ile müşteri segmentasyonu süreci kabaca şu adımlardan oluşur:</p><ol><li>Business Problem (İş problemi)</li><li>Data Understanding (Veriyi anlama)</li><li>Data Preparation (Veriyi hazırlama)</li><li>Calculating RFM Metrics (Metrikleri hesaplama)</li><li>Calculating RFM Scores (Skorları hesaplama)</li><li>Creating &amp; Analysing RFM Segments (Segmentleri oluşturma ve analiz)</li></ol><h3>Müşteri Yaşam Boyu Değeri (CLTV)</h3><p>RFM bize müşterinin bugününü anlatır; peki ya geleceği? İşte <strong>Customer Lifetime Value (CLTV)</strong>, bir müşterinin bir şirketle kurduğu ilişki boyunca ona kazandıracağı toplam parasal değerdir. Kısıtlı kaynaklarımızı doğru müşteriye ayırmak için paha biçilmez bir ölçüdür.</p><p>En temel haliyle mantığı şu:</p><pre>Customer Value = Average Order Value × Purchase Frequency<br>CLTV = (Customer Value × Churn Rate) / Profit Margin</pre><p>Buradaki parçaları kısaca açalım:</p><ul><li><strong>Average Order Value</strong> = Total Price / Total Transaction (sipariş başına ortalama kazanç)</li><li><strong>Purchase Frequency</strong> = Total Transaction / Total Number of Customers (satın alma sıklığı)</li><li><strong>Repeat Rate</strong> = Birden fazla alışveriş yapan müşteri / tüm müşteriler</li><li><strong>Churn Rate</strong> = 1 − Repeat Rate</li><li><strong>Profit Margin</strong> = Total Price × 0.10 (şirkete göre belirlenen kâr marjı)</li></ul><p>Sonuçta her müşteri için bir CLTV değeri hesaplarız; bu değerlere göre müşterileri sıralayıp belirli noktalardan böldüğümüzde elimizde yine <strong>segmentler</strong> oluşur. Yani “kim bize uzun vadede ne kadar değer katacak” sorusunun gruplanmış cevabı.</p><h3>CLTV Tahmini: Geçmişi Değil, Geleceği Hesaplamak</h3><p>Yukarıda anlattığımız CLTV, geçmiş veriyle hesaplanan bir değerdi. Peki ya henüz gerçekleşmemiş davranışı <strong>tahmin</strong> etmek istersek? İşte burada işin biraz daha istatistiksel tarafına geçiyoruz. Fikir şu: Bütün kitlenin satın alma davranışını bir olasılık modeli olarak kuralım; sonra tek bir müşterinin özelliklerini bu modele verip, genel kitle davranışından onun geleceğini tahmin edelim.</p><p>Formül bu kez şöyle değişir:</p><pre>CLTV = Expected Number of Transaction × Expected Average Profit<br>CLTV = BG/NBD × Gamma Gamma</pre><p>Burada iki alt model devreye giriyor. Çok derine inmeden, en sade haliyle ne yaptıklarına bakalım:</p><ul><li><strong>BG/NBD (Beta Geometric / Negative Binomial Distribution):</strong> Bir müşterinin gelecekte kaç işlem yapacağını (<strong>expected number of transaction</strong>) tahmin eder. Mantığı iki süreci birleştirir: müşteri “hayatta” (alive) olduğu sürece rastgele alışveriş yapmaya devam eder (satın alma süreci), ama her müşterinin bir noktada bizi terk etme (dropout) olasılığı vardır. Model bu ikisini birlikte modelleyerek “bu müşteri daha kaç kez alışveriş yapar?” sorusunu cevaplar.</li><li><strong>Gamma Gamma Submodel:</strong> Bir müşterinin <strong>işlem başına ortalama ne kadar kâr</strong> getireceğini (<strong>expected average profit</strong>) tahmin eder. Yani “alışveriş yaparsa, ortalama ne kadar bırakır?” sorusuna bakar.</li></ul><p>Bu iki modelin çarpımı bize, geçmişe değil geleceğe bakan bir CLTV değeri verir. Böylece “bu müşteri önümüzdeki dönemde bize ne kadar değer katacak?” sorusunu tahminle cevaplayabiliriz.</p><h3>Sonuç</h3><p>CRM analitiğine kuşbakışı bir tur attık. Özetlersek elimizde şöyle bir araç kutusu var:</p><ul><li><strong>KPI’lar</strong> ile süreçlerimizi matematiksel olarak ölçüyoruz.</li><li><strong>Cohort analizi</strong> ile benzer müşteri gruplarının zaman içindeki davranışını izliyoruz.</li><li><strong>RFM</strong> ile müşterileri bugünkü davranışlarına göre segmentlere ayırıyoruz.</li><li><strong>CLTV</strong> ile her müşterinin bize kattığı değeri hesaplıyor, hatta <strong>CLTV tahmini</strong> ile bunu geleceğe taşıyoruz.</li></ul><p>Hepsinin ortak noktası tek bir şey: Müşteriyle olan ilişkimizi hisle değil, <strong>veriyle</strong> yönetmek. Çünkü kaynaklar sınırlı, müşteri değerli ve doğru müşteriye doğru emeği verebilmek, bir şirketi rakiplerinden ayıran en önemli farklardan biri.</p><p>Artık elinizde bir müşteri verisi gördüğünüzde, ona bambaşka bir gözle bakacaksınız: Bu müşteri ne kadar sıcak, ne kadar sık geliyor, bize ne kadar değer katıyor ve yarın hâlâ bizimle olacak mı? İşte CRM analitiğinin size kazandırdığı bakış açısı tam olarak budur.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e4e0722c594b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modellerin Motoruna Bakmak: Doğrusal Regresyondan KNN’e]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/modellerin-motoruna-bakmak-do%C4%9Frusal-regresyondan-knne-5949a278c57e?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/5949a278c57e</guid>
            <category><![CDATA[machie-learning]]></category>
            <category><![CDATA[logistic-regression]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[statistics]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Fri, 14 Aug 2026 15:44:34 GMT</pubDate>
            <atom:updated>2026-08-14T15:44:34.803Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Xo3nlHKiPkutIep7jxiaxg.png" /></figure><p><em>Doğrusal regresyon, gradient descent, sigmoid, confusion matrix, KNN… İlk yazıda makine öğrenmesinin mantığını konuştuk. Şimdi kaputu açıp motora bakıyoruz: bir model o çizgiyi nasıl buluyor, olasılığı nasıl hesaplıyor, ve “yanındaki komşulara bakarak” nasıl tahmin yapıyor? Hepsini sıfırdan, adım adım.</em></p><h3>Nereden Başlıyoruz? Doğrusal Regresyonun Kalbi</h3><p>İlk yazıda modelin veriye bir çizgi uydurduğunu söylemiştik: ŷ = b + w · x. Ama bir soruyu geçiştirmiştik: model bu çizgiyi <strong>nereye</strong> koyacağını nasıl biliyor? Sonsuz sayıda çizgi çizilebilir; hangisi doğru?</p><p>Önce formülü biraz genişletelim. Gerçek hayatta fiyatı belirleyen tek şey metrekare değildir. Evin yaşı da var, konumu da. Her birinin kendi ağırlığı olur:</p><pre>Y = b + w₁·X₁ + w₂·X₂ + ... + wₙ·Xₙ</pre><p>Bir ev örneğinde X₁ metrekare, X₂ evin yaşı olsun. Metrekare arttıkça fiyat artar, yani w₁ pozitiftir. Yaş arttıkça fiyat düşer, yani w₂ negatiftir. İkisi de fiyatı etkiler ama <strong>derece derece</strong> — belki metrekarenin etkisi 0.90 iken yaşınki 0.20&#39;dir. İşte modelin işi, her değişkene doğru ağırlığı biçmektir.</p><p>Peki “doğru ağırlık” ne demek? İşte asıl soru bu.</p><h3>Doğruyu Nereye Koyacağız? Cost Fonksiyonu</h3><p>Bir çizginin ne kadar iyi olduğunu nasıl anlarız? Basit: her veri noktası için modelin tahmini ile gerçek değer arasındaki farka, yani hataya bakarız. İyi bir çizgi, tüm noktalara <strong>toplamda en yakın</strong> geçen çizgidir.</p><p>Bunu tek bir sayıya dökmek için bir <strong>cost fonksiyonu</strong> (maliyet fonksiyonu) tanımlarız:</p><pre>Cost(b, w) = (1/2m) · Σ ((b + w·xᵢ) − yᵢ)²</pre><p>Korkmayın, aslında tanıdık. Parantezin içi (tahmin − gerçek), yani hata. Karesini alıyoruz (ilk yazıdaki MSE mantığı — işaretler birbirini götürmesin diye). Sonra hepsini topluyoruz. Bu fonksiyon büyükse çizgi kötü, küçükse çizgi iyi demektir.</p><p>Böylece bütün problem tek bir cümleye indi: <strong>cost fonksiyonunu en küçük yapan </strong><strong>b ve </strong><strong>w değerlerini bulmak.</strong> Modeli eğitmek dediğimiz şey, aslında bu minimum noktayı aramaktır.</p><p>Bunu yapmanın kavramsal mantığı şudur:</p><ol><li>b ve w için rastgele başlangıç değerleri seç.</li><li>Bu değerlerle hataları hesapla.</li><li>b ve w&#39;yi hatayı azaltacak yönde güncelle.</li><li>Yeni hataları hesapla.</li><li>En düşük hatayı veren değerlerde dur.</li></ol><p>Peki 3. adımdaki “güncelle” işini pratikte nasıl yaparız? İki yol var.</p><blockquote><strong><em>Kısaca:</em></strong><em> Modeli eğitmek = cost fonksiyonunu (hataların karelerinin ortalamasını) minimum yapan katsayıları bulmak. Gerisi bu minimumu nasıl aradığınla ilgili.</em></blockquote><h3>Minimumu Aramanın İki Yolu</h3><p><strong>Yol 1 — En Küçük Kareler (EKK / Least Squares).</strong> Bu matematiksel, kesin çözümdür. Cost fonksiyonunun türevini alıp sıfıra eşitler, tek hamlede en iyi katsayıları buluruz. Çok değişkenli durumda bir matris formülüyle çözülür:</p><pre>w = (Xᵀ · X)⁻¹ · Xᵀ · y</pre><p>Şık ve kesin. Ama bir zaafı var: veri devasa olduğunda o matrisin tersini almak (⁻¹ kısmı) işlemsel olarak çok pahalıya patlar. Küçük veri setlerinde harika, büyükte zorlanır.</p><p><strong>Yol 2 — Gradient Descent (Gradyan İnişi).</strong> İşte büyük veride imdada yetişen yöntem. Mantığını bir benzetmeyle anlatayım: sisli bir dağda tepedesiniz ve vadinin en dibine inmek istiyorsunuz ama etrafı göremiyorsunuz. Ne yaparsınız? Ayağınızın altında zemin hangi yöne eğimliyse, o yöne bir adım atarsınız. Sonra tekrar bakar, tekrar adım atarsınız. Böyle böyle en dibe inersiniz.</p><p>Gradient (türev) tam olarak o “eğim”dir — fonksiyonun en dik <strong>yükseliş</strong> yönünü gösterir. Biz aşağı inmek istediğimiz için tersine, yani negatifine doğru gideriz:</p><pre>w_yeni = w_eski − α × (∂Cost/∂w)</pre><p>Buradaki α (öğrenme oranı) attığınız adımın büyüklüğüdür ve seçimi kritiktir. Çok küçük seçerseniz vadiye inmek sonsuza kadar sürer. Çok büyük seçerseniz her adımda dibi ıskalayıp karşı yamaca zıplarsınız, bir türlü oturamazsınız. ∂Cost/∂w ise hangi yöne gideceğinizi söyleyen o eğimdir.</p><p>Ne zaman hangisi? Küçük veride, kapalı çözüm mümkünse <strong>EKK</strong>. Büyük veride, işlemsel verimlilik için <strong>Gradient Descent</strong>. İkisi de aynı hedefe koşar: o minimum nokta.</p><h3>Sayıdan Olasılığa: Lojistik Regresyon</h3><p>Şimdiye kadar hep “kaç?” sorusuna cevap verdik — fiyat kaç, sıcaklık kaç. Peki ya soru “evet mi, hayır mı?” ise? Bir müşteri terk edecek mi (churn), bir e-posta spam mi?</p><p>Burada doğrusal regresyon tek başına yetmez. Çünkü b + w·x formülü size −500&#39;den +3000&#39;e kadar herhangi bir sayı verebilir. Oysa siz bir <strong>olasılık</strong> istiyorsunuz — 0 ile 1 arasında, &quot;bu müşterinin terk etme ihtimali %70&quot; diyebilmek istiyorsunuz.</p><p>İşte <strong>sigmoid fonksiyonu</strong> tam bu iş için var. Ne yaparsa yapsın, kendisine verilen her sayıyı alıp 0 ile 1 arasına sıkıştırır:</p><pre>ŷ = 1 / (1 + e^(−z))     ve      z = b + w₁·x₁ + w₂·x₂ + ... + wₚ·xₚ</pre><p>Davranışı çok zarif:</p><ul><li>z çok büyük bir negatif sayıysa (−∞&#39;a giderse), sigmoid çıktısı 0&#39;a yaklaşır.</li><li>z = 0 ise, çıktı tam ortada, 0.5&#39;tir.</li><li>z çok büyük bir pozitif sayıysa (+∞&#39;a giderse), çıktı 1&#39;e yaklaşır.</li></ul><p>Yani lojistik regresyon üç adımda çalışır. Önce tıpkı doğrusal regresyondaki gibi z değerini hesaplarsınız. Sonra z&#39;yi sigmoiddan geçirip bir olasılığa çevirirsiniz. En sonunda bir <strong>eşik değere</strong> göre karar verirsiniz: olasılık 0.5&#39;ten büyükse &quot;1&quot; (evet, churn), küçükse &quot;0&quot; (hayır) dersiniz.</p><p>Bu arada — lojistik regresyon katsayılarını bulurken artık MSE kullanmayız. Onun yerine <strong>Log Loss</strong> adında, tahmin edilen olasılıklar ile gerçek sınıflar arasındaki farkı ölçen bir fonksiyonu minimize ederiz. Amaç yine aynı: hatayı en aza indirmek, sadece hatayı ölçme şeklimiz olasılığa uygun hale geldi.</p><blockquote><strong><em>Kısaca:</em></strong><em> Lojistik regresyon = doğrusal regresyon + sigmoid. </em><em>z&#39;yi hesapla, sigmoiddan geçir (0-1 olasılığa çevir), eşiğe göre sınıfa ata.</em></blockquote><h3>O Eşik Değeri Hep 0.5 mi Olmalı?</h3><p>Hayır! Ve bu, çoğu insanın atladığı ince bir noktadır. 0.5 sadece varsayılan bir başlangıçtır, kutsal bir sayı değil. Onu kaydırmanız gereken durumlar var:</p><p>Diyelim ki bir hastalık teşhisi modeli kuruyorsunuz. Hasta birine “sağlamsın” demenin bedeli çok ağır. Böyle bir durumda eşiği düşürüp “şüphelendiğim herkesi pozitif işaretleyeyim” diyebilirsiniz. Ya da veriniz çok dengesizse — sınıflardan biri diğerine göre çok az temsil ediliyorsa — eşiği 0.5&#39;ten farklı bir yere çekmek gerekebilir. Bazen de karar tamamen bütçe, insan kaynağı gibi operasyonel sınırlamalara dayanır.</p><p>Peki en uygun eşiği bilimsel olarak nasıl buluruz? İşte burada ROC eğrisi devreye girer.</p><h3>Bütün Eşikleri Tek Bakışta Görmek: ROC ve AUC</h3><p>Az önceki soru güzeldi: hangi eşik en iyisi? Her eşiği tek tek deneyip sonuçlarına bakmak yerine, hepsini tek bir grafikte görebilseydik ne güzel olurdu. <strong>ROC eğrisi</strong> (Receiver Operating Characteristic) tam olarak bunu yapar.</p><p>Mantığı şu: eşik değerini 0.0&#39;dan 1.0&#39;a kadar yavaş yavaş kaydırırsınız. Her eşik için modelin iki oranını hesaplarsınız — doğru yakaladığı pozitiflerin oranı (True Positive Rate) ve yanlışlıkla alarm verdiği oran (False Positive Rate). Her eşik grafikte bir nokta olur; noktaları birleştirince eğri çıkar.