<?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 Kutluk Atalay on Medium]]></title>
        <description><![CDATA[Stories by Kutluk Atalay on Medium]]></description>
        <link>https://medium.com/@kutlukatalay?source=rss-d0c6611488a0------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*bFx5Ox7ml2AwlYcDkY300A.jpeg</url>
            <title>Stories by Kutluk Atalay on Medium</title>
            <link>https://medium.com/@kutlukatalay?source=rss-d0c6611488a0------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 14:17:23 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@kutlukatalay/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[Docker Series Part-5: Deploying Dockerized ML Projects to the Cloud (with GCP)]]></title>
            <link>https://medium.com/@kutlukatalay/docker-series-part-5-deploying-dockerized-ml-projects-to-the-cloud-with-gcp-222e4f487ec9?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/222e4f487ec9</guid>
            <category><![CDATA[mlops]]></category>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <category><![CDATA[docker]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Sun, 31 Aug 2025 13:51:02 GMT</pubDate>
            <atom:updated>2025-08-31T13:51:02.694Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>From Local Success to Scalable Cloud Deployments</strong></p><p>Welcome to the final part of my Docker series!</p><p>Let’s quickly recap where we’ve been so far:</p><ul><li><a href="https://medium.com/@kutlukatalay/a-beginner-guide-on-docker-1-7c62e6bc9d8d"><strong>Part 1</strong></a> → Containers &amp; Docker basics.</li><li><a href="https://medium.com/@kutlukatalay/a-beginner-guide-on-docker-2-63019bae6faf"><strong>Part 2</strong></a> → Dockerfiles — the blueprints for building images.</li><li><a href="https://medium.com/@kutlukatalay/docker-series-part-3-managing-containers-and-orchestrating-services-with-docker-compose-1464cdf55969"><strong>Part 3</strong></a> → Container management &amp; Docker Compose.</li><li><a href="https://medium.com/@kutlukatalay/part-4-deploying-machine-learning-models-with-docker-8309f180187e"><strong>Part 4</strong></a> → ML model deployment with Docker.</li></ul><p>Now, in this <strong>fifth and last part</strong>, we’ll take our ML project to the cloud using <strong>Google Cloud Platform (GCP)</strong>.</p><p>This is where our local experiments become <strong>scalable, production-ready services</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9kSQaTfYg-kg2GIx.png" /><figcaption>Source : <a href="https://cloud.google.com/">https://cloud.google.com/</a></figcaption></figure><ol><li><strong>Why Deploy to GCP?</strong></li></ol><p>GCP provides several benefits for Dockerized ML deployments:</p><ul><li><strong>Scalability</strong> → Auto-scaling with Google Kubernetes Engine (GKE).</li><li><strong>Simplicity</strong> → Run containers directly with Cloud Run (serverless).</li><li><strong>Integration</strong> → Works seamlessly with BigQuery, Cloud Storage, Vertex AI.</li><li><strong>Global Reach</strong> → APIs accessible worldwide with built-in load balancing.</li></ul><p>In this guide, I’ll show you two common deployment paths:</p><ol><li><strong>GCP VM + Docker</strong> → Simple, good for prototypes.</li><li><strong>GCP Cloud Run</strong> → Serverless, auto-scaling, production-ready.</li></ol><p><strong>2. Step 1: Push Image to Google Container Registry (GCR) or Artifact Registry</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/0*N7rR_aB0hi6touSt" /><figcaption>Source : <a href="https://lh3.googleusercontent.com/E6eJcOVeO64N8P3gPvRoSwmrzK-olWpfje16gjhGKlKPgQKXmfIqjnQfYaX8gdE0zMvLLGy678dBrYNxMwavKg">https://lh3.googleusercontent.com/E6eJcOVeO64N8P3gPvRoSwmrzK-olWpfje16gjhGKlKPgQKXmfIqjnQfYaX8gdE0zMvLLGy678dBrYNxMwavKg</a></figcaption></figure><p>First, we need our Docker image available in GCP.</p><p>gcloud auth login<br>gcloud config set project YOUR_PROJECT_ID<br>docker build -t gcr.io/YOUR_PROJECT_ID/ml-api:v1 .<br>docker push gcr.io/YOUR_PROJECT_ID/ml-api:v1</p><p>Now your ML API image lives in GCP’s registry.</p><p><strong>3. Option A: Deploying on GCP VM (Compute Engine)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/225/0*qDokFmhHsnaR9wjC" /><figcaption>Source : <a href="https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcSZEvRLFj7Hnxl-_y2HpRJSDQEIyYITpp_QSA&amp;s">https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcSZEvRLFj7Hnxl-_y2HpRJSDQEIyYITpp_QSA&amp;s</a></figcaption></figure><p>The simplest way to run Docker in GCP is with a VM.</p><ul><li>Create a VM instance:</li></ul><p>gcloud compute instances create ml-vm \<br> — zone=us-central1-a \<br> — machine-type=e2-standard-2 \<br> — image-family=debian-11 \<br> — image-project=debian-cloud</p><ul><li>SSH into the VM:</li></ul><p>gcloud compute ssh ml-vm</p><ul><li>Install Docker inside the VM:</li></ul><p>sudo apt-get update<br>sudo apt-get install docker.io -y</p><ul><li>Pull and run the image:</li></ul><p>sudo docker pull gcr.io/YOUR_PROJECT_ID/ml-api:v1<br>sudo docker run -d -p 80:5000 gcr.io/YOUR_PROJECT_ID/ml-api:v1</p><p>Your ML API is now available at the <strong>external IP</strong> of your VM.</p><p><strong>4. Option B: Deploying with GCP Cloud Run (Recommended)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/769/0*iKgf5awsTSEG7Bkp.png" /><figcaption>Source : <a href="https://miro.medium.com/v2/resize:fit:1400/1*2h_RjREmGHFLNvx-V1rmlw.png">https://miro.medium.com/v2/resize:fit:1400/1*2h_RjREmGHFLNvx-V1rmlw.png</a></figcaption></figure><p>If you want <strong>serverless, auto-scaling deployments</strong>, use <strong>Cloud Run</strong>.</p><ul><li>Enable Cloud Run:</li></ul><p>gcloud services enable run.googleapis.com</p><ul><li>Deploy your container:</li></ul><p>gcloud run deploy ml-api \<br> — image gcr.io/YOUR_PROJECT_ID/ml-api:v1 \<br> — platform managed \<br> — region us-central1 \<br> — allow-unauthenticated</p><ul><li>GCP will return a public URL:</li></ul><p><a href="https://ml-api-xyz.a.run.app/">https://ml-api-xyz.a.run.app</a></p><p>Your model API is now <strong>live and scalable</strong> — no VM management required.</p><p><strong>5. When to Use GKE (Kubernetes on GCP)?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/0*NgpyMZgpUQr-Y1Rb" /><figcaption>Source : <a href="https://cdn.qwiklabs.com/QKV092kALeUu8E6Qu3qVrHWJ%2BjkMkSlR%2BwZpsbfX73w%3D">https://cdn.qwiklabs.com/QKV092kALeUu8E6Qu3qVrHWJ%2BjkMkSlR%2BwZpsbfX73w%3D</a></figcaption></figure><p>For larger ML projects with multiple services (e.g., API + database + message queue), <strong>Google Kubernetes Engine (GKE)</strong> is the best option.</p><p>It provides:</p><ul><li>Auto-scaling</li><li>Load balancing</li><li>Rolling updates</li><li>Advanced monitoring</li></ul><p>But for many ML deployments, <strong>Cloud Run is enough</strong>.</p><p><strong>6. Best Practices for GCP Deployments</strong></p><ul><li><strong>Use environment variables</strong> with --set-env-vars in Cloud Run for secrets.</li><li><strong>Monitor logs</strong> with GCP’s Cloud Logging.</li><li><strong>Set concurrency limits</strong> in Cloud Run for performance tuning.</li><li><strong>Always tag images</strong> (:v1, :v2) instead of just latest.</li><li><strong>Store models in GCS (Cloud Storage)</strong> if they’re large, and mount or fetch them at container startup.</li></ul><p><strong>7. Which GCP Service Should You Choose?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*npPFenz4yjEvWq2tBwhDIA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d_X9-qH6eckQWwNNaPFEMw.png" /></figure><p>Final thoughts:</p><ul><li>If you want <strong>fast deployment, low cost, and minimal maintenance</strong> → choose <strong>Cloud Run</strong>.</li><li>If you need <strong>enterprise-grade orchestration, advanced scaling, and multi-service ML pipelines</strong> → go with <strong>GKE</strong>.</li><li>If you prefer <strong>full VM control or need custom OS-level tuning</strong> → stick with <strong>Compute Engine + Docker</strong>.</li></ul><p>This way, you can start small with <strong>Cloud Run</strong>, and as your ML project grows, migrate to <strong>GKE</strong> without changing your Dockerized setup.</p><p><strong>8. Wrapping Up the series</strong></p><p>We’ve now come full circle:</p><ul><li><strong>Part 1</strong> → Containers 101</li><li><strong>Part 2</strong> → Dockerfiles</li><li><strong>Part 3</strong> → Managing containers &amp; Docker Compose</li><li><strong>Part 4</strong> → Serving ML models with Docker</li><li><strong>Part 5</strong> → Cloud deployment with GCP</li></ul><p>With Docker and GCP, you can take your ML project from <strong>notebook → container → global API</strong> in just a few steps.</p><p>This is the real bridge between <strong>data science experiments</strong> and <strong>production-grade systems</strong>.</p><p>And that’s the beauty of Docker. 🚀</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/983/0*FzWyd3wrZ3nUCSHM.png" /><figcaption>Source : <a href="https://pandorafms.com/blog/docker-cloud-get-its-head-in-cloud/">https://pandorafms.com/blog/docker-cloud-get-its-head-in-cloud/</a></figcaption></figure><p>Feel free to reach me out via <a href="https://medium.com/@kutlukatalay">Medium</a> or <a href="https://tr.linkedin.com/in/kutluk-atalay">Linkedin</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=222e4f487ec9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Part 4: Deploying Machine Learning Models with Docker]]></title>
