<?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 Mehmet_ISIK on Medium]]></title>
        <description><![CDATA[Stories by Mehmet_ISIK on Medium]]></description>
        <link>https://medium.com/@mmehmetisik?source=rss-fd22278eae9------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*1f15lcnGkPwRBwiqdDC7-Q.jpeg</url>
            <title>Stories by Mehmet_ISIK on Medium</title>
            <link>https://medium.com/@mmehmetisik?source=rss-fd22278eae9------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 23:41:01 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mmehmetisik/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[LLM’ler Saha Mühendisliğinde Ne Kadar Başarılı? WWTP Engineering Benchmark Sonuçları]]></title>
            <link>https://medium.com/@mmehmetisik/llmler-saha-m%C3%BChendisli%C4%9Finde-ne-kadar-ba%C5%9Far%C4%B1l%C4%B1-wwtp-engineering-benchmark-sonu%C3%A7lar%C4%B1-24e11d58d6d0?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/24e11d58d6d0</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[engineering]]></category>
            <category><![CDATA[kaggle]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Fri, 19 Dec 2025 22:18:57 GMT</pubDate>
            <atom:updated>2025-12-19T22:20:54.491Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Atıksu arıtma tesisi mühendisliğinde yapay zeka modellerini test ettim. Sonuçlar ilginç.</em></p><h3>Giriş: Neden Bu Benchmark?</h3><p>Büyük dil modelleri (LLM’ler) artık kod yazıyor, makale üretiyor, matematik problemleri çözüyor. Peki ya gerçek dünya mühendislik problemlerinde ne kadar başarılılar?</p><p>Bu soruyu cevaplamak için bir benchmark oluşturdum</p><p><a href="https://www.kaggle.com/benchmarks/mehmetisik/wwtp-engineering-benchmark"><strong>WWTP Engineering Benchmark</strong></a></p><p><strong><em>WWTP = Wastewater Treatment Plant (Atıksu Arıtma Tesisi)</em></strong></p><p>10+ yıllık saha deneyimimden yola çıkarak, LLM’lerin <strong>ders kitaplarında yazmayan</strong> bilgileri test eden 10 senaryo hazırladım. Amaç basit: Modeller gerçek bir arıtma tesisinde çalışan mühendis gibi düşünebiliyor mu?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HQ-tKTI1R1DQiFgtTazyYw.png" /><figcaption><strong>Resim — 1: Benchmark Genel Bilgileri</strong></figcaption></figure><h3>Benchmark Nedir?</h3><p><strong>WWTP Engineering Benchmark</strong>, atıksu arıtma tesisi mühendisliğinde LLM yeteneklerini değerlendiren bir test süiti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/917/1*VGIG0sfRT-vh2HN-V0eqxA.png" /><figcaption><strong>Tablo — 1: Benchmark Genel Özeti</strong></figcaption></figure><p><strong>Testlerin özelliği:</strong> Her birinde bir “tuzak” var. Kitabi bilgiyle hareket eden modeller bu tuzağa düşüyor. Doğru cevap için saha deneyimi gerekiyor.</p><h3>10 Test Senaryosu</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*LV5SdLZumIBejFsH1sxFxg.png" /><figcaption><strong>Tablo — 2: 10 Test Senaryosu</strong></figcaption></figure><p><strong>Dikkat çeken:</strong> Kolay testlerde (Malzeme Seçimi, Numune Koruma) tüm modeller başarılı. Ama saha deneyimi gerektiren testlerde (Biyogaz, Yürüyüş Yolu) başarı oranı %11–28&#39;e düşüyor.</p><h3>En İlginç Bulgular</h3><h4>1. Biyogaz Tuzağı (Başarı: 2/18)</h4><p><strong>Senaryo:</strong> Biyolojik kükürt giderme ünitesi çökmüş. Bakteri popülasyonu yok olmuş. Tesis içindeki hangi kaynaktan bakteri alıp sistemi yeniden başlatırsınız?</p><p><strong>Seçenekler:</strong></p><ul><li>A) Son çökeltici çıkış suyu</li><li>B) Ön çökeltici çamuru</li><li>C) Havalandırma havuzu suyu</li><li>D) Aktif çamur</li><li>E) Anaerobik çürütücü çamuru</li></ul><p><strong>16 model ne dedi?</strong> “Aktif çamur” (D) — Çünkü bakteri çeşitliliği yüksek, kolay erişilebilir.</p><p><strong>Neden yanlış?</strong> Aktif çamur <strong>aerobik</strong> bakteriler içerir. Kükürt giderme ünitesi ise <strong>anaerobik</strong> ortamda çalışır. Aerobik bakteriler bu ortamda yaşayamaz.</p><p><strong>Doğru cevap:</strong> Anaerobik çürütücü çamuru (E). Kükürt oksitleyici bakteriler, H₂S’in üretildiği yerde bulunur — yani çürütücülerde.</p><p><strong>Ders:</strong> 16/18 model aerobik ve anaerobik proses farkını anlamamış. Bu hata gerçek bir tesiste tamamen başarısız bir müdahale demek.</p><h4>2. Yürüyüş Yolu Tuzağı (Başarı: 5/18)</h4><p><strong>Senaryo:</strong> Çürütücüler arasındaki yürüyüş yolu ızgaraları değiştirilecek. Yükseklik 15 metre. Ortamda H₂S ve metan var. Hangi malzeme seçilmeli?</p><p><strong>Seçenekler:</strong></p><ul><li>A) Galvanizli çelik</li><li>B) FRP (Fiber Takviyeli Plastik)</li><li>C) Paslanmaz çelik 316</li><li>D) PVC</li></ul><p><strong>13 model ne dedi?</strong> “FRP” — Çünkü korozyona dayanıklı ve hafif.</p><p><strong>Neden yanlış?</strong> FRP <strong>gevrek</strong> bir malzemedir. Uyarı vermeden aniden kırılır. 15 metre yükseklikte, üzerinde personel yürürken ani bir kırılma = ölümcül düşüş.</p><p><strong>Doğru cevap:</strong> Paslanmaz çelik 316 ©. Korozyona dayanıklı VE kırılmadan önce bükülür (uyarı verir).</p><p><strong>Ders:</strong> 13/18 model kimyasal dayanıklılığı optimize etti ama <strong>güvenlik</strong> faktörünü göz ardı etti. Mühendislikte insan hayatı her zaman önce gelir.</p><h3>Model Sıralaması (Top 10)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*N6257A9-IoWeN4iFUB6szg.png" /><figcaption><strong>Tablo — 3: Model Sıralaması (Top 10)</strong></figcaption></figure><p><strong>En düşük:</strong> DeepSeek-R1 (%10) — 4000+ token harcayıp yine yanlış cevap verdi.</p><h3>İlginç Gözlemler</h3><p><strong><em>Token Sayısı ≠ Başarı</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/456/1*IWQOdB2LkwFY9zhig7G0KQ.png" /><figcaption><strong>Tablo — 4: Token Sayısı vs Başarı</strong></figcaption></figure><p>DeepSeek-R1, diğer modellerden <strong>4–5 kat fazla</strong> token kullandı. Uzun uzun düşündü, akıl yürüttü. Ama sonuç? En düşük skor.</p><p><strong>Ders:</strong> Daha fazla düşünmek her zaman daha iyi cevap demek değil.</p><h3>Küçük Model Büyüğü Yendi</h3><p>Claude Sonnet 4 (%90) &gt; Claude Opus 4.5 (%80)</p><p>Daha büyük model her zaman daha iyi değil. Alan uzmanlığı gerektiren konularda model boyutu tek başına yeterli olmuyor.</p><h3>Sonuç</h3><p>Bu benchmark, LLM’lerin domain-spesifik mühendislik problemlerindeki performansını test etti. Bulgular:</p><ol><li><strong>Genel bilgi yeterli değil.</strong> Kolay sorularda %100 başarı, ama saha deneyimi gerektiren sorularda %11–28.</li><li><strong>Güvenlik körlüğü var.</strong> Modeller teknik optimizasyon yaparken güvenlik faktörünü atlıyor.</li><li><strong>Aerobik/anaerobik karışıklığı yaygın.</strong> Temel proses biyokimyası bile doğru anlaşılmıyor.</li><li><strong>Token ≠ Zeka.</strong> Daha uzun cevap, daha iyi cevap demek değil.</li></ol><p>LLM’ler hızla gelişiyor. Ama endüstriyel mühendislik gibi alanlarda henüz uzman insan bilgisinin yerini alamıyorlar.</p><p><strong>Katkı yapmak isterseniz:</strong> Benchmark açık kaynak. Yeni test önerileri, farklı model sonuçları veya geri bildirimler için aşağıda ki linklerden ulaşabilirsiniz.</p><h3>Kaynaklar</h3><p><strong>Benchmark’ı incelemek ve test etmek için:</strong></p><p><strong>Kaggle Benchmark:</strong></p><p><a href="https://www.kaggle.com/benchmarks/mehmetisik/wwtp-engineering-benchmark"><strong>https://www.kaggle.com/benchmarks/mehmetisik/wwtp-engineering-benchmark</strong></a></p><p><strong>GitHub (Detaylı Rapor):</strong></p><p><a href="https://github.com/mmehmetisik/wwtp-engineering-benchmark"><strong>https://github.com/mmehmetisik/wwtp-engineering-benchmark</strong></a></p><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=24e11d58d6d0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Groq API ile Text Generation: Streamlit Uygulaması Geliştirme]]></title>
            <link>https://medium.com/@mmehmetisik/groq-api-ile-text-generation-streamlit-uygulamas%C4%B1-geli%C5%9Ftirme-cbd703dbf791?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/cbd703dbf791</guid>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[streamlit]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Wed, 26 Nov 2025 05:54:35 GMT</pubDate>
            <atom:updated>2025-11-26T05:54:35.954Z</atom:updated>
            <content:encoded><![CDATA[<h3>İçindekiler</h3><p><strong>Giriş</strong></p><p><strong>1. Neden Bir AI Metin Üretim Stüdyosu Geliştirdim?</strong></p><p><strong>2. Proje Fikri: Ne Yapmak İstedim?</strong></p><p><strong>3. Teknoloji Seçimleri: Hangi Araçları Kullandım ve Neden?</strong></p><p><strong>4. Mimari Tasarım: Projeyi Nasıl Yapılandırdım?</strong></p><p><strong>5. Groq API ile Text Generation: Hız ve Kalite Bir Arada</strong></p><p><strong>6. Öne Çıkan Özellikler: Kullanıcıya Ne Sundum?</strong></p><p><strong>Sonuç</strong></p><h4>Giriş</h4><blockquote><strong>Hoş Geldiniz!</strong></blockquote><blockquote>İçerik üretimi her zamankinden daha önemli ama aynı zamanda daha yorucu. Her gün blog yazıları, ürün açıklamaları, e-postalar, sosyal medya paylaşımları… Liste uzayıp gidiyor. Hazır AI araçları kullanabilirsiniz elbette, ama peki ya bu teknolojinin nasıl çalıştığını merak ediyorsanız? Ya da kendi ihtiyaçlarınıza göre özelleştirilebilir bir araç istiyorsanız?</blockquote><blockquote>ChatGPT, Claude ve benzeri araçları kullanmak kolay. Prompt yazıyorsunuz, cevap alıyorsunuz. Ama perde arkasında neler oluyor? <strong>API</strong>’ye nasıl istek gönderiliyor? <strong>Tone </strong>ve <strong>uzunluk </strong>kontrolü nasıl sağlanıyor? Aynı konuda farklı varyasyonlar nasıl üretiliyor? İşte bu sorular beni harekete geçirdi.</blockquote><blockquote>Bu yazıda, <strong>Python </strong>ve <strong>Streamlit </strong>kullanarak geliştirdiğim AI Metin Üretim Stüdyosu’nu anlatacağım. <strong>Groq API</strong> ve <strong>Llama 3.1</strong> modeliyle nasıl hızlı metin üretimi yaptığımı, kullanıcıya beş farklı içerik tipi ve beş farklı ton seçeneği sunarak nasıl esneklik sağladığımı paylaşacağım. Hazır araçları kullanmak yerine kendi aracınızı geliştirmenin ne kadar öğretici olduğunu göreceksiniz.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*21aYrdsxvIf4scn3" /><figcaption><strong>Resim — 1: AI Text Generation Studio</strong></figcaption></figure><h4>1. Neden Bir AI Metin Üretim Stüdyosu Geliştirdim?</h4><p>Piyasada ChatGPT, Jasper, Copy.ai gibi güçlü araçlar var. Ama hazır araçları kullanmak yerine LLM teknolojisini kendi projemde uygulamak istedim. <strong>Groq API</strong>’yi keşfettiğimde hız konusunda etkilendim.<strong> Llama 3.1</strong> modeliyle saniyeler içinde kaliteli metinler üretebiliyordum. Bunu kullanıcı dostu bir arayüze dönüştürmek mantıklı geldi.</p><p>Projeyi geliştirirken odağım kullanıcıya esneklik sunmaktı. Sadece bir <strong>prompt </strong>kutusu yerine, beş farklı içerik tipi (<strong>blog, ürün açıklaması, sosyal medya, email, yaratıcı yazım</strong>), beş farklı ton seçeneği (<strong>profesyonel, samimi, resmi, yaratıcı, bilgilendirici</strong>) ve üç uzunluk kontrolü ile kullanıcı istediği metni tam istediği formatta üretebilsin istedim. Ayrıca aynı konuda birden fazla varyasyon görmek büyük avantaj sağlıyordu; bu özelliği de çoklu versiyon üretimi ile çözdüm.