</p><p>Eğriyi okumak sezgiseldir. Eğri ne kadar <strong>sol üst köşeye</strong> yakınsa model o kadar başarılıdır (az yanlış alarmla çok doğru yakalıyor demektir). Eğri ortadaki 45°’lik köşegene yaklaşıyorsa, model yazı-tura atmaktan farksızdır — kötü haber.</p><p>Bu “eğrinin ne kadar iyi olduğunu” tek bir sayıya indirmek için eğrinin altında kalan alanı ölçeriz: <strong>AUC (Area Under Curve).</strong> Yorumu basittir:</p><p>AUC Değeri Yorum 1.0 Mükemmel — tüm tahminler doğru 0.9–1.0 Çok iyi 0.8–0.9 İyi 0.7–0.8 Orta 0.5–0.7 Zayıf 0.5 Rastgele tahmin (işe yaramaz)</p><p>Yani AUC 0.5 ise modeliniz para atıp karar veriyor demektir; 1.0&#39;a ne kadar yaklaşırsa o kadar iyi.</p><h3>Ama “Doğru” Ne Demek? Confusion Matrix</h3><p>Eşikten, ROC’tan bahsettik ama bir adım geri gidip temeli netleştirelim: bir sınıflandırma tahmini aslında dört şekilde sonuçlanabilir. Bunları düzenli tutan tabloya <strong>Confusion Matrix (Karmaşıklık Matrisi)</strong> denir.</p><p>Şöyle düşünün — pozitif sınıf “1” (mesela: sahtekâr), negatif sınıf “0” (mesela: dürüst). Dört olasılık var:</p><ul><li><strong>TP (True Positive):</strong> Sahtekâra “sahtekâr” dedik. Doğru yakaladık.</li><li><strong>TN (True Negative):</strong> Dürüste “dürüst” dedik. Doğru bıraktık.</li><li><strong>FP (False Positive):</strong> Dürüste “sahtekâr” dedik. Yanlış alarm — buna istatistikte <strong>1. tip hata</strong> denir. Özrü var, “pardon” deyip düzeltilebilir.</li><li><strong>FN (False Negative):</strong> Sahtekâra “dürüst” dedik. Kaçırdık — bu <strong>2. tip hata</strong>. Bunun özrü olmaz, sahtekâr elimizden kaçtı.</li></ul><p>Bu dört kutudan başarı metrikleri türetilir:</p><p><strong>Accuracy</strong> = (TP+TN) / (Hepsi). Toplam doğru tahmin oranı. İlk yazıda konuştuk — sadece veri dengeliyse güvenilir.</p><p><strong>Precision (Kesinlik)</strong> = TP / (TP+FP). “Pozitif dediklerimin ne kadarı gerçekten pozitifti?” Yanlış alarmın pahalı olduğu yerde bu önemlidir. Spam filtresi düşünün: önemli bir maili spam’e atmak (FP) can sıkıcıdır, o yüzden precision’a önem verirsiniz.</p><p><strong>Recall (Duyarlılık)</strong> = TP / (TP+FN). “Gerçek pozitiflerin ne kadarını yakalayabildim?” Pozitif kaçırmanın pahalı olduğu yerde kritiktir. Hastalık teşhisinde hasta birini kaçırmak (FN) ölümcül olabilir, o yüzden recall’a önem verirsiniz.</p><p><strong>F1 Score</strong> = 2×(Precision×Recall) / (Precision+Recall). İkisi de önemliyse, bu iki metriğin harmonik ortalamasını alıp tek sayıda birleştirir.</p><p>Özetle hangi metriğe bakacağınız probleme bağlı: veri dengeliyse accuracy, dengesizse precision ve recall, yanlış pozitif pahalıysa precision, yanlış negatif pahalıysa recall.</p><blockquote><strong><em>Kısaca:</em></strong><em> Confusion matrix dört sonucu (TP/TN/FP/FN) düzenler. FP “yanlış alarm” (1. tip, özrü var), FN “kaçırma” (2. tip, özrü yok). Precision yanlış alarmı, recall kaçırmayı cezalandırır.</em></blockquote><h3>En Sade Fikir: KNN — Komşularına Bak</h3><p>Sona en sezgisel algoritmayı sakladım. <strong>KNN (K-Nearest Neighbors — K En Yakın Komşu)</strong> tek bir cümlelik felsefeye dayanır: <strong>“Yanında kimler varsa, sen de öylesin.”</strong></p><p>Yeni bir gözlem geldiğinde model şunu yapar: eğitim verisindeki tüm noktalara olan uzaklığını hesaplar (genelde Öklid uzaklığı — hani şu kareköklü mesafe formülü). Sonra en yakın K tanesini seçer ve onlara bakarak karar verir. Ne eğitim, ne cost fonksiyonu, ne türev — sadece “en yakın komşularım ne yapıyor?” sorusu.</p><p>İki türde çalışır:</p><p><strong>KNN Regresyon.</strong> Yeni bir eve fiyat biçeceksiniz diyelim. En yakın 5 evi bulursunuz, fiyatları 150K, 160K, 155K, 158K, 162K. Bunların <strong>ortalamasını</strong> alırsınız → 157K. İşte tahmininiz bu.</p><p><strong>KNN Sınıflandırma.</strong> Bir müşterinin satın alıp almayacağını tahmin edeceksiniz. En yakın 5 müşteriye bakarsınız: 3&#39;ü satın almış, 2&#39;si almamış. <strong>Çoğunluk oyu (majority voting)</strong> kazanır → “satın alır” dersiniz.</p><p>Peki bu K kaç olmalı? İşte kritik ayar burada. K’yı çok küçük seçerseniz (1–3 gibi), model en yakın bir-iki gürültülü komşuya fazla takılır — bu bildiğimiz <strong>overfitting</strong> riskidir. K’yı çok büyük seçerseniz, o kadar geniş bir komşuluğa bakarsınız ki incelikler kaybolur — bu da <strong>underfitting</strong>. Optimal K’yı ise ilk yazıda konuştuğumuz <strong>çapraz doğrulama</strong> ile buluruz. Görüyorsunuz, her şey birbirine bağlanıyor.</p><p>KNN’in cazibesi basitliğinde: anlaşılırdır, doğrusal olmayan ilişkileri de yakalar, çeşitli veri tipleriyle çalışır. Ama bedava değil. Her yeni tahminde <strong>tüm</strong> veriyle tek tek uzaklık hesaplaması gerektiği için büyük veride yavaştır. Ayrıca değişken sayısı arttıkça performansı düşer (buna “boyutun laneti / curse of dimensionality” denir). Ve gördüğünüz gibi, K seçimi başarının tamamını belirleyebilir.</p><h3>Sonuç: Elimizde Ne Var?</h3><p>İki yazının sonunda, dağınık kavramların nasıl tek bir bütüne oturduğunu görüyoruz:</p><ul><li><strong>Doğrusal regresyon</strong> bir cost fonksiyonunu minimize ederek veriye en iyi çizgiyi bulur.</li><li>Bu minimumu <strong>EKK</strong> (küçük veri, kesin çözüm) ya da <strong>Gradient Descent</strong> (büyük veri, adım adım iniş) ile ararız.</li><li><strong>Lojistik regresyon</strong>, doğrusal çıktıyı sigmoiddan geçirip olasılığa çevirir ve sınıflandırma yapar.</li><li><strong>Eşik değeri, ROC ve AUC</strong> ile bu sınıflandırmanın kalitesini ölçer ve ince ayar yaparız.</li><li><strong>Confusion matrix</strong> dört olası sonucu düzenler; precision ve recall hangi hatanın daha pahalı olduğuna göre yol gösterir.</li><li><strong>KNN</strong> ise en sade fikirle, “komşularına bak” diyerek hem regresyon hem sınıflandırma yapar.</li></ul><p>Karmaşık görünen bu algoritmaların temeli aslında birkaç net sezgiye dayanıyor: hatayı ölç, minimuma in, olasılığa çevir, ve gerektiğinde sadece etrafına bak. Motorun içi, dışarıdan göründüğü kadar korkutucu değilmiş.</p><p><em>Bu yazı, sıfırdan öğrenme sürecinde tuttuğum makine öğrenmesi notlarının ikinci bölümüdür. İlk bölümde makine öğrenmesinin genel mantığını — öğrenme türleri, başarı metrikleri, doğrulama ve bias-variance dengesini — konuşmuştuk.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5949a278c57e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makineye Nasıl Öğretilir? Sıfırdan Makine Öğrenmesinin Mantığı]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/makineye-nas%C4%B1l-%C3%B6%C4%9Fretilir-s%C4%B1f%C4%B1rdan-makine-%C3%B6%C4%9Frenmesinin-mant%C4%B1%C4%9F%C4%B1-d8415e3f746b?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/d8415e3f746b</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[regression]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Wed, 05 Aug 2026 19:37:46 GMT</pubDate>
            <atom:updated>2026-08-05T19:37:46.143Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1I7cAB1_NmC8k2L_Q1Le7w.png" /></figure><p><em>Regresyon, sınıflandırma, overfitting, cross-validation… Havada uçuşan kavramlar mı? Bu yazıda bir makinenin veriden nasıl “öğrendiğini”, tahminlerinin ne kadar iyi olduğunu nasıl ölçtüğümüzü ve neden bazen fazla öğrenmenin kötü bir şey olduğunu sıfırdan, adım adım konuşuyoruz.</em></p><h3>Öğrenmek Aslında Ne Demek?</h3><p>Bir çocuğa kediyi tarif ettiğinizi düşünün. Ona tek tek kural saymaz, sadece bolca kedi gösterirsiniz. Bir süre sonra çocuk daha önce hiç görmediği bir kediyi bile “işte bu kedi” diye tanır. Kimse ona “kulakları üçgen, bıyıkları var” diye formül vermemiştir; o örneklerden <strong>kendisi</strong> çıkarmıştır kuralı.</p><p>İşte makine öğrenmesi tam olarak budur: bilgisayarın, kendisine kural yazmadan, sadece veriye bakarak tahmin yapmayı öğrenmesi. Biz ona binlerce örnek gösteririz, o da bu örneklerin arkasındaki örüntüyü yakalar.</p><p>Peki bu “öğrenme” pratikte neye benziyor? Diyelim ki elinizde evlerin metrekaresi ve fiyatları var. Metrekare arttıkça fiyatın da arttığını gözünüzle görürsünüz. Makine öğrenmesi bu ilişkiyi bir çizgiye oturtur:</p><pre>ŷ = b + w · x</pre><p>Burada x metrekare, ŷ ise modelin tahmin ettiği fiyattır. b çizginin y-ekseninde nereden başladığını (sabit), w ise ne kadar dik çıktığını (eğim) belirler. Bütün mesele, bu iki sayıyı veriye en iyi oturacak şekilde bulmaktır. Gerisi detay.</p><blockquote><strong><em>Kısaca:</em></strong><em> Makine öğrenmesi, kural yazmak değil, örnek göstermektir. Model, veriye en iyi oturan çizgiyi (ya da eğriyi) bulmaya çalışır.</em></blockquote><h3>Önce Malzemeyi Tanıyalım: Değişken Türleri</h3><p>Modeli kurmadan önce elimizdeki verinin ne tür olduğunu bilmek gerekir. Çünkü her değişken aynı dilden konuşmaz.</p><p>Kabaca ikiye ayrılır. <strong>Sayısal</strong> değişkenler sayılarla ifade edilir; ama bunlar da kendi içinde ikiye bölünür. <em>Kesikli</em> olanlar belli değerler alır — bir evin oda sayısı 3 olabilir ama 3.5 olamaz. <em>Sürekli</em> olanlar ise ondalık alabilir — ağırlık, boy, sıcaklık gibi.</p><p><strong>Kategorik</strong> değişkenler ise sayı değil, sınıf ifade eder. Burada da ince bir ayrım var. <em>Nominal</em> olanlarda sıralama yoktur; renk ya da cinsiyet gibi — kırmızı maviden “büyük” değildir. <em>Ordinal</em> olanlarda ise bir sıra vardır: eğitim düzeyi ya da bir memnuniyet anketindeki “kötü → orta → iyi → çok iyi” gibi. Sıra var ama aralar eşit olmayabilir.</p><p>Bu ayrım neden önemli? Çünkü modelinizin bağımlı değişkeni (yani <strong>tahmin etmeye çalıştığınız</strong> şey) sayısal mı yoksa kategorik mi, bu tek soru bile hangi yöntemi kullanacağınızı belirler. Buna birazdan geleceğiz.</p><h3>İki Temel Soru: Ne Öğreniyoruz, Neyi Tahmin Ediyoruz?</h3><p>Makine öğrenmesine girer girmez iki farklı ayrımla karşılaşırsınız ve başta bunlar birbirine karışır. Ayıralım.</p><p><strong>Birinci ayrım — nasıl öğreniyoruz?</strong></p><p>Elimizde cevap anahtarı var mı, yok mu? İşte fark burada.</p><p><em>Denetimli öğrenmede (supervised)</em> her örneğin doğru cevabı elimizdedir. Geçmiş satış verilerinden gelecekteki satışı tahmin etmek gibi — modele hem girdiyi hem çıktıyı gösterir, aradaki ilişkiyi öğrenmesini isteriz. Öğretmenli sınav gibi, cevaplar belli.</p><p><em>Denetimsiz öğrenmede (unsupervised)</em> ise cevap anahtarı yoktur. Modele sadece veriyi veririz ve “sen bunların içinde benzer grupları bul” deriz. Müşteri segmentasyonu buna klasik örnektir — kimin hangi gruba ait olduğunu önceden bilmeyiz, model kendisi keşfeder.</p><p>Bir de <em>pekiştirmeli öğrenme (reinforcement)</em> var: ajan çevresiyle deneme-yanılma yoluyla öğrenir. Her doğru adımda ödül, her yanlış adımda ceza alır. Bir robotun kapıyı kullanarak odadan çıkmayı öğrenmesi gibi — kimse ona yolu göstermez, o düşe kalka bulur.</p><p><strong>İkinci ayrım — neyi tahmin ediyoruz?</strong></p><p>Bu ayrım tamamen bağımlı değişkenin türüyle ilgili — hani az önce değişken türlerinde konuştuğumuz konu, işte burada işe yarıyor.</p><p>Eğer tahmin ettiğiniz şey <strong>sayısal ve sürekli</strong> bir değerse, bu bir <strong>regresyon</strong> problemidir. Ev fiyatı, yarınki sıcaklık, hisse senedi tahmini… Hepsi “kaç?” sorusuna cevap arar.</p><p>Eğer tahmin ettiğiniz şey <strong>kategorikse</strong>, yani bir sınıfa atama yapıyorsanız, bu bir <strong>sınıflandırma</strong> problemidir. “Bu e-posta spam mı, değil mi?” ya da “Bu müşteri bizi terk edecek mi (churn), etmeyecek mi?” gibi.</p><p>Burada küçük ama kritik bir teknik detay var: algoritmalar “Evet/Hayır” gibi kelimelerle çalışamaz. Bu yüzden ikili sınıflandırmada cevapları <strong>0 ve 1</strong> olarak kodlarız. Churn tablosunda “Yes” yazan yere 1, “No” yazan yere 0 koyarız. Model aslında kelimeleri değil, bu sayıları öğrenir.</p><blockquote><strong><em>Kısaca:</em></strong><em> “Nasıl öğreniyoruz?” sorusu denetimli/denetimsiz ayrımıdır. “Neyi tahmin ediyoruz?” sorusu ise regresyon/sınıflandırma ayrımı — ve cevabı bağımlı değişkenin sayısal mı kategorik mi olduğunda saklı.</em></blockquote><h3>Peki Model İyi mi? Başarıyı Ölçmek</h3><p>Diyelim ki modelimizi kurduk, tahminler yapıyor. Ama bu tahminler ne kadar iyi? İşte asıl soru bu.</p><p>Temel fikir çok basit: modelin tahmini ile gerçek değer arasındaki farka bakarız. Bu farka <strong>hata</strong> (residual) denir. Bir ev gerçekte 300 bin TL ederken model 320 bin dediyse, hata −20&#39;dir.</p><p>Ama tek bir evin hatasına bakmak yetmez; tüm tahminlerin hatasını tek bir sayıya indirmek isteriz. Regresyonda bunun birkaç yolu var:</p><p><strong>MSE (Ortalama Kare Hata).</strong> Her hatanın karesini alıp ortalarız. Neden kare? Çünkü kare almazsak, +20&#39;lik bir hata ile −20&#39;lik bir hata birbirini götürür ve model iyiymiş gibi görünür. Kare aldığımızda işaret kaybolur, her hata pozitif olarak sayılır. Ama bir dezavantajı var: kare aldığımız için büyük hatalar çok fazla şişer, MSE değeri gerçek birimden kopar.</p><p><strong>RMSE (Kök Ortalama Kare Hata).