            <link>https://medium.com/@kutlukatalay/part-4-deploying-machine-learning-models-with-docker-8309f180187e?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/8309f180187e</guid>
            <category><![CDATA[mlops]]></category>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[containers]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[docker]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Thu, 21 Aug 2025 08:59:35 GMT</pubDate>
            <atom:updated>2025-08-21T08:59:35.802Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Bringing Your ML Models to Life — Reproducibly, Reliably, and Portably</strong></p><p>Welcome back to the fourth part of my Docker series!</p><p>In <a href="https://medium.com/@kutlukatalay/a-beginner-guide-on-docker-1-7c62e6bc9d8d">Part 1</a>, we built a solid foundation by understanding containers and how Docker compares to virtual machines.<br>In <a href="https://medium.com/@kutlukatalay/a-beginner-guide-on-docker-2-63019bae6faf">Part 2</a>, we created Dockerfiles — blueprints that define how Docker images are built.<br>In <a href="https://medium.com/@kutlukatalay/docker-series-part-3-managing-containers-and-orchestrating-services-with-docker-compose-1464cdf55969">Part 3</a>, we focused on managing containers and using Docker Compose to orchestrate multi-container applications.</p><p>Now it’s time to bring everything together and do what many of us in the data world are aiming for — <strong>deploying a machine learning model with Docker.</strong></p><p>Whether you’ve trained a small regression model or a deep learning powerhouse, Docker can help you serve your model as an API that can be used in real-world applications.</p><p>Let’s dive in.</p><h3>1. The Problem with ML Deployments</h3><p>Data science and machine learning projects often start in a Jupyter notebook and run perfectly — on your machine. But things get tricky when you try to:</p><ul><li>Deploy your model to the cloud</li><li>Share it with a team</li><li>Integrate it into a production system</li><li>Ensure it works the same way <strong>every time</strong></li></ul><p>This is where Docker shines.</p><p>By containerizing your ML model and its environment, you guarantee consistency. Anyone — anywhere — can run it the same way, with no surprises.</p><h3>2. Project Structure</h3><p>Let’s say you’ve trained a simple scikit-learn model to predict house prices. Your folder might look like this:</p><p>ml-deploy/<br>│<br>├── model.pkl → Trained ML model<br>├── app.py → Flask API to serve the model<br>├── requirements.txt → Dependencies<br>├── Dockerfile → Instructions to build image<br>└── .dockerignore → Files to exclude from image</p><p>Here’s what each file does:</p><ul><li>model.pkl → Serialized model (you can use joblib or pickle)</li><li>app.py → A Flask API with a /predict endpoint</li><li>requirements.txt → Lists Python packages like flask, scikit-learn, pandas</li><li>Dockerfile → The heart of the container</li><li>.dockerignore → Excludes unnecessary files (like .git, datasets)</li></ul><h3>3. Example Flask App (app.py)</h3><p>Here’s a very basic version of what app.py might look like:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/412/1*-7KuWhfCqb9LxSsuysgtXg.png" /></figure><p>You send a JSON payload, and it returns predictions. Simple and effective.</p><h3>4. The Dockerfile</h3><p>Now, let’s containerize this ML API with a Dockerfile</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*pkqOsYUbhVxYcHVTkPyhbg.png" /></figure><p><strong>What this does:</strong></p><ul><li>Uses Python 3.10 as the base</li><li>Sets the working directory to /app</li><li>Installs all dependencies</li><li>Copies all project files into the image</li><li>Starts the Flask server on container startup</li></ul><h3>5. Building and Running the Image</h3><p>To build the Docker image:</p><p>docker build -t ml-api .</p><p>To run it:</p><p>docker run -d -p 5000:5000 ml-api</p><p>Now your API is going live at <a href="http://localhost:5000/predict.">http://localhost:5000/predict.</a> You can send POST requests with JSON data and get predictions back in real-time.</p><h3>6. Time To Use Docker Compose</h3><p>If your app also uses a database or a message queue (for example, RabbitMQ, Redis, PostgreSQL), Docker Compose becomes very handy.</p><p>Here’s a simple docker-compose.yml that runs your ML API alongside a Redis queue:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/386/1*7hnChX-_33HifAwb5D8tQw.png" /></figure><p>You’d just run:</p><p>docker compose up</p><p>Now both your API and Redis are running, ready to interact.</p><h3>7. Why Docker Matters in ML Deployment</h3><p>Let’s reflect on why Docker is a game changer for deploying ML models:</p><ul><li>✅ <strong>Environment Reproducibility:</strong> Same code, same results — anywhere</li><li>✅ <strong>Platform Independence:</strong> Runs on any OS that supports Docker</li><li>✅ <strong>Easy Sharing:</strong> Share your Docker image, and that’s it</li><li>✅ <strong>Fast Scaling:</strong> Add containers for load balancing or version control</li><li>✅ <strong>Clean Separation:</strong> Isolate model serving from training pipelines</li></ul><p>And the biggest win?</p><p>You can go from Jupyter Notebook → REST API → Production in hours, not days.</p><h3>8. Pro Tips for Dockerizing ML Projects</h3><ul><li>Use .dockerignore to exclude large datasets or hidden files</li><li>Always pin dependency versions in requirements.txt</li><li>Test your Docker image locally before deploying to production</li><li>Use volume mounts during development (-v) to avoid rebuilding images</li><li>Consider gunicorn for production-grade Flask serving</li><li>Use environment variables (via .env) to manage secrets and config</li></ul><h3>Wrapping Up</h3><p>In this fourth chapter, we stepped into <strong>real-world ML deployment</strong> — the holy grail for many data professionals.</p><p>We containerized a trained model, exposed it via a Flask API, and packaged it into a Docker image that runs anywhere. We also touched on how Docker Compose can streamline multi-service setups.</p><p>From model training to containerized API, Docker helps you build a bridge between data science and production.</p><p>In the next and final part of this series, we’ll explore best practices for deploying your Dockerized ML project to the <strong>cloud</strong> — whether on AWS, GCP, Azure, or container orchestration platforms like Kubernetes.</p><p>Stay tuned — the best is yet to come.</p><p>Feel free to reach me out via <a href="https://medium.com/@kutlukatalay">Medium</a> or <a href="https://tr.linkedin.com/in/kutluk-atalay">Linkedin</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8309f180187e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Docker Series Part-3 : Managing Containers and Orchestrating Services with Docker Compose]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@kutlukatalay/docker-series-part-3-managing-containers-and-orchestrating-services-with-docker-compose-1464cdf55969?source=rss-d0c6611488a0------2"><img src="https://cdn-images-1.medium.com/max/744/0*CRUtqwMSw9KsBB15" width="744"></a></p><p class="medium-feed-snippet">Welcome back to my Docker series!</p><p class="medium-feed-link"><a href="https://medium.com/@kutlukatalay/docker-series-part-3-managing-containers-and-orchestrating-services-with-docker-compose-1464cdf55969?source=rss-d0c6611488a0------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@kutlukatalay/docker-series-part-3-managing-containers-and-orchestrating-services-with-docker-compose-1464cdf55969?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/1464cdf55969</guid>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[containerization]]></category>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[container-orchestration]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Tue, 12 Aug 2025 08:26:43 GMT</pubDate>
            <atom:updated>2025-08-12T08:26:43.906Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[A Beginner Guide on Docker — 2]]></title>
            <link>https://medium.com/@kutlukatalay/a-beginner-guide-on-docker-2-63019bae6faf?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/63019bae6faf</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[containerization]]></category>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[mlops]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Sun, 08 Jun 2025 13:30:11 GMT</pubDate>
            <atom:updated>2025-08-12T07:35:29.200Z</atom:updated>