</p><p><strong>Streamlit </strong>ile arayüzü hızlıca geliştirdim ve <strong>session state</strong> sayesinde kullanıcının ürettiği tüm metinleri oturum boyunca sakladım. <strong>Sidebar </strong>üzerinden geçmişe erişim sağladım. Sonuçta elimde hem işlevsel hem de gerçekten kullanılabilir bir araç ortaya çıktı.</p><h4>2. Proje Fikri: Ne Yapmak İstedim?</h4><p>Projenin ana hedefi netti: farklı içerik ihtiyaçlarına cevap verebilen, esnek bir metin üretim aracı. Blog yazısı yazmak başka, ürün açıklaması hazırlamak başka, sosyal medya içeriği üretmek başka. Her birinin kendine özgü yapısı, uzunluğu ve tonu var. Bu yüzden beş farklı içerik tipini sistem <strong>prompt</strong>’larına gömdüm.</p><p>Ton kontrolü de kritikti. Aynı konu profesyonel bir dille de yazılabilir, samimi bir dille de. Kullanıcı bunu baştan seçebilsin istedim. Böylece <strong>API</strong>’ye gönderilen<strong> system prompt</strong> otomatik olarak şekilleniyor: “<strong><em>You are a professional content writer. Your task is to create Blog Post type content.</em></strong> <strong><em>Tone: Professional.</em></strong> <strong><em>Length: Must be between 300–500 words.</em></strong>”</p><p>Uzunluk kontrolü için üç seçenek tanımladım: Kısa (100–200 kelime), Orta (300–500 kelime), Uzun (600–1000 kelime). Bu aralıkları prompt içinde belirtince <strong>Llama 3.1</strong> modeli gayet başarılı şekilde bu sınırlara uyuyor. Üretilen metinlerin kelime sayısını gerçek zamanlı gösteren bir sayaç ekledim.</p><p>Çoklu versiyon üretimi özelliği de kullanıcı deneyimini güçlendirdi. Aynı konuda üç farklı varyasyon görebiliyorsunuz. Her birinde <strong>Groq API</strong>’nin <strong>temperature </strong>parametresi sayesinde farklı yaratıcılık seviyeleri deneniyor. Kullanıcı en beğendiğini seçiyor veya hepsini indirebiliyor.</p><h4>3. Teknoloji Seçimleri: Hangi Araçları Kullandım ve Neden?</h4><p><strong>Python </strong>zaten doğal seçimdi. <strong>LLM </strong>entegrasyonları için kütüphane desteği bol ve hızlı prototip geliştirmeye uygun. <strong>Streamlit</strong>’i tercih ettim çünkü Flask veya Django ile uğraşmak yerine birkaç satır kodla web arayüzü çıkartabiliyorsunuz. Sidebar, text_area, selectbox gibi componentler hazır, UI tasarımıyla vakit kaybetmiyorsunuz.</p><p>Kritik seçim <strong>Groq API</strong>’ydi. OpenAI da kullanabilirdim ama <strong>Groq’un inference</strong> hızı çok etkileyici ve ücretsizdi. <strong>Llama 3.1 70B</strong> modelini kullanıyor ve saniyeler içinde sonuç dönüyor. Üstelik ücretsiz <strong>tier </strong>yeterli geliyordu prototip aşamasında. Model olarak <strong>Llama 3.1</strong>&#39;i seçtim çünkü açık kaynak, Meta tarafından geliştirilmiş ve metin üretimi konusunda oldukça başarılı.</p><p><strong>API </strong>çağrılarında <strong>requests </strong>kütüphanesini kullandım. Bearer token <strong>authentication </strong>ile basit bir <strong>POST </strong>isteği yeterli oldu. <strong>Temperature </strong>parametresini 0.7&#39;de sabitledim; ne çok yaratıcı ne de çok deterministik, dengeli bir değer. Max tokens için 2000 limiti koydum, uzun metinler bile rahat sığıyor.</p><p><strong>python-dotenv</strong> ile <strong>API </strong>anahtarını <strong>.env</strong> dosyasında tutuyorum. Bu dosya .gitignore’a ekli, güvenlik açısından temel bir önlem.<strong><em> Kod içinde hardcoded API key kesinlikle yapmamanız gereken bir şey.</em></strong></p><h4>4. Mimari Tasarım: Projeyi Nasıl Yapılandırdım?</h4><p>Projeyi modüler bir yapıda kurguladım. Her dosya tek bir sorumluluğa sahip, bu da kodun bakımını ve geliştirilmesini kolaylaştırıyor.</p><p>ai-text-studio/<br>│<br>├── app.py # Ana Streamlit uygulaması<br>│<br>├── config/<br>│ └── settings.py # İçerik tipleri, ton seçenekleri, uzunluk ayarları<br>│<br>├── utils/<br>│ ├── api_handler.py # Groq API ile iletişim<br>│ ├── text_processor.py # Kelime sayma, metin temizleme<br>│ └── file_exporter.py # TXT kaydetme ve download hazırlama<br>│<br>└── assets/<br> └── style.css # Özel CSS stilleri</p><p>Ana uygulama olan <strong>app.py</strong>’de kullanıcı arayüzünü yönetiyorum. <strong>Streamlit </strong>componentlerini burada topluyorum: text_area, selectbox, radio buttons, number_input ve sidebar yapısı. Session state ile metin geçmişini saklıyorum, böylece kullanıcı oturum boyunca tüm ürettiği metinlere erişebiliyor.</p><p><strong>api_handler.py</strong> dosyasında <strong>Groq API</strong>’ye istek gönderen fonksiyon var. System prompt’u burada oluşturuyorum ve user prompt ile birleştiriyorum. Hata yönetimi de burada; API çağrısı başarısız olursa kullanıcıya anlamlı bir hata mesajı dönüyor.</p><p><strong>settings.py</strong> dosyası tüm sabit değerleri barındırıyor. İçerik tiplerini, ton seçeneklerini ve uzunluk aralıklarını dictionary yapısında tanımladım. Yeni bir içerik tipi eklemek istediğimde sadece bu dosyayı güncelliyorum, başka hiçbir yere dokunmam gerekmiyor.</p><h4>5. Groq API ile Text Generation: Hız ve Kalite Bir Arada</h4><p><strong>Groq API</strong>’nin kullanımı oldukça basit ama arkasındaki güç etkileyici. <strong>Llama 3.1</strong> modeliyle iletişim kurmak için standart OpenAI formatında bir POST isteği yeterli. İşte temel yapı:</p><p>headers = {<br> “Authorization”: f”Bearer {GROQ_API_KEY}”,<br> “Content-Type”: “application/json”<br>}</p><p>data = {<br> “model”: “llama-3.1–8b-instant”,<br> “messages”: [<br> {“role”: “system”, “content”: system_prompt},<br> {“role”: “user”, “content”: prompt}<br> ],<br> “temperature”: 0.7,<br> “max_tokens”: 2000<br>}</p><p>response = requests.post(GROQ_API_URL, headers=headers, json=data, timeout=30)</p><p>System prompt’u kullanıcının seçimlerine göre dinamik olarak oluşturuyorum. İçerik tipi, ton ve uzunluk bilgilerini burada belirliyorum: “Y<strong><em>ou are a professional content writer. Your task is to create Blog Post type content. Tone: Professional. Length: Must be between 300–500 words.</em></strong>” Bu sayede model rolünü ve görevini net bir şekilde anlıyor.</p><p><strong>Temperature </strong>parametresi 0.7&#39;de dengeli bir sonuç veriyor. Daha yaratıcı metinler için 0.9&#39;a çıkartabilirsiniz, daha tutarlı ve tahmin edilebilir sonuçlar için 0.5&#39;e düşürebilirsiniz. Ben ortayı seçtim çünkü hem yaratıcılık hem de tutarlılık istiyordum.</p><p><strong>Max tokens</strong> 2000 olarak ayarladım. <strong>Llama 3.1</strong> ile uzun metinler üretirken bile bu limit yeterli geliyor. API çağrısı ortalama 3–5 saniyede dönüyor, bu da kullanıcı deneyimi açısından oldukça iyi.</p><h4>6. Öne Çıkan Özellikler: Kullanıcıya Ne Sundum?</h4><p>Beş farklı içerik tipini sisteme entegre ettim: <strong><em>Blog Post</em></strong>, <strong><em>Product Description</em></strong>, <strong><em>Social Media</em></strong>, <strong><em>Email</em></strong> ve <strong><em>Creative Writing</em></strong>. Her birinin kendine özgü yapısal özellikleri var. Blog yazıları daha uzun ve SEO dostu, ürün açıklamaları kısa ve satış odaklı, sosyal medya içerikleri dikkat çekici ve engagement odaklı. Bu farkları system prompt’lara gömdüm, model her içerik tipine uygun yapıda metin üretiyor.</p><p>Ton kontrolü için beş seçenek sundum: <strong><em>Professional, Friendly, Formal, Creative</em></strong> ve <strong><em>Informative</em></strong>. Kullanıcı seçimini yaptığında, API’ye gönderilen prompt otomatik olarak bu tonu yansıtıyor. Örneğin “Friendly” seçildiğinde model daha samimi bir dil kullanıyor, “Formal” seçildiğinde ise kurumsal ve ciddi bir ton benimseniyor.</p><p>Çoklu versiyon üretimi özelliği çok işe yaradı. Kullanıcı aynı prompt için üç farklı varyasyon görebiliyor. Her versiyon ayrı bir API çağrısıyla üretiliyor ve yan yana gösteriliyor. Böylece kullanıcı en beğendiğini seçebiliyor veya üçünü de karşılaştırıp en iyisini alabiliyor.</p><p>Metin geçmişi özelliğini <strong><em>session state</em></strong> ile yaptım. Kullanıcının ürettiği her metin, prompt bilgisi, içerik tipi, ton ve uzunluk seçimleriyle birlikte kaydediliyor. Sidebar üzerinden bu geçmişe erişilebiliyor. Her metin için preview, tam metin görüntüleme ve indirme seçenekleri mevcut. Clear History butonu ile tek tıkla tüm geçmiş temizlenebiliyor.</p><p>Kelime sayısı takibi için text_processor modülündeki count_words fonksiyonunu kullandım. Her üretilen metin için gerçek zamanlı kelime sayısı gösteriliyor ve hedef aralıkla karşılaştırılıyor. Bu sayede kullanıcı metnin istediği uzunlukta olup olmadığını anında görebiliyor.</p><h4>Sonuç</h4><p>Bu projede <strong>Python</strong>, <strong>Streamlit</strong> ve <strong>Groq API</strong> kullanarak işlevsel bir AI metin üretim aracı geliştirdim. <strong>Llama 3.1</strong> modelinin hızı ve <strong>Groq API</strong>’nin performansı, kullanıcı deneyimini önemli ölçüde güçlendirdi. Beş içerik tipi, beş ton seçeneği ve üç uzunluk kontrolü ile kullanıcıya gerçek esneklik sundum.</p><p>LLM entegrasyonları artık karmaşık değil. API çağrısı yapmak, prompt engineering uygulamak ve sonuçları kullanıcı dostu bir arayüzde sunmak birkaç günlük iş. Modüler mimari sayesinde projeyi kolayca genişletebilir, yeni özellikler ekleyebilirsiniz. Örneğin farklı modeller (GPT-4, Claude, Gemini) eklemek veya dil desteği genişletmek oldukça basit.</p><p>Projenin tüm kaynak koduna <a href="https://github.com/mmehmetisik/ai-text-studio"><strong><em>GitHub</em></strong></a> üzerinden erişebilirsiniz. Kodu inceleyebilir, kendi ihtiyaçlarınıza göre özelleştirebilirsiniz. Streamlit’in deployment seçenekleri sayesinde projeyi Streamlit Cloud’a veya Hugging Face Spaces’e deploy etmek de mümkün.</p><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cbd703dbf791" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Hugging Face API ile Text-to-Image: Python ile AI Görsel Oluşturucu]]></title>
            <link>https://medium.com/@mmehmetisik/hugging-face-api-ile-text-to-image-python-ile-ai-g%C3%B6rsel-olu%C5%9Fturucu-dddec6836c65?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/dddec6836c65</guid>
            <category><![CDATA[stable-diffusion]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[hugging-face]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[streamlit]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Mon, 24 Nov 2025 12:54:22 GMT</pubDate>