</strong> MSE’nin kareköküdür. Bu basit işlem değeri tekrar orijinal birime (mesela TL’ye) döndürür, böylece yorumlaması çok daha kolay olur. “Ortalama ne kadar yanılıyoruz?” sorusuna anlamlı bir cevap verir.</p><p><strong>MAE (Ortalama Mutlak Hata).</strong> Kare almak yerine hataların mutlak değerini alıp ortalarız. Kare almadığı için aykırı değerlerden (uç noktalardan) daha az etkilenir; yani daha “sağlam” (robust) bir ölçüdür.</p><p>Peki hangisini seçmeliyiz? Bu veri setine ve probleme bağlıdır. Önemli olan kural şu: bir metriği seçtikten sonra ona sadık kalın. Modeli her güncellediğinizde aynı metrikle karşılaştırın ki neyin iyileştiğini gerçekten görebilesiniz.</p><p>Sınıflandırmada ise mantık biraz değişir — orada “kaç TL yanıldık” diye soramayız. Onun yerine en temel ölçü <strong>Accuracy (Doğruluk)</strong>: doğru tahmin ettiğimiz gözlem sayısını toplam gözleme böleriz. 10 tahminden 7&#39;si doğruysa doğruluk 0.70&#39;tir. Ama dikkat — bu ölçü yalnızca veri <strong>dengeliyse</strong> işe yarar. Neden mi? O ayrı bir yazının konusu, ama ipucu vereyim: eğer verinizin %95&#39;i tek bir sınıfsa, hep o sınıfı tahmin eden tembel bir model bile %95 doğruluk alır. Yanıltıcıdır.</p><h3>Aynı Hatayı İki Kez Yapmamak: Doğrulama</h3><p>Şimdi sinsi bir tuzaktan bahsedelim. Modeli kurdunuz, aynı veriyle test ettiniz, %98 başarı aldınız. Sevindiniz. Ama gerçek dünyada model çakıldı. Ne oldu?</p><p>Sorun şu: modeli eğittiğiniz veriyle test ederseniz, aslında sınav sorularını önceden vermiş olursunuz. Model o veriyi <strong>ezberler</strong>, yeni veride ise çuvallar. Bu yüzden veriyi ikiye ayırırız.</p><p><strong>Holdout</strong> yöntemi en basitidir: verinin %70&#39;iyle modeli eğitir, hiç görmediği %30&#39;uyla test edersiniz. Böylece “acaba gerçekten öğrendi mi, yoksa ezberledi mi?” sorusunu dürüstçe sorarsınız. Tek riski: eğer veriniz zaten azsa, %70 bile modeli iyi eğitmeye yetmeyebilir.</p><p>Bu riski çözen daha zarif bir yöntem var: <strong>K-Katlı Çapraz Doğrulama (K-Fold Cross-Validation)</strong>. Mantığı şöyle: veriyi K eşit parçaya bölersiniz (diyelim 4 parça). Sonra bir turnuva düzenlersiniz — her turda parçalardan birini test için ayırır, kalan üçüyle eğitirsiniz. Bir sonraki turda test parçasını değiştirirsiniz. K kez tekrarladığınızda, her parça bir kez test, üç kez eğitim olarak kullanılmış olur.</p><p>Bunun güzelliği ne? Tüm veri hem eğitim hem test için kullanılır, hiçbir gözlem boşa gitmez. Ve sonucu tek bir talihli/talihsiz bölünmeye değil, birkaç turun ortalamasına dayandığınız için çok daha güvenilir olur.</p><blockquote><strong><em>Kısaca:</em></strong><em> Modeli kendi eğitim verisiyle test etmek, kopya çekmektir. Holdout veriyi ikiye böler; K-Fold ise bir turnuva düzenleyip her parçayı sırayla test eder — daha güvenilir sonuç için.</em></blockquote><h3>Fazla Öğrenmek de Kötüdür: Bias-Variance Dengesi</h3><p>Şimdi makine öğrenmesinin en sezgiye aykırı fikrine geldik: bazen model <strong>fazla</strong> öğrenir ve bu kötü bir şeydir.</p><p>Üç durumu bir sınav öğrencisiyle anlatayım.</p><p><strong>Underfitting (eksik öğrenme).</strong> Öğrenci hiç çalışmamıştır. Ne pratik soruları çözer ne de sınavı geçer. Modelde bu şuna karşılık gelir: kıvrımlı, karmaşık bir ilişkiye düpedüz bir çizgi uydurmaya çalışırsınız. Model çok basittir, örüntüyü yakalayamaz. Hem eğitimde hem testte kötüdür. Buna <strong>yüksek yanlılık (high bias)</strong> deriz. Çözüm: modeli biraz daha karmaşıklaştırmak.</p><p><strong>Doğru model.</strong> Öğrenci konuyu anlamıştır. Pratik sorularını da çözer, daha önce görmediği sınav sorularını da. Model gerçek örüntüyü öğrenir ama verideki gürültüye takılmaz. Düşük yanlılık, düşük varyans. İşte hedeflediğimiz yer burasıdır.</p><p><strong>Overfitting (aşırı öğrenme).</strong> Öğrenci sınav sorularını <strong>ezberlemiştir</strong>. Provada mükemmeldir ama soru birazcık değişince çöker. Modelde bu, verideki her küçük dalgalanmayı bile “kural” sanmaktır. Eğitimde harikadır, testte berbat. Buna <strong>yüksek varyans (high variance)</strong> deriz.</p><p>Peki overfitting’i nasıl fark ederiz? Çok net bir işareti var: eğitim hatası düşmeye devam ederken, test hatası bir noktadan sonra <strong>artmaya başlar.</strong> İşte tam o dönüm noktası, aşırı öğrenmenin başladığı andır. O noktaya kadar model gerçekten öğreniyordur; o noktadan sonra ezberlemeye geçer.</p><p>Bunu kontrol etmenin yolu modele göre değişir. Ağaç tabanlı modellerde ağacın derinliğini (dal sayısını) sınırlarsınız — çok derin ağaç ezberler. Gradient Boosting gibi yöntemlerde iterasyon sayısını ayarlarsınız. Fikir hep aynı: modele “yeterince öğren ama fazlasına kaçma” demek.</p><blockquote><strong><em>Kısaca:</em></strong><em> Az öğrenmek de (underfitting), fazla öğrenmek de (overfitting) kötüdür. Az öğrenen genelleyemez, fazla öğrenen ezberler. İşaret nettir: test hatası artmaya başladığı an, dur.</em></blockquote><h3>Sonuç: Elimizde Ne Var?</h3><p>Adım adım baktığımızda, makine öğrenmesinin iskeleti aslında birkaç net fikre dayanıyor:</p><ul><li><strong>Öğrenme</strong>, kural yazmak değil, veriden örüntü çıkarmaktır — model veriye en iyi oturan çizgiyi arar.</li><li><strong>Değişken türü</strong> her şeyin başlangıcıdır; bağımlı değişkenin sayısal mı kategorik mi olduğu, regresyon mu sınıflandırma mı yapacağınızı belirler.</li><li><strong>Başarı metrikleri</strong> (MSE, RMSE, MAE, Accuracy) tahminlerin ne kadar iyi olduğunu tek sayıya indirir.</li><li><strong>Doğrulama</strong> (Holdout, K-Fold) modelin ezberleyip ezberlemediğini dürüstçe ölçer.</li><li><strong>Bias-variance dengesi</strong> ise altın kuraldır: ne eksik ne fazla, tam kararında öğrenmek.</li></ul><p>Karmaşık görünen bu alanın temeli birkaç sağduyulu fikirden ibaret: örnek göster, tahmini ölç, ezberlemesine izin verme. Bir sonraki yazıda ise bu fikirleri gerçek modellere döküyoruz — doğrusal regresyondan lojistik regresyona, oradan KNN’e. Modellerin motoruna bakma vakti.</p><p><em>Bu yazı, sıfırdan öğrenme sürecinde tuttuğum makine öğrenmesi notlarından derlenmiştir. İkinci bölümde algoritmaların iç mekanizmasına iniyoruz.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d8415e3f746b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[API ile Konuşmak: Python’da Sıfırdan Bir API İstemcisi Yazmak]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/api-ile-konu%C5%9Fmak-pythonda-s%C4%B1f%C4%B1rdan-bir-api-i%CC%87stemcisi-yazmak-1b5bd48e8a7b?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/1b5bd48e8a7b</guid>
            <category><![CDATA[backend]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[api]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Mon, 29 Jun 2026 22:12:03 GMT</pubDate>
            <atom:updated>2026-06-29T22:12:03.516Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hKhAaKYdia_m6hEokKn-0g.png" /></figure><p><em>requests, class, GET/POST, hata yönetimi… Hepsi havada uçuşan kavramlar mı? Bu yazıda bir API’ye nasıl bağlanılır, veri nasıl çekilir ve gönderilir, kendi başına çalışan profesyonel bir istemciyi (client) sıfırdan adım adım inşa ediyoruz.</em></p><h3>API Aslında Ne Demek?</h3><p>Bir uygulama açtığınızı düşünün; hava durumu uygulaması olsun. “Bugün İstanbul’da hava nasıl?” diye sorduğunuzda, telefonunuzun bir yerlerde meteoroloji verisini tutan bir sunucuyla konuştuğunu fark etmezsiniz bile. İşte o konuşmanın dili <strong>API</strong>’dir (Application Programming Interface — Uygulama Programlama Arayüzü).</p><p>Peki bu “arayüz” tam olarak ne işe yarıyor? API, iki yazılımın birbiriyle anlaşmasını sağlayan bir köprüdür. Siz sunucuya bir <strong>istek</strong> (request) gönderirsiniz, o da size bir <strong>cevap</strong> (response) döner. Restoranda garsona sipariş vermek gibi: siz ne istediğinizi söylersiniz, mutfağın nasıl çalıştığını bilmenize gerek yoktur, garson size yemeğinizi getirir.</p><p>Yani API ile çalışmak iki temel işe dayanır: sunucudan <strong>veri çekmek</strong> ve sunucuya <strong>veri göndermek</strong>. Bütün hikâye aslında bu ikisinin etrafında dönüyor.</p><h3>İstek Çeşitleri: GET ve POST</h3><p>Sunucuyla konuşurken ne yapmak istediğinizi belirtmeniz gerekir. Bunun için farklı <strong>HTTP metotları</strong> vardır. En çok kullanılan ikisi şunlar:</p><p><strong>GET — Veri Çek.</strong> Sunucudan bilgi istersiniz, karşılığında bir şey göndermezsiniz. Bir web sayfasını açmak, bir kullanıcının profilini görüntülemek hep GET’tir. Başarılı olduğunda sunucu 200 koduyla cevap verir.</p><p><strong>POST — Veri Gönder.</strong> Sunucuya yeni bir bilgi yollarsınız. Bir form doldurmak, yeni bir kayıt oluşturmak, giriş yapmak POST’tur. Başarılı olduğunda sunucu 200 değil, &quot;yeni kayıt oluşturuldu&quot; anlamına gelen 201 koduyla cevap verir.</p><p>Python’da bu işi requests kütüphanesi yapar. Önce en yalın haliyle bir GET isteği:</p><pre>import requests</pre><pre>response = requests.get(&quot;https://jsonplaceholder.typicode.com/users/1&quot;)</pre><pre>data = response.json()   # gelen veriyi Python sözlüğüne (dict) çevir<br>print(data[&quot;name&quot;])      # içindeki &quot;name&quot; alanını al</pre><p>Burada üç adım var: isteği gönder, .json() ile cevabı bir sözlüğe çevir, sonra istediğin alanı çek. POST da çok benzer, sadece bu kez göndereceğimiz bir veri paketi olur:</p><pre>payload = {&quot;name&quot;: &quot;Ali Veli&quot;, &quot;email&quot;: &quot;ali@example.com&quot;}</pre><pre>response = requests.post(<br>    &quot;https://jsonplaceholder.typicode.com/users&quot;,<br>    json=payload<br>)</pre><blockquote><strong>Kısaca:</strong><em> </em>GET çeker (200), POST gönderir (201). POST’ta bir de “payload” hazırlarsınız.</blockquote><h3>Dağınıklığı Toplamak: Class Yapısı</h3><p>Tek tek istek yazmak küçük denemeler için iş görür. Ama gerçek bir projede aynı API’ye onlarca farklı istek atarsınız; her seferinde adresi, ayarları tekrar tekrar yazmak hem yorucu hem hataya açıktır.</p><p>İşte burada <strong>class</strong> (sınıf) devreye girer. Class bir kalıptır — bir API ile ilgili her şeyi (adresini, ayarlarını, ve atacağınız tüm istekleri) tek bir kutuda toplar. Pandas kullandıysanız mantığı tanıdıktır: pd.DataFrame bir kalıptır, ondan ürettiğiniz df ise o kalıbın somut bir nesnesidir.</p><pre>class UserClient:<br>    BASE_URL = &quot;https://jsonplaceholder.typicode.com&quot;</pre><p>Buradaki BASE_URL bir <strong>class değişkenidir</strong> — sabittir, her nesnede aynıdır. Adresi bir kez yazarsınız, sonra hep ona referans verirsiniz.</p><h3>__init__ ve self: Nesne Doğarken</h3><p>Boş bir kalıp tek başına bir işe yaramaz. İçini, nesne ilk oluşturulduğunda dolduran özel bir bölüm gerekir: __init__.</p><p>__init__, nesne yaratıldığı anda <strong>otomatik çalışan</strong> kurulum metodudur. self ise &quot;bu nesnenin kendisi&quot; anlamına gelir; nesneye bir bilgi kaydetmek ve sonra geri çağırmak için kullanılır.</p><pre>class UserClient:<br>    BASE_URL = &quot;https://jsonplaceholder.typicode.com&quot;</pre><pre>    def __init__(self, api_key):<br>        self.api_key = api_key<br>        self.session = requests.Session()</pre><p>Burada api = UserClient(api_key=&quot;test123&quot;) dediğinizde, __init__ kendiliğinden çalışır; gelen api_key&#39;i self.api_key olarak nesneye yapıştırır. O nesne yaşadığı sürece bu bilgi hep elinizin altındadır.</p><p>Peki self neden her metodun ilk parametresi olmak zorunda? Çünkü self, metodun &quot;ben hangi nesne için çalışıyorum?&quot; sorusunun cevabıdır. Bir restoranda garsonun &quot;bu sipariş hangi masaya ait?&quot; bilgisini taşıması gibi düşünün — masa numarası olmadan siparişin kime gideceği belli olmaz, iş yürümez. self de aynen öyle; o olmadan metot hangi nesnenin verisiyle çalışacağını bilemez.</p><p>Peki bu self.session da nedir? İşte buna ayrı bir paragraf açmaya değer.</p><h3>Session: Bağlantıyı Açık Tutmak</h3><p>Normalde her requests.get(...) çağrısı, sunucuyla <strong>sıfırdan yeni bir bağlantı</strong> kurar. Her istek için yeniden bağlanmak, bankaya her işlem için baştan girip çıkmak gibidir; yorucu ve yavaş.</p><p>requests.Session() ise bağlantıyı <strong>açık tutan</strong> bir oturum nesnesidir. Bir kez kurarsınız, sonra bütün isteklerinizi onun üzerinden yaparsınız. Avantajları net: bağlantı her seferinde yeniden kurulmadığı için daha hızlıdır, çerezler (cookies) otomatik saklanır, ortak ayarlar tek yerden yönetilir.</p><p>Kullanımı basit: __init__ içinde bir kez self.session = requests.Session() dersiniz, sonra metotlarda requests.get yerine self.session.get yazarsınız.</p><h3>İlk Metot: Veri Çekmek</h3><p>Artık kalıbımız hazır. İçine bir GET metodu koyalım:</p><pre>def get_user(self, user_id):<br>    url = f&quot;{self.BASE_URL}/users/{user_id}&quot;<br>    response = self.session.get(url)</pre><pre>    if response.status_code == 200:<br>        return response.json()<br>    return None</pre><p>Dikkat ederseniz metodun ilk parametresi yine self. Bu sayede içeride self.BASE_URL ve self.session&#39;a erişebiliyoruz. İçindeki mantık ise daha önce yazdığımız yalın GET kodunun aynısı — sadece kalıbın içine yerleşmiş hâli.