            <content:encoded><![CDATA[<h3>Docker Series Part-2 : Dockerfiles</h3><p>Welcome to the second part of my Docker blog series. In Part 1, I explained what containers are and how Docker differs from virtual machines. Now that we’ve laid a solid theoretical foundation, it’s time to dive a little deeper into Docker itself and, more specifically, <strong>Dockerfiles</strong>, which are the blueprints for building containers.</p><p>Let’s start with a quick refresher. Docker is an open-source platform that allows you to develop, ship, and run applications inside containers. Containers are lightweight, portable, and ensure that your application behaves the same way across different environments. Whether you’re coding on a Windows laptop, testing on a Linux server, or deploying in a cloud environment — if it’s in a container, it’ll just work.</p><p>So, how does Docker know <strong>what to put in a container</strong> and <strong>how to build it</strong>? That’s where <strong>Dockerfiles</strong> come in.</p><h3>What is a Dockerfile?</h3><p>A <strong>Dockerfile</strong> is a plain text file that contains a set of instructions Docker uses to build a Docker image. You can think of it as a recipe: it tells Docker which ingredients (dependencies, libraries, files, etc.) to use and what steps to follow to create the final dish (the container).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*BbgwUfYSiMYfZMq4.png" /><figcaption>Source : <a href="https://linuxiac.b-cdn.net/wp-content/uploads/2021/06/what-is-docker-container.png">https://linuxiac.b-cdn.net/wp-content/uploads/2021/06/what-is-docker-container.png</a></figcaption></figure><p>Below you see a Dockerfile example:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/596/0*AVD8LerMzGQBhzGc.png" /></figure><p>In the code above;</p><ul><li><strong>FROM python:3.10</strong> → This part defines the base image. In this case, we’re using an official Python 3.10 image from Docker Hub.</li><li><strong>WORKDIR /app</strong> → This sets the working directory inside the container to /app.</li><li><strong>COPY requirements.txt .</strong> → This copies the requirements.txt file from your local machine to the container.</li><li><strong>RUN pip install -r requirements.txt </strong>→ This installs Python dependencies listed in the requirements file.</li><li><strong>COPY . .</strong> → This copies all remaining project files into the container.</li><li><strong>CMD [“python”, “main.py”]</strong> → This tells Docker to run python main.py when the container starts.</li></ul><h3>Why Dockerfile Matters?</h3><p>Dockerfiles make your development and deployment process <strong>repeatable</strong> and <strong>automated</strong>. Instead of writing documentation for how to set up an environment, you just share the Dockerfile — and Docker takes care of the rest.</p><p>As a data scientist, this is incredibly powerful. You no longer need to worry about “it worked on my machine” issues. If you’ve trained a model using certain libraries and configurations, you can package everything into a Dockerfile and share it with collaborators — or even deploy it directly into production environments.</p><p>Below you can find additional Dockerfile Instructions You Should Know :</p><ul><li><strong>ENV :</strong> Used to set environment variables inside the container.<br>Example: ENV PYTHONDONTWRITEBYTECODE = 1</li><li><strong>EXPOSE : </strong>Documents which port the application will use.<br>Example: EXPOSE 8000</li><li><strong>VOLUME : </strong>Creates a mount point so you can persist data or share files between your host and the container.</li><li><strong>ENTRYPOINT :</strong> Similar to CMD, but used for defining fixed commands that won’t be overridden easily.</li></ul><p>You can combine CMD and ENTRYPOINT to get more flexible behaviors if needed.</p><h3>Building and Running a Docker Image from a Dockerfile</h3><p>Once you’ve written your Dockerfile, you can build an image by navigating to the directory containing it and running:</p><p><strong>docker build -t image-name .</strong></p><p>This command tells Docker to build an image named image-name using the Dockerfile in the current directory (.) .</p><p>Then, to run your container:</p><p><strong>docker run -d — name container -p 8000:8000 image-name</strong></p><p>Here:</p><ul><li><strong>-d </strong>→ runs the container in the background.</li><li><strong>— name</strong> → gives it a name.</li><li><strong>-p 8000:8000 </strong>→ maps port 8000 inside the container to port 8000 on your local machine.</li></ul><p>Some useful tips for writing Dockerfiles in a better way :</p><ul><li>Keep your images small by removing unnecessary files.</li><li>Always use specific versions for base images (avoid using <strong>latest</strong>).</li><li>Group related RUN commands together to reduce the number of image layers.</li><li>Use <strong>.dockerignore </strong>to prevent unnecessary files (like .git, logs, or datasets) from being copied into the image.</li></ul><h3>Wrapping Up</h3><p>In this second part, I shared a hands-on turn to understand Docker better — focusing on <strong>Dockerfiles</strong> as the foundation for creating Docker images. I explained how Dockerfiles work, what common commands they include, and how they help us as data scientists build consistent, shareable environments.</p><p>In the next part, I’ll go deeper into <strong>managing containers</strong>, looking at how to interact with them, stop them, restart them, and debug them. I’ll also touch on Docker Compose and how it can help us manage multi-container applications more easily.</p><p>Stay tuned for upcoming parts.</p><p>Feel free to reach me out via <a href="https://medium.com/@kutlukatalay">Medium</a> or <a href="https://tr.linkedin.com/in/kutluk-atalay">Linkedin</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=63019bae6faf" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A Beginner Guide on Docker — 1]]></title>
            <link>https://medium.com/@kutlukatalay/a-beginner-guide-on-docker-1-7c62e6bc9d8d?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/7c62e6bc9d8d</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[mlops]]></category>
            <category><![CDATA[containerization]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[devops]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Wed, 04 Jun 2025 14:58:57 GMT</pubDate>
            <atom:updated>2025-08-12T07:36:06.980Z</atom:updated>
            <content:encoded><![CDATA[<h3>Docker Series Part-1 : A Brief Introduction</h3><p>This is the first part of my series on Docker. In this first part, I will cover Docker and the concept of “container,” which I started learning a while ago and now use commonly in every data task I perform.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*rd0e07lcurxOYVM0.jpg" /><figcaption><a href="https://longvan.net/docker-la-gi.html">https://longvan.net/docker-la-gi.html</a></figcaption></figure><p>So what is Docker? Before answering this question, I would like to explain the concept and logic of “container”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*j1QL7bD-ZIkzMaTj" /><figcaption>Photo by <a href="https://unsplash.com/@carrier_lost?utm_source=medium&amp;utm_medium=referral">Ian Taylor</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Container can be defined as a method of virtualizing an application or software component at the operating system level. The main functions and features of containers can be listed as follows:</p><p>· <strong>Storage</strong>: As in the photo above, the concept of a “container”, which is the subject of this article, is to store all the dependencies of an application or software component within itself.</p><p>· <strong>Portability:</strong> Containers are transported in real life as in the photo above. Can virtual containers also be moved? Answer: ABSOLUTELY YES. A created container can be accessed from your computer, from a work computer, from a computer at a remote location, and even from cloud environments. Therefore, the container structure provides us with great convenience.</p><p>· <strong>Having Interfaces for Access:</strong> Each of the containers in the photo above has a lid. As a result, it is necessary to access the objects they carry inside them. Different ports are also used to access applications or software components inside the virtual containers.</p><p>Containers can be created, run, stopped, or moved via a Docker API. Containers work in isolation from each other and use resources allocated to each of them.</p><p>We’ve got a first impression of containers, but is that it? Wait a minute. Once upon a time, there were virtual machines. Do virtual machines and containers refer to the same concept? The answer is: NO.</p><p>Here I will quote from a source that explains the subject in great detail. I leave the link for those who want to access the original. The basic concepts are explained in a very detailed and easy-to-understand way.</p><p><a href="http://konteynerlar%20ve%20sanal%20makineler/"><strong><em>https://www.freecodecamp.org/news/a-beginner-friendly-introduction-to-containers-vms-and-docker-79a9e3e119b</em></strong></a></p><p>In simpler terms, virtual machines require a physical computer and a physical server. Virtual machines run on top of the physical computer using a hypervisor. A hypervisor is the component on which virtual machines run. Hypervisors run on computers designated as hosts and use the RAM and CPU resources belonging to the host.</p><p>Unlike virtual machines, container technology refers to creating software packages that perform independently of the machines they run on. In Docker, containers are run directly on the Docker Engine without the need for a hypervisor. Developers create and deploy images, which are files containing the information needed to run an application. Images are read-only and cannot be modified by the computer system.