            <atom:updated>2025-11-24T12:54:22.268Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>İçindekiler</strong></p><p><strong>Giriş</strong></p><ol><li><strong>Neden Bir AI Görsel Oluşturucu Geliştirdim?</strong></li><li><strong>Proje Fikri: Ne Yapmak İstedim?</strong></li><li><strong>Teknoloji Seçimleri: Hangi Araçları Kullandım ve Neden?</strong></li><li><strong>Mimari Tasarım: Projeyi Nasıl Yapılandırdım?</strong></li><li><strong>Hugging Face ile Text-to-Image: Sihir Nasıl Gerçekleşiyor?</strong></li><li><strong>Öne Çıkan Özellikler: Kullanıcıya Ne Sundum?</strong></li></ol><p><strong>6.1. Stil Seçenekleri ile Sanatsal Özgürlük</strong></p><p><strong>6.2. Negatif Prompt Desteği</strong></p><p><strong>6.3. Gelişmiş Parametre Kontrolü</strong></p><p><strong>6.4. Çoklu Görsel Üretimi</strong></p><p><strong>6.5. Galeri Sistemi ve Toplu İndirme</strong></p><p><strong>Sonuç</strong></p><h3><strong>Giriş</strong></h3><blockquote><strong>Hoş Geldiniz!</strong></blockquote><blockquote>Bir akşam, bilgisayar başında oturmuş sosyal medya için bir görsel arıyorsunuz. Kafanızda net bir resim var: “<strong>Gün batımında, turuncu ve mor bulutların altında, deniz kenarında oturan yalnız bir kedi.</strong>” Stok fotoğraf sitelerini tarıyorsunuz ama ya kedinin rengi yanlış, ya bulutlar istediğiniz gibi değil, ya da telif ücreti bütçenizi aşıyor. Tasarımcıya brief hazırlayıp günlerce beklemeniz gerekiyor. Sonra aklınıza bir şey geliyor: “<strong>Ya bu görseli ben üretebilsem?</strong>” Bir metin kutusu açıyorsunuz, hayalinizdeki sahneyi yazıyorsunuz ve üç saniye sonra karşınızda tam istediğiniz gibi bir görsel beliriyor. Üstelik dört farklı varyasyonu var, yağlı boya stilinde de isteyebiliyorsunuz, anime tarzında da. Hem de ücretsiz bir şekilde.</blockquote><blockquote>Bu artık bir hayal değil. <strong>Stable Diffusion</strong>, <strong>FLUX</strong>, <strong>DALL-E</strong> gibi modeller sayesinde metin yazmak, görsel üretmek kadar kolay hale geldi. Peki ya bu gücü kendi ellerinizle kontrol edebileceğiniz bir araç geliştirseniz? Sadece hazır uygulamaları kullanmak yerine, perde arkasında neler döndüğünü anlasanız ve kendi AI görsel üreticinizi sıfırdan inşa etseniz?</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6mNWZUsNRVlwao9aVGeJyQ.png" /><figcaption><strong>Resim — 1: AI Image Generator</strong></figcaption></figure><h4>1. Neden Bir AI Görsel Oluşturucu Geliştirdim?</h4><p>İşte bu yazıda tam olarak bunu anlatacağım. <strong>Python</strong>, <strong>Streamlit </strong>ve <strong>Hugging Face API</strong> kullanarak nasıl bir “AI Görsel Oluşturucu” geliştirdiğimi, bu süreçte hangi teknolojileri öğrendiğimi ve text-to-image modellerinin sihri arkasında neler yattığını adım adım paylaşacağım. Hazırsanız, başlayalım.</p><h4><strong>2. Proje Fikri: Ne Yapmak İstedim?</strong></h4><p>Piyasada <strong><em>DALL-E</em></strong>, <strong><em>Midjourney</em></strong>, <strong><em>Leonardo AI</em></strong> gibi harika araçlar var. Bunları kullanmak son derece kolay: prompt yazıyorsunuz, görsel geliyor. Peki ya sadece tüketici olmak yerine, bu teknolojinin nasıl çalıştığını anlamak ve kendi aracınızı geliştirmek isterseniz?</p><p>Bu projeye başlarken kafamda birkaç net hedef vardı. İlk olarak, <strong><em>Hugging Face</em></strong> ekosistemini gerçek bir proje üzerinde öğrenmek istiyordum. <strong><em>Hugging</em> <em>Face</em></strong>, yapay zeka dünyasının <strong><em>GitHub</em></strong>’ı gibi düşünülebilir; binlerce açık kaynak model barındırıyor ve bunlara API üzerinden erişim sağlıyor. İkinci olarak, <strong><em>text-to-image</em></strong> teknolojisinin perde arkasını merak ediyordum. Bir prompt yazdığımızda model ne yapıyor? Rastgele gürültüden nasıl anlamlı bir görsel ortaya çıkıyor? Bu soruların cevabını kod yazarak bulmak istedim.</p><p>Kullanıcı deneyimi açısından ise şöyle bir senaryo hayal ettim: Kullanıcı uygulamayı açıyor, aklındaki görseli birkaç cümleyle tarif ediyor, isterse “<strong><em>bulanık, bozuk, düşük kalite</em></strong>” gibi istemediği şeyleri belirtiyor. Ardından bir stil seçiyor; belki <strong><em>fotogerçekçi </em></strong>bir görünüm istiyor, belki <strong><em>yağlı boya</em></strong> tablo estetiği, belki de <strong><em>anime </em></strong>tarzı. Boyutu ayarlıyor, butona basıyor ve saniyeler içinde hayalindeki görsel karşısında beliriyor. Beğenmezse aynı prompt ile farklı varyasyonlar üretebiliyor, beğendiklerini galeriye kaydedip toplu olarak indirebiliyor.</p><p>Kısacası, hem öğrenme odaklı hem de gerçekten kullanılabilir bir uygulama ortaya koymak istedim. Şimdi bu hayali gerçeğe dönüştürmek için hangi teknolojileri seçtiğime bakalım.</p><h4><strong>3. Teknoloji Seçimleri: Hangi Araçları Kullandım ve Neden?</strong></h4><p>Bir proje geliştirirken en kritik kararlardan biri doğru araçları seçmektir. Yanlış teknoloji seçimi, projeyi karmaşıklaştırabilir veya gereksiz yere zorlaştırabilir. Ben bu projede “<strong><em>basitlik</em></strong>” ve “<strong><em>öğrenme kolaylığı</em></strong>” ilkelerini ön planda tuttum. İşte kullandığım teknolojiler ve bunları tercih etme sebeplerim.</p><p><strong>Python</strong> bu projenin temel dili oldu. Yapay zeka ve veri bilimi dünyasının <strong><em>lingua franca</em></strong>’sı olan <strong>Python</strong>, hem okunabilirliği hem de zengin kütüphane ekosistemi sayesinde bu tür projeler için ideal bir seçim. Üstelik <strong><em>Hugging Face</em></strong>’in resmi kütüphaneleri de <strong>Python </strong>üzerine kurulu.</p><p><strong>Streamlit</strong> ise web arayüzü için tercihim oldu. Flask veya Django gibi framework’lerle uğraşmak yerine, <strong><em>Streamlit </em></strong>sayesinde sadece <strong>Python </strong>kodu yazarak profesyonel görünümlü bir web uygulaması oluşturdum. Birkaç satır kodla butonlar, sliderlar, dosya yükleyiciler ve görsel gösterimi hallettim. Prototipten ürüne geçiş hiç bu kadar hızlı olmamıştı.</p><p><strong>Hugging Face Inference API</strong> projenin kalbi. Normalde <strong><em>Stable Diffusion</em></strong> veya <strong><em>FLUX </em></strong>gibi modelleri çalıştırmak için güçlü <strong><em>GPU</em></strong>’lara ve karmaşık kurulum süreçlerine ihtiyaç duyarsınız. <strong><em>Hugging Face</em></strong> bu yükü ortadan kaldırıyor; modeller bulutta çalışıyor, siz sadece <strong>API </strong>üzerinden istek gönderiyorsunuz. Ücretsiz <strong><em>tier </em></strong>ile başlamak mümkün, bu da öğrenme aşamasında büyük bir avantaj.</p><p><strong>Pillow (PIL)</strong> görsel işleme operasyonları için vazgeçilmez oldu. Üretilen görselleri kaydetmek, boyutlandırmak, <strong><em>thumbnail </em></strong>oluşturmak ve format dönüştürmek gibi işlemleri bu kütüphane ile hallettim. <strong>Python</strong>’un görsel işleme konusundaki en olgun kütüphanesi olması tercih sebebimdi.</p><p>Son olarak <strong>python-dotenv</strong> ile <strong><em>API </em></strong>anahtarlarını güvenli bir şekilde yönettim. Hassas bilgileri kod içinde yazmak yerine <strong><em>.env</em></strong> dosyasında tutmak, hem güvenlik hem de profesyonel yazılım geliştirme pratikleri açısından önemli bir alışkanlık.</p><h4>4. Mimari Tasarım: Projeyi Nasıl Yapılandırdım?</h4><p>ai-image-generator/<br>│<br>├── app.py # Ana uygulama — tüm parçaları birleştirir<br>│<br>├── config/<br>│ ├── settings.py # API anahtarları ve genel ayarlar<br>│ └── style_presets.py # 10 farklı sanat stili tanımı<br>│<br>├── utils/<br>│ ├── hf_api_handler.py # Hugging Face ile iletişim<br>│ ├── image_processor.py # Görsel işleme fonksiyonları<br>│ ├── gallery_manager.py # Galeri ve ZIP yönetimi<br>│ └── logger.py # Loglama sistemi<br>│<br>└── assets/<br> └── style.css # Özel arayüz stilleri</p><p>Bu yapının arkasındaki felsefe “<strong><em>Separation of Concerns</em></strong>” yani “<strong><em>Sorumlulukların Ayrılması</em></strong>” prensibi. Her dosya tek bir işten sorumlu. <strong>API </strong>ile konuşmak mı istiyorsun? <strong><em>hf_api_handler.py</em></strong> dosyasına git. Görsel boyutlandırmak mı lazım? <strong><em>image_processor.py</em></strong> seni bekliyor. Yeni bir stil mi ekleyeceksin? Sadece <strong><em>style_presets.py</em></strong> dosyasını aç, başka hiçbir yere dokunmana gerek yok.</p><p>Bu yaklaşımın en büyük avantajı bakım kolaylığı. Altı ay sonra projeye döndüğümde neyin nerede olduğunu hemen anlayabiliyorum. Ayrıca bir modülde hata olduğunda sadece o modüle odaklanmak yetiyor, tüm projeyi didiklemek gerekmiyor.</p><p>Bir diğer avantaj ise yeniden kullanılabilirlik. Örneğin <strong><em>image_processor.py</em></strong> dosyasındaki fonksiyonları başka bir projede de rahatlıkla kullanabilirim. Çünkü bu modül bağımsız çalışıyor, projenin geri kalanına sıkı sıkıya bağlı değil.</p><h4><strong>5. Hugging Face ile Text-to-Image: Sihir Nasıl Gerçekleşiyor?</strong></h4><p>“<strong><em>Gün batımında sahilde oturan bir kedi</em></strong>” yazıyorsunuz ve birkaç saniye sonra tam da bunu gösteren bir görsel beliriyor. Peki bu sihir nasıl gerçekleşiyor? Gelin perde arkasına birlikte bakalım.</p><p><strong><em>Text-to-image</em></strong> modelleri “<strong><em>diffusion</em></strong>” (<strong><em>yayılım</em></strong>) adı verilen bir teknik kullanıyor. Süreç şöyle işliyor: Model, tamamen rastgele gürültüden (karıncalanma gibi düşünün) başlıyor. Sonra adım adım bu gürültüyü temizliyor, her adımda görsel biraz daha netleşiyor. Ama rastgele bir şey değil bu; model, sizin yazdığınız prompt’u “anlıyor” ve gürültüyü o yöne doğru şekillendiriyor. 25–50 adım sonra ortaya anlamlı bir görsel çıkıyor.</p><p>Bu projede <strong><em>Hugging Face</em></strong>’in <strong><em>InferenceClient</em></strong>’ını kullandım. Bu araç, karmaşık API çağrılarını birkaç satır koda indirgeyerek işimi çok kolaylaştırdı. İşte temel kullanım:</p><p>from huggingface_hub import InferenceClient</p><p>client = InferenceClient(token=”API_ANAHTARINIZ”)</p><p>image = client.text_to_image(<br> prompt=”Gün batımında sahilde oturan bir kedi”,<br> model=”black-forest-labs/FLUX.1-dev”,<br> width=512,<br> height=512,<br> num_inference_steps=25,<br> guidance_scale=7.5<br>)</p><p>Buradaki parametrelerin her birinin önemli bir rolü var. <strong><em>num_inference_steps</em></strong> modelin kaç adımda gürültüyü temizleyeceğini belirler; daha fazla adım daha kaliteli ama daha yavaş sonuç demek. <strong><em>guidance_scale</em></strong> ise modelin prompt&#39;a ne kadar sadık kalacağını kontrol eder. Düşük değerlerde model daha yaratıcı davranır ama <strong><em>prompt</em></strong>&#39;tan sapabilir, yüksek değerlerde ise <strong><em>prompt</em></strong>&#39;a sıkı sıkıya bağlı kalır.</p><p>Model olarak <strong><em>Black Forest Labs</em></strong>’ın <strong><em>FLUX.1-dev</em></strong> modelini tercih ettim. Bu model hem kaliteli sonuçlar üretiyor hem de <strong><em>Hugging Face</em></strong>’in ücretsiz <strong><em>tier</em></strong>’ında kullanılabiliyor. Alternatif olarak FLUX.1-schnell (daha hızlı ama biraz daha düşük kalite) ve Stable Diffusion XL modellerini de yedek olarak ekledim. Böylece bir model çalışmazsa sistem otomatik olarak diğerine geçiyor.</p><h4><strong>6. Öne Çıkan Özellikler: Kullanıcıya Ne Sundum?</strong></h4><p>Bir görsel üretici uygulaması yapmak kolay; tek bir <strong>input </strong>alıp <strong>API</strong>’ye gönderirsiniz, sonucu gösterirsiniz. Ama gerçekten kullanışlı bir araç ortaya koymak için kullanıcı deneyimini düşünmek gerekiyor. Bu projede sadece “<strong><em>çalışan</em></strong>” değil, “<strong><em>kullanmaktan keyif alınan</em></strong>” bir uygulama hedefledim. İşte öne çıkan özellikler.</p><p><strong>6.1. Stil Seçenekleri ile Sanatsal Özgürlük</strong></p><p>Kullanıcı aynı <strong><em>prompt</em></strong>’u farklı sanat tarzlarında üretebiliyor. <strong><em>Fotogerçekçi</em></strong>, <strong><em>dijital sanat</em></strong>, <strong><em>yağlı boya</em></strong>, <strong><em>suluboya</em></strong>, <strong><em>çizgi roman</em></strong>, <strong><em>anime</em></strong>, <strong><em>minimalist</em></strong>, <strong><em>soyut</em></strong>, <strong><em>3D render</em></strong> ve <strong><em>eskiz </em></strong>olmak üzere on farklı stil tanımladım. Her stil, <strong><em>prompt</em></strong>’a otomatik olarak eklenen özel anahtar kelimeler içeriyor. Örneğin “Anime” stilini seçtiğinizde <strong><em>prompt</em></strong>’unuza “<strong><em>anime style</em></strong>, <strong><em>manga</em></strong>, <strong><em>japanese animation</em></strong>, <strong><em>vibrant</em></strong>, <strong><em>detailed eyes</em></strong>” gibi terimler ekleniyor. Bu sayede kullanıcının prompt mühendisliği bilmesine gerek kalmıyor.