</p><h3>Payload ile Veri Göndermek</h3><p>POST metodu da aynı kalıba oturur, tek farkı bir <strong>payload</strong> hazırlamasıdır. Payload, sunucuya göndereceğiniz veri paketidir — sadece bir sözlük:</p><pre>def create_user(self, name, email):<br>    payload = {&quot;name&quot;: name, &quot;email&quot;: email}<br>    url = f&quot;{self.BASE_URL}/users&quot;<br>    response = self.session.post(url, json=payload)</pre><pre>    if response.status_code == 201:<br>        return response.json()<br>    return None</pre><p>json=payload kısmı &quot;bu sözlüğü JSON formatında gönder&quot; demektir. Başarı kontrolünün burada 200 değil 201 olduğuna dikkat — çünkü POST yeni bir kayıt oluşturur.</p><h3>Çökmeyen Kod: try / except</h3><p>Şu ana kadar her şey güzel görünüyor. Ama gerçek dünya öyle nazik değil: internet kopabilir, sunucu cevap vermeyebilir, gelen veri bozuk olabilir. Bu durumlardan biri başınıza gelirse, yukarıdaki kod olduğu gibi <strong>çöker</strong> ve programınız durur.</p><p>İşte burada <strong>try / except</strong> yapısı devreye girer. Mantığı şu: riskli kodu try bloğuna koyarsınız, bir şeyler ters giderse except bloğu devreye girer ve program çökmek yerine kontrollü bir şekilde devam eder.</p><pre>def get_user(self, user_id):<br>    try:<br>        url = f&quot;{self.BASE_URL}/users/{user_id}&quot;<br>        response = self.session.get(url)<br>        if response.status_code == 200:<br>            return response.json()<br>    except Exception as e:<br>        print(f&quot;Hata oluştu: {e}&quot;)<br>        return None</pre><p>Buradaki Exception as e, hatanın detayını e değişkenine yakalar; siz de onu ekrana yazdırıp <strong>ne olduğunu görebilirsiniz</strong>. Yani try/except hatayı görmezden gelmez; tam tersine, kontrolü size verir.</p><blockquote><strong>Pratik özet:</strong><em> </em>try/except, “bu iş patlayabilir, patlarsa program çökmesin, bana ne olduğunu söylesin” demenin yoludur.</blockquote><h3>Pes Etmemek: retry (Tekrar Deneme)</h3><p>try/except hatayı yakalar ama orada durur. Oysa karşılaştığınız hataların çoğu <strong>geçicidir</strong> — sunucu o an yoğundu, internet bir an için koptu, istek zaman aşımına uğradı. Böyle durumlarda hemen pes etmek yerine birkaç kez daha denemek çoğu zaman sorunu çözer.</p><p>İşte <strong>retry</strong> mantığı budur: işi bir döngünün içine alır, başarılı olana kadar (ya da belirlenen deneme sayısı bitene kadar) tekrar dener.</p><pre>import time</pre><pre>def get_user(self, user_id, retries=3, delay=2):<br>    for i in range(retries):<br>        try:<br>            url = f&quot;{self.BASE_URL}/users/{user_id}&quot;<br>            response = self.session.get(url)<br>            if response.status_code == 200:<br>                return response.json()   # başarı: döngüden çık<br>        except Exception as e:<br>            print(f&quot;Deneme {i+1}/{retries} başarısız: {e}&quot;)<br>            time.sleep(delay)            # bekle, tekrar dene<br>    return None                          # tüm denemeler bitti</pre><p>Burada <strong>en kritik nokta</strong>, return&#39;lerin nereye yazıldığıdır:</p><ul><li>Başarı durumundaki return response.json() <strong>döngünün içinde</strong> olmalı — başarınca hemen çıkar, kalan denemeleri boşuna yapmaz.</li><li>Pes etme durumundaki return None ise <strong>döngünün dışında</strong> olmalı — ancak tüm denemeler bittiğinde devreye girer.</li></ul><p>Bu girintiyi yanlış yaparsanız retry çalışmaz; ilk denemede çıkar gider. Tek bir tab’lık fark, tüm mantığı değiştirir.</p><blockquote><strong>Kısaca:</strong><em> </em>try/except hatayı yakalar, retry o hatada pes etmeyip tekrar dener. İkisi birlikte, kodunuzu “çalışıyor”dan “dayanıklı”ya taşır.</blockquote><h3>Sonuç: Elimizde Ne Var?</h3><p>Adım adım baktığımızda, parçalar birbirinin üstüne nasıl oturuyor görülüyor:</p><ul><li><strong>Class</strong> ile bir API’nin her şeyini tek kutuda topladık.</li><li><strong>__init__ ve self</strong> ile nesneyi kurduk, <strong>session</strong> ile bağlantıyı verimli hale getirdik.</li><li><strong>GET ve POST</strong> metotlarıyla veri çektik ve gönderdik; <strong>payload</strong> ile ne göndereceğimizi belirledik.</li><li><strong>try/except</strong> ile kodu çökmez yaptık, <strong>retry</strong> ile geçici hatalara karşı dayanıklı kıldık.</li></ul><p>Sonuçta elimizde oyuncak bir betik değil, gerçek projelerde kullanılan yapıya sahip bir API istemcisi var. Üstelik bu iskelet evrenseldir: ister hava durumu API’si olsun, ister bir finans servisi, değişen tek şey adres ve birkaç ayardır — yapı hep aynı kalır.</p><p>Karmaşık görünen şeyin temeli aslında birkaç net fikre dayanıyor: bir kalıp, birkaç metot ve hata olduğunda pes etmeyen bir döngü. Gerisi pratik.</p><h3>Kaynaklar</h3><p>Bu yazıda anlatılan kodun tamamına ve sıfırdan öğrenme sürecinde tuttuğum notlara GitHub üzerinden ulaşabilirsiniz:</p><ul><li><strong>Kod:</strong> <a href="https://github.com/barannkilic/python-api-client">github.com/ibrahimbarankilicc/python-api-client</a></li><li>Repo içinde, her kavramı tek tek (class → GET → POST → session → try/except → retry) işleyen örnek dosyalar ve uygulamalı notlar yer alıyor. Yeni başlayan biri için adım adım takip edilebilir bir yol haritası niteliğinde.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1b5bd48e8a7b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Derin Öğrenmeye Giriş: Yapay Zekanın Kalbindeki Teknolojiyi Anlamak]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/derin-%C3%B6%C4%9Frenmeye-giri%C5%9F-yapay-zekan%C4%B1n-kalbindeki-teknolojiyi-anlamak-a927cd0d3098?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/a927cd0d3098</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[ai-engineer]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Sun, 07 Jun 2026 00:38:37 GMT</pubDate>
            <atom:updated>2026-06-07T00:48:31.162Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/893/0*eSFugQdNAVbPJVft.jpg" /></figure><p><em>Yapay zeka, makine öğrenmesi, derin öğrenme, üretken yapay zeka… Hepsi birbirine karışıyor mu? Bu yazıda kavramları yerli yerine oturtuyor, derin öğrenmenin neden bu kadar konuşulduğunu, hangi araçlarla çalıştığını ve günlük hayatımıza nasıl sızdığını adım adım inceliyoruz.</em></p><h3>Derin Öğrenme Aslında Ne Demek?</h3><p>Derin öğrenme (deep learning), yapay sinir ağlarını kullanarak büyük ve karmaşık veri kümelerinden öğrenebilen bir makine öğrenmesi yöntemidir.</p><p>Peki ismindeki “derin” kelimesi nereden geliyor? Yapay sinir ağlarının yapısını düşünün: bir giriş katmanı, bir çıkış katmanı ve bunların arasında <strong>gizli katmanlar</strong> bulunur. İşte bu gizli katmanların sayısı arttıkça, ağ “derinleşir”. Modelin veriden çıkarabildiği örüntülerin karmaşıklığı da bu derinlikle birlikte artar.</p><p>Yani derin öğrenme, sinir ağlarının daha çok katmanla, daha karmaşık problemleri çözmek üzere ölçeklenmiş hâlidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/403/1*4dTNe4bKK2PxmDh82fIpDQ.png" /></figure><h3>Kavram Karmaşasını Bitirelim: AI, ML, DL, GenAI</h3><p>Bu terimler sürekli birbirinin yerine kullanılıyor ama aslında birbirinin içine geçen kavramlar. En dıştan içe doğru gidelim:</p><h3>Yapay Zeka (Artificial Intelligence — AI)</h3><p>En geniş çatı. İnsan davranışlarının ve bilişsel becerilerinin makineler tarafından taklit edilmesi sürecidir. Bir makinenin “akıllı” görünmesini sağlayan her şey bu şemsiyenin altına girer.</p><h3>Makine Öğrenmesi (Machine Learning — ML)</h3><p>Yapay zekanın bir alt dalıdır. Algoritmaların açıkça programlanmadan, deneyimlerden öğrenmesini ve bu öğrenmeyi yeni verilerle tahmin yapmak için kullanmasını ifade eder. Yani “her durumu kodla anlatmak” yerine, makineye veri verip “kendin çözmeyi öğren” demektir.</p><h3>Yapay Sinir Ağı (Neural Network)</h3><p>Makine öğrenmesinin yöntemlerinden biridir. Veri üzerinden otomatik olarak öğrenir, öğrendiği bilgileri yeni veri üzerinde tahmin yapmakta kullanır. Metin, ses, görüntü gibi farklı veri tiplerinden öğrenebilir.</p><h3>Derin Öğrenme (Deep Learning — DL)</h3><p>Yapay sinir ağlarının bir alt dalıdır. Çok katmanlı sinir ağları kullandığımızda, elimizdeki veriden çok daha karmaşık özellikleri çıkarma ve öğrenme sürecini gerçekleştirmiş oluruz.</p><h3>Üretken Yapay Zeka (Generative AI — GenAI)</h3><p>Derin öğrenme modellerini kullanarak <strong>yeni veri üretebilen</strong> modellerdir. Yeni metinler, yeni sesler, yeni görüntüler oluşturabilirler.</p><h3>Büyük Dil Modelleri (Large Language Models — LLM)</h3><p>GenAI ailesinin metin tarafındaki üyeleridir. ChatGPT, Gemini ve Claude bu kategorinin en bilinen örnekleri.</p><blockquote><strong><em>Kısaca:</em></strong><em> AI ⊃ ML ⊃ Sinir Ağları ⊃ Derin Öğrenme. GenAI ve LLM’ler ise derin öğrenmeyi temel alan modellerdir.</em></blockquote><h3>Derin Öğrenme Hayatımızın Neresinde?</h3><p>Akademik tartışmalardan çıkıp günlük rutine baktığımızda, derin öğrenmenin neredeyse her yerde olduğunu görüyoruz:</p><ul><li><strong>Görüntü Tanıma ve İşleme</strong> (Image Recognition and Processing)</li><li><strong>Doğal Dil İşleme</strong> (Natural Language Processing — NLP)</li><li><strong>Ses Tanıma ve İşleme</strong> (Voice Recognition and Processing)</li><li><strong>Oyun ve Simülasyon</strong> (Gaming and Simulation)</li><li><strong>Öneri Sistemleri</strong> (Recommendation Systems) — Netflix, Spotify, YouTube önerileri</li><li><strong>Otonom Araçlar</strong> (Autonomous Vehicles)</li><li><strong>Finans ve Ticaret</strong> (Finance and Trade)</li><li><strong>Üretim ve Lojistik</strong> (Production and Logistics)</li></ul><p>Telefonunuzun yüzünüzü tanıması, klavyenizin bir sonraki kelimeyi tahmin etmesi, akış servisinin “size özel” liste oluşturması — hepsinin arkasında bir derin öğrenme modeli çalışıyor.</p><h3>Derin Öğrenme Kütüphaneleri: Hangisi Ne İşe Yarar?</h3><p>Bir derin öğrenme modeli yazarken sıfırdan matematik yazmıyoruz; olgunlaşmış kütüphaneler kullanıyoruz. Üç büyük isim öne çıkıyor:</p><h3>TensorFlow (Google Brain Team)</h3><p>CPU ve GPU üzerinde çalışır. Eğitim sürecini görselleştirmenizi sağlar (TensorBoard). Düşük seviyeli API’ler sunarak geniş bir kontrol imkânı verir.</p><p>Düşük seviye API’ler güçlü olsa da arayüzleri zor ve uzmanlık gerektirir. Bu yüzden TensorFlow ikinci sürümden sonra <strong>Keras</strong> ile birleşmiş ve çok daha kullanıcı dostu hâle gelmiştir.</p><h3>PyTorch (Facebook AI Research Lab)</h3><p>Özellikle doğal dil işleme ve bilgisayarla görü gibi alanlarda <strong>esneklik ve hız</strong> sağlar. Araştırma topluluğunun favorisi olarak biliniyor; dinamik bilgi işlem grafı sayesinde model üzerinde daha rahat hareket edebiliyorsunuz.</p><h3>Keras (François Chollet)</h3><p>Aslında bir üst-seviye API. Sonradan Google’a dahil oldu ve TensorFlow’un ön yüzüne taşındı. TensorFlow’a hem hız hem de sade bir arayüz kazandırdı. Bugün “TensorFlow ile model yazmak” denince çoğunlukla Keras söz dizimi kastediliyor.</p><h3>CPU, GPU, TPU: Modeli Kim, Nasıl Çalıştırıyor?</h3><p>Derin öğrenme modelleri çok sayıda matris çarpımı yapar — yani aslında çok büyük miktarda matematiksel işlemden ibarettir. Bu işlemleri kim yapacak? İşte donanım tarafı:</p><h3>CPU (Central Processing Unit)</h3><p>Bilgisayarın beyni. Genel amaçlı görevleri yerine getirir ve işlemleri büyük ölçüde <strong>sırayla</strong> yapar. Karmaşık ve paralel matematiksel işlemler söz konusu olduğunda diğer birimler kadar hızlı değildir. Yani derin öğrenme için yeterli ama optimal değil.</p><h3>GPU (Graphics Processing Unit)</h3><p>Aslında video oyunları ve video düzenleme gibi görsel iş yükleri için tasarlanmış kartlardır — “ekran kartı” olarak da bilinirler. CPU’dan ayıran en önemli özellik <strong>paralel işlem yapabilme kabiliyeti</strong>. İçinde küçük ve daha basit işlemler için yüzlerce, hatta binlerce mikro işlemci (çekirdek) barındırır.</p><p>Derin öğrenmedeki matris işlemleri doğası gereği paralelleştirilebilir; o yüzden GPU’lar bu iş için neredeyse biçilmiş kaftandır.</p><h3>TPU (Tensor Processing Unit)</h3><p>Google tarafından özellikle yapay zekâ ve derin öğrenme işlemleri için tasarlanan <strong>özel amaçlı bir donanım</strong>. Büyük miktarda veri üzerinde çok hızlı matematiksel işlemler yapmak için optimize edilmiştir. Genelde bulut ortamlarda (Google Cloud, Colab, Kaggle) erişebilirsiniz.</p><blockquote><strong><em>Pratik özet:</em></strong><em> Küçük denemeler CPU ile yapılabilir, ciddi eğitimler GPU ister, devasa modeller TPU’da uçar.</em></blockquote><h3>Pratiğe Geçelim: Yüz Tanıma (Face Recognition)</h3><p>Teoriyi somutlaştırmak için derin öğrenmenin en popüler uygulamalarından birine bakalım: yüz tanıma.