</p><p>Docker images can be briefly defined as an unmodifiable (read-only) master template that contains the libraries and code written to the Dockerfile that is required for our application to run. Docker images define how both our packaged application and its dependencies are intended to look and what processes will be executed when launched.</p><p>Docker images are read-only, while containers can be modified.</p><p>A very important and very important issue regarding containers is the deletion of containers. A container can be deleted and removed. But in this case, any application and data contained in that container are also completely deleted and removed. Therefore, deleting containers requires great importance, consideration, and caution.</p><p>The image below shows how Docker Images and Containers work.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*Iy-mL9UDn_ALUgf_.png" /><figcaption><a href="https://itnext.io/getting-started-with-docker-facts-you-should-know-d000e5815598">https://itnext.io/getting-started-with-docker-facts-you-should-know-d000e5815598</a></figcaption></figure><p>I briefly mentioned virtual machines above. The main differences between virtual machines and Docker Containers can be summarized as follows:</p><p><strong>Virtual machines :</strong></p><ul><li>Each virtual machine runs on its operating system. Therefore, they use a lot of resources (RAM and CPU).</li><li>Virtual machines run slowly. It takes minutes to start a virtual machine.</li><li>In virtual machines, there must be a copy of the operating system to be considered portable. This copy can be very large and difficult to move, which creates problems in sharing.</li></ul><p><strong>Docker Containers :</strong></p><ul><li>All created containers use the resources of the host machine. They use fewer resources than virtual machines.</li><li>Containers work very fast. It takes seconds to start a container.</li><li>Container images are much smaller in size than virtual machines. This means that container images take up less space on the host machine, saving space.</li><li>From a single Docker image, you can create many different containers.</li></ul><p>The structural differences between virtual machines and Docker Containers can be visualized in the following graph :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*felDLsB5U32N8XBD.png" /><figcaption><a href="https://www.altexsoft.com/blog/docker-pros-and-cons/">https://www.altexsoft.com/blog/docker-pros-and-cons/</a></figcaption></figure><p>In addition to the differences from virtual machines, some other points where Docker is more advantageous can be summarized as follows :</p><ul><li>Docker is an open-source platform. Therefore, it is used by many developers. This means that it has a large user community.</li><li>Docker has a very large, comprehensive, and easy-to-understand documentation. (For Docker documentation: <a href="https://docs.docker.com/">https://docs.docker.com/</a>)</li><li>It supports many extensions and tools.</li></ul><p>In addition to these, of course, Docker also has its disadvantages. These disadvantages are listed below :</p><ul><li>Security and Protection</li><li>No GUI support</li><li>Understanding the concept and learning how to use Docker takes time</li></ul><p>By this first chapter, I have actually made a theoretical introduction to Docker. This chapter, in which we examined the concept of virtual machine, containers, their features and differences, will be followed by chapters on images, Dockerfile, container creation, running the container.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7c62e6bc9d8d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenimi - 3 ( Kümeleme )]]></title>
            <link>https://medium.com/@kutlukatalay/makine-%C3%B6%C4%9Frenimi-3-k%C3%BCmeleme-4970a1f72d72?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/4970a1f72d72</guid>
            <category><![CDATA[k-means-clustering]]></category>
            <category><![CDATA[kümeleme]]></category>
            <category><![CDATA[clustering]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Wed, 19 Apr 2023 11:20:59 GMT</pubDate>
            <atom:updated>2023-04-19T11:20:59.006Z</atom:updated>
            <content:encoded><![CDATA[<p>Epey yoğun ve verimli geçen uzun bir aradan sonra yeniden merhaba.</p><p>Bir önceki yazımda makine öğreniminin bir türü olan denetimli öğrenmeyi, çalışma prensiplerini ve modelleri özetlemiştim. Bu yazımda da, makine öğreniminin ikinci bir türü olan denetimsiz öğrenmeyi, çalışma prensiplerini ve modelleri özetleyeceğim.</p><p>Bildiğimiz gibi, “makine öğrenimi” kavramı temelde, verilerin sahip oldukları kalıpların ve örüntülerin, bilgisayarlar tarafından tespit edilip modellenme sürecini ifade etmektedir.</p><p>Peki o zaman, denetimsiz öğrenme nedir?</p><p>Denetimli öğrenmeyi anlattığım yazımda olduğu gibi, denetimsiz öğrenmeyi de doğrudan anlatmaya geçmeden önce, küçük bir örnekle anlatmaya başlamak istiyorum. Böylece, makine öğrenimine ilgisi olanların ve yeni başlayanların denetimsiz öğrenmenin mantığını kolayca kavrayabileceğini düşünüyorum.</p><p>Aşağıda yer alan görselden yola çıkarak, meyveleri öğrenen küçük bir çocuğu düşünelim. Çocuğun önüne ( isimlerini belirtmeden ) bazı meyveler koyarak, çocuğa bu meyvelerden “benzer” olanları gruplamasını söyleyelim. Çocuk tamamen “benzerliklerine” göre meyveleri gruplayacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*YYPITIJz6XTsBj08.png" /><figcaption>Kaynak : <a href="https://www.diegocalvo.es/en/learning-non-supervised/">https://www.diegocalvo.es/en/learning-non-supervised/</a></figcaption></figure><p>İşte bu örnek, denetimsiz öğrenmenin çalışma şeklini temel olarak anlatmaktadır. Denetimsiz öğrenmede, veri setinde etiket ( label ) bilgisi ( bu örnekte meyve isimleri ) yer almamaktadır. Veri setinde yer alan gözlemler, benzerliklerine veya uzaklıklarına göre farklı kümelere ( bu örnekte gruplara ) ayrılmaktadırlar.</p><p>Denetimsiz öğrenme modelleri ile çalışılırken, arka planda farklı uzaklık ölçüleri ile hesaplamalar yapılmaktadır. Bu uzaklık ölçülerinden en çok kullanılanı Öklid uzaklığı olmakla birlikte, Manhattan ve Minkowski gibi farklı uzaklık ölçüleri de uygulamalarda kullanılmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/297/1*wpOFHqObJLJM3eNIoc_rAw.jpeg" /><figcaption>Kaynak : <a href="https://aiaspirant.com/distance-similarity-measures-in-machine-learning/">https://aiaspirant.com/distance-similarity-measures-in-machine-learning/</a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/288/1*v7QlnJZsh97s-xfcBuKjXg.jpeg" /><figcaption>Kaynak : <a href="https://aiaspirant.com/distance-similarity-measures-in-machine-learning/">https://aiaspirant.com/distance-similarity-measures-in-machine-learning/</a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/252/1*5yR9OElq4UNqSOGCYrui7A.jpeg" /><figcaption>Kaynak : <a href="https://aiaspirant.com/distance-similarity-measures-in-machine-learning/">https://aiaspirant.com/distance-similarity-measures-in-machine-learning/</a></figcaption></figure><p>Denetimsiz öğrenmenin temelde üç farklı uygulaması vardır. Bu uygulamalar; kümeleme, boyut indirgeme ve birliktelik kuralları olarak sıralanmaktadırlar. Bu yazımda kümeleme modellerini açıklayacağım.</p><p>Kümeleme uygulamalarında, en çok kullanılan model K-Means olmakla birlikte Hiyerarşik Kümeleme ve DBSCAN modellerinin de uygulamalarda kullanım sıklığı yükselmektedir.</p><p>K-Means kümeleme modelinde, k = küme sayısını ifade etmektedir. K-Means modelinin temel çalışma prensibi, k değerinin ( yani küme sayısının ) belirtilerek, n boyutlu bir düzlemde, veri setinde yer alan gözlemlerin içinde rassal noktalar seçip, bu noktalar küme merkezi olarak kabul edilerek, bu noktalara belirli uzaklıklarda olan noktalardan kümeler oluşturulması şeklindedir.</p><p>K-Means kümeleme modelinin çalışma şekli aşağıdaki gibi sıralanmaktadır:</p><ul><li>Küme sayısını ifade eden k değerinin belirlenmesi</li><li>Belirlenen k değeri ile aynı sayıda rastgele şekilde küme merkezlerinin seçilmesi</li><li>Her bir gözlemin kendisine en yakın uzaklıkta bulunan küme merkezine atanması</li><li>Küme merkezlerinin tekrar rastgele şekilde şekilde seçilip, gözlemlerin küme merkezlerine olan uzaklıklarının hesaplanması</li><li>Küme merkezleri değişmeyene kadar bu işlemlerin tekrarlanması</li></ul><p>Aşağıda K-Means kümeleme modelinin çalışmasına ve kümeleme işleminin sonucuna yönelik örnek grafik görülmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/561/1*eNWN14P6oQwySgxLuMqB9g.png" /><figcaption>Kaynak : <a href="https://www.javatpoint.com/k-means-clustering-algorithm-in-machine-learning">https://www.javatpoint.com/k-means-clustering-algorithm-in-machine-learning</a></figcaption></figure><p>K-Means kümeleme modelini oluştururken, k ile ifade edilen, küme sayısına yönelik optimum değeri tahmin etmeye yarayan farklı yöntemler vardır. Bu yöntemlerden en çok kullanılanı Dirsek Yöntemi ( Elbow Method ) olmakla birlikte, Gap İstatistiği ve Silhouette Skoru gibi yöntemler de kullanılmaktadır. Bu yazıda, günlük hayatta kullanımı en sık olan Dirsek Yöntemini ( Elbow Method ) açıklayacağım.