</p><p><strong>6.2. Negatif Prompt Desteği</strong></p><p>Bazen ne istediğinizi söylemek yetmez, ne istemediğinizi de belirtmeniz gerekir. <strong><em>Negatif prompt</em></strong> özelliği tam da bunu sağlıyor. “<strong><em>Bulanık, bozuk</em></strong>, <strong><em>düşük kalite</em></strong>, <strong><em>çirkin</em></strong>” gibi istenmeyen öğeleri belirttiğinizde model bunlardan kaçınmaya çalışıyor. Her stil için varsayılan <strong><em>negatif prompt</em></strong>’lar da tanımladım; böylece kullanıcı hiçbir şey yazmasa bile temel kalite korumaları devrede oluyor.</p><p><strong>6.3. Gelişmiş Parametre Kontrolü</strong></p><p>İleri düzey kullanıcılar için <strong><em>inference steps</em></strong>, <strong><em>guidance scale</em></strong> ve <strong><em>seed </em></strong>değerlerini ayarlama imkanı sundum. <strong><em>Inference steps</em></strong> görsel kalitesini, <strong><em>guidance scale</em></strong> prompt’a sadakati kontrol ediyor. <strong><em>Seed </em></strong>değeri ise aynı görseli tekrar üretmek isteyenler için vazgeçilmez; aynı <strong><em>prompt </em></strong>ve aynı <strong><em>seed</em></strong> ile birebir aynı sonucu alabiliyorsunuz.</p><p><strong>6.4. Çoklu Görsel Üretimi</strong></p><p>AI görsel üretiminin doğası gereği her seferinde farklı sonuçlar çıkıyor. Bu özelliği avantaja çevirdim: kullanıcı tek seferde dört farklı varyasyon üretebiliyor. Her biri farklı <strong><em>seed </em></strong>değeriyle oluşturuluyor ve kullanıcı en beğendiğini seçebiliyor. <strong><em>Midjourney</em></strong>’deki <strong><em>grid </em></strong>sistemine benzer bir deneyim sunuyor bu özellik.</p><p><strong>6.5. Galeri Sistemi ve Toplu İndirme</strong></p><p>Üretilen görseller oturum boyunca bir galeride saklanıyor. Kullanıcı önceki üretimlerini görebiliyor, karşılaştırabiliyor ve istediğini indirebiliyor. Tekli PNG indirme seçeneğinin yanı sıra tüm görselleri tek bir ZIP dosyası olarak indirme özelliği de ekledim. ZIP dosyasının içine hangi prompt ve parametrelerle üretildiğini anlatan bir metadata dosyası da ekleniyor.</p><h4><strong>Sonuç</strong></h4><p>Bu yazıda, Python, Streamlit ve Hugging Face API kullanarak nasıl bir AI Görsel Oluşturucu geliştirdiğimi adım adım anlattım. Gördüğünüz gibi, Generative AI araçları geliştirmek artık sadece büyük şirketlerin veya araştırma laboratuvarlarının tekelinde değil. Doğru araçlar ve biraz merakla, siz de kendi yapay zeka uygulamalarınızı geliştirebilirsiniz.</p><p>Hazır API’leri kullanmak, sıfırdan model eğitmekten çok daha erişilebilir ve öğretici bir yol. Üstelik sonunda elinizde somut, çalışan bir ürün oluyor; bu da hem motivasyon hem de portföy açısından büyük bir avantaj. Hugging Face’te binlerce açık kaynak model sizi bekliyor; text-to-image, text-to-speech, summarization, translation ve daha fazlası.</p><p>Projenin tüm kaynak koduna <a href="https://github.com/mmehmetisik/ai-text-to-image-generator"><strong><em>GitHub</em></strong> </a>üzerinden erişebilirsiniz. Kodu inceleyin, forklayın, üzerine yeni özellikler ekleyin. Sorularınız veya önerileriniz varsa bana ulaşmaktan çekinmeyin.</p><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dddec6836c65" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI 101: GAN’lardan Büyük Dil Modellerine Yolculuk]]></title>
            <link>https://medium.com/@mmehmetisik/generative-ai-101-ganlardan-b%C3%BCy%C3%BCk-dil-modellerine-yolculuk-9af3b010aa0b?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/9af3b010aa0b</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[generative-ai-tools]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Tue, 18 Nov 2025 06:37:43 GMT</pubDate>
            <atom:updated>2025-11-18T06:37:43.756Z</atom:updated>
            <content:encoded><![CDATA[<h3>İçindekiler</h3><p><strong>1. Giriş</strong></p><ul><li>1.1. Üretken mi, Ayırt Edici mi?</li><li>1.2. Peki Bu Araçlar Nasıl Çalışır?</li><li>1.3. Nerede Kullanıyoruz ve Hangi Sorunları Çözüyor?</li><li>1.4. Neden Şimdi?</li></ul><p><strong>2. Çekişmeli Üretici Ağlar (GANs)</strong></p><ul><li>2.1. Generator: Sanatçı Sahtekar</li><li>2.2. Discriminator: Kusursuz Dedektif</li><li>2.3. Eğitim Süreci: Sonsuz Bir Yarış</li><li>2.4. GAN’ların Parlak Tarafı</li><li>2.5. Ama Her Şey Bu Kadar Parlak Değil</li></ul><p><strong>3. Difüzyon Modelleri: Gürültüden Sanata</strong></p><ul><li>3.1. GANs’ın Ötesinde: Yeni Bir Görsel Üretim Yaklaşımı</li><li>3.2. Doğadan Gelen İlham: Termodinamik ve Difüzyon</li><li>3.3. İleriye Doğru: Görüntüden Gürültüye</li><li>3.4. Geriye Doğru: Gürültüden Görüntüye</li><li>3.5. Latent Diffusion: Stable Diffusion’ın Sırrı</li><li>3.6. GANs vs Diffusion: Hangisi Daha İyi?</li><li>3.7. Difüzyon Modellerinin Gücü ve Sınırları</li></ul><p><strong>4. Transformer Mimarisi</strong></p><ul><li>4.1. Dil İşlemenin Yeni Dönemi</li><li>4.2. Sekans Dönüşümü: Girdi’den Çıktı’ya</li><li>4.3. Attention Mekanizması: Her Kelime Diğerlerine Bakıyor</li><li>4.4. Encoder ve Decoder: İki Güçlü Blok</li><li>4.5. Paralel İşleme Devrimi</li><li>4.6. Modeli Evcilleştirmek: Fine-tuning ve RLHF</li><li>4.7. Güçlü Ama Mükemmel Değil</li></ul><p><strong>5. Büyük Dil Modelleri (LLMs)</strong></p><ul><li>5.1. Transformer’dan LLM’lere: Dev Modellerin Yükselişi</li><li>5.2. GPT: Üç Harfin Ardındaki Büyük Resim</li><li>5.3. Pre-Training: Dev Bir Kütüphanede Öğrenmek</li><li>5.4. Canavarı Evcilleştirmek: Fine-Tuning ve RLHF</li><li>5.5. Ticari Modeller ve Açık Kaynak Dünyası</li><li>5.6. Dil Modelleri Sözlüğü: Temel Kavramlar</li></ul><p><strong>6. Token, Tokenization, Bağlam Penceresi ve Parametreler</strong></p><ul><li>6.1. Sözlükten Derinliklere: Temel Yapı Taşlarını Anlamak</li><li>6.2. Token ve Tokenization: Kelimeleri Parçalara Ayırmak</li><li>6.3. Tokenization Stratejileri ve Diller Arası Farklar</li><li>6.4. Bağlam Penceresi: Modelin Hafızası</li><li>6.5. Bağlam Penceresi Yönetimi ve Model Seçimi</li><li>6.6. Parametreler: Modelin Beyni</li><li>6.7. Parametre Sayısı ve Model Performansı</li></ul><p><strong>7. Modellerin Karşılaştırılması ve Ölçeklendirme İlkeleri</strong></p><ul><li>7.1. Hangi Modeli Seçmeliyim? Büyüyen Bir Ekosistemin İçinde Kaybolmamak</li><li>7.2. 2025&#39;in Önde Gelen Modelleri: Kısa Bir Tur</li><li>7.3. Benchmark’lar: Modelleri Nasıl Karşılaştırıyoruz?</li><li>7.4. Ölçeklendirme İlkeleri: Büyüklük Herşey midir?</li><li>7.5. PetaFLOP ve Chinchilla Yasası: Optimal Denge Arayışı</li><li>7.6. Dünya Modeli: LLM’ler Gerçekliği Ne Kadar Anlıyor?</li><li>7.7. LLM’lerin Güçlü Yönleri ve Kullanım Alanları</li><li>7.8. Sınırlılıklar ve Dikkat Edilmesi Gerekenler</li></ul><h3>1.Giriş</h3><blockquote><strong>Hoş Geldiniz!</strong></blockquote><blockquote>Bir pazartesi sabahı, ofiste kahvenizi yudumlarken bir e-posta alıyorsunuz. Müşteri, ürün katalogundaki tüm görsellerin yeniden tasarlanmasını istiyor ve bütçe kısıtlı. Normalde böyle bir iş için bir tasarım ajansıyla haftalarca çalışmanız, stok görselleri taramanız ya da fotoğrafçı tutmanız gerekir. Ama bu sefer farklı bir şey deniyorsunuz: DALL-E’yi açıp “minimalist bir ofis ortamında modern laptop kullanan profesyonel bir kadın, doğal ışık, 4K” yazıyorsunuz. Üç saniye sonra karşınızda birbirinden farklı dört görsel var. Ya da şöyle düşünün: ChatGPT’ye “Bu rapordaki Q3 hedef satış rakamını bul ve yanlış oysa doğru cevabı söyle” diyorsunuz. Model, hemen cevap veriyor. Sanki bir yıllardır yanınızda çalışan deneyimli bir asistan gibi.</blockquote><blockquote>Peki bu “sihir” nasıl gerçekleşiyor? Bu araçlar sadece internetten kopyala-yapıştır mı yapıyor, yoksa gerçekten bir şeyler “üretiyor” mu? Ve en önemlisi, bu teknolojiler klasik yapay zeka sistemlerinden ne kadar farklı? Bu yazıda, yapay zekanın en heyecan verici dallarından biri olan <strong>Generative AI’ın</strong> <strong>(Üretken Yapay Zeka) </strong>temellerini keşfedeceğiz. <strong>GAN</strong>’lardan <strong>Transformer </strong>mimarisine, büyük dil modellerinden parametrelerin sırrına kadar adım adım ilerleyeceğiz. Amacımız, bu teknolojilerin nasıl çalıştığını anlamak ve arkasındaki matematiği biraz olsun açığa çıkarmak. Hazırsanız, başlayalım.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/781/1*HGjvzO5jqToDJ62QA3xm0A.png" /><figcaption><strong>Resim — 1: Generative AI 101</strong></figcaption></figure><h4><strong>1.1. Üretken mi, Ayırt Edici mi?</strong></h4><p>Yapay zeka dünyasında iki büyük yaklaşım var. İlki, <strong>klasik yapay zeka</strong> veya teknik adıyla <strong>discriminative AI</strong> <strong>(ayırt edici yapay zeka)</strong>. Bu sistemler, elimizdeki veriyi analiz eder, sınıflandırır ve tahminler yapar. Örneğin bir spam filtresi, gelen e-postaya bakıp “bu spam mi, değil mi?” diye karar verir. Bir görüntü tanıma modeli, kedileri köpeklerden ayırır. Yani bu modellerin işi, var olan veriyi anlamak ve doğru kategorilere ayırmak. Oysa <strong>generative AI</strong> <strong>(üretken yapay zeka)</strong> bundan çok daha farklı bir işlev görür. Bu sistemler sadece analiz etmekle kalmaz, sıfırdan yeni içerik üretir. Bir metin yazabilir, bir resim çizebilir, müzik besteleyebilir veya kod yazabilir. <strong>Discriminative modeller “bu nedir?”</strong> sorusuna cevap verirken, <strong>Generative modeller “yeni bir tane nasıl yaratırım?”</strong> sorusuna yanıt arar.</p><h4><strong>1.2. Peki Bu Araçlar Nasıl Çalışır?</strong></h4><p>Üretken yapay zekanın arkasında yatan temel mantık, büyük miktarda veriyi inceleyerek örüntüleri öğrenmek ve bu örüntülerden hareketle yeni örnekler üretmek. Düşünün ki modele milyonlarca resim gösteriyorsunuz. Model, bir kedinin kulakları nasıl durur, gözleri nerede konumlanır, tüyleri hangi dokularda olur gibi detayları öğrenir. Sonra sizden “beyaz bir kedi çiz” dediğinizde, öğrendiği bu örüntüleri birleştirerek tamamen yeni bir görsel yaratır. Aynı mantık metin için de geçerlidir. Büyük dil modelleri, milyarlarca cümle okur ve dilin nasıl işlediğini kavrar. Hangi kelimeden sonra hangi kelime gelir, bir paragraf nasıl yapılandırılır, sorulara nasıl cevap verilir gibi bilgileri özümser. Bu yazının ilerleyen bölümlerinde bu sürecin detaylarına, özellikle <strong>GAN</strong>’ların ve <strong>Transformer</strong> mimarisinin nasıl çalıştığına derinlemesine bakacağız.</p><h4><strong>1.3. Nerede Kullanıyoruz ve Hangi Sorunları Çözüyor?</strong></h4><p><strong>Generative AI</strong>’ın kullanım alanları artık neredeyse sınırsız. İçerik üretiminden yazılım geliştirmeye, tasarımdan müşteri hizmetlerine kadar her yerde karşımıza çıkıyor. Bir pazarlama ekibi, sosyal medya gönderileri için binlerce varyasyon üretebiliyor. Bir yazılımcı, kodunun hatalarını bulup düzeltiyor veya yeni özellikler ekliyor. Bir mimarlık ofisi, konsept tasarımlarını saniyeler içinde görselleştiriyor. Peki bu araçlar hangi sorunları çözüyor? En başta, yaratıcı süreçlerdeki zaman ve maliyet engellerini aşıyor. Eskiden günler süren işler, artık dakikalar içinde halledilebiliyor. Ayrıca, bilgiye erişimi demokratikleştiriyor. Profesyonel bir tasarımcı olmadan görsel üretebilir, programlama bilmeden kod yazabilir veya çeviri yapabilirsiniz. Elbette burada bir soruyu da sormak gerekiyor: bu kadar güçlü bir teknoloji, aynı zamanda hangi riskleri ve etik sorunları beraberinde getiriyor? Bu soruya da yazının sonunda değineceğiz.