</p><p>Yüz tanıma; bireylerin yüz özelliklerine dayanarak kimliklerinin belirlenmesi ve doğrulanması işidir. Sistem; gözler, ağız yapısı, çene hattı gibi biyometrik özelliklere göre yüzleri ayırt eder.</p><h3>Yüz Tanıma Süreci Üç Adımdan Oluşur</h3><ol><li><strong>Face Detection (Yüz Tespiti):</strong> Önce bir fotoğraftaki yüzün konumu tespit edilir. “Burada bir yüz var” denir.</li><li><strong>Feature Extraction (Özellik Çıkarımı):</strong> Algılanan yüzden biyometrik veriler (vektörel öznitelikler) çıkarılır.</li><li><strong>Face Recognition (Yüz Tanıma):</strong> Çıkarılan vektör, veritabanındaki vektörlerle karşılaştırılır ve tanıma gerçekleşir. (Güvenlik sistemleri, kişisel cihaz kilidi açma vb.)</li></ol><h3>DeepFace Kütüphanesi</h3><p>Python ile bu işi yapmanın en pratik yollarından biri <strong>DeepFace</strong> kütüphanesini kullanmaktır.</p><ul><li>Açık kaynak kodlu bir Python kütüphanesidir.</li><li>Yüz tanıma, doğrulama, yaş–cinsiyet tahmini ve duygu tespiti gibi işlerde kullanılır.</li><li>Popüler önceden eğitilmiş (pre-trained) derin öğrenme modellerini destekler. Yani kendinden milyonlarca yüzle eğitilmiş modeller hazır geliyor; siz sadece kullanıyorsunuz.</li></ul><h3>Kod Örneği (python)</h3><pre>from deepface import DeepFace</pre><pre># path: analiz edilecek görselin yolu<br># actions: yapılması istenen tespitler<br>result = DeepFace.analyze(<br>    img_path=&quot;path/to/image.jpg&quot;,<br>    actions=[&quot;age&quot;, &quot;gender&quot;, &quot;race&quot;, &quot;emotion&quot;]<br>)</pre><pre>print(result)</pre><p>Bu kadar. Birkaç satır kodla bir fotoğraftaki kişinin yaşını, cinsiyetini ve baskın duygusunu tahmin eden bir sisteminiz var. Arka planda olan onlarca katmandan oluşan derin sinir ağları, ama sizin için soyutlanmış durumda.</p><h3>Sonuç: Nereden Devam Etmeli?</h3><p>Derin öğrenme, kavramsal olarak yapay zekânın en derin halkası; ama pratikte sandığınızdan çok daha erişilebilir bir alan.</p><p>Bundan sonra atılacak adımlar şöyle özetlenebilir:</p><ul><li><strong>Küçük projelerle başlayın:</strong> Rakam tanıma (MNIST), kedi-köpek sınıflandırma, sentiment analizi gibi klasiklerle deneyimi pekiştirin.</li><li><strong>Önceden eğitilmiş modelleri keşfedin:</strong> DeepFace gibi kütüphaneler, derin öğrenmenin gücünü hemen hissetmenizi sağlar.</li></ul><p>Karmaşık görünen şeylerin temeli aslında oldukça net birkaç fikre dayanıyor: veri, katmanlar ve çok sayıda matris çarpımı. Gerisi pratik.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a927cd0d3098" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bir Data Scientist & AI Engineer’ın Docker ve Ağ ile İlk Teması]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/bir-data-scientist-ai-engineer%C4%B1n-docker-ve-a%C4%9F-ile-i%CC%87lk-temas%C4%B1-285eb167bf80?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/285eb167bf80</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[ip]]></category>
            <category><![CDATA[ai-engineer]]></category>
            <category><![CDATA[network]]></category>
            <category><![CDATA[docker]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Thu, 21 May 2026 21:33:36 GMT</pubDate>
            <atom:updated>2026-05-21T21:33:36.152Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d5WOY-qudTgCka2k0OMfhg.png" /></figure><p>Veriyle aram hep iyiydi. Ama ürünü gerçek dünyaya çıkarma sırası gelince, hiç bilmediğim bir dünyayla karşılaştım: container’lar, portlar, ağlar. Peki bu kavramları sıfırdan nasıl oturttum?</p><blockquote><em>Bu yazı bir “nasıl yapılır” rehberi değil. Ağ tarafında zayıf bir veri insanının, kafasındaki yanlış modelleri doğrularıyla nasıl değiştirdiğinin notları.</em></blockquote><p>Hangi yazılım nereye kurulacak, hangi servis hangi portu dinleyecek, container’lar birbirini nasıl bulacak? Bir veri insanı olarak bu sorularla ilk kez yüzleştiğimde elimde net bir cevap yoktu. Peki bu kavramları nasıl oturttum?</p><p>Data/AI tarafında çalışırken işin büyük kısmı veriyle geçer: temizlersin, modellersin, analiz edersin. Ama bir gün ürünü gerçek dünyaya çıkarmak gerekir — ve orada bambaşka bir dünya başlar. Main servisler, ERP’ler, tool’lar, veritabanları, monitoring ve en sonunda deployment. API’ler, Docker’lar derken kendimi adını duyduğum ama hiç birebir tecrübe etmediğim onlarca kavramın ortasında buldum.</p><p>Bir fikrim vardı — ama eksik, çoğu zaman hatalı. İşte bu yazı, o eksik fikirleri nasıl düzelttiğimin, kafamdaki yanlış modelleri nasıl doğrularıyla değiştirdiğimin notları. “Nasıl yapılır” rehberi değil; “nasıl anladım” hikayesi.</p><p>Hadi başlayalım.</p><h3>1. Docker Ne, Neden Var?</h3><p>Docker’ı tek cümleyle tanımlayalım: bir uygulamayı, ihtiyaç duyduğu her şeyle birlikte izole bir kutuya koyup, o kutuyu farklı ortamlara aynı şekilde taşımayı sağlayan bir yazılım.</p><p>Çözdüğü asıl dert şu: <strong>“Benim makinemde çalışıyordu ama sunucuda çalışmadı.”</strong> Klasik bir kâbus. Çünkü iki makinede kütüphane versiyonları, ayarlar, işletim sistemi farklıdır. Docker bu farkı ortadan kaldırır — uygulamayı kutusuyla beraber taşırsın, kutu nereye giderse aynı çalışır.</p><p>Kritik fikir şu: Docker bir uygulamayı <strong>paketlemez sadece, izole eder.</strong> Her kutu kendi dünyasında yaşar.</p><h3>2. İlk Kafa Karışıklığım: Image vs Container</h3><p>İlk düğümlendiğim yer tam burasıydı. Hangisi hangisinden türüyor — image mi container’dan oluşuyor, yoksa container mı image’den? Üstelik daha önce bir terminalde (komut istemi) doğru dürüst çalışmamıştım. Komutları ve syntax’ı öğrenirken bir de bu kavram karmaşası eklenince işin içinden çıkamadım.</p><p>Sonra işi oturtan benzetmeyi buldum:</p><p><strong>Image = kek kalıbı. Container = kalıptan çıkan kek.</strong></p><p>Image, rafta duran donmuş bir şablondur. Tek başına çalışmaz, sadece bekler. Onu çalıştırdığın anda ortaya <strong>container</strong> çıkar — canlı, çalışan kopya. Ve en önemlisi: bir kalıptan birden çok kek çıkarabilirsin. Yani tek bir image’den birden çok container.</p><p>Bunu kendi gözümle görmek, ezberden çok daha iyi oturttu:</p><p>bash</p><pre># İndirilmiş image&#39;leri (kalıpları) listele<br>docker images</pre><pre># Çalışan container&#39;ları (kekleri) listele<br>docker ps</pre><p>docker images bana kalıpları gösterdi, docker ps ise o kalıplardan çıkmış çalışan kutuları. İkisini yan yana görünce düğüm çözüldü: <strong>container, image&#39;den doğar. Tersi değil.</strong></p><h3>3. Container’ı Çalıştırmak ve Port: Kapı Mantığı</h3><p>Kutuyu tanıdıktan sonra sıra onu çalıştırmaya ve dış dünyaya açmaya geldi. İşte burada <strong>port</strong> kavramıyla tanıştım.</p><p>Bir container çalıştırırken şöyle bir komut görürsün:</p><p>bash</p><pre>docker run -d --name uygulama -p 8080:80 nginx</pre><p>Beni asıl şaşırtan -p 8080:80 kısmıydı. Neden iki sayı vardı?</p><p>Cevap şu: <strong>Port bir kapıdır.</strong> Ve burada iki ayrı kapı eşleştiriliyor:</p><ul><li><strong>8080</strong> → dış kapı. Benim dışarıdan eriştiğim numara.</li><li><strong>80</strong> → iç kapı. Container’ın içinde uygulamanın beklediği numara.</li></ul><p>-p 8080:80 şunu söyler: &quot;Dışarıdan 8080&#39;e gelen herkesi, içeride 80&#39;e gönder.&quot;</p><p>Bunu kafamda şöyle kodladım: <strong>8080 bir sokak, 80 ise o sokaktaki bir daire.</strong> Sokağa gelirsin, doğru daireye yönlendirilirsin.</p><p>Bu mantığın çok kritik bir güvenlik sonucu var: <strong>Açmadığın port, var olmayan bir kapıdır.</strong> Bir portu dışarı eşleştirmezsen, dışarıdan kimse o kapıyı çalamaz. Veritabanı gibi hassas servisleri tam da bu yüzden dışarı açmayız — kapıyı hiç açmazsan, içeri girme ihtimali de olmaz.</p><h3>4. Kendi İçeriğini Yayınlamak: Volume</h3><p>Container’ı çalıştırmak bir şey, ama ona <strong>kendi dosyalarını</strong> vermek başka bir şey. Burada <strong>volume</strong> devreye girer.</p><p>Diyelim elimde bir index.html var ve bunu nginx ile yayınlamak istiyorum. Komut şöyle:</p><p>bash</p><pre>docker run -d --name uygulama -p 8080:80 \<br>  -v &quot;C:\Users\...\proje&quot;:/usr/share/nginx/html \<br>  nginx</pre><p>-v kısmı iki tarafı birbirine bağlar:</p><ul><li><strong>Sol taraf</strong> → benim bilgisayarımdaki klasör (dışarısı)</li><li><strong>Sağ taraf</strong> → nginx’in içeride baktığı klasör (içerisi)</li></ul><p>Yani: “Benim klasörümdeki dosyaları, container’ın baktığı yere bağla.” nginx oraya bakınca benim index.html&#39;imi bulur ve sunar. Tarayıcıdan http://localhost:8080 dediğimde artık nginx&#39;in varsayılan sayfası değil, benim sayfam çıkar.</p><p>Küçük ama önemli bir detay: nginx bir klasöre baktığında otomatik olarak <strong>index.html</strong> dosyasını arar. Bu yüzden dosya adının index.html olması gerekir.</p><h3>5. Ağ: Container’lar Birbirini Nasıl Bulur?</h3><p>Şimdi en sevdiğim kısma geldik: container’ların <strong>haberleşmesi.</strong></p><p>Buna nostaljik bir örnek vereyim. Çoğumuz eskiden internet kafelerde Counter-Strike oynadık. Yan masadaki arkadaşınla aynı oyunda buluşmak için ne yapardık? <strong>LAN bağlantısı.</strong> Aynı ağa bağlanır, birbirimizi orada bulurduk.</p><p>Container’lar da birebir böyle. Aynı ağda değillerse birbirlerini göremezler. Bunu test ettim:</p><p>bash</p><pre>docker exec kutu1 ping -c 3 kutu2<br># Hata: ping: kutu2: Name or service not known</pre><p>“kutu2 diye birini tanımıyorum” diyor. Çünkü ikisi aynı ağda değil. Bir ağ kurup ikisini de o ağa bağlayınca:</p><p>bash</p><pre>docker network create test-agi<br>docker network connect test-agi kutu1<br>docker network connect test-agi kutu2</pre><pre>docker exec kutu1 ping -c 3 kutu2</pre><pre>PING kutu2 (172.18.0.3): 64 bytes from kutu2.test-agi<br>3 packets transmitted, 3 received, 0% packet loss</pre><p>Bu sefer buldu. Tek değişen şey, ikisini aynı “LAN’a” koymamdı.</p><h3>6. IP: İsimle Çağır, Adresle Bulun</h3><p>Yukarıdaki çıktıda gizli bir detay var, üzerinde durmaya değer. Ben kutu2 diye <strong>isimle</strong> çağırdım, ama ağ bana 172.18.0.3 diye bir <strong>IP adresi</strong> döndürdü.</p><p>İşte ağ tam burada devreye giriyor: container’lar birbirini <strong>isimle</strong> çağırır, ağ ise o ismi arka planda bir <strong>IP adresine</strong> çevirir.</p><p>Kafamdaki benzetme şu oldu: <strong>IP bir telefon numarası, ağ ise telefon rehberi.</strong> Sen ismi söylersin (“kutu2”), rehber numarayı bulur (“172.18.0.3”). Numarayı ezberlemene gerek yok, ismi bilmen yeter.</p><p>Bir detay daha: aynı ağda olan iki container’ın IP’leri <strong>farklıdır.</strong></p><ul><li>kutu1 → 172.18.0.2</li><li>kutu2 → 172.18.0.3</li></ul><p>Yani “aynı ağda olmak” demek “aynı adres” demek değil. Aynı sokakta oturan iki ev gibi: sokak ortak (ağ), ama kapı numaraları (IP) ayrı.</p><p>Bunu kanıtlamak için container’ı ağdan çıkardığımda, beklediğim oldu:</p><p>bash</p><pre>docker network disconnect test-agi kutu2<br>docker exec kutu1 ping -c 3 kutu2<br># Hata: ping: kutu2: Name or service not known</pre><p>Ağdan çıkınca tekrar görünmez oldu. <strong>Ağa bağlı = görünür. Ağdan çıkık = görünmez.</strong> Bu kadar net.</p><h3>Parçalar Yerine Oturunca</h3><p>Kafamdaki karmaşayı bir tabloya indirgeyince her şey daha sade göründü:</p><pre>| Kavram     | Benzetme              | Ne işe yarar              |<br>|------------|-----------------------|---------------------------|<br>| Image      | Kek kalıbı            | Donmuş şablon             |<br>| Container  | Kalıptan çıkan kek    | Çalışan kopya             |<br>| Port       | Kapı                  | İçeri/dışarı geçiş        |<br>| Volume     | Dosya köprüsü         | Kendi içeriğini bağlama   |<br>| Network    | LAN / aynı ağ         | Container&#39;ların buluşması |<br>| IP         | Telefon numarası      | Her container&#39;ın adresi   |</pre><p>Birbirinden kopuk görünen bu kavramlar aslında tek bir hikâyenin parçalarıymış: <strong>bir kutu (container) bir kalıptan (image) çıkar, bir kapıdan (port) dışarı açılır, kendi içeriğini (volume) taşır ve aynı ağdaki (network) diğer kutuları adresleriyle (IP) bulur.</strong></p><h3>Ne Öğrendim, Nasıl Pekiştirdim</h3><p>Bu çalışmaları bir sanal makineye ihtiyaç duymadan, kendi local’inizde Docker üzerinde gerçekleştirebilirsiniz. Çok basit bir .html sayfasını yayınlayarak bile deneyebilirsiniz.</p><p>Okumak ya da izlemek yerine <strong>yaparak öğrenmeyi</strong> her zaman tavsiye ederim. Videolar ve yazılar sizin için yalnızca birer örnek olmalı; asıl oturma, elinizle denediğinizde gerçekleşiyor.</p><p>Bu yazıyı da tam bu yüzden yazdım: yeni başlayan ve kavram karmaşası yaşayan kişilere, kendi anlama mantığımı aktararak bir yol göstermek istedim. Hem bir öğrenme hikayesi, hem de bir çalışma tavsiyesi olarak sunuyorum.</p><p>Ve şunu rahatlıkla söyleyebilirim: bu uygulamadan sonra, sanal makinede çalışan sisteme olan yaklaşımım ve onu anlama biçimim fazlasıyla değişti.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=285eb167bf80" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Büyük Dil Modelleri İçten Dışa: API’den Chatbot’a Pratik Rehber]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/b%C3%BCy%C3%BCk-dil-modelleri-i%CC%87%C3%A7ten-d%C4%B1%C5%9Fa-apiden-chatbot-a-pratik-rehber-f0f3d825f244?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/f0f3d825f244</guid>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[generative-ai-tools]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[streamlit]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Wed, 29 Apr 2026 17:04:57 GMT</pubDate>