</p><p>Dirsek yönteminde küme sayısını ifade eden k değeri 1 ila 10 arasında değerler alıp, her bir değer için farklı sonuçlar vermektedir. k değerinin her değeri için Küme İçi Toplam Kareler ( WCSS ) değeri hesaplanır. WCSS, bir kümedeki her gözlem ile o kümenin merkezi arasındaki mesafenin karesinin toplamıdır. WCSS’yi k değeri ile görselleştirdiğimizde, dirsek grafiğini elde ederiz. Küme sayısı arttıkça WCSS değeri düşmektedir. Dirsek grafiği incelendiğinde, grafiğin bir noktada hızla değişerek bir dirsek şekli oluşturacağını görebiliriz. Bu noktadan itibaren, grafik neredeyse X eksenine paralel hareket eder. İşte bu dirsek şekli oluşturup, X eksenine paralel hareket etmeye başladığı noktaya karşılık gelen k değeri, en uygun küme sayısını ifade etmektedir.</p><p>Dirsek yöntemine ait bir grafik aşağıda görülmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/654/1*XqveVqpe2C0qFBxqqJJaVQ.png" /><figcaption>Kaynak : <a href="https://www.geeksforgeeks.org/elbow-method-for-optimal-value-of-k-in-kmeans/">https://www.geeksforgeeks.org/elbow-method-for-optimal-value-of-k-in-kmeans/</a></figcaption></figure><p>Bu dirsek yöntemi grafiğinde, kırılım k değerinin 3 olduğu noktada görülmektedir. Böylece veri seti için en uygun küme sayısının 3 olduğu söylenebilir.</p><p>Bir diğer kümeleme modeli olan, hiyerarşik kümeleme modelinde iki farklı yaklaşım vardır. Bu yaklaşımlar, Agglomerative ( Parçadan Bütüne ) veya, Divisive ( Bütünden Parçaya ) olarak sıralanmaktadır. Bu yaklaşımlar aşağıdaki görselde görülmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MWvXJPQYOiCOj79N2DR-KQ.jpeg" /><figcaption>Kaynak : <a href="https://analystprep.com/study-notes/cfa-level-2/quantitative-method/unsupervised-machine-learning-algorithms/attachment/img_43/">https://analystprep.com/study-notes/cfa-level-2/quantitative-method/unsupervised-machine-learning-algorithms/attachment/img_43/</a></figcaption></figure><p>Agglomerative ( Parçadan Bütüne ) yaklaşımında, küme sayısını önceden belirlememiz gerekmemektedir. Model aşağıdan yukarıya çalışacak şekilde, başlangıçta her gözlemi tek bir küme olarak ele alır ve ardından tüm kümeler tüm gözlemleri içeren tek bir kümede birleştirilinceye kadar küme çiftlerini art arda toplar.</p><p>Agglormerative kümeleme yaklaşımında farklı uzaklık ölçütleri kullanılmaktadır. Bu ölçütler, simple linkage, complete linkage, average linkage, ward, weighted ve centroid olarak sıralanabilir.</p><ul><li><strong>Single Linkage, </strong>iki küme arasındaki mesafeyi, iki kümenin gözlemleri arasındaki en yakın mesafe olarak hesaplamaktadır.</li><li><strong>Complete Linkage, </strong>iki küme arasındaki mesafeyi, iki kümenin gözlemleri arasındaki en uzak mesafe olarak hesaplamaktadır.</li><li><strong>Average Linkage, </strong>iki küme arasındaki mesafeyi, iki kümenin içinde yer alan gözlemler arasındaki tüm mesafelerin ortalaması olarak hesaplamaktadır.</li><li><strong>Centroid Linkage, </strong>iki küme arasındaki mesafeyi, kümelerin merkezleri arasındaki mesafe olarak hesaplamaktadır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DGHVQaSiZXsCi9nIStswNQ.png" /><figcaption>Kaynak : <a href="https://www.analyticsvidhya.com/blog/2021/06/single-link-hierarchical-clustering-clearly-explained/">https://www.analyticsvidhya.com/blog/2021/06/single-link-hierarchical-clustering-clearly-explained/</a></figcaption></figure><p>Divisive ( Bütünden Parçaya ) yaklaşımı ise, Agglomerative yaklaşımın tam tersi şeklinde çalışır. Yukarıdan yani tüm gözlemlerin içinde bulunduğu tek kümeden, her gözlemin tek bir şekilde bulunacağı, gözlem sayısı kadar küme sayısı oluşana kadar bölünerek çalışır.</p><p>Hiyerarşik kümelemede görselleştirme için dendrogramlar oldukça verimli bir şekilde kullanılmaktadır. Dendrogram, aslında hiyerarşik kümeleme modelinin gerçekleştirdiği bir bellek olarak her adımı depolamak için kullanılan ağaç benzeri bir yapıdır. Dendrogram çiziminde, Y ekseni, veri noktaları arasındaki Öklid mesafelerini gösterirken, X ekseni, kümelerin tüm veri noktalarını gösterir.</p><p>Dendrogram grafiğine örnek aşağıda görülmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UwQ0gl7z2PdKyqN498or_A.png" /><figcaption>Kaynak : <a href="https://stackoverflow.com/questions/69191490/dendrogram-analysis-of-hierarchical-clustering-algorithm">https://stackoverflow.com/questions/69191490/dendrogram-analysis-of-hierarchical-clustering-algorithm</a></figcaption></figure><p>Makine öğreniminde en çok kullanılan kümeleme modelleri olan K-Means ve Hiyerarşik Kümeleme dışında; DBSCAN, OPTICS, BIRCH, Mean Shift, Gaussian Mixture Model, Spectral Clustering gibi farklı modeller de çeşitli uygulamalarda kullanılmaktadır.</p><p>Makine öğreniminin, denetimsiz öğrenme türünde yer alan kümeleme modelleri, günlük hayatımızda oldukça fazla uygulama alanına sahiptir. Bu uygulama alanlarına çeşitli örnekler aşağıda sıralanmaktadır :</p><ul><li>Müşteri Segmentasyonu</li><li>Belge Segmentasyonu</li><li>Suç ve Suçlu Profili Belirleme</li><li>Sosyal Medya Analizleri</li><li>Tavsiye Sistemleri</li></ul><p>Denetimsiz öğrenmenin en çok kullanılan kümeleme modelleri ve uygulamalarını anlattığım bu makalem burada bitiyor. Denetimsiz öğrenmenin boyut indirgeme ve birliktelik kuralları modellerini de sonraki makalelerimde anlatacağım.</p><p>Çeşitli profillerime ait adreslerimi aşağıda paylaşıyorum</p><p><a href="https://tr.linkedin.com/in/kutluk-atalay/en"><strong>https://tr.linkedin.com/in/kutluk-atalay/en</strong></a></p><p><a href="https://www.kaggle.com/kutlukatalay"><strong>https://www.kaggle.com/kutlukatalay</strong></a></p><p>Teşekkürler :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4970a1f72d72" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenimi - 2 ( Denetimli Öğrenme )]]></title>
            <link>https://medium.com/@kutlukatalay/makine-%C3%B6%C4%9Frenimi-2-denetimli-%C3%B6%C4%9Frenme-a500a7af6b8b?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/a500a7af6b8b</guid>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Sat, 20 Aug 2022 16:15:15 GMT</pubDate>
            <atom:updated>2023-04-18T18:33:02.567Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba.</p><p>Önceki yazılarımda veri bilimi alanında bir kariyer isteyenlere tavsiye ettiğim kursları ve yapay zeka, makine öğrenimi gibi kavramların tarihçelerini kısaca açıklamıştım. Bu yazı ile makine öğreniminde biraz daha derinlere inmeye başlayacağım.</p><p>“Makine öğrenimi” kavramı aslında basit bir şekilde, verilerde bulunan kalıpların ve örüntülerin, modeller yardımıyla, bilgisayarlar tarafından keşfedilme süreci olarak tanımlanabilir.</p><p>Makine öğrenimi içinde 3 farklı öğrenme türü vardır. Bu öğrenme türleri, denetimli ( gözetimli ) öğrenme, denetimsiz ( gözetimsiz ) öğrenme, pekiştirmeli öğrenme olarak sıralanabilir. Bu 3 öğrenme türünün her biri, farklı senaryolarda, farklı durumlarda ve farklı gereksinimler oluştuğunda kullanılıyor. Günlük hayatta en çok kullandığımız öğrenme türü olan denetimli öğrenme bu ve bundan sonraki birkaç yazımın konusu olacak.</p><p>Peki o zaman, denetimli öğrenme nedir?</p><p>Denetimli öğrenmeyi doğrudan, teorik şekilde anlatmaya başlamak yerine bir örnekle anlatarak başlamanın daha faydalı olacağını düşünüyorum. Farklı türde kedilerin ve köpeklerin çok sayıda fotoğrafını çektiğinizi varsayın. Bilgisayarda makine öğrenimi modelinizi oluşturduğunuzda, öncelikle o modeli, sadece çeşitli kedi fotoğraflarını tanıtarak eğitiyorsunuz ( modelin eğitimini birazdan açıklayacağım ). Modele çeşitli fotoğraflar gösterip, “ bu fotoğraftakiler kedidir ” şeklinde tanıttıktan sonra, bu kez, içinde hem kedi, hem de köpek fotoğraflarının olduğu bir albümü modele gösterip, modelin ne öğrendiğini, ne kadar iyi öğrendiğini test etmek istiyorsunuz ( modelin test edilmesini birazdan açıklayacağım ). Sonuç olarak model elinizdeki fotoğraflara bakıp size çeşitli cevaplar veriyor. Bu cevaplar “kedi” ve “kedi değil” şeklinde olacak. Çünkü siz modele sadece kediyi tanıttınız. Başka bir tür tanıtmadığınız için model “kedi”ye benzetemediği her bir fotoğraftaki canlının türünü “kedi değil” olarak tahmin edecek. İşte denetimli öğrenmenin çalışması bu şekilde gerçekleşmektedir.</p><p>Denetimli öğrenme modeli, modele tanıtılan veriler sayesinde öğrenmekte olup, tanıtılmayan veriler hakkında herhangi bir bilgi sahibi olamamaktadırlar.</p><p>Denetimli öğrenmede etiket bilgisi kullanılmaktadır. Etikete örnek olarak, yukarıda anlatılan uygulama örneğindeki “kedi” ve “kedi değil” verilebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/951/1*dhkUAu84d1tXZmGEP9Mr7Q.png" /></figure><p>Denetimli öğrenmede iki farklı model ailesi var. Bunlar regresyon ve sınıflandırma. Hedef özniteliğin nümerik olduğu durumlarda regresyon kullanılırken, kategorik olduğu durumlarda sınıflandırma modelleri kullanılmaktadır.</p><p>Regresyon problemlerine, belirli bir bölgede bulunan evlerin fiyat tahminleri, maaş tahmini, hava durumu tahmini gibi örnekler verilebilir. Bu problemlerin hedef özniteliği nümeriktir.</p><p>Sınıflandırma algoritmaları ise, veri setindeki özniteliklerden yola çıkarak, hedef özniteliği kategorik olan gözlemlerin, hedef öznitelik sınıfını tahmin etmemize yarayan modellerin kurulumunu gerçekleştirmektedir.</p><p>Sınıflandırma modelleri aşağıdaki şekilde sıralanabilmektedir.</p><p>K-En Yakın Komşular Algoritması</p><p>Destek Vektör Makineleri</p><p>Logistik Regresyon</p><p>Naive Bayes</p><p>Karar Ağaçları</p><p>Rassal Orman</p><p>Denetimli öğrenme modeli kurulurken, izlenilmesi gereken bir yol vardır. Aşağıdaki şema, denetimli öğrenme modellerinin kurulumunda izlenecek olan yolu ifade etmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vFdAQgE5KRIxy8fkU1VKJA.png" /></figure><p>Peki bu şema bize neyi anlatıyor? Biraz daha yakından inceleyelim</p><p>İlk olarak, farklı veritabanlarında tutulan verilerimizin olduğunu düşünelim. İstediğimiz veriyi çalışma ortamına aktardığımızda, o veriyi üzerinde çalışılmaya hazır hâle getirmiş oluyoruz.