</p><h4><strong>1.4. Neden Şimdi?</strong></h4><p>Belki de en ilginç soru bu: üretken yapay zeka fikri yeni değil, o halde neden son birkaç yılda bu kadar patlama yaşandı? Bunun ardında üç büyük faktör var. Birincisi, <strong>veri</strong>. İnternetin yaygınlaşmasıyla birlikte milyarlarca metin, görsel ve ses kaydına erişim sağlandı. İkincisi, <strong>hesaplama gücü</strong>. <strong>GPU</strong>’ların ve bulut bilişimin gelişmesiyle, dev modelleri eğitmek mümkün hale geldi. Üçüncüsü ise, <strong>algoritmik atılımlar</strong>. Özellikle <strong>Transformer</strong> mimarisinin keşfi, doğal dil işleme alanında devrim yarattı. Tüm bu faktörler bir araya gelince, Claude, GPT-4, Gemini gibi milyonlarca kelimelik hafızaya sahip modellerin ortaya çıkması kaçınılmaz oldu. Bu modellerin metinlerdeki garip bir davranışı keşfettiler: kritik bilgi başta veya sondayken çok başarılıyken, aynı bilgi tam ortasında açık açık yazsa bile performans düşüyordu. Araştırmacılar buna “<a href="https://medium.com/@mmehmetisik/lost-in-the-middle-llmlerin-hat%C4%B1rlama-sorunu-9bfd2fc10ee2"><strong>Lost in the Middle</strong></a>” (Ortada Kaybolma) adını verdiler. Daha da ilginç olan, bazı durumlarda modelin doğru cevabı bulma şansı, rastgele tahmin etmekten bile daha kötü oluyordu.</p><h3>2. Çekişmeli Üretici Ağlar (GANs)</h3><h4><strong>İki Yapay Zeka, Tek Arena</strong></h4><p>2014 yılında <strong><em>Ian Goodfellow</em></strong> ve ekibi, yapay zeka tarihinde devrim yaratacak bir fikir ortaya attı: peki ya iki yapay zekayı birbirine karşı yarıştırsak? Bu basit ama deha gibi fikir, <strong>Generative Adversarial Networks (Çekişmeli Üretici Ağlar)</strong> ya da kısaca<strong> GAN</strong>’ların doğuşuna yol açtı. <strong>GAN</strong>’ların temel mantığı şu: bir yapay zeka sahte veri üretmeye çalışırken, diğer yapay zeka bunun gerçek mi sahte mi olduğunu anlamaya çalışır. Tıpkı bir sahtekârla polis arasındaki kedi-fare oyunu gibi. Bu sürekli rekabet, her iki tarafı da geliştirirken sonunda olağanüstü gerçekçi veriler ortaya çıkar. <strong>GAN</strong>’lar sayesinde bugün hiç var olmayan insan yüzleri, sanat eserleri, hatta müzikler üretebiliyoruz.</p><h4><strong>2.1. Generator: Sanatçı Sahtekar</strong></h4><p><strong>GAN</strong> mimarisinin kalbinde iki ayrı sinir ağı var. İlki, <strong>Generator</strong> yani Üretici. <strong><em>Bu ağın görevi, hiçbir şeyden bir şey yaratmak.</em></strong> Nasıl mı? Rastgele sayılardan oluşan bir gürültü kümesi alıyor ve bunları anlamlı veriye dönüştürüyor. Düşünün ki elinizde sadece televizyon karıncalanması var ve siz bundan bir yüz portresi çıkarmanız gerekiyor. <strong>Generator</strong> tam olarak bunu yapıyor. İlk başta ürettiği şeyler tamamen saçma sapan oluyor, ama zamanla öğreniyor. Eğer kedi resimleri üretmeyi öğreniyorsa, binlerce gerçek kedi fotoğrafının örüntülerini analiz etmiş olan karşı oyuncusunu kandırmaya çalışıyor. Her denemede biraz daha iyi oluyor, tıpkı bir sahtekârın sahte para basmayı zamanla mükemmelleştirmesi gibi.</p><h4><strong>2.2. Discriminator: Kusursuz Dedektif</strong></h4><p>Karşı tarafta ise <strong>Discriminator</strong> yani <strong>Ayırt Edici</strong> var. Bu ağın tek bir işi var: <strong><em>kendisine gösterilen verinin gerçek mi yoksa </em>Generator<em> tarafından üretilmiş sahte mi olduğunu anlamak.</em></strong> Eğitimin başında gerçek veri örnekleri gösteriliyor ve bunları tanımayı öğreniyor. Sonra <strong>Generator</strong>’ın ürettiği sahte örnekler geliyor. <strong>Discriminator</strong> her birini inceliyor ve karar veriyor. Gerçek bir kedi fotoğrafına “gerçek”, <strong>Generator</strong>’ın çizdiği garip kediye “sahte” diyor. <strong><em>Ama işin güzel tarafı şu: </em>Discriminator<em> her hata yaptığında, hem kendisi hem de </em>Generator<em> geribildirim alıyor. </em>Discriminator</strong> daha iyi ayırt etmeyi öğrenirken, <strong>Generator</strong> da nasıl daha inandırıcı olacağını öğreniyor. Bu sürekli geribildirim döngüsü, ikisini de mükemmelleştiriyor.</p><h4><strong>2.3. Eğitim Süreci: Sonsuz Bir Yarış</strong></h4><p><strong>GAN</strong>’ların eğitimi aslında büyüleyici bir dans gibi. İlk adımda, <strong>Generator</strong> rastgele gürültüden bir görsel üretiyor. Diyelim ki belirsiz, bulanık bir şekil. Bu görsel <strong>Discriminator</strong>’a gidiyor ve <strong>Discriminator</strong> “bu kesinlikle sahte” diyor. Bu geribildirim <strong>Generator</strong>’a geri dönüyor ve <strong>Generator</strong> parametrelerini güncelliyor. Bir sonraki denemede biraz daha iyi bir şey üretiyor. <strong>Discriminator</strong> yine tespit ediyor ama bu sefer biraz daha zorlanıyor. Bu böyle devam ediyor. Binlerce, hatta milyonlarca <strong>iterasyon</strong> sonunda <strong>Generator</strong> o kadar iyi hale geliyor ki, <strong>Discriminator</strong> artık gerçek ile sahteyi ayırt edemez hale geliyor. İşte tam bu noktada, elimizde mükemmel bir üretici model var demektir. <strong>Discriminator</strong>’ın artık şans eseri tahmin etmesi, <strong>Generator</strong>’ın başarıya ulaştığının işareti.</p><h4><strong>2.4. GAN’ların Parlak Tarafı</strong></h4><p><strong>GAN</strong>’ların getirdiği avantajlar gerçekten etkileyici. İlk olarak, çok yüksek kalitede ve gerçekçi veri örnekleri üretebiliyorlar. Sentetik insan yüzlerinden sanat eserlerine, mimari tasarımlardan moda tasarımlarına kadar geniş bir yelpazede kullanılıyorlar. Ayrıca, denetimli ve yarı-denetimli öğrenme senaryolarında da çok faydalılar. Örneğin, elinizde az sayıda etiketli veri varsa, <strong>GAN</strong>’lar sentetik veri üreterek veri setinizi zenginleştirebilir. Özellikle görsel ve video içerik üretiminde inanılmaz başarılı olmaları, onları yaratıcı endüstrilerin gözdesi haline getirdi. Bir tasarımcı, <strong>GAN</strong> kullanarak yüzlerce ürün prototipi oluşturabilir. Bir oyun geliştiricisi, sayısız karakter yüzü üretebilir. Tıp alanında ise, sentetik hasta verileri üreterek gizlilik sorunlarını aşabilir ve modelleri eğitmek için daha fazla veriye sahip olabilirsiniz.</p><h4><strong>2.5. Ama Her Şey Bu Kadar Parlak Değil</strong></h4><p><strong>GAN</strong>’ların sınırlılıkları da yok değil. En büyük sorunlardan biri, eğitim süreçlerinin oldukça karmaşık ve hataya açık olması. Çok büyük veri kümeleri ve ciddi işlem gücüne ihtiyaç duyuyorlar. Bir <strong>GAN </strong>modelini eğitmek, günler hatta haftalar sürebiliyor ve çok fazla GPU kaynağı gerektiriyor. Ayrıca, eğitim süreci her zaman istikrarlı değil. Bazen <strong>Generator</strong> çok hızlı öğrenip <strong>Discriminator</strong>’ı geride bırakabiliyor, bazen de tam tersi oluyor. Bu dengesizlik, modelin hiç öğrenememesine yol açabiliyor. Bir diğer ciddi problem ise sentetik görüntü üretimindeki etik sorunlar. <strong>Deepfake </strong>teknolojisi, <strong>GAN</strong>’ların kötüye kullanımının en bilinen örneği. Var olmayan insanların fotoğraflarını üretmek veya gerçek insanların yüzlerini manipüle etmek, ciddi mahremiyet ve güvenlik sorunları yaratıyor. Sahte haberler, kimlik hırsızlığı ve sahtekârlık gibi tehlikeler, <strong>GAN</strong>’ların karanlık yüzünü oluşturuyor. Bu yüzden, bu teknolojileri kullanırken etik sınırları gözetmek ve sorumlu davranmak kritik önem taşıyor.</p><h3>3. Difüzyon Modelleri: Gürültüden Sanata</h3><h4><strong>3.1. GANs’ın Ötesinde: Yeni Bir Görsel Üretim Yaklaşımı</strong></h4><p>Bir önceki bölümde <strong>GANs</strong>’ların nasıl çalıştığını, <strong>Generator </strong>ve <strong>Discriminator</strong>’ın nasıl birbirine karşı yarıştığını görmüştük. Ancak <strong>GAN</strong>’ların bir sorunu vardı: eğitim süreci oldukça hassas ve dengesizdi. İki rakip ağ arasındaki denge bozulduğunda model hiç öğrenemeyebiliyordu. İşte tam bu noktada,<strong><em> 2015 yılında Sohl-Dickstein ve ekibi</em></strong> tamamen farklı bir yaklaşım önerdi: <strong>Difüzyon Modelleri</strong>. Bu modeller, yarışma yerine kademeli bir dönüşüm sürecine dayanıyordu. Bugün Midjourney, Stable Diffusion ve DALL-E gibi araçların arkasında yatan teknoloji işte bu difüzyon mekanizmasıdır. Bir metinden görsel üretmek istediğinizde, model aslında rastgele gürültüden başlayıp adım adım o gürültüyü anlamlı bir görüntüye dönüştürüyor. Peki bu süreç nasıl işliyor ve neden bu kadar etkili? Gelin birlikte bakalım.</p><h4><strong>3.2. Doğadan Gelen İlham: Termodinamik ve Difüzyon</strong></h4><p><strong>Difüzyon </strong>modellerinin arkasındaki fikir, aslında fizikten ödünç alınmış. Termodinamikte difüzyon, parçacıkların yüksek yoğunluktan düşük yoğunluğa doğru yayılması sürecidir. Örneğin, bir bardak suya damla mürekkep damlatırsanız, mürekkep başlangıçta bir noktada yoğunlaşmıştır ama zamanla tüm suya yayılır ve homojen bir karışım oluşur. İşte <strong>difüzyon </strong>modelleri de benzer bir mantıkla çalışıyor. Bir görüntüyü alıp ona kademeli olarak gürültü ekleyerek tamamen rastgele bir gürültü paterni haline getiriyorlar. Bu sürece “<strong>forward diffusion</strong>” yani ileriye doğru <strong>difüzyon </strong>deniyor. Sonra da, bu süreci tersine çevirerek, gürültüden tekrar anlamlı bir görüntü elde ediyorlar. Bu ikinci sürece de “<strong>reverse diffusion</strong>” yani geriye doğru <strong>difüzyon </strong>deniyor. Bu yaklaşımın güzelliği şu: <strong>GAN</strong>’ların aksine, burada rakip bir ağ yok. Sadece, gürültüyü adım adım temizlemeyi öğrenen tek bir model var.</p><h4><strong>3.3. İleriye Doğru: Görüntüden Gürültüye</strong></h4><p><strong>Forward diffusion</strong> süreci oldukça basit. Elinizde bir görüntü var, diyelim ki bir kedi fotoğrafı. Model, bu görüntüye küçük küçük <em>Gaussian </em>(<strong>normal dağılımlı</strong>) gürültü ekliyor. <strong>Gaussian </strong>gürültü, <strong>ortalaması 0 </strong>ve <strong>varyansı 1 </strong>olan rastgele sayılardan oluşuyor. Yani bazı piksellere pozitif, bazılarına negatif küçük değerler ekleniyor. İlk adımda görüntü hala çok net, sadece hafif bir bulanıklık var. İkinci adımda biraz daha gürültü ekleniyor, görüntü daha da bulanıklaşıyor. Bu böyle devam ediyor. Her adımda bir önceki adımın çıktısı alınıp üzerine yeni gürültü ekleniyor. Bu sürece <strong>Markov chain</strong> deniyor çünkü her adım sadece bir önceki adıma bağlı, daha önceki adımlara bakmıyor. Yeterince adım sonra, orijinal görüntüden hiçbir iz kalmıyor ve elinizde tamamen rastgele bir gürültü paterni kalıyor. Bu süreç deterministik, yani her seferinde aynı şekilde çalışıyor. Şimdi asıl sihir, bu süreci tersine çevirmeyi öğrenmekte.</p><h4><strong>3.4. Geriye Doğru: Gürültüden Görüntüye</strong></h4><p><strong>Reverse diffusion</strong> süreci, <strong>forward </strong>sürecinin tersi. Elinizdeki rastgele gürültüyü alıp, adım adım temizleyerek anlamlı bir görüntü elde etmeye çalışıyorsunuz. Ama burada bir sorun var: gürültüden görüntüye dönüşüm deterministik değil, yani tek bir doğru yol yok. O rastgele gürültüden milyonlarca farklı görüntü üretilebilir. İşte burada derin öğrenme devreye giriyor. Model, <strong>forward </strong>sürecini izleyerek eğitiliyor. Milyonlarca görüntü alınıyor ve her birine <strong>forward diffusion</strong> uygulanıyor. Model, her adımda eklenen gürültüyü tahmin etmeyi öğreniyor. Eğer model hangi gürültünün eklendiğini bilirse, o gürültüyü çıkararak bir önceki adıma geri dönebilir. Eğitim tamamlandığında, model tamamen rastgele bir gürültü alıp, onu adım adım temizleyerek gerçekçi bir görüntü üretebiliyor. Ve en güzel tarafı, her seferinde farklı bir rastgele gürültü başlangıç noktası kullanılabildiği için, sonsuz çeşitlilikte yeni görüntüler üretilebiliyor.