            <atom:updated>2026-04-29T17:04:57.156Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ja-mEQVYG9D1C0ztvPb1qA.jpeg" /></figure><p><em>LLM’lerin iç dinamiklerini anlamak, çıktı kalitesini artırmak ve Streamlit ile kendi chatbot’unu sıfırdan inşa etmek.</em></p><h3>1. LLM’lerin İçindeki Motor: Temel Dinamikler</h3><p>Bir büyük dil modeliyle konuştuğumuzda aslında ne oluyor? Basitçe söylemek gerekirse: model, milyarlarca parametreyle örüntülenmiş bir olasılık dağılımı üzerinden sonraki token’ı tahmin ediyor. Ama bu tahmini kaliteli ya da kalitesiz yapan birkaç kritik bileşen var.</p><p><strong>Transformer Mimarisi ve Attention Mekanizması</strong></p><p>Modern LLM’lerin neredeyse tamamı Transformer mimarisine dayanır. Bu mimarinin kalbi olan <em>self-attention</em>, modelin bir cümledeki her kelimenin diğer kelimelerle ne kadar “ilgili” olduğunu hesaplamasını sağlar. “Bankaya gittim, hesabımı kontrol ettim” cümlesinde “bankaya” ile “hesabımı” arasındaki yüksek attention skoru, modelin bağlamı doğru anlamasını mümkün kılar.</p><p><strong>Context Window: Modelin Kısa Süreli Hafızası</strong></p><p>GPT-4&#39;ün 128K, Claude’un 200K token’lık context window’u var. Bu pencere ne kadar büyükse, model o kadar uzun konuşmaları, belgeleri ve bağlamları tutabilir. Ancak dikkat gereken bir nokta var: context window’un sonuna yaklaştıkça bazı modeller orta kısımlardaki bilgileri “unutmaya” başlar — buna <em>lost in the middle</em> problemi denir.</p><p><strong>Temperature ve Sampling Parametreleri</strong></p><p>Modelin yaratıcılığını belirleyen temperature parametresi, çıktı kalitesi üzerindeki en doğrudan kontrol mekanizmanızdır:</p><p>python</p><pre># Deterministik, tutarlı çıktılar için (kod, analiz)<br>temperature = 0.0</pre><pre># Dengeli, genel kullanım için<br>temperature = 0.7</pre><pre># Yaratıcı yazarlık, beyin fırtınası için<br>temperature = 1.2</pre><p>top_p (nucleus sampling) ise olasılık dağılımının en üst p&#39;lik diliminden örnekleme yapar. top_k ile birlikte kullanarak hem çeşitliliği hem tutarlılığı kontrol edebilirsiniz.</p><h3>2. Çıktı Kalitesini Etkileyen Dört Boyut</h3><h4>📝 Metin Üretimi</h4><p>Metin üretiminde kalite büyük ölçüde <strong>prompt mühendisliğine</strong> bağlıdır. Birkaç temel ilke:</p><ul><li><strong>Rol tanımla:</strong> “Sen deneyimli bir Python geliştiricisisin” gibi bir sistem prompt’u, çıktının tonunu ve derinliğini köklü biçimde değiştirir.</li><li><strong>Few-shot örnekler ver:</strong> Modelin beklediğin formatı öğrenmesi için 2–3 örnek input-output çifti ekle.</li><li><strong>Chain-of-thought:</strong> “Adım adım düşün” ifadesi, özellikle akıl yürütme gerektiren görevlerde doğruluğu ciddi oranda artırır.</li></ul><p>python</p><pre>system_prompt = &quot;&quot;&quot;<br>Sen bir teknik yazar olarak görev yapıyorsun.<br>Yanıtlarını şu formatta ver:<br>1. Özet (1 cümle)<br>2. Teknik Detay<br>3. Kod Örneği (varsa)<br>&quot;&quot;&quot;</pre><h4>🖼️ Görsel Üretim ve Anlama</h4><p>GPT-4o, Claude 3.5, Gemini gibi multimodal modeller artık görüntüleri hem anlayıp hem üretebiliyor. API üzerinden görsel göndermek için:</p><p>python</p><pre>import anthropic<br>import base64</pre><pre>client = anthropic.Anthropic()</pre><pre>with open(&quot;grafik.png&quot;, &quot;rb&quot;) as f:<br>    image_data = base64.standard_b64encode(f.read()).decode(&quot;utf-8&quot;)</pre><pre>response = client.messages.create(<br>    model=&quot;claude-opus-4-20250514&quot;,<br>    max_tokens=1024,<br>    messages=[{<br>        &quot;role&quot;: &quot;user&quot;,<br>        &quot;content&quot;: [<br>            {<br>                &quot;type&quot;: &quot;image&quot;,<br>                &quot;source&quot;: {<br>                    &quot;type&quot;: &quot;base64&quot;,<br>                    &quot;media_type&quot;: &quot;image/png&quot;,<br>                    &quot;data&quot;: image_data<br>                }<br>            },<br>            {&quot;type&quot;: &quot;text&quot;, &quot;text&quot;: &quot;Bu grafiği analiz et ve yorumla.&quot;}<br>        ]<br>    }]<br>)</pre><p>Görüntü üretimi için ise DALL-E 3 veya Stable Diffusion API’leri kullanılır. Prompt kalitesi burada her şeydir: stil referansları, ışık tanımı, kompozisyon talimatları eklemek sonucu dramatik biçimde iyileştirir.</p><h4>🎵 Ses Üretimi ve Transkripsiyon</h4><p>Ses ekosistemi hızla olgunlaşıyor. Üç temel kullanım senaryosu:</p><ul><li><strong>STT (Speech-to-Text):</strong> OpenAI Whisper, gerçek zamanlı transkripsiyon için mükemmel. faster-whisper kütüphanesi ile yerel olarak çalıştırabilirsiniz.</li><li><strong>TTS (Text-to-Speech):</strong> ElevenLabs, OpenAI TTS veya Coqui TTS ile sentetik ses üretimi.</li><li><strong>Sesli Asistan Döngüsü:</strong> ses al → Whisper ile metne çevir → LLM&#39;e gönder → TTS ile seslendir</li></ul><p>python</p><pre># Basit bir STT pipeline<br>import whisper</pre><pre>model = whisper.load_model(&quot;base&quot;)<br>result = model.transcribe(&quot;ses_dosyasi.mp3&quot;, language=&quot;tr&quot;)<br>print(result[&quot;text&quot;])</pre><h4>💻 Kod Üretimi</h4><p>LLM’ler en yüksek performansı kod görevlerinde gösteriyor. Çünkü kod, doğrulanabilir — ya çalışır ya çalışmaz. Kod kalitesini artırmak için:</p><ul><li>Kullandığın dili, kütüphaneyi ve Python versiyonunu belirt</li><li>“Hata yönetimi ekle”, “type hint kullan”, “docstring yaz” gibi kısıtlar tanımla</li><li>Modeli kodu çalıştırıp test etmeye yönlendir (function calling ile)</li></ul><h3>3. Streamlit ile API Bağlantısı: İlk Chatbot’un</h3><p>Streamlit, Python tabanlı web uygulamaları için en hızlı prototipleme aracı. Sıfır frontend bilgisiyle çalışan bir chatbot arayüzü kurabiliriz.</p><p><strong>Kurulum</strong></p><p>bash</p><pre>pip install streamlit anthropic openai</pre><p><strong>Temel Chatbot Yapısı</strong></p><p>python</p><pre># app.py<br>import streamlit as st<br>import anthropic</pre><pre>st.set_page_config(page_title=&quot;LLM Chatbot&quot;, page_icon=&quot;🤖&quot;)<br>st.title(&quot;Claude ile Sohbet&quot;)</pre><pre># API istemcisini başlat<br>client = anthropic.Anthropic(api_key=st.secrets[&quot;ANTHROPIC_API_KEY&quot;])</pre><pre># Mesaj geçmişini session_state&#39;te tut<br>if &quot;messages&quot; not in st.session_state:<br>    st.session_state.messages = []</pre><pre># Geçmiş mesajları göster<br>for msg in st.session_state.messages:<br>    with st.chat_message(msg[&quot;role&quot;]):<br>        st.markdown(msg[&quot;content&quot;])</pre><pre># Kullanıcı girdisi<br>if prompt := st.chat_input(&quot;Mesajınızı yazın...&quot;):<br>    # Kullanıcı mesajını ekle ve göster<br>    st.session_state.messages.append({&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: prompt})<br>    with st.chat_message(&quot;user&quot;):<br>        st.markdown(prompt)</pre><pre>    # Asistan yanıtını oluştur<br>    with st.chat_message(&quot;assistant&quot;):<br>        with st.spinner(&quot;Düşünüyor...&quot;):<br>            response = client.messages.create(<br>                model=&quot;claude-opus-4-20250514&quot;,<br>                max_tokens=2048,<br>                system=&quot;Sen yardımcı bir Türkçe asistansın.&quot;,<br>                messages=st.session_state.messages<br>            )<br>            reply = response.content[0].text<br>            st.markdown(reply)</pre><pre>    st.session_state.messages.append({&quot;role&quot;: &quot;assistant&quot;, &quot;content&quot;: reply})</pre><p><strong>Streaming ile Gerçek Zamanlı Yanıt</strong></p><p>Kullanıcı deneyimini dramatik biçimde iyileştiren streaming entegrasyonu:</p><p>python</p><pre>with st.chat_message(&quot;assistant&quot;):<br>    message_placeholder = st.empty()<br>    full_response = &quot;&quot;</pre><pre>    with client.messages.stream(<br>        model=&quot;claude-opus-4-20250514&quot;,<br>        max_tokens=2048,<br>        messages=st.session_state.messages<br>    ) as stream:<br>        for text in stream.text_stream:<br>            full_response += text<br>            message_placeholder.markdown(full_response + &quot;▌&quot;)</pre><pre>    message_placeholder.markdown(full_response)</pre><p><strong>Secrets Yönetimi</strong></p><p>API anahtarını asla kod içine gömme. Streamlit’in secrets sistemi kullan:</p><p>toml</p><pre># .streamlit/secrets.toml<br>ANTHROPIC_API_KEY = &quot;sk-ant-...&quot;<br>OPENAI_API_KEY = &quot;sk-...&quot;</pre><h3>4. Yerel Modeller: API Olmadan LLM Kullanmak</h3><p>Bulut API’lere bağımlı kalmadan, kendi makinende LLM çalıştırmak hem maliyet hem gizlilik açısından cazip. İşte üç ana yaklaşım:</p><h4>Ollama: En Kolay Yol</h4><p>bash</p><pre># Ollama&#39;yı kur (macOS/Linux)<br>curl -fsSL https://ollama.ai/install.sh | sh</pre><pre># Bir model indir<br>ollama pull llama3.2<br>ollama pull mistral<br>ollama pull deepseek-coder</pre><pre># Çalıştır<br>ollama run llama3.2</pre><p>Ollama, yerel modelleri OpenAI-uyumlu bir REST API üzerinden sunar. Bu sayede mevcut kodunu neredeyse hiç değiştirmeden yerel modele geçirebilirsin:</p><p>python</p><pre>from openai import OpenAI</pre><pre># Ollama&#39;nın yerel API&#39;sine bağlan<br>client = OpenAI(<br>    base_url=&quot;http://localhost:11434/v1&quot;,<br>    api_key=&quot;ollama&quot;  # Gerekli değil ama boş bırakılamıyor<br>)</pre><pre>response = client.chat.completions.create(<br>    model=&quot;llama3.2&quot;,<br>    messages=[{&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: &quot;Merhaba! Nasılsın?&quot;}]<br>)<br>print(response.choices[0].message.content)</pre><h4>Streamlit + Ollama: Tam Offline Chatbot</h4><p>python</p><pre># local_chat.py<br>import streamlit as st<br>from openai import OpenAI</pre><pre>client = OpenAI(base_url=&quot;http://localhost:11434/v1&quot;, api_key=&quot;ollama&quot;)</pre><pre># Mevcut modelleri dinamik olarak çek<br>@st.cache_data<br>def get_models():<br>    import requests<br>    r = requests.get(&quot;http://localhost:11434/api/tags&quot;)<br>    return [m[&quot;name&quot;] for m in r.json().get(&quot;models&quot;, [])]</pre><pre>st.title(&quot;Yerel LLM Chatbot&quot;)<br>model = st.sidebar.selectbox(&quot;Model Seç&quot;, get_models())<br>temperature = st.sidebar.slider(&quot;Temperature&quot;, 0.0, 2.0, 0.7)</pre><pre>if &quot;messages&quot; not in st.session_state:<br>    st.session_state.messages = []</pre><pre>for msg in st.session_state.messages:<br>    with st.chat_message(msg[&quot;role&quot;]):<br>        st.markdown(msg[&quot;content&quot;])</pre><pre>if prompt := st.chat_input(&quot;Mesajınızı yazın...&quot;):<br>    st.session_state.messages.append({&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: prompt})<br>    with st.chat_message(&quot;user&quot;):<br>        st.markdown(prompt)</pre><pre>    with st.chat_message(&quot;assistant&quot;):<br>        stream = client.chat.completions.create(<br>            model=model,<br>            messages=st.session_state.messages,<br>            temperature=temperature,<br>            stream=True<br>        )<br>        response = st.write_stream(stream)</pre><pre>    st.session_state.messages.append({&quot;role&quot;: &quot;assistant&quot;, &quot;content&quot;: response})</pre><p>bash</p><pre>streamlit run local_chat.py</pre><h4>Model Seçimi: Hangi Durumda Neyi Kullanmalı?</h4><p>GörevÖnerilen Yerel ModelVRAMGenel sohbetLlama 3.2 8B6 GBKod yazmaDeepseek Coder 7B5 GBTürkçe NLPMistral 7B5 GBDüşük kaynakPhi-3 Mini 3.8B3 GBYüksek kaliteLlama 3.1 70B (Q4)40 GB</p><h3>5. Birleştirme: Hibrit Mimari</h3><p>Gerçek dünya uygulamalarında genellikle bulut + yerel modelleri birlikte kullanmak en iyi yaklaşım:</p><p>python</p><pre>import streamlit as st<br>import anthropic<br>from openai import OpenAI</pre><pre>def get_client(provider: str):<br>    if provider == &quot;Claude (Bulut)&quot;:<br>        return anthropic.Anthropic(api_key=st.secrets[&quot;ANTHROPIC_API_KEY&quot;])<br>    elif provider == &quot;Ollama (Yerel)&quot;:<br>        return OpenAI(base_url=&quot;http://localhost:11434/v1&quot;, api_key=&quot;ollama&quot;)</pre><pre>provider = st.sidebar.radio(<br>    &quot;Sağlayıcı&quot;,<br>    [&quot;Claude (Bulut)&quot;, &quot;Ollama (Yerel)&quot;]<br>)</pre><h3>Sonuç</h3><p>LLM mühendisliği artık sadece araştırmacıların değil, her Python geliştiricisinin erişebileceği bir alan. Bu yazıda gördüğümüz üzere:</p><ul><li><strong>Context window, attention ve sampling parametreleri</strong> çıktı kalitesini doğrudan belirliyor</li><li><strong>Metin, görsel, ses ve kod</strong> üretimi artık tek bir API çağrısı mesafesinde</li><li><strong>Streamlit</strong> ile birkaç satır kodda production-ready bir chatbot arayüzü kurabilirsin</li><li><strong>Ollama</strong> sayesinde gizlilik gerektiren projelerde tamamen offline çalışmak mümkün</li></ul><p>Bir sonraki adım olarak RAG (Retrieval-Augmented Generation) entegrasyonunu ve function calling özelliklerini incelemeyi öneririm — bu iki konuyu birleştirdiğinde gerçek anlamda “akıllı” bir asistan inşa etmiş olursun.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f0f3d825f244" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Üretken Yapay Zeka’ya Kapsamlı Bir Giriş: Tokenlardan Difüzyon Modellerine]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/%C3%BCretken-yapay-zekaya-kapsaml%C4%B1-bir-giri%C5%9F-tokenlardan-dif%C3%BCzyon-modellerine-eb776fe9a71b?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/eb776fe9a71b</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[genai]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Wed, 22 Apr 2026 21:32:00 GMT</pubDate>