</p><p>İlk olarak veri setimizi, eğitim seti ve test seti olmak üzere “şimdilik” ikiye ayırıyoruz. ( Burada cross-validation işlemini “şimdilik” geçiyorum. Daha sonra detaylı olarak açıklayacağım ) Bu ayırma işlemi, elde bulunan veri setinin yüzde 70&#39;ini eğitim seti, yüzde 30&#39;unu test seti olarak yapılabilir. Genel olarak ta yüzde 70&#39;e, yüzde 30 olarak ayrılırken, çeşitli uygulamalarda yüzde 75&#39;e, yüzde 25 olarak veya yüzde 80&#39;e, yüzde 20 olarak ta gerçekleştirilebilir.</p><p>Bu aşamadan sonra, modelin değerlendirilmesine kadar gerçekleştireceğimiz tüm işlemleri eğitim seti üzerinde uyguluyoruz. Yani test setini şimdilik olduğu gibi bırakıyoruz.</p><p>Sonrasında veriyi hazırlama dediğimiz süreç başlıyor. Öncelikle, veriyi modelleme aşamasına geçirmeden ön hazırlıkları yaptığımız bu aşamada, eğitim veri setinde yer alan çeşitli problemleri çözüyoruz. Eksik verilerin tespit edilmesi ve farklı yöntemlerle eğitim veri setinden eksik verilerin kaldırılması, uç değerlerin tespiti ve eğitim veri setinde uç değerlere sahip gözlemlerin analize etki etmeyecek duruma getirilmesi, kullanıcı hatası sebebiyle yanlış girilen gözlem değerlerinin düzeltilmesi vb. işlemler veriyi hazırlama aşamasında gerçekleşmektedir.</p><p>Daha sonrasında, öznitelik seçimi yapıyoruz. Yani modelde bizim işimize en çok yarayacak olan öznitelikleri seçiyoruz. Gerekirse öznitelik mühendisliği ile yeni öznitelikeri kendimiz oluşturabiliriz. Son olarak ta farklı ölçümlere sahip öznitelikleri ölçekleme ile, aynı ölçüm aralığına çekiyoruz.</p><p>Daha sonrasında uygulamak istediğimiz makine öğrenimi algoritması ile modelimizi kuruyoruz. Evet, makine öğrenimi modelimizi kurduk, peki sonra ne yapacağız?</p><p>Bizim bir test setimiz vardı. Adı üstünde olan test setimiz üzerinde, kurduğumuz modelin performansını değerlendireceğiz. Modeli test setimizin üzerinde deneyip, test setindeki hedef özniteliğin gerçek değerleri ile modelin test setindeki hedef özniteliğe yönelik tahmin ettiği değerleri karşılaştırıp, yüzdelik olarak, modelin ne kadar iyi performansla çalıştığınızı görebileceğiz ( Model performansı ile ilgili de daha detaylı olarak sonraki yazılarda açıklama yapacağım ). Burada modelin performansının beklediğimizden veya istediğimizden düşük çıkması durumunda, tekrardan modele dönüp, modelin çeşitli hiper parametrelerinde farklı değerler alabilecek şekilde ayarlamalar yapabiliriz. Bu sayede modelin performansı yükseltilebilir.</p><p>Tüm bu aşamalardan sonra modelin performansı istediğimiz seviyede ise, modelin “canlıya alınarak” gerçek hayatta kullanımına geçiliyor.</p><p>Denetimli öğrenme çalışma şeklini kısaca anlattığım bu yazımın böylece sonuna geldik.</p><p>İletişime geçmek ve geri bildirim için Linkedin adresimi aşağıda paylaşıyorum</p><p><a href="https://tr.linkedin.com/in/kutluk-atalay/en">https://tr.linkedin.com/in/kutluk-atalay/en</a></p><p>Teşekkürler :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a500a7af6b8b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenimi - 1]]></title>
            <link>https://medium.com/@kutlukatalay/makine-%C3%B6%C4%9Frenimi-1-c59823fa6915?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/c59823fa6915</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[mathematics]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Wed, 10 Aug 2022 12:09:43 GMT</pubDate>
            <atom:updated>2022-08-10T12:11:11.912Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese tekrardan merhaba.</p><p>Medium’da ilk yazımı paylaştıktan sonra aldığım olumlu tepkiler çok güzeldi. Bu alana ilgi duyan insanlara yardımcı olabilecek, yol gösterebilecek yeni bir paylaşımla devam etmeyi istiyorum. Bu yazım ile birlikte makine öğrenimi hakkında paylaşım serime başlıyorum.</p><p>Serinin bu ilk yazısı biraz daha makine öğreniminin tarihçesini içerirken, teorik açıdan da bir giriş niteliği taşıyacak. Doğrudan konuya geçip, temelini, çalışma şeklini, algoritmaları, çeşitli yaklaşımları açıklamaya başlamadan önce, “ makine öğrenimi ” kavramının temelini, geçmişten günümüze gelişimini, hangi alanlarda kullanıldığını (<em> küçük örnekler şekilde bahsetmiş olacağım. Detaylı örnekleri sonraki yazılarımda fazlasıyla açıklayacağım </em>) açıklamanın, bu yazıyı okuyan ve makine öğrenimine ilgi duyanların zihinlerinde temel bir çerçeve oluşturucağı fikrindeyim. Başlayabiliriz…</p><p>“ Makine Öğrenimi ”… Kulağa oldukça havalı gelen bu isim, aslında hakkında bilginizin olup olmamasından bağımsız şekilde günlük hayatta her zaman karşınızda. Örneklerden bazılarına şaşırabilirsiniz, ama unutmayın ki bu örnekler buzdağının sadece görünen kısmı. Basit bir kaç örnekle başlayalım:</p><p>Günümüzde internet üzerinden satın alma epey yaygın bir uygulama. İnternette alışveriş sitelerinden birine girdiğinizi düşünün. Sitede çeşitli ürünler beğendiniz ve sepete eklediniz. Sepete geldiğinizde size “ bu ürünleri alan kullanıcılar, X ürünlerini de birlikte satın aldılar ” diye bir mesaj gösteriyor. Peki sizce bu öneri, sitenin kendi zevkine göre mi oluştu, yoksa arka planda bazı algoritmalar ve matematik işlemleri yapılarak mı bu sonuçlar gösterildi?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*hWqUpV8hY3gZDavE" /><figcaption>Photo by <a href="https://unsplash.com/@querysprout?utm_source=medium&amp;utm_medium=referral">Marques Thomas</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Gelelim başka bir örneğe. Spotify… Kendi çalma listenizdeki şarkıları dinliyorsunuz. Şarkı seçimlerinizin, kulak zevklerinizin çok güzel olduğunu düşünüyorsunuz. Sonra şarkıyı dinlerken, gözünüz kayıyor ve Spotify’ın size şarkı önerdiğini görüyorsunuz. Önerilen şarkılara bir fırsat verip dinlemeye başlıyorsunuz ve çok beğeniyorsunuz. Spotify size bu önerileri yaparken en çok dinlenen şarkıları mı öneriyor, yoksa çok dinlenmese bile sizin zevkinize uygun olduğunu düşündüğü şarkıları bir şekilde buluyor mu?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*g-85P8pE16VD2sNn" /><figcaption>Photo by <a href="https://unsplash.com/@skabrera?utm_source=medium&amp;utm_medium=referral">Sergi Kabrera</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Asıl konuya geri dönmeden önce son bir örnek daha verelim… Kendi kredi kartınıza sahip olduğunuz günden bugüne kadar tüm harcamalarınızı kredi kartınız ile yaptığınızı varsayın. Sonra internette ilk kez gördüğünüz bir siteyi beğenip üyelik başvurusu yaptığınızı ve üyeliğin ücretli olduğunu varsayın. Üyelik ücretini ödemek için kredi kartı bilgilerinizi girdiniz ve ödeme emri verdiniz. Bankanızdan size anında bir mesaj gelecektir. “ X şirketine / hesabına / uygulamasına yapılan YY.YY TL tutarındaki ödeme tarafınıza ait değilse lütfen bildirin “ diye. Bankanız acaba sizin ve diğer tüm müşterilerinin hesaplarınızı / hesaplarını ve yaptığınız / yaptıkları işlemleri teker teker incelesin diye milyonlarca kişiyi mi istihdam etti yoksa arka planda yine bir takım algoritmalar mı çalıştı da, işlemin banka adına şüpheli olduğuna saniyeler içinde karar verildi?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*qEthvd7d6vK2IzmQ" /><figcaption>Photo by <a href="https://unsplash.com/@cardmapr?utm_source=medium&amp;utm_medium=referral">CardMapr.nl</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Yukarıda verdiğim örnekleri inceledikten sonra, eğer bu durumların, arka planda “ bir takım algoritmalar, matematiksel işlemler “ sebebiyle gerçekleştiğini düşünüyorsunuz, TEBRİKLER ! DOĞRU DÜŞÜNÜYORSUNUZ</p><p>Bu verdiğim örnekler aslında günlük hayatta makine öğrenimi ile ne kadar etkileşim içinde olduğumuzu gösteriyor. Evet, fiziken görmesek te yaptığımız her davranış ve verdiğimiz her karar aslında makine öğrenimini hayatımızda bir şekilde etkin hale getiriyor.</p><p>İlginizi çekti mi? O zaman gelin biraz daha derine, sakince inmeye çalışalım…</p><p>Makine öğreniminin hikayesi 1950&#39;lere götürüyor bizi. Her ne kadar, 1959&#39;da Arthur Lee Samuel isimli Amerikan mühendis “makine öğrenimi” kavramını tanımlasa da, temel fikir biraz daha geride 1950&#39;lerde ünlü İngiliz matematikçi, bilgisayar bilimci ve kriptolog Alan Turing’e kadar gidiyor.</p><p>Turing 1950&#39;de yazmış olduğu “ Computing Machinery and Intelligence ” isimli makalesinde temel olarak “ Makineler düşünebilir mi? “ sorusuna cevap ararken aslında büyük bir kapıyı aralamıştı.</p><p>Makalenin tamamına erişmek isteyenler için link:</p><p><a href="https://link.springer.com/chapter/10.1007/978-1-4020-6710-5_3">Computing Machinery and Intelligence</a></p><p>Turing’in o büyük kapıyı aralamasından bugüne geçen sürede makine öğrenimi ve bilgisayar biliminde yaşanan gelişmeleri aşağıdaki gibi bir zaman çizelgesi ile ifade edebiliriz :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/799/1*_wB4gF7FwYLHY2CeYn7klQ.jpeg" /><figcaption>Kaynak : <a href="https://www.algotive.ai/blog/machine-learning-what-is-ml-and-how-does-it-work">https://www.algotive.ai/blog/machine-learning-what-is-ml-and-how-does-it-work</a></figcaption></figure><p>Bu zaman çizelgesinden görüldüğü üzere Turing’den önce, matematikte bazı önemli keşifler yapılmıştı ve Turing’den sonra, bilgisayarların hem bu sürece dahil olması hem de yeni keşiflere büyük katkılar sunması, bugün geldiğimiz noktada aslında çok fayda sağlamıştır.