</p><h4><strong>3.5. Latent Diffusion: Stable Diffusion’ın Sırrı</strong></h4><p><strong>2021 yılında Rombach ve ekibi</strong>, <strong>difüzyon </strong>modellerine önemli bir iyileştirme getirdi: <strong>Latent Diffusion</strong>. Klasik <strong>difüzyon </strong>modelleri doğrudan piksel uzayında çalışıyordu. Yani 1024x1024 piksellik bir görüntü üzerinde milyonlarca pikseli tek tek işliyordu. Bu hem çok yavaş hem de çok fazla bellek gerektiriyordu. <strong>Latent Diffusion</strong> ise şöyle çalışıyor: önce görüntü, bir <strong>encoder </strong>ile daha küçük bir “<strong>latent space</strong>” yani gizli uzaya sıkıştırılıyor. Bu uzay, görüntünün özünü içeriyor ama çok daha küçük boyutlu. Örneğin 1024x1024 piksel yerine 128x128 boyutunda bir temsil. <strong>Difüzyon </strong>süreci bu küçük uzayda gerçekleşiyor. Sonra, elde edilen sonuç bir <strong>decoder </strong>ile tekrar orijinal boyutlara geri dönüştürülüyor. Bu yaklaşım, hem hızı hem de bellek verimliliğini muazzam artırdı. <strong>Stable Diffusion</strong> modeli tam olarak bu <strong>Latent Diffusion</strong> yaklaşımını kullanıyor. Bu sayede, güçlü bir <strong>GPU</strong>’ya sahip olmayan kullanıcılar bile kendi bilgisayarlarında görsel üretebiliyorlar.</p><h4><strong>3.6. GANs vs Diffusion: Hangisi Daha İyi?</strong></h4><p>Şimdi <strong>GANs</strong> ile <strong>Diffusion </strong>modellerini karşılaştıralım. Görsel kalitesi açısından, her iki yaklaşım da olağanüstü gerçekçi görüntüler üretebiliyor. Ancak <strong>difüzyon </strong>modelleri, daha fazla çeşitlilik ve farklı türlerde görüntüler üretme konusunda genellikle <strong>GANs</strong>’tan daha iyi. Ayrıca metin girdilerinden yola çıkarak gerçekçi görseller sentezleyebiliyorlar ve bu da görüntü işleme görevlerinde büyük avantaj sağlıyor. Eğitim süreci açısından ise <strong>difüzyon </strong>modelleri çok daha stabildir. <strong>GANs</strong>’larda <strong>Generator </strong>ve <strong>Discriminator </strong>arasındaki denge çok hassastır ve eğitim sıklıkla başarısız olabilir. <strong>Difüzyon </strong>modellerinde böyle bir sorun yok, eğitim çok daha öngörülebilir ve güvenilir. Eğitim verisi gereksinimi konusunda da <strong>difüzyon </strong>modelleri biraz daha avantajlı.<strong> GANs</strong>’lar çok büyük ve çeşitli veri setlerine ihtiyaç duyarken, <strong>difüzyon </strong>modelleri nispeten daha az veriyle de iyi sonuçlar verebiliyor. Ancak üretim hızı konusunda <strong>GANs</strong>’lar öne çıkıyor. Bir <strong>GAN</strong>, tek adımda bir görüntü üretirken, difüzyon modelleri yüzlerce hatta binlerce adım gerektiriyor. Bu, gerçek zamanlı uygulamalarda <strong>difüzyon </strong>modellerini dezavantajlı hale getiriyor. Son olarak, çıktı üzerinde kontrole sahip olma açısından <strong>difüzyon </strong>modelleri daha iyidir. Sürecin hangi adımında olduğunuzu kontrol edebilir ve ara sonuçlara müdahale edebilirsiniz.</p><h4><strong>3.7. Difüzyon Modellerinin Gücü ve Sınırları</strong></h4><p><strong>Difüzyon </strong>modellerinin en büyük gücü, yüksek kalitede ve farklı türlerde görüntü sentezleyebilmeleridir. Sanatsal amaçlı görüntü üretiminden hızlı prototipleme süreçlerine, molekül keşfi ve ilaç tasarımından medikal görüntüleme ve tanıya kadar geniş bir kullanım alanı var. Özellikle Midjourney ve Stable Diffusion gibi araçlar, yaratıcı sektörlerde devrim yarattı. Bir tasarımcı, saniyeler içinde onlarca farklı konsept görseli üretebiliyor. Bir oyun geliştiricisi, karakter ve çevre tasarımları için sonsuz varyasyon elde edebiliyor. Ancak sınırlılıkları da var. Yeni örnekler üretirken <strong>GANs</strong>’ların aksine çok fazla geçiş uygulandığı için yüksek işlem gücü gerektirir. Çıktı kalitesi ve eğitim veri setinin niteliklerine doğrudan bağlıdır, yani kötü kalitede veriyle eğitilmiş bir model kötü sonuçlar üretir. Yeni bir yöntem olmasından ötürü, halen araştırmaya açık yönleri mevcuttur. Örneğin, <strong>difüzyon</strong> sürecini daha da hızlandırmak için yeni teknikler geliştirilmeye devam ediliyor. Ayrıca <strong>GAN</strong>’larda olduğu gibi, etik sorunlar burada da geçerli. <strong>Deepfake </strong>benzeri içerikler üretilebilir, telif hakları ihlal edilebilir ve yanlış bilgi yayılabilir. Bu yüzden bu teknolojileri kullanırken sorumluluk ve şeffaflık şart.</p><h3>4. Transformer Mimarisi</h3><h4><strong>4.1. Dil İşlemenin Yeni Dönemi</strong></h4><p><strong>Transformer</strong>’lar ortaya çıkmadan önce, doğal dil işleme alanında üç temel mimari hakimdi: <strong>RNN (Recurrent Neural Networks)</strong>, <strong>CNN (Convolutional Neural Networks)</strong> ve <strong>LSTM (Long Short-Term Memory Networks)</strong>. Bu modeller başarılıydı ama ciddi kısıtlamaları vardı. <strong>RNN</strong>’ler ve <strong>LSTM</strong>’ler, bir cümleyi kelime kelime, sırayla işlemek zorundaydı. Yani “Çocuk annesiyle konuşunca parka gitmekten vazgeçti” cümlesinde, modelin “vazgeçti” kelimesine ulaşabilmesi için önce tüm diğer kelimeleri tek tek işlemesi gerekiyordu. Bu sıralı işlem hem yavaştı hem de uzun metinlerde bellek sorunlarına yol açıyordu. Model, cümlenin başındaki bilgileri sonuna geldiğinde unutabiliyordu. <strong>CNN</strong>’ler ise görüntü işlemede çok başarılıydı ama dilin doğasına tam uymuyordu. Eğitim süreçleri karmaşıktı ve uzun veri sekanslarında bağlamı takip etmek zordu. <strong><em>2017 yılında Google</em></strong>’dan bir grup araştırmacı, bu sorunlara radikal bir çözüm önerdi: “<strong>Attention is All You Need</strong>” başlıklı makalede <strong>Transformer </strong>mimarisini tanıttılar. Bu mimari, tüm oyunu değiştirdi.</p><h4><strong>4.2. Sekans Dönüşümü: Girdi’den Çıktı’ya</strong></h4><p><strong>Transformer</strong>’ların temel görevi, bir <strong>sekansı </strong>başka bir <strong>sekansa </strong>dönüştürmek. <strong>Sekans</strong>, <strong><em>basitçe sıralı veri demek</em></strong>. Bir cümle, bir kelimeler dizisi, bir müzik notaları serisi ya da bir zaman serisi verisi olabilir. Örneğin, makine çevirisini düşünün. İngilizce “Hello World, I am a generative AI developer” cümlesini alıyorsunuz ve Türkçe “Merhaba Dünya, ben bir üretken yapay zeka geliştiricisiyim” çıktısını üretmeniz gerekiyor. İşte <strong>Transformer </strong>tam olarak bunu yapıyor: <strong><em>bir girdi sekansını alıp, onu anlıyor ve hedef dilde bir çıktı sekansı üretiyor.</em></strong> Ama bu sadece çeviri için değil. Bir soru sorduğunuzda cevap üretmek, bir metin özetlemek, kod yazmak, hatta görsel açıklamaları metne dönüştürmek de <strong>sekans </strong>dönüşümü işidir. <strong>Transformer</strong>’ın <strong><em>gücü, bu dönüşümü yaparken tüm kelimeleri aynı anda işleyebilmesinden geliyor.</em></strong> <strong>RNN</strong>’lerin aksine, cümlenin sonunu beklemeden tüm cümleyi bir bütün olarak görebiliyor.</p><h4><strong>4.3. Attention Mekanizması: Her Kelime Diğerlerine Bakıyor</strong></h4><p><strong>Transformer</strong>’ın kalbinde “<strong>Self-Attention</strong>” <strong>(Öz-Dikkat) </strong>mekanizması var. Bu mekanizma, <strong><em>bir cümledeki her kelimenin diğer tüm kelimelere “bakmasını” ve aralarındaki ilişkileri anlamasını sağlıyor.</em></strong> Şu örneği düşünün: “Çocuk annesiyle konuşunca parka gitmekten vazgeçti çünkü o evde kalmalıydı.” Bu cümlede “o” zamiri kime işaret ediyor? Çocuğa mı, anneye mi? İnsan olarak bağlamdan anlıyoruz ki “o” muhtemelen anneyi kastediyor. İşte <strong>Self-Attention</strong> mekanizması da tam bunu yapıyor. “o” kelimesi, cümledeki tüm diğer kelimelere bakıyor ve hangi kelimeyle daha güçlü bir bağlantısı olduğunu hesaplıyor. “annesiyle” kelimesine olan bağlantının daha güçlü olduğunu fark ediyor ve anlamı çıkarıyor. Bu sayede model, sadece kelimeleri okumakla kalmıyor, aralarındaki anlamsal ilişkileri de çözümlüyor. Her kelime, diğer kelimelerle olan ilişkisine göre ağırlıklandırılıyor ve böylece bağlam korunuyor.</p><h4><strong>4.4. Encoder ve Decoder: İki Güçlü Blok</strong></h4><p><strong>Transformer</strong> mimarisi iki ana bölümden oluşuyor: <strong>Encoder (Kodlayıcı)</strong> ve <strong>Decoder (Kod Çözücü)</strong>. <strong>Encoder</strong>, girdi <strong>sekansını </strong>alıp onu zengin bir temsil haline dönüştürüyor. Örneğin, “Hello World” cümlesini alıyor ve bu cümlenin anlamını, bağlamını ve yapısını içeren matematiksel bir temsil oluşturuyor. <strong>Decoder </strong>ise, bu temsili kullanarak çıktı <strong>sekansını </strong>adım adım üretiyor. Peki bu kelimeler nasıl sayılara dönüşüyor? İşte burada “<strong>Embeddings</strong>” devreye giriyor. Her kelime, yüksek boyutlu bir vektöre çevriliyor. <strong><em>Örneğin, “kedi” kelimesi belki 512 boyutlu bir sayı dizisine dönüşüyor</em></strong> ve bu dizi, kelimenin anlamını temsil ediyor. Ama burada bir sorun var: <strong>Transformer </strong>tüm kelimeleri aynı anda işlediği için, kelimelerin sırasını nasıl hatırlıyor?<strong><em> Cevap: Positional Encoding (Konumsal Kodlama).</em></strong> Modele her kelimenin cümledeki konumu hakkında ekstra bilgi ekleniyor. Böylece “Çocuk parka gitti” ile “Parka çocuk gitti” arasındaki farkı anlayabiliyor.</p><h4><strong>4.5. Paralel İşleme Devrimi</strong></h4><p><strong>RNN </strong>ve <strong>LSTM</strong>’lerin en büyük sorunu, kelimeleri sırayla işlemek zorunda olmalarıydı. Bu, hem eğitimi yavaşlatıyordu hem de <strong>GPU</strong>’ların paralel işleme gücünden tam olarak yararlanmayı engelliyordu. <strong>Transformer </strong>bu sorunu tamamen ortadan kaldırdı. Tüm kelimeleri aynı anda, paralel olarak işleyebiliyor. Düşünün ki 100 kelimelik bir cümleniz var. <strong>RNN </strong>bu cümleyi 100 adımda işlerken, <strong>Transformer </strong>tüm kelimeleri aynı anda işleyebiliyor. Bu muazzam bir hız avantajı sağlıyor. Modern <strong>GPU</strong>’lar binlerce işlemi paralel olarak yapabildiği için, <strong>Transformer </strong>mimarisi bu donanımı maksimum verimle kullanabiliyor. Bu sayede, eskiden aylar süren model eğitimleri, haftalar hatta günlere iniyor. Ayrıca, veri kümeleri içindeki bağlantıları ve ilişkileri yerel bağlamın ötesinde takip edebiliyor. Yani sadece yan yana olan kelimelere değil, cümlenin başındaki bir kelimeyle sonundaki bir kelime arasındaki ilişkiye de bakabiliyor.</p><h4><strong>4.6. Modeli Evcilleştirmek: Fine-tuning ve RLHF</strong></h4><p><strong>Transformer </strong>mimarisini kullanan büyük modeller ilk eğitildiklerinde, ham ve “<strong>evcilleştirilmemiş</strong>” durumdalar. Milyarlarca kelime okumuşlar ama nasıl davranmaları gerektiğini tam olarak bilmiyorlar. İşte burada “Fine-tuning” (İnce Ayar) ve “RLHF” (Reinforcement Learning with Human Feedback — İnsan Geribildirimi ile Pekiştirmeli Öğrenme) devreye giriyor. Fine-tuning, modelin belirli bir göreve özel olarak yeniden eğitilmesidir. Örneğin, genel bir dil modelini tıbbi metinler üzerinde eğiterek tıbbi bir asistana dönüştürebilirsiniz. <strong>RLHF </strong>ise daha ilginç bir süreç. Modelin ürettiği çıktılara insanlar puan veriyor. Hangi cevaplar daha yararlı, daha doğru, daha etik? Bu geribildirimlere dayanarak model, insan tercihlerini öğreniyor ve zamanla daha uygun, daha güvenli ve daha faydalı cevaplar üretmeyi öğreniyor. Bu sürece “<strong>Taming the Monster</strong>” (<strong>Canavarı Evcilleştirmek)</strong> de deniyor. Sonuçta elinizde, ham bilgiyle dolu ama kontrol edilebilir, kullanışlı bir model kalıyor.