            <atom:updated>2026-04-22T21:32:00.597Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hzFJZvrGG0dEJ9u5lmMIPA.jpeg" /></figure><p><em>Yapay zeka artık sadece veriyi analiz etmekle kalmıyor — sıfırdan üretiyor. Peki bu nasıl mümkün oldu?</em></p><p>Birkaç yıl önce yapay zeka denildiğinde akıllara genellikle spam filtresi, öneri algoritması ya da kredi skoru hesaplayan sistemler gelirdi. Bunların hepsi klasik yapay zekanın örnekleriydi: veriyi al, sınıflandır, tahmin et.</p><p>Ama artık yapay zeka <strong>yazar, çizer, kod üretir, müzik besteler.</strong> Bu dönüşüm tesadüf değil — altında köklü mimari yenilikler yatıyor.</p><p>Bu yazıda, üretken yapay zekanın temel taşlarını başlangıç seviyesinden ileri kavramlara doğru katman katman açıklayacağım.</p><h3>1. İki Farklı Paradigma: Üretmek mi, Sınıflandırmak mı?</h3><p>Yapay zekada iki temel yaklaşım vardır ve bunlar birbirinin rakibi değil, tamamlayıcısıdır.</p><p><strong>Klasik Yapay Zeka</strong> veri odaklıdır. Matematiksel örüntüler öğrenir, kestirim ve sınıflandırma yapar. Lojistik regresyon, karar ağaçları, SVM — hepsi bu kategoriye girer. Bir e-postanın spam olup olmadığına, bir tümörün iyi huylu mu kötü huylu mu olduğuna karar verir.</p><p><strong>Üretken Yapay Zeka</strong> ise içerik odaklıdır. Mevcut veriden öğrenerek <strong>hiç görmediği yeni örnekler üretir.</strong> GPT-4 bir metin yazar, Stable Diffusion bir görüntü üretir, Sora bir video oluşturur.</p><p>Özellik Klasik YZ Üretken YZ Temel Amaç Analiz &amp; tahmin Özgün içerik üretimi Çıktı Sayı, etiket, karar Metin, görsel, ses, video Hata Türü Yanlış sınıflandırma Halüsinasyon Örnekler Random Forest, SVM GPT-4, DALL-E, Sora</p><p>Kritik fark şurada: Klasik YZ verinin içindeki örüntüyü bulur. Üretken YZ ise <strong>verinin olasılık dağılımını öğrenerek yeni veri türetir.</strong></p><h3>2. GAN’lar: İki Yapay Zekanın Kapışması</h3><p>Üretken yapay zekanın öncü mimarilerinden biri <strong>Çekişmeli Üretici Ağlar (Generative Adversarial Networks — GANs)</strong>’dır.</p><p>Fikir son derece zarif: İki yapay sinir ağını birbirine rakip olarak eğit.</p><ul><li><strong>Generator (Üretici):</strong> Sahte veri örnekleri üretir. Amacı Discriminator’ü kandırmak.</li><li><strong>Discriminator (Ayırt Edici):</strong> Gelen verinin gerçek mi sahte mi olduğuna karar verir.</li></ul><p>Bu iki ağ birbiriyle yarışırken ikisi de gelişir. Eğitim, <strong>Nash dengesi</strong> adı verilen bir noktada tamamlanır: Generator artık Discriminator’ü kandıramaz, Discriminator de artık ayırt edemez.</p><p>GAN’lar özellikle sentetik görüntü ve video üretiminde çok başarılıydı. Ancak bir önemli sorunu vardı: <strong>“Mode Collapse”</strong> — yani Generator’ün çeşitli örnekler üretmek yerine aynı birkaç örneği tekrar tekrar üretmeye başlaması. Ve tabii, Deepfake teknolojisinin yaygınlaşmasıyla ciddi etik sorunları da beraberinde getirdi.</p><h3>3. Transformer: Modern YZ’nin Kalbi</h3><p>2017 yılında Google’ın yayımladığı <em>“Attention is All You Need”</em> makalesi, yapay zeka tarihinin kırılma noktalarından biridir. Bu makale <strong>Transformer mimarisini</strong> tanıttı.</p><p>Öncesinde ne vardı?</p><ul><li><strong>RNN:</strong> Sıralı işlem yapısı yüzünden uzun metinlerde hafıza kaybediyordu.</li><li><strong>LSTM:</strong> RNN’in geliştirilmiş hali, ama ölçeklenme sorunu devam ediyordu.</li><li><strong>CNN:</strong> Yakın kelimeleri iyi anlıyordu ama uzak kelimeler arasındaki ilişkiyi yakalamakta zorlanıyordu.</li></ul><p>Transformer iki devrimsel yenilik getirdi:</p><h3>Dikkat Mekanizması (Attention Mechanism)</h3><p>Bir cümledeki <strong>tüm kelimeler arasındaki ilişkileri aynı anda hesaplar.</strong> “Banka” kelimesinin bir cümlede “para” mı yoksa “nehir kenarı” mı anlamına geldiğini bağlama bakarak anlar.</p><h3>Paralel İşlem (Parallelization)</h3><p>RNN’lerin aksine, kelimeleri sırayla değil <strong>eşzamanlı</strong> olarak işler. Bu sayede modern GPU ve TPU’ların gücünden tam verimle yararlanılır.</p><p>Transformer’ın temel bileşenleri şunlardır:</p><ol><li><strong>Embeddings:</strong> Metni sayısal vektörlere dönüştürür</li><li><strong>Positional Encoding:</strong> Kelimelerin sırasını kodlar (“Köpek adamı ısırdı” ile “Adam köpeği ısırdı” farklı anlamlardır)</li><li><strong>Encoder Katmanları:</strong> Kelimelerin anlamsal yakınlığını keşfeder</li><li><strong>Decoder Katmanları:</strong> Çıktının nasıl olacağını belirler</li><li><strong>Softmax:</strong> Ham puanları olasılıklara dönüştürür, en yüksek olasılıklı kelimeyi seçer</li></ol><h3>4. Büyük Dil Modelleri (LLMs): Canavarı Evcilleştirmek</h3><p><strong>GPT</strong> kısaltmasının açılımı her şeyi anlatıyor:</p><ul><li><strong>G</strong>enerative → Yeni veri üretir</li><li><strong>P</strong>re-trained → Devasa bir veri seti üzerinde önceden eğitilmiştir</li><li><strong>T</strong>ransformer → Dikkat mekanizması ve bağlam yönetimi mimarisini kullanır</li></ul><p>Bir LLM nasıl oluşturulur? Süreç üç aşamadan geçer:</p><p><strong>1. Ön-Eğitim (Pre-training)</strong> Wikipedia, Stack Overflow, arXiv, Reddit gibi kaynaklardan derlenen milyarlarca token modele beslenir. Model bu aşamada ham ve sınırsız bir kapasiteye ulaşır — ama henüz kontrol edilemez.</p><p><strong>2. Fine-Tuning (İnce Ayar)</strong> Model belirli bir göreve veya alana göre özelleştirilir. “Tıbbi sorulara cevap ver”, “kod yaz”, “hukuki metin özetle” gibi.</p><p><strong>3. RLHF (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme)</strong> İnsan değerlendirmeciler modelin çıktılarını derecelendirir. Model bu tercihlerden öğrenerek davranışını şekillendirir.</p><p>Bu süreci şöyle özetleyebiliriz: <strong>“Canavarı Evcilleştirmek”</strong> — Ham güçteki ön-eğitim modelini, fine-tuning ve RLHF ile güvenli ve yönlendirilebilir hale getirmek.</p><p>LLM’ler iki ana kategoride sunuluyor:</p><ul><li><strong>Ticari Modeller:</strong> GPT-4, Gemini, Claude — SaaS olarak sunulur, teknik detaylar kapalıdır</li><li><strong>Açık Kaynak Modeller:</strong> LLaMA, Mistral, Qwen — mimariler ve ağırlıklar herkese açıktır</li></ul><h3>5. LLM Çalışırken Bilmeniz Gereken 9 Kavram</h3><p>LLM’lerle çalışmaya başladığınızda bu terimlerle sürekli karşılaşacaksınız:</p><p>Kavram Ne Anlama Gelir? <strong>Prompt</strong> Modele gönderdiğiniz girdi — metin, görsel veya ses <strong>Completion</strong> Modelin ürettiği çıktı <strong>Token</strong> Modelin işlediği en küçük birim (1 token ≈ 0,75 kelime) <strong>Streaming</strong> Modelin çıktıyı kelime kelime üretmesi <strong>Parameter</strong> Sinir ağındaki tüm ağırlık ve yanlılık değerleri <strong>Knowledge Cutoff</strong> Modelin bilgisinin kesildiği tarih <strong>Context Window</strong> Bir oturumda işlenebilecek maksimum token sayısı <strong>Multi-Modality</strong> Metin dışında görüntü, ses gibi girdileri işleyebilme <strong>Hallucination</strong> İstatistiksel açıdan tutarlı ama gerçeklikle bağıntısız çıktı üretme</p><p><strong>Halüsinasyon</strong> özellikle dikkat edilmesi gereken bir kavram. Model “bilmiyorum” demek yerine mantıklı görünen ama yanlış bilgiler üretebilir. Bu, LLM’lerin en kritik davranışsal riskidir.</p><h3>6. Token: Sistemin Atomu</h3><p>Tokenizasyon, metinlerin modelin anlayabileceği birimlere bölünmesi sürecidir. Token, eğitim verisinde sık tekrarlanan karakter dizisi olarak tanımlanabilir.</p><p>Neden önemli?</p><p><strong>Birincisi, dil farklılıkları:</strong> Türkçe gibi eklemeli dillerde aynı anlam İngilizce’ye kıyasla çok daha fazla token üretir. “Gidebilecektim” tek bir Türkçe kelime ama birden fazla token olabilir.</p><p><strong>İkincisi, maliyet:</strong> Servis sağlayıcılar hizmetlerini token başına fiyatlandırır. Kaç token harcadığınızı bilmek, bütçenizi doğrudan etkiler.</p><p><strong>Üçüncüsü, model davranışı:</strong> LLM’ler aslında kelime değil <strong>token tahmin makinesidir.</strong> Bir sonraki en olası tokeni tahmin ederek çıktı üretirler.</p><h3>7. Bağlam Penceresi: Modelin Kısa Süreli Belleği</h3><p>Bağlam penceresi, modelin bir oturumda tutabildiği maksimum bilgi miktarıdır.</p><p><strong>Formül basit:</strong></p><blockquote><em>Bağlam Penceresi Kullanımı = Girdi Token Sayısı + Çıktı Token Sayısı</em></blockquote><p>Pencere büyüdükçe daha uzun konuşmalar ve belgeler işlenebilir — ama maliyet de artar. Pencere dolduğunda model eski bağlamı “unutur”. Uzun oturumlar yönetmek istiyorsanız bu sınırı aklınızda tutun.</p><h3>8. Parametreler: Modelin Hafızası</h3><p>Parametre, bir yapay sinir ağındaki tüm <strong>ağırlık (weight)</strong> ve <strong>yanlılık (bias)</strong> değerlerinin toplamıdır.</p><p>Basit bir örnek: 3 katmanlı bir sinir ağında bile onlarca parametre olur. GPT-4 gibi modellerde bu sayı <strong>yüzlerce milyara</strong> ulaşır. Parametre sayısı modelin karmaşıklığının temel göstergesidir — ama tek ölçüt değildir.</p><h3>9. Modeller Nasıl Karşılaştırılır?</h3><p>İki önemli platform var:</p><ul><li><strong>HELM (Stanford):</strong> Aritmetik beceri, muhakeme ve içerik türü işleyebilme gibi yaklaşık 10 değişkenle modelleri karşılaştırır</li><li><strong>Open LLM Leaderboard (Hugging Face):</strong> Açık kaynak modeller için benzer bir platform</li></ul><p><strong>Ölçekleme Yasaları (Scaling Laws)</strong></p><p>OpenAI’ın 2020 raporuna göre model performansı üç kritere bağlıdır ve önem sırası şöyledir:</p><blockquote><strong><em>Parametre Sayısı &gt; Veri Büyüklüğü &gt; İşlem Gücü</em></strong></blockquote><p><strong>Chinchilla Yasası (Google DeepMind, 2022)</strong></p><p>Daha büyük model her zaman daha iyi değildir. Sabit bütçeyle daha küçük ama daha uzun eğitilmiş bir model, çok daha iyi performans gösterebilir. Bu bulgu “Chinchilla Yasası” olarak literatüre geçti ve modern LLM tasarımını kökten değiştirdi.</p><h3>10. LLM’lerin Sınırı: Dünya Modeli Yok</h3><p>LLM’ler etkileyici ama bir konuda gerçek bir anlayışları yok: <strong>fiziksel dünya.</strong></p><p>“Cam bardak düşerse kırılır” cümlesini doğru yazarlar — çünkü bu cümle eğitim verisinde milyarlarca kez geçer. Ama bardağın <em>neden</em> kırıldığını gerçek anlamda “bilmezler.” Yerçekimini, sertliği, kırılganlığı deneyimleyerek öğrenmemişlerdir.</p><p>Bu yüzden beklenmedik muhakeme hataları yapabilirler. LLM’ler dünyayı bir bebek gibi dokunarak değil, bir kütüphaneci gibi kitaplardan okuyarak tanır.</p><h3>11. Difüzyon Modelleri: Gürültüden Sanat</h3><p>DALL-E 3, Stable Diffusion, Midjourney — bu araçların arkasında <strong>difüzyon modelleri</strong> yatıyor.</p><p>Çalışma mantığı iki zıt yönlü süreçten oluşur:</p><p><strong>İleri Süreç:</strong> Gerçek bir görüntüye adım adım Gaussian gürültüsü eklenir. Görüntü tamamen anlaşılmaz hale gelene kadar devam eder. Model bu bozulma sürecini kaydeder.</p><p><strong>Ters Süreç:</strong> Saf gürültüden başlayarak adım adım temizleme yapılır. Bir metin komutu (prompt) verildiğinde, temizleme işlemi bu komuta yönlendirilir. Sonuç: prompt’la uyumlu, yüksek kaliteli bir görüntü.</p><p><strong>Neden Gaussian (Normal) Gürültü?</strong> Matematiksel elegans: İki normal dağılımın toplamı yine normal dağılımdır. Bu sayede 1000. adımdaki gürültülü hale tek bir formülle ulaşılır — eğitim süresi inanılmaz ölçüde kısalır.</p><h3>GAN vs. Difüzyon: Hangisi Daha İyi?</h3><p>Kriter GAN Difüzyon Görsel Kalite İyi Çok daha iyi Eğitim Stabilitesi Riskli (mode collapse) İstikrarlı Üretim Hızı Çok hızlı Yavaş Prompt Sadakati Sınırlı Çok yüksek</p><p>Kısa cevap: Difüzyon modelleri kalite ve kontrol açısından GAN’ları geride bırakmıştır. Ama hız konusunda GAN’lar hala avantajlıdır.</p><h3>Sonuç: Büyük Resim</h3><p>Bu yazıda ele aldığımız kavramları bir araya getirelim:</p><pre>Büyük Veri → Transformer + Fine-Tuning + RLHF = LLM<br>Gürültü → Difüzyon Modeli = Görüntü/Ses/3D</pre><p>Üretken yapay zeka tek bir teknoloji değil, birbiriyle konuşan birden fazla mimari ve yaklaşımın toplamıdır. GAN’lar öncü oldu, Transformer’lar dil anlayışını devrimleştirdi, difüzyon modelleri görsel üretimi zirveye taşıdı.</p><p>Bu teknolojilerin hiçbiri mükemmel değil. Halüsinasyon, yanlılık, yüksek kaynak gereksinimi, etik riskler — hepsi gerçek sorunlar. Ama bu sınırlılıkları anlamak, bu araçları daha bilinçli ve etkili kullanmanın ilk adımıdır.</p><p><em>Bu yazı, üretken yapay zeka eğitim serisinin birinci bölümünden derlenerek hazırlanmıştır. Sonraki yazılarda prompt mühendisliği, RAG mimarisi ve AI Agent’lar gibi konuları ele alacağız.</em></p><p>#YapayZeka #GenerativeAI #LLM #MachineLearning #Transformer #DeepLearning #Teknoloji #Türkçe</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eb776fe9a71b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Zaman Serilerine Giriş]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/zaman-serilerine-giri%C5%9F-56da6bcb67f5?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/56da6bcb67f5</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[timeseries]]></category>
            <category><![CDATA[time-series-forecasting]]></category>
            <category><![CDATA[zaman-serisi]]></category>
            <category><![CDATA[istatistik]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Sat, 25 Oct 2025 17:59:49 GMT</pubDate>
            <atom:updated>2025-10-25T17:59:49.930Z</atom:updated>
            <content:encoded><![CDATA[<h4>Zaman Serisi Nedir?</h4><p><strong>Zamana göre sıralanmış</strong> gözlem değerlerinden oluşan verilerdir. Zamanı yıllık-aylık-haftalık-günlük şekilde olabilir veya biz analizimize göre veriyi şekillendirebiliriz. Aşağıda örnek olarak zaman serisi verileri ve bir zaman serisi grafiği yer almaktadır.</p><ul><li>Hava Durumu</li><li>Borsa Verisi</li><li>Değerli Maden Verisi (10 Yıllık Altın Fiyatları)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*NjCmQ_ndjzBARY0P.png" /><figcaption>Örnek zaman serisi grafiği</figcaption></figure><h4>Durağanlık Nedir?</h4><p>Serinin istatistiksel özelliklerinin zaman içerisinde değişmemesidir. Yani cari an ile zamanın farklı t noktalarındaki istatistiksel <strong>özelliklerinin aynı olmasıdır.</strong></p><p>Bir zaman serisinin <strong>ortalaması, varyansı ve kovaryansı</strong> zaman boyunca sabit kalıyorsa seri durağandır.</p><ul><li>Varyans: Bir veri setinin ortalama etrafındaki yayılımıdır.</li><li>Kovaryans: 2 rassal değişkenin arasındaki yönlü ilişkidir.</li></ul><p>Not: Bir seri durağan ise daha iyi tahminlerde bulunulur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*2LZGOydiymgSUXDR.png" /><figcaption>Durağan bir zaman serisi grafiği</figcaption></figure><h4>Trend Nedir?</h4><p>Bir zaman serisinin uzun vadede artış ya da azalışının gösterdiği yapıya denir.</p><p>Trendli seri uzun dönemli<em> </em><strong>sürekli artış veya azalışların </strong>olduğu zaman serileridir Kısa dönem devam eden artış ya da azalışlar <strong>trend olarak adlandırılmayabilir.</strong></p><p>Trend doğrusal ya da eğrisel olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ayVpjEtw2F6ROsmhqrV5Tg.png" /><figcaption>Örnek Trend Grafiği</figcaption></figure><p>Not: Eğer seride “Trend” varsa “Durağanlık” zordur. Çünkü “Trend”de belirli bir artış veya azalış söz konusuydu ancak “Durağanlık”da sabitlik söz konusudur. İlgili ayrım grafikler incelendiğinde daha açıklayıcı görünmektedir.</p><h4>Mevsimsellik Nedir?</h4><p>Zaman serisinin belirli bir davranışı belirli periyotlarla tekrar etmesi durumudur.</p><p>Örneğin yaz aylarında dondurma satışlarının artması gibi, kış aylarında mont satışının artması gibi adlandırılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2n0rI1bHoncTzHiGtpG1Dg.png" /><figcaption>Mevsimsellik İçeren Bir Zaman Serisi Grafiği</figcaption></figure><p>Grafikte görüldüğü üzere yılın belirli dönemlerinde aynı dalgalanmalar oluşmaktadır. Ayrıca gafikte trend varlığı da söz konusudur.</p><h4>Döngü Nedir?</h4><p>Daha uzun vadeli daha belirsiz bir yapıda gün, hafta, yıl ve mevsim gibi yapılarla açıklanamayacak şekilde gerçekleşir.</p><p>Örneğin:</p><ul><li>Politik konuşmalar</li><li>İş dünyası konuşmaları</li><li>Konjonktürel olaylar</li></ul><p>Bir zaman serisi analizinde veri seti yukarıda belirtilmiş olan bileşenlerden arındırılır. Sizlerle bir veri setinin örneğini paylaşıyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eaY5yCEVAcxDujVKu4GBxg.png" /><figcaption>Zaman Serisi Grafiği</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DQUuBDwEnQk3jzuAdu8yGQ.png" /><figcaption>Zaman Serisi Grafiğinin Bileşenlerine Ayrılması</figcaption></figure><p>Grafik örnek olarak verilmiştir. Sizler de bir merak uyandırmak istedim. Bir sonraki yazımızda grafik başlığında yer alan Toplamsal model ve Çarpımsal model üzerine konuşmuş olacağız.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=56da6bcb67f5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Veri Analizi: NumPy & Pandas]]></title>
            <link>https://medium.com/@ibrahimbarankilicc/python-ile-veri-analizi-numpy-pandas-9ecd3ce5a8ef?source=rss-7319d561cdee------2</link>
            <guid isPermaLink="false">https://medium.com/p/9ecd3ce5a8ef</guid>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[python-programming]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[numpy]]></category>
            <category><![CDATA[veri-analiz]]></category>
            <dc:creator><![CDATA[Ibrahimbarankilicc]]></dc:creator>
            <pubDate>Sat, 14 Sep 2024 00:14:03 GMT</pubDate>
            <atom:updated>2024-09-14T00:14:52.963Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*3xCegguJ2T-o5MeM" /></figure><p>Merhaba, bir önceki yazımda Python veri yapıları ve bunların metodlarından bahsettik. Bu yazımızda ise veri analizinin temel direklerinden olan iki önemli kütüphaneyi inceleyeceğiz.</p><h3>NumPy</h3><p><strong>NumPy</strong>, 1995 yılında temelleri atılmış bir kütüphanedir. NumPy’ın iki önemli özelliği vardır:</p><ul><li><strong>Hız</strong>: NumPy, verimli veri saklama ve işleme sağlayan, sabit tipte veri yapıları kullanır. Bu sayede büyük veri kümeleri üzerinde hızlı hesaplamalar yapabilirsiniz.</li><li><strong>Yüksek Seviye İşlemler</strong>: NumPy, yüksek seviyeli matematiksel işlemleri ve lineer cebir hesaplamalarını kolaylaştıran fonksiyonlar sunar. Bu özellikleri, veri analizi ve bilimsel hesaplamalarda önemli bir avantaj sağlar.</li></ul><h3>NumPy Veri Yapıları ve Oluşturulması</h3><p>NumPy’ın en önemli veri yapısı ‘ndarray’ (n-dimensional array) olarak bilinir. &#39;ndarray&#39;, çok boyutlu bir dizi olarak tanımlanabilir ve matematiksel işlemler için optimize edilmiştir.</p><h4>1. ndarray Nedir?</h4><p>‘ndarray’ NumPy&#39;ın temel veri yapısıdır ve veri elemanlarının bir dizi şeklinde düzenlendiği bir yapıdır. Her ‘ndarray’, aynı türden öğeleri içerir ve bu öğeler, çok boyutlu bir matris şeklinde düzenlenmiştir. NumPy&#39;ın sunduğu bu yapının temel avantajları şunlardır:</p><ul><li><strong>Verimlilik</strong>: ‘ndarray’, C ve Fortran dillerinde yazılmış düşük seviyeli kodlar sayesinde hızlı hesaplamalar sağlar.</li><li><strong>Fonksiyonelite</strong>: Matematiksel ve istatistiksel hesaplamalar için geniş bir fonksiyon yelpazesi sunar.</li><li><strong>Esneklik</strong>: Farklı boyutlarda ve şekillerde diziler oluşturulabilir ve işlenebilir.</li></ul><h4>2. ndarray Oluşturma</h4><p>Sektörde genelde sıfırdan bir ‘ndarray’ oluşturulmaz. Genelde mevcut veri dönüştürülür. Ancak birkaç örnek inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/749/1*4hGdou9-08iCrNP7U0S63g.png" /></figure><h4>3. NumPy Metodları</h4><p>NumPy’da kullanılabilir bazı metodlar şunlardır:</p><ul><li>ndim : Boyut sayısı</li><li>shape : Boyut bilgisi</li><li>size : Toplam eleman sayısı</li><li>dtype : Array veri tipi</li></ul><p>NumPy’ da kullanımı bakımından kolay ve yeniden boyutlandırma sorununu çözen bir metod olarak ‘Reshape’ öne çıkar. Bu metod, tek boyutlu bir diziyi girilen boyut sayısı ile çok boyutlu hale getirebilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/499/1*0ypXqC4Ux1_AJY3Dm1-Rbw.png" /></figure><h3>NumPy’da İndeks İşlemleri</h3><p>NumPy’da temel bilinmesi gereken iki kavram vardır:</p><h4>1. Basic Indexing (Temel İndeksleme)</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/399/1*HphWvERp2_rPYqjEjeBo1Q.png" /></figure><h4>2. Fancy Index (Gelişmiş İndeksleme)</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/346/1*6UWzgHwDrJYjo8uHv7JW3g.png" /></figure><h3>NumPy’da Koşullu İşlemler</h3><p>NumPy, diziler üzerinde koşullu işlemler yapmanıza olanak sağlar. Bu tür işlemler, veri üzerinde belirli koşullara göre seçim yapmayı ve değişiklik yapmayı mümkün kılar. Örneğin, dizideki 3&#39;ten küçük değerleri yazdırmak için farklı çözümler uygulanabilir:</p><ul><li><strong>Normal çözüm</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/362/1*IWMu3fAiTZf6uyq8wp570A.png" /></figure><ul><li><strong>NumPy çözümü</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/284/1*ATLduHmOW7NjDFXb-MCUDg.png" /></figure><h3>NumPy’da Matematiksel İşlemler</h3><p>NumPy, matematiksel işlemler için geniş bir fonksiyon seti sunar:</p><ul><li>np.subtract(v, 1) : v dizisinin her elemanından 1 çıkarır</li><li>np.add(v, 1) : v dizisinin her elemanına 1 ekler</li><li>np.mean(v) : Ortalama</li><li>np.sum(v) : Elemanların toplamı</li><li>np.min(v) : Minimum değer</li><li>np.max(v) : Maksimum değer</li><li>np.var(v) : Varyans</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/355/1*Arm-3G-HT7s8hoUjs8-p5A.png" /></figure><h3>Pandas</h3><p><strong>Pandas</strong>, başlangıçta ekonometrik ve finansal çalışmalar için geliştirilmiş bir kütüphane olmasına rağmen, zamanla veri analitiği alanında da yaygın olarak kullanılmaya başlanmıştır. Geniş veri setleri üzerinde esnek ve güçlü veri manipülasyonu sağlayan yapısıyla, veri analizi süreçlerinde vazgeçilmez bir araç haline gelmiştir.</p><h3>Pandas Veri Yapıları</h3><p>Pandas’da iki farklı veri yapısıyla karşılaşırız: Pandas Seris ve Pandas DataFrame.</p><h4>1. Pandas Series</h4><p>Tek boyutlu bir veri yapısıdır ve hem veri hem de her veri noktasına karşılık gelen bir indeks içerir. Seriler, Python listelerine benzer şekilde çalışsa da, her bir veriye indeks bilgisi ile erişebilme özelliği, veri analizinde büyük esneklik sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/383/1*H3Tf_21OR_WXfWoQvf9W-Q.png" /></figure><h4>2. Pandas DataFrame</h4><p>İki veya daha fazla boyutlu bir veri yapısıdır. DataFrame, satırlar ve sütunlar olarak organize edilir ve her iki boyutta da indeks bilgisi içerir. DataFrame’ler, tablo benzeri yapıları sayesinde çok daha geniş ve karmaşık veri setlerini analiz etmek için idealdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/1*a2pncgkLnaLQ_QaVNiXWsQ.png" /></figure><p>Seriler, basit veri kümeleri için kullanılırken, DataFrame’ler çok boyutlu ve daha karmaşık veri setleriyle çalışmak için tasarlanmıştır. Bu iki yapıyı anlamak, Pandas’ın esnekliğini tam anlamıyla kullanabilmek için önemlidir.</p><h3>Pandas Veriye Bakış Metodları</h3><p>Pandas, veriye hızlı bir şekilde bakış yapmanızı sağlayan çeşitli metodlar sunar:</p><ul><li>df.head() : İlk 5 gözlemi verir. Argüman olarak girilen sayı kadar gözlem birimi döndürür.</li><li>df.info() : Veri seti hakkında tip ve boyut bilgisi sunar.</li><li>df.columns() : Veri setinde yer alan değişken isimlerini döndürür.</li><li>df.index() : İndeks bilgisi verir.</li><li>df.describe().T : Okunabilir bir şekilde betimsel istatistikleri verir.</li><li>df.isnull().any() : Veri setinde eksik değer olup olmadığını sorgular.</li><li>df.isnull().sum() : Veri setinde yer alan eksik değer sayılarını döndürür.</li><li>df.value_counts() : Kategorik değişkenlerin frekanslarını verir.</li></ul><p>Pandas’da bu temel metodların bilinmesi, veriye hızlı bir bakış ve manipülasyon anlamında önemli rol oynamaktadır</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/691/1*AFfIqiwYnFMcyN9QUaZF7A.png" /></figure><p>Sonuç olarak, bu yazımızda Python’ın veri analizinde kullanılan en önemli iki kütüphanesi olan Numpy ve Pandas’ı detaylı bir şekilde inceledik. NumPy ile verimli veri saklama, yüksek seviye matematiksel işlemler ve hızlı hesaplama yapılarından bahsederken, Pandas ile geniş veri setleri üzerinde esnek ve güçlü veri manipülasyonu yapmanın önemini vurguladık. Bu kütüphanelerin sağladığı araçlar, veri analizi süreçlerinde büyük kolaylıklar sunarak, daha etkili ve hızlı çözümler üretmenize olanak tanıyacaktır.</p><p>Okuduğunuz için teşekkürler ve bir sonraki yazımda görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9ecd3ce5a8ef" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>