</p><p>Çok geriye gitmeden 2010&#39;dan günümüze kadar makine öğrenimi yardımıyla elde edilen bazı başarılara bakalım:</p><ul><li>IBM tarafından geliştirilen ve doğal dilde sorulan sorulara cevap vermek için tasarlanan bir yapay zeka programı olan IBM Watson, 2011&#39;de “Jeopardy!” isimli bilgi yarışmasına katılarak, yarışmanın o zamana kadar en yüksek para ödülünü kazanmış ve en uzun süreli şampiyonluk serisine sahip olan iki yarışmacısıyla eşleşmiş ve yarışmayı kazanmıştır.</li></ul><p><a href="https://www.ibm.com/watson">IBM Watson</a></p><ul><li>2014 yılında Facebook, DeepFace isimli sistemiyle sinir ağlarını kullanarak, kullanıcıların fotoğraflarından yola çıkıp %97.35 tutarlılık oranıyla yüzlerini tahmin etti.</li></ul><p><a href="https://research.facebook.com/publications/deepface-closing-the-gap-to-human-level-performance-in-face-verification/">https://research.facebook.com/publications/deepface-closing-the-gap-to-human-level-performance-in-face-verification/</a></p><ul><li>2016 yılında Google’ın geliştirmiş olduğu AlphaGo isimli program, Go oyununda makine öğrenimi algoritmalarını kullanarak profesyonel oyunculara karşı oyun kazanmayı başardı.</li></ul><p><a href="https://www.deepmind.com/research/highlighted-research/alphago">https://www.deepmind.com/research/highlighted-research/alphago</a></p><ul><li>2017 yılında AlphaGo, satranç ve ayrıca ikiden daha fazla oyuncu gerektiren oyunlar için uygun olan AlphaZero versiyonuna yükseltildi.</li></ul><p><a href="https://en.wikipedia.org/wiki/AlphaZero">https://en.wikipedia.org/wiki/AlphaZero</a></p><ul><li>2018 yılında AlphaFold1 geliştirildi. Bunu 2021 yılında AlphaFold2 izledi.</li></ul><p><a href="https://www.nature.com/articles/s41586-019-1923-7">Improved protein structure prediction using potentials from deep learning - Nature</a></p><p>Yukarıdaki örneklerden görüldüğü üzere bugün hemen her alanda makine öğreniminden ve makine öğreniminin sağladığı faydalardan yararlanıyoruz. Makine öğreniminin faydalı olduğu alanlara farklı örnekler verecek olursak :</p><ul><li>Hastalıkların Erken Teşhisleri</li><li>Dolandırıcılık Analizleri</li><li>Otonom Araçlar</li><li>Trafik Süreçleri</li><li>Borsa Tahminleri</li><li>Tavsiye Sistemleri</li><li>Risk Analizleri</li><li>Sibergüvenlik</li><li>Müşteri Kaybı Belirleme</li><li>Gerçek Zamanlı Dinamik Fiyatlama</li><li>CRM Analitiği</li></ul><p>gibi milyonlarca örnek sunabiliriz. Sadece yukarıda örnek olması için belirtmiş olduğum alanlar bile bizlere, makine öğreniminin ne kadar geniş bir kullanım yelpazesine sahip olduğunu kanıtlıyor.</p><p>Bu alanların hemen hepsiyle ilgili olarak ilerleyen süreçte daha detaylı paylaşımlar yapacağım.</p><p>LinkedIn’den iletişime geçip olumlu geri dönüşlerini bilderen kullanıcılar oldu. Çok teşekkür ederim.</p><p>Daha fazla bilgi almak isteyenler ve sorusu olanlar kullanıcılar aşağıdaki linki kullanarak, LinkedIn hesabım üzerinden benimle iletişime geçebilirler.</p><p>Linkedin : <a href="https://tr.linkedin.com/in/kutluk-atalay/en">https://tr.linkedin.com/in/kutluk-atalay/en</a></p><p>Böylece bu paylaşımımın da sonuna gelmiş oldum. Vakit ayırıp, okuduğunuz için teşekkür ederim.</p><p>Bir sonraki paylaşımımda görüşmek üzere</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c59823fa6915" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimine Başlarken]]></title>
            <link>https://medium.com/@kutlukatalay/veri-bilimine-ba%C5%9Flarken-90ae0f1de100?source=rss-d0c6611488a0------2</link>
            <guid isPermaLink="false">https://medium.com/p/90ae0f1de100</guid>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Kutluk Atalay]]></dc:creator>
            <pubDate>Fri, 05 Aug 2022 12:54:23 GMT</pubDate>
            <atom:updated>2022-08-05T14:12:44.041Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba, ben Kutluk Atalay.</p><p>İşletme bölümü lisans mezunuyum. Halihazırda yüksek lisans eğitimimi ise Sayısal Yöntemler üzerine yapıyorum. Sayısal yöntemleri kısaca istatistik, matematik, veri bilimi, makine öğrenimi, derin öğrenme alanlarının hepsini genel olarak kapsayan bir bölüm olarak tanımlayabilirim.</p><p>Yaklaşık 5 yıldır veri bilimi alanında çalışmalar yapıyorum. Bu çalışmalarımın büyük bir bölümü makine öğrenimi alanında. Medium’daki bu ilk yazımda da bu alanda bugünkü noktaya gelirken kendi geçtiğim yolları paylaşarak, bu alana ilgi duyup ta, nasıl bir yol izlemesi gerektiği konusunda emin olamayan yeni adaylara bir bakış açısı kazandırmayı umuyorum.</p><p>Paylaşımlarıma geçmeden önce bir konuyu özellikle burada paylaşmak isterim. Türkiye’de iş ve kariyer anlamında inanılması gerçekten güç, anlaşılması imkansız, gereksiz ve çok yanlış bakış açıları ve önyargılar var. Ben bu durumu şu cümleyi duyduğumda yaşamış oldum :</p><p>‘ Sen işletme mezunusun, veri bilimi senin çok başarılı olacağın bir alan değil. ’</p><p>Bu ve “ sen X mezunusun.. yapamazsın ” şeklinde benzeri cümleleri bu alanda çalışmalarınız devam ettikçe yüksek olasılıkla duyacaksınızdır. Bu düşüncelerin hiçbirine takılmamanızı ve gerçekten çalışıp emek verdikten sonra başarılamayacak hiçbir şey olmadığını bilmenizi isterim. Bu alan biraz istatistikçiler ve bilgisayar mühendislerinin tekelinde gibi lanse edilse de, nice istatistikçi ve bilgisayar mühendisinin çok yüzeysel kaldığını ve bu alana herhangi bir katkıda bulunmadığını gördüm. ( Bugüne kadar çalışmalarından çokça faydalandığım nice istatistikçi ve bilgisayar mühendisi arkadaşlarım da var, onları tenzih ederim. Zaten yeri geldikçe kendilerine buradan atıf yapıp teşekkürlerimi belirteceğim. ) Konuya geçmeden önce son bir ekleme de bu hususta yaparak, bu bölümü tamamlamak istiyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*1GdMbZ8DfHxBUbcS" /><figcaption>Photo by <a href="https://unsplash.com/@sampapers?utm_source=medium&amp;utm_medium=referral">Sam Trotman</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Lisans mezuniyetimden sonra New York’a yerleştim. New York University ( NYU ) Center for Data Science’ta çalışmalara katıldım. Çalışma arkadaşlarım arasında iktisatçılar, aktüerya mezunları, eczacılar vardı. Türkiye’de eczacı veri bilimi alanında çalışsa “uzman” istatistikçiler linç eder. Bu da sektörün nitelik insanlara bakış açısını belirten ayrı bir gösterge bence. Türkiye’de, kalıplaşmış ( ve hatta fosilleşmiş ) köhne düşüncelerden dolayı bu alanda tavsiye alamayacak ve hatta kariyer yapamayacak olan bu arkadaşlarla 7 ay boyunca çok güzel şekilde makine öğrenimi alanında çalışmalar yaptık. Dolayısıyla yukarıda belirttiğim gibi olumsuz etki yapan, fosilleşmiş düşünceleri duyduğunuz anda bu düşünceler ve düşüncelerin kaynağı olanlardan bir an önce uzaklaşmanız sizin için faydalı olacaktır. Başarının şartı çok basit; ÇALIŞMAK, ÇALIŞMAK, ÇALIŞMAK</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*CxU-DP2ChkwtrzF7" /><figcaption>Photo by <a href="https://unsplash.com/@csbphotography?utm_source=medium&amp;utm_medium=referral">Conor Samuel</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Evet, yaşanmışlıklardan yola çıkarak vermiş olduğum bazı önsöz niteliğinde bilgilerden sonra gelelim tavsiyelere.</p><p>Bu alanda kariyer yapmayı seçenleri öncelikle çok tebrik ediyorum. Her gün ama istisnasız her gün gelişen, büyüyen, yeni teknolojiler getiren bir alanı seçmek bence gerçekten çok cesaret gerektiren bir karar. Tabi cesaret ancak azim ve emek olunca başarıya dönüşüyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_XZehBhbMU-o3SZb" /><figcaption>Photo by <a href="https://unsplash.com/@charlesdeluvio?utm_source=medium&amp;utm_medium=referral">charlesdeluvio</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Yukarıda da bahsetmiştim veri bilimi aslında alt dalları olan bir alan. Bunu şu şekilde düşünmek konsepti anlamanız açısından faydalı olabilir. Veri bilimi bir ailenin soyadı. Alt dalları ise, aile üyelerinin adları.</p><p>Peki bu alt dallar neler?</p><p>Matematik</p><p>· Lineer Cebir</p><p>· İstatistik</p><p>· Olasılık</p><p>Bilgisayar Bilimleri ve Programlama</p><p>· SQL ( Olmazsa olmaz )</p><p>· Veri bilimi için programlama dilleri ( Python, R )</p><p>· Veri yapıları</p><p>· Veri görselleştirme</p><p>· Makine Öğreniminin Teorik Yapısı</p><p>Bunlardan başka ihtiyaç duyduğun bilgiler yok mu peki? Elbette var. Ama temel olarak bunlara hakim olmak gerekli.</p><p>Hep sorulan bir soruyu da cevaplayayım hemen. Hangi dili öğrenmeliyim, hangi dil önemli diye soruluyor. Kendimden örnek vereceğim.</p><p>R ile başlayıp, Python’a geçmek benim için çok faydalı olmuştu. Ama kendiniz hangi dili öğrenmek istiyorsanız, hangi alanda çalışacağınızdan eminseniz ve o alanda hangi dilin daha çok kullanılacağını biliyorsanız, o dil ile başlayın.</p><p>Hangi dili öğrenmeniz gerektiğine yapılan araştırmalar sonucuna göre karar verecekseniz</p><p><a href="https://www.tiobe.com/tiobe-index/">TIOBE Index - TIOBE</a></p><p>Dil konusunda başka kaynaklar</p><p><a href="https://www.datacamp.com/blog/top-programming-languages-for-data-scientists-in-2022">https://www.datacamp.com/blog/top-programming-languages-for-data-scientists-in-2022</a></p><p><a href="https://blog.edx.org/9-top-programming-languages-for-data-science">9 Top Programming Languages for Data Science</a></p><p>Gelelim önerebileceğim kaynaklara… Kaynak önerirken önce online eğitim platformlarından bahsedip, sonra bazı spesifik kursları size tanıtacağım</p><p>1- Datacamp</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6k2sSy4nVl7Tcni-7PCvsA.jpeg" /></figure><p>Datacamp benim en çok yararlandığım ve en beğendiğim platform. Peki diğer platformalardan ne farkı var?</p><p>Datacamp’te eğitimleri sektörde veri bilimi alanında çalışan uzmanlar veriyor. Yani uzun ve sıkıcı şekilde teorilerle boğmak yerine, teoriyi orta uzunlukta bir özet şeklinde anlatıp, doğrudan uygulamaya geçiyorlar. Gerçek hayat verileriyle çalışılıyor ve pratik yapma imkanı çok ama çok fazla.</p><p>Skill track şeklindeki kursları bitirdiğinizde, bir alanda baştan sona çalışmış, öğrenmiş ve pratik yapmış oluyorsunuz ( ki bence çok faydalı bir seçenek bu )</p><p>Datacamp ücretli. Aylık dolar bazlı bir ücretlendirmesi var. Sitesini takip ederek, yıllık üyelik satın alımlarda indirimler yakalayabilirsiniz.</p><p><a href="https://www.datacamp.com/">https://www.datacamp.com/</a></p><p>Datacamp’te farklı bir indirimli üyelik seçeneği de Visual Studio aboneliği. Böylece datacamp üyeliğine indirimli bir şekilde sahip olabilirsiniz. Bunu da google’da araştırmanızı öneririm.</p><p>Datacamp’te önerebileceğim kurslar:</p><p>R için kaynak:</p><p><a href="https://www.datacamp.com/tracks/data-scientist-with-r">https://www.datacamp.com/tracks/data-scientist-with-r</a></p><p>Python için kaynak:</p><p><a href="https://www.datacamp.com/tracks/data-scientist-with-python">https://www.datacamp.com/tracks/data-scientist-with-python</a></p><p>Python ile Makine Öğrenimi için kaynak:</p><p><a href="https://www.datacamp.com/tracks/machine-learning-scientist-with-python">https://www.datacamp.com/tracks/machine-learning-scientist-with-python</a></p><p>2- Coursera</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jLQ_SUKUxmulGXgDS1Xifw.jpeg" /></figure><p>Coursera, Datacamp’in aksine pratikten çok teoriye ağırlık veriyor genelde. Teorik olarak kurslar epey kapsamlı. Bu durum aslında yaptığınız çalışmaların arka planını anlamanıza yardımcı oluyor ama diğer yandan da matematiğe çok hakim değilseniz sıkıcı oluyor. Ben matematiğe genel olarak hakimim ama çevremde Coursera’yı önerdiğim arkadaşlar içinde bir süre sonra yorulan çok arkadaşım oldu. Dolayısıyla yeni bir tavsiyem var bu konuda.</p><p>Veri biliminde örnek olarak Python ile ilgili eğitim almak istediğinizi varsayalım. Teorik kısmını Coursera’dan çalışıp, Datacamp’te pratik yapmak sizin için daha faydalı olacaktır.</p><p>Coursera’daki kurslar da ücretli ama sitesinde “financial aid” başvurularından yararlanabilirsiniz.</p><p><a href="https://www.coursera.org/">Coursera | Degrees, Certificates, &amp; Free Online Courses</a></p><p>Coursera’da kurslar genelde Specialization şeklinde yer alıyor. Specialization şeklinde isimlendirilmesinin nedeni verdiği eğitimin alanında size çok fazla nitelik katması.</p><p>Coursera’da önerebileceğim kurslar genel olarak sayıca fazla. Kısaca onları da paylaşıyorum:</p><p>Her şeyden önce SQL bilgisine sahip olmanız gerekli. SQL öğrenmesi kolay bir dil olduğu kadar çok ta önemli bir araç:</p><p>İşte güzel bir eğitim. Universite of California Davies’ten. Bu eğitim aslında bir specialization yani SQL ile ilgili çok fazla yeteneği öğrenebileceğiniz kurslardan oluşuyor. ( Financial Aid Available !!!)</p><p><a href="https://www.coursera.org/specializations/learn-sql-basics-data-science">Learn SQL Basics for Data Science</a></p><p>İstatistik için yeterli olabilecek bir kurs ( Financial Aid Available !!!)</p><p><a href="https://www.coursera.org/specializations/data-science-statistics-machine-learning">Data Science: Statistics and Machine Learning</a></p><p>Python için çok kaliteli bir kurs ( Financial Aid Available !!!)</p><p><a href="https://www.coursera.org/specializations/python">Python for Everybody</a></p><p>Python ile makine öğrenimi için yine University of Michigan’dan harika bir kurs ( Financial Aid Available !!!)</p><p><a href="https://www.coursera.org/specializations/data-science-python">Applied Data Science with Python</a></p><p>Makine öğrenimi alanında çok fazla refere edilen bir kurs:</p><p>( Financial Aid Available !!!)</p><p><a href="https://www.coursera.org/specializations/machine-learning-introduction">Machine Learning</a></p><p>3- Kaggle</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/846/1*vdNc_eV8fY9OxikxGW9nWg.png" /></figure><p>Kaggle’ı incelemesini önerdiğim bir arkadaşım, “ burada sadece çalışmalar paylaşılmış, bir şey öğretilmiyor “ diye dönüş yapıp beğenmemişti. Ta ki 10–15 gün sonra üzerinde çalıştığı problemle ilgili örnek çalışmaları inceleyip beğendiği kaynağı Kaggle’da paylaşılan bir çalışmada görene kadar.</p><p>Kaggle veri bilimcilerin çalışmalarını, yeni veri setlerini paylaştığı, çeşitli yarışmaların düzenlendiği ( ki bu yarışmalar para ödüllü ve ödüller 150000$ seviyelerine kadar çıkıyor ) bir platform. İstediğiniz hemen her konuda veri setleri ve çalışmalar bulabilirsiniz. Çalışmaları inceleyip, ne gibi yöntemler izlenmiş, neler yapılmış, daha fazla neler yapılabilir, nasıl geliştirilebilir gibi sorularla yeni yaklaşımlar sunabilirsiniz.</p><p><a href="https://www.kaggle.com/">Kaggle: The World&#39;s AI Proving Ground</a></p><p>4- Github</p><p><a href="https://github.com/">GitHub · Change is constant. GitHub keeps you ahead. · GitHub</a></p><p>“Github mı?? “ deyip hücuma geçenler beni linçlemeden açıklayayım. Evet Github. Github projelerimizi sakladığımız bir online depolama servisi. Ama bir yönü daha var. Girip araştırmak. Kaggle’da nasıl ki girip istediğimiz konuda, istediğimiz çalışmaları araştırıp, sorularımıza yanıt, fikirlerimize ilham kaynağı arıyorsak, Github’da da bunun olmaması için bir sebep yok. Repository ya da kısaca Repo yani çalışmalarımızı paylaşıp depoladığımız dizinler, tozlansın diye durmuyor yani orada. Girip incelemenin, kodları indirip üzerinde çalışmanın, forklamanın hiçbir zararı olmaz.</p><p>Aslında github’da bu alanda çalışmaya başladığım zamanlarda yararlandığım bir repo var. İşte linki. Ya o kadar güzel, tek tek sıralanmış ki, hepsini takip etsen, temel bilgileri alıyorsun zaten</p><p><a href="https://github.com/MrMimic/data-scientist-roadmap">GitHub - MrMimic/data-scientist-roadmap: Toturials coming with the &quot;data science roadmap&quot; picture.</a></p><p>Yol haritasını da görselleştirelim</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NGfYYTNes6WAZyeP2Dyizg.png" /></figure><p>Bunların dışında Udemy, EdX gibi platformlarda da çok farklı alanlarda çok farklı kurslar yer almakta. Peki sadece online eğitim platformları mı? Ücretsiz yararlanabileceğim kaynaklar yok mu? Elbette var. Cevap aslında tek kelime:</p><p>Evet doğru tahmin ettiniz. YOUTUBE</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*AnUb0j9A7-PxWK5B" /><figcaption>Photo by <a href="https://unsplash.com/@nordwood?utm_source=medium&amp;utm_medium=referral">NordWood Themes</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Youtube’da çok fazla sayıda kanal, çok fazla sayıda güzel yayınlar yapıyor. İşte benim de yararlandığım ve tavsiye ettiğim o kanallar:</p><p>· StatQuest with Josh Starmer</p><p>· Google Developers</p><p>· Real Python</p><p>· Data School</p><p>· Python Programmer</p><p>· TensorFlow</p><p>· 365 Data Science</p><p>· Ken Jee</p><p>· Python Engineer</p><p>Bunlar sadece bazıları, araştırdıktan sonra bulamamak gibi bir seçenek yok.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*zTXVW0_-66X7OnuS" /><figcaption>Photo by <a href="https://unsplash.com/@eilisgarvey?utm_source=medium&amp;utm_medium=referral">Eilis Garvey</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Youtube’dan öğrenmek yerine kaynak kitap önerisi isteyebilirsin. O zaman tavsiye edeceğim kitapları da paylaşıyorum:</p><ol><li>Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow (Aurelien Geron)</li></ol><p>( Kitap olarak çok yararlandığım kaynak )</p><p>2. The Elements of Statistical Learning — ( Hastie, Tibshirani, Friedman )</p><p>( Güzel haber. Kitabın pdf halinin linki mevcut )</p><p><a href="https://hastie.su.domains/Papers/ESLII.pdf">https://hastie.su.domains/Papers/ESLII.pdf</a></p><p>3. Data Science from Scratch: First Principles with Python 1st Edition</p><p>( Joel Grus )</p><p>Bu kadar bilgi paylaşımı, yol haritası gösterdikten sonra genel tavsiyemi şöyle belirteyim:</p><p>Özellikle 0:30–0:33 arası benim tavsiyemi içermektedir</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F8PjbS1U4fxE%3Fstart%3D30%26feature%3Doembed%26start%3D30&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D8PjbS1U4fxE&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F8PjbS1U4fxE%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/9d787052cc2acfbb7c09654d3f92bd93/href">https://medium.com/media/9d787052cc2acfbb7c09654d3f92bd93/href</a></iframe><p>Burada ilk paylaşımımı sonlandırıyorum. Buraya kadar okuduysan öncelikle hem tebrikler, hem de teşekkürler.</p><p>Bundan sonra veri bilimi ve özellikle makine öğrenimi alanlarında daha teknik paylaşımlarım olacak.</p><p>Bilgi almak isteyenler, sorusu olanlar için iletişim bilgilerim</p><p>Linkedin : <a href="https://tr.linkedin.com/in/kutluk-atalay/en">https://tr.linkedin.com/in/kutluk-atalay/en</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=90ae0f1de100" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>