</p><h4><strong>4.7. Güçlü Ama Mükemmel Değil</strong></h4><p><strong>Transformer</strong>’ların getirdiği avantajlar açık. Veri kümesi içindeki bağlantıları geniş ölçekte takip edebiliyorlar, paralel işlem sayesinde hızlılar ve doğal dil işleme alanında inanılmaz başarılar elde ediyorlar. Günümüzde GPT, Claude, Gemini gibi tüm büyük dil modelleri <strong>Transformer </strong>mimarisine dayanıyor. Ayrıca sadece metinle sınırlı değiller. Görüntü işleme, ses tanıma ve hatta çoklu modal (görsel + metin) uygulamalarda da kullanılıyorlar. Ama her teknoloji gibi, <strong>Transformer</strong>’ların da sınırları var. <strong><em>Eğitim süreci olağanüstü düzeyde işlem gücüne ihtiyaç duyuyor.</em></strong> Milyarlarca parametreyle çalışan modelleri eğitmek, büyük veri kümeleri ve güçlü sunucular gerektiriyor. Bellek kapasitesindeki sınırlar, çok uzun sekansların işlenmesini zorlaştırıyor. Ayrıca, sentetik görüntü üretimi gibi alanlarda <strong>GAN</strong>’lar kadar başarılı olmayabiliyorlar. Ve tabii ki, etik sorunlar da var. Bu modeller eğitildikleri verilerden öğrendikleri için, eğer veri seti önyargılı veya yanlış bilgi içeriyorsa, model de bu sorunları yansıtabiliyor. Yine de, <strong>Transformer</strong>’lar modern yapay zekanın temel taşlarından biri ve önümüzdeki yıllarda da evrim geçirmeye devam edecekler.</p><h3>5. Büyük Dil Modelleri (LLMs)</h3><h4><strong>5.1. Transformer’dan LLM’lere: Dev Modellerin Yükselişi</strong></h4><p>Bir önceki bölümde <strong>Transformer </strong>mimarisinin nasıl çalıştığını, <strong>attention </strong>mekanizmasının gücünü ve paralel işleme yeteneğini gördük. Peki bu mimariyi alıp milyarlarca parametre ile eğitirsek ne olur? İşte o zaman karşımıza <strong>Large Language Models (Büyük Dil Modelleri)</strong> ya da kısaca <strong>LLM</strong>’ler çıkıyor. Bu modeller, <strong>Transformer</strong>’ın sunduğu temel yapıyı kullanarak insan dilini anlamak ve üretmek konusunda şimdiye kadar görülmemiş bir başarıya ulaştı. <strong>ChatGPT</strong> ile bir sohbet ettiğinizde, <strong>Claude</strong>’dan bir kod yazmasını istediğinizde veya <strong>Gemini</strong>’ye bir belge özetlettiğinizde, aslında bir <strong>LLM </strong>ile etkileşim halinde oluyorsunuz. Bu modeller sadece metin üretmekle kalmıyor, aynı zamanda anlıyor, yorumluyor, çeviriyor, özetliyor ve hatta yaratıcı içerik üretiyor. Peki bu muazzam yetenek nasıl ortaya çıkıyor? Gelin bu sürecin detaylarına bakalım.</p><h4><strong>5.2. GPT: Üç Harfin Ardındaki Büyük Resim</strong></h4><p><strong>GPT</strong> kısaltması, aslında büyük dil modellerinin çalışma mantığını çok güzel özetliyor. <strong><em>G harfi “Generative”</em></strong> yani Üretken anlamına geliyor. Hatırlarsanız giriş bölümünde <strong>discriminative</strong> ve <strong>generative</strong> yapay zeka arasındaki farktan bahsetmiştik. <strong>GPT</strong> modelleri, yeni içerik sentezleyen, sıfırdan metin üreten <strong>generative </strong>modeller kategorisindeler. <strong>P harfi ise “Pre-trained”</strong> yani <strong>Ön-Eğitimli </strong>demek. Bu modeller, kullanıma sunulmadan önce dev veri setleri üzerinde eğitiliyorlar. Son harf <strong>T ise “Transformer”</strong> yani dikkat mekanizmasına sahip mimari. Bir önceki bölümde detaylıca incelediğimiz <strong>Transformer</strong> yapısı, <strong>GPT </strong>modellerinin temel iskeletini oluşturuyor. Bu üç bileşen bir araya geldiğinde ortaya çıkan şey, gerçekten etkileyici. Modele bir cümlenin başını veriyorsunuz ve model, öğrendiği dil örüntülerinden yararlanarak cümleyi mantıklı ve akıcı bir şekilde tamamlıyor. Ama bu sadece basit cümle tamamlama değil. Karmaşık soruları yanıtlayabiliyor, yaratıcı hikayeler yazabiliyor, kod üretebiliyor ve hatta mantıksal çıkarımlar yapabiliyor.</p><h4><strong>5.3. Pre-Training: Dev Bir Kütüphanede Öğrenmek</strong></h4><p>Büyük dil modellerinin gücü, büyük ölçüde <strong>pre-training</strong> sürecinden geliyor. Bu süreç, modelin gerçek dünyada kullanıma sunulmadan önce geçirdiği yoğun eğitim dönemidir. Düşünün ki bir modele milyarlarca kelime okutuyorsunuz. Wikipedia’daki tüm makaleler, Reddit’teki tartışmalar, arXiv’deki bilimsel yayınlar, StackOverflow’daki programlama soruları, Google’ın taradığı web siteleri, Twitter gönderileri ve daha nicesi. Bu devasa veri yığını içinde model, dilin nasıl işlediğini öğreniyor. Hangi kelimeden sonra hangi kelime gelir? Bir paragraf nasıl yapılandırılır? Bir soru nasıl yanıtlanır? Bir kod bloğu nasıl yazılır? Tüm bu bilgiler, modelin ağırlıklarına işleniyor. <strong>Transformer </strong>mimarisi sayesinde, bu öğrenme süreci paralel olarak gerçekleşiyor ve modelin parametreleri sürekli güncelleniyor. Ama unutmayın, bu aşamada model henüz ham durumda. Evet, dili öğrenmiş ama nasıl davranması gerektiğini, hangi cevapların yararlı olduğunu, hangi içeriklerin etik olduğunu tam olarak bilmiyor.</p><h4><strong>5.4. Canavarı Evcilleştirmek: Fine-Tuning ve RLHF</strong></h4><p><strong>Pre-training</strong> sonrası modelin durumunu bir canavara benzetebiliriz. Çok güçlü ama kontrol edilmesi zor, bazen tahmin edilemez sonuçlar verebilen bir varlık. İşte burada “<strong>Taming the Monster</strong>” yani <strong>Canavarı Evcilleştirmek</strong> süreci başlıyor. Bu sürecin iki ana aşaması var. Birincisi, <strong>Instruction Fine-Tuning</strong> yani <strong>Talimat İnce Ayarı</strong>. Bu aşamada modele, insanların nasıl soru sorduğunu ve bu sorulara nasıl yapılandırılmış, yararlı cevaplar verileceğini öğretiyoruz. Örneğin, StackOverflow, Reddit, Quora gibi platformlardaki insan diyalogları kullanılarak model, anlamlı diyalog kurma yeteneği kazanıyor. İkinci aşama ise <strong>RLHF</strong> yani <strong>Reinforcement Learning with Human Feedback</strong>, Türkçesiyle <strong>İnsan Geribildirimi ile Pekiştirmeli Öğrenme</strong>. Bu aşamada insanlar, modelin ürettiği farklı cevapları karşılaştırıyor ve hangisinin daha iyi olduğuna karar veriyor. Model, bu tercihleri öğrenerek insan beklentilerine daha uygun yanıtlar üretmeyi öğreniyor. Böylece zararlı içeriklerden kaçınıyor, daha doğru bilgiler veriyor ve kullanıcıya gerçekten yardımcı olmaya odaklanıyor. Sonunda elimizde, dev bilgi birikimine sahip ama aynı zamanda güvenilir ve kullanışlı bir model kalıyor.</p><h4><strong>5.5. Ticari Modeller ve Açık Kaynak Dünyası</strong></h4><p>Büyük dil modelleri dünyası temelde iki kampa ayrılıyor. Bir tarafta OpenAI’ın GPT-4&#39;ü, Anthropic’in Claude’u, Google’ın Gemini’si gibi “<strong>state of the art</strong>” yani en ileri teknoloji modeller var. Bu modeller, şirketler tarafından milyonlarca dolar yatırımla geliştirilmiş, en güçlü donanımlarla eğitilmiş ve kapalı kaynak olarak sunuluyor. Kullanıcılar bu modellere API üzerinden veya web arayüzlerinden erişebiliyorlar ama modelin içini göremiyorlar, parametrelerine müdahale edemiyorlar. Diğer tarafta ise açık kaynak modeller var. Meta’nın Llama serisi bunun en bilinen örneklerinden biri. Bu modeller, topluluk tarafından geliştirilebiliyor, kişiselleştirilebiliyor ve kendi sunucularınızda çalıştırılabiliyor. Ticari modeller genellikle daha güçlü ve daha güncel olsa da, açık kaynak modeller şeffaflık, özelleştirme özgürlüğü ve maliyet avantajları sunuyor. Hangi yaklaşımın daha iyi olduğu, kullanım senaryonuza bağlı. Hassas verilerle çalışıyorsanız ve tam kontrol istiyorsanız açık kaynak, en iyi performansı arıyorsanız ve altyapı kurmak istemiyorsanız ticari modeller daha mantıklı olabilir.</p><h4><strong>5.6. Dil Modelleri Sözlüğü: Temel Kavramlar</strong></h4><p>Büyük dil modelleri hakkında konuşurken sık sık karşınıza çıkacak bazı temel kavramları açıklayalım. Öncelikle “<strong>Prompt</strong>” ya da Türkçesiyle “<strong>Girdi</strong>”, modele verdiğiniz talimattır. Bir soru, bir görev ya da bir metin olabilir. “<strong>Completion</strong>” ya da “<strong>Çıktı</strong>” ise, modelin size döndürdüğü yanıttır. Bazen bir görsel de olabilir, bazen bir dosya. “<strong>Token</strong>” veya “<strong>Jeton</strong>” kavramı çok önemli. Modeller metni doğrudan kelimeler olarak değil, <strong>tokenler </strong>olarak işler. <strong><em>Bir token kabaca üç dört harfe denk gelir.</em></strong> Örneğin “Hello World” ifadesi yaklaşık üç <strong>token </strong>olarak sayılır. Modeller saniyede binlerce <strong>token </strong>işleyebiliyor. “<strong>Streaming</strong>” ya da “<strong>Akış</strong>” modu, modelin çıktıyı tamamını beklemeden, ürettikçe parça parça size göndermesi demek. Böylece yanıtı gerçek zamanlı olarak görüyorsunuz, tıpkı birinin size konuşurken dinlediğiniz gibi. “<strong>Parameter</strong>” ya da “<strong>Parametre</strong>”, modelin beyni sayılabilecek ağırlıklardır. Bir modelde 7 milyar, 70 milyar hatta 175 milyar parametre olabilir. <strong><em>Daha fazla parametre genellikle daha güçlü bir model anlamına gelir ama aynı zamanda daha fazla hesaplama gücü ve bellek gerektirir.</em></strong></p><p>Başka önemli kavramlar da var. “<strong>Knowledge Cutoff</strong>” ya da “<strong>Son Güncel Bilgi Tarihi</strong>”, modelin eğitim verisinin hangi tarihe kadar uzandığını gösterir. Örneğin bir model Ocak 2025&#39;te eğitildiyse, bu tarihten sonraki olaylar hakkında bilgisi yoktur. “<strong>Context Window</strong>” veya “<strong>Bağlam Penceresi</strong>”, modelin bir seferde işleyebileceği maksimum <strong>token </strong>sayısıdır. Bazı modeller 4 bin <strong>token </strong>işlerken, bazıları 100 bin hatta 1 milyon <strong>token </strong>işleyebilir. Bu, modelin ne kadar uzun metinleri anlayıp yanıtlayabileceğini belirler. “<strong>Multi-Modality</strong>” ya da “<strong>Çoklu Form</strong>”, modelin sadece metinle değil, görsel, ses gibi farklı veri türleriyle de çalışabilmesi demek. Günümüzün en gelişmiş modelleri, bir resmi analiz edip açıklayabiliyor veya metinden görsel üretebiliyor. Son olarak “<strong>Hallucination</strong>” veya “<strong>Halüsinasyon</strong>” terimi, modelin olmayan bir bilgiyi gerçekmiş gibi sunması durumudur. Model bazen çok inandırıcı ama tamamen yanlış bilgiler üretebilir. Bu yüzden modellerin ürettiği içeriği her zaman doğrulamak önemlidir. Bir de “<strong>Inference</strong>” yani “<strong>Çıkarım</strong>”, modelin eğitildikten sonra gerçek zamanlı olarak yanıt üretme sürecidir. “<strong>Temperature</strong>” veya “<strong>Sıcaklık</strong>” ise, modelin ne kadar yaratıcı veya tahmin edilebilir olacağını kontrol eden bir parametredir. Düşük sıcaklık daha tutarlı, yüksek sıcaklık daha yaratıcı ama bazen tutarsız sonuçlar verir.</p><h3>6. Token, Tokenization, Bağlam Penceresi ve Parametreler</h3><h4><strong>6.1. Sözlükten Derinliklere: Temel Yapı Taşlarını Anlamak</strong></h4><p>Bir önceki bölümde büyük dil modellerinin sözlüğünde <strong>token</strong>, bağlam penceresi, <strong>parametre </strong>gibi kavramlardan kısaca bahsetmiştik. Ancak bu kavramlar, aslında tüm dil modellerinin temel yapı taşlarıdır ve bunları gerçekten anlamak, bu modellerin nasıl çalıştığını kavramak için kritik önem taşır. Şimdi bu konulara daha derinlemesine bakalım. Bir kelimenin nasıl <strong>token</strong>’a dönüştüğünü, <strong>bağlam penceresinin </strong>gerçekte ne anlama geldiğini ve <strong>parametrelerin </strong>model üzerindeki etkisini adım adım inceleyelim. Bu bilgiler, sadece teorik merak için değil, aynı zamanda hangi modeli ne zaman kullanacağınızı, nasıl daha verimli <strong>promptlar</strong> yazacağınızı ve modelin sınırlarını nasıl yöneteceğinizi anlamanız için de gerekli.</p><h4><strong>6.2. Token ve Tokenization: Kelimeleri Parçalara Ayırmak</strong></h4><p>Bir dil modelinin metni işlemesi için önce onu anlaması, daha doğrusu sayısal hale getirmesi gerekir. İşte bu sürecin ilk adımı <strong>tokenization</strong>. Peki <strong>token </strong>tam olarak nedir? <strong><em>Token, modelin işleyebileceği en küçük anlamlı birimdir.</em></strong> Bu bir kelime olabileceği gibi, bir kelimenin parçası, bir noktalama işareti veya hatta bir boşluk karakteri de olabilir. <strong><em>Genel bir kural olarak, İngilizce’de bir token yaklaşık 0.75 kelimeye denk gelir.</em></strong> Yani 100 token, kabaca 75 kelime eder. Ama bu oran dile göre değişir. Türkçe gibi daha karmaşık ekleme yapısına sahip dillerde, bir kelime birden fazla <strong>token</strong>’a ayrılabilir. Örneğin “Üretken Yapay Zeka ile Uygulama Geliştirme Eğitimine Hoşgeldiniz!” cümlesi <strong>tokenize </strong>edildiğinde 28 ayrı <strong>token</strong>’a bölünür. “Üretken” kelimesi üç token’a (“Ü”, “ret”, “ken”), “Yapay” üç <strong>token</strong>’a, “Zeka” iki <strong>token</strong>’a ayrılır. Model bu token dizisini alır ve her bir <strong>token</strong>’ı sayısal bir vektöre dönüştürür. Bu sayede metni matematiksel olarak işleyebilir hale gelir.</p><h4><strong>6.3. Tokenization Stratejileri ve Diller Arası Farklar</strong></h4><p>Her dil modeli, kendine özgü bir <strong>tokenization </strong>stratejisi kullanır. <strong><em>OpenAI’ın GPT modelleri, byte-pair encoding (BPE)</em></strong> yöntemini kullanır. Bu yöntem, en sık bir arada görünen karakter çiftlerini tespit eder ve bunları tek bir <strong>token </strong>olarak kaydeder. Böylece model, hem yaygın kelimeleri tek <strong>token </strong>olarak, hem de nadir kelimeleri parçalara ayırarak işleyebilir. Fakat bu stratejinin bir dezavantajı var: her dil için <strong>tokenization </strong>farklı çalışır. İngilizce için optimize edilmiş bir <strong>tokenizer</strong>, Türkçe, Arapça veya Çince gibi dillerde çok daha fazla <strong>token </strong>üretebilir. Örneğin, “artificial intelligence” ifadesi İngilizce’de iki <strong>token </strong>olabilirken, “yapay zeka” ifadesi Türkçe’de dört veya beş <strong>token</strong>’a bölünebilir. Bu durum, <strong><em>Türkçe konuşan kullanıcıların aynı anlamı ifade etmek için daha fazla token harcaması anlamına gelir.</em></strong> Ayrıca her model kendi <strong>tokenizer</strong>’ını kullanır. GPT-4&#39;ün <strong>tokenizer</strong>’ı ile Claude’un <strong>tokenizer</strong>’ı farklı sonuçlar verebilir. Bu yüzden bir modelde 100 <strong>token </strong>olan bir metin, başka bir modelde 120 <strong>token </strong>olabilir. OpenAI, GPT-4 için özel bir tokenizer aracı bile sunmuş durumda, böylece kullanıcılar metinlerini önceden test edip kaç <strong>token </strong>harcayacaklarını görebiliyorlar.</p><h4><strong>6.4. Bağlam Penceresi: Modelin Hafızası</strong></h4><p>Dil modelleri gizemli gözükse de aslında sınırlı bir hafızaya sahipler. Bu hafızaya “<strong>Context Window</strong>” yani <strong>Bağlam Penceresi</strong> diyoruz. <strong>Bağlam penceresi</strong>, modelin bir seferde işleyebileceği maksimum <strong>token </strong>sayısıdır. Bu sayı hem sizin gönderdiğiniz <strong>promptu </strong>(<strong>girdi</strong>) hem de modelin ürettiği <strong>completion</strong>’ı (<strong>çıktı</strong>) kapsar. Örneğin, <strong>promptunuz </strong>27 <strong>token </strong>ve modelin cevabı 36 <strong>token </strong>ise, toplam kullanılan<strong> context 63 token</strong> olur. Şimdi diyelim ki kullandığınız modelin bağlam penceresi <strong>4096 token</strong>. Bu durumda, <strong>prompt </strong>ve <strong>completion </strong>toplamınız <strong>4096 token</strong>’ı geçemez. Eğer geçerseniz, model ya hataya düşer ya da eski mesajları unutmaya başlar. Düşünün ki uzun bir dokümanı modele yüklüyorsunuz ve sorular soruyorsunuz. Eğer doküman 10 bin <strong>token </strong>ise ama modelin penceresi 4 bin <strong>token </strong>ise, model dokümanın sadece bir kısmını işleyebilir. Geri kalanı pencere dışında kalır ve model ona erişemez. Bu yüzden <strong>bağlam penceresi</strong> büyüklüğü, çok önemli bir seçim kriteridir.</p><h4><strong>6.5. Bağlam Penceresi Yönetimi ve Model Seçimi</strong></h4><p><strong>Bağlam penceresini</strong> sürekli kontrol altında tutmak, verimli ve başarılı bir dil modeli kullanımının anahtarıdır. Günümüzde farklı modeller farklı pencere boyutları sunar. GPT-3.5 gibi eski modeller 4 bin ile 16 bin <strong>token </strong>arası pencere sunarken, GPT-4 Turbo 128 bin <strong>token</strong>, Claude Sonnet 200 bin <strong>token</strong>, hatta bazı yeni nesil modeller 1 milyon <strong>token </strong>pencere sunabiliyor. Bu, neredeyse küçük bir kitabı tek seferde modele verebileceğiniz anlamına gelir. Peki bu büyüklük seçiminde nelere dikkat etmelisiniz? Eğer kısa sohbetler yapıyorsanız, 4–8 bin <strong>token </strong>yeterli olabilir. Ama uzun belgelerle çalışıyorsanız, kod dosyalarını analiz ediyorsanız veya karmaşık çok turlu diyaloglar kuruyorsanız, büyük pencere şart. Ancak unutmayın, büyük pencereler genellikle daha yavaş yanıt süreleri ve daha yüksek maliyetler anlamına gelir. Ayrıca, bir önceki bölümde bahsettiğimiz “<a href="https://medium.com/@mmehmetisik/lost-in-the-middle-llmlerin-hat%C4%B1rlama-sorunu-9bfd2fc10ee2"><strong><em>Lost in the Middle</em></strong></a>” sorunu burada tekrar karşımıza çıkar. Modeller çok uzun bağlamlarda, ortadaki bilgileri kaçırabilir. Bu yüzden sadece büyük pencere yeterli değil, bilgiyi nasıl yapılandırdığınız da önemli. En kritik bilgiyi <strong>promptun</strong> başına veya sonuna koymak, genellikle daha iyi sonuçlar verir.</p><h4><strong>6.6.Parametreler: Modelin Beyni</strong></h4><p>Şimdi gelelim <strong>parametrelere</strong>, yani modelin gerçek gücünün kaynağına. <strong>Parametre</strong>, sinir ağındaki her bir bağlantının sahip olduğu sayısal değerdir. Bu değerler, modelin eğitim sürecinde öğrendiği bilgileri temsil eder. <strong><em>Bir sinir ağı, girdi katmanı, gizli katmanlar ve çıktı katmanından oluşur.</em></strong> Her katmandaki <strong>nöronlar</strong>, bir sonraki katmandaki <strong>nöronlara </strong>bağlanır ve bu bağlantıların her birinin bir “<strong>ağırlığı</strong>” (<strong>weight</strong>) vardır. Ayrıca her <strong>nöronun </strong>bir “<strong>yanlılık</strong>” (<strong>bias</strong>) değeri de bulunur. İşte <strong>parametreler</strong>, bu ağırlıklar ve yanlılıkların toplamıdır. Basit bir örnekle açıklayalım. Diyelim ki üç nöronlu bir girdi katmanınız, dört nöronlu iki gizli katmanınız ve bir nöronlu bir çıktı katmanınız var. İlk katmandan ikinci katmana geçişte, <strong><em>3 nöron x 4 nöron = 12 ağırlık var.</em></strong> İkinci katmandan üçüncü katmana geçişte <strong><em>4 x 4 = 16 ağırlık.</em></strong> Üçüncü katmandan çıktı katmanına geçişte <strong><em>4 x 1 = 4</em></strong> ağırlık. <strong><em>Toplamda 12 + 16 + 4 = 32 ağırlık.</em></strong> Bir de her katmandaki <strong>nöronlar </strong>için bias değerleri var: <strong><em>4 + 4 + 1 = 9 bias.</em></strong> Toplamda <strong>32 + 9 = 41 parametre.</strong> Bu sadece bir oyuncak örnek. Gerçek büyük dil modellerinde milyarlarca, hatta trilyonlarca parametre var.</p><h4><strong>6.7. Parametre Sayısı ve Model Performansı</strong></h4><p><strong>Parametre </strong>sayısı, genel olarak modelin kapasitesini ve gücünü gösterir. GPT-3, 175 milyar <strong>parametreye </strong>sahipti. GPT-4&#39;ün tam <strong>parametre </strong>sayısı açıklanmadı ama tahminler 1 trilyon civarında. Claude Sonnet ve Opus modelleri de benzer büyüklüklerde. Llama 3 gibi açık kaynak modeller ise 7 milyardan 70 milyara kadar değişen <strong>parametre </strong>sayılarına sahip. Daha fazla parametre, genellikle daha iyi dil anlama, daha tutarlı yanıtlar ve daha geniş bilgi birikimine sahip olma anlamına gelir. Ama dikkat edin, parametre sayısı her şey değil. Bir modelin performansı, sadece parametre sayısına değil, eğitim verisinin kalitesine, fine-tuning sürecine, mimari tasarımına ve optimizasyon tekniklerine de bağlı. Ayrıca, çok büyük parametreli modeller daha fazla hesaplama gücü, daha fazla bellek ve daha uzun çıkarım süreleri gerektirir. Bu yüzden her zaman “en büyük model en iyidir” diyemeyiz. Bazen orta büyüklükte bir model, ihtiyaçlarınız için maliyet-performans dengesi açısından daha mantıklı olabilir. Önemli olan, parametrelerin ne olduğunu anlamak ve model seçerken bu bilgiyi göz önünde bulundurmak.</p><h4>7. Modellerin Karşılaştırılması ve Ölçeklendirme İlkeleri</h4><h4><strong>7.1. Hangi Modeli Seçmeliyim? Büyüyen Bir Ekosistemin İçinde Kaybolmamak</strong></h4><p>2025 yılının sonuna geldiğimizde, büyük dil modelleri ekosistemine baktığımızda karşımıza gerçekten çeşitli bir manzara çıkıyor. Artık sadece birkaç oyuncu değil, 20&#39;den fazla ciddi model ve onlarca varyant var. OpenAI’ın GPT-5 serisi, Anthropic’in Claude 4 ailesi, Google’ın Gemini 2.5 modelleri, Meta’nın Llama 4 ailesinden Alibaba’nın Qwen3 modeline, DeepSeek’in açık kaynak devlerinden xAI’ın Grok serisine kadar uzanan geniş bir yelpaze. Her birinin kendine özgü güçlü yanları, zayıf noktaları ve kullanım senaryoları var. Peki bu kadar çok seçenek varken doğru kararı nasıl veriyoruz? İşte bu bölümde, güncel modelleri karşılaştıracak, hangi kriterlere bakmanız gerektiğini açıklayacak ve ölçeklendirme ilkelerinin bu modellerin performansını nasıl etkilediğini inceleyeceğiz. Amaç basit: size en uygun modeli seçmek için ihtiyaç duyduğunuz bilgiyi vermek.</p><h4><strong>7.2. 2025&#39;in Önde Gelen Modelleri: Kısa Bir Tur</strong></h4><p>Önce piyasadaki öne çıkan modellere bakalım. OpenAI’ın GPT-5 ve GPT-5.1 modelleri Nisan 2025&#39;te piyasaya sürüldü ve 400 bin <strong>token </strong>girdi kapasitesiyle dikkat çekti. Özellikle GPT-5.1, 128 bin <strong>token </strong>çıktı penceresi sunarak uzun form içerik üretiminde yeni standartlar koydu. GPT-4.5 ise hala güçlü bir seçenek olarak kullanılıyor, 128 bin <strong>token bağlam penceresiyle</strong> çoğu iş için yeterli. Anthropic tarafında Claude 4 Opus ve Claude 4 Sonnet modelleri var. Claude 4 Sonnet, Kasım 2025 itibarıyla 200 bin <strong>token</strong>’dan 1 milyon <strong>token</strong>’a yükseltildi ve bu onu uzun belge analizi için mükemmel bir seçim haline getirdi. Claude 3.7 Sonnet ise özellikle kod yazımında çok güçlü performans sergiliyor. Google’ın Gemini 2.5 Pro modeli, tam 1–2 milyon <strong>token </strong>bağlam penceresiyle gerçekten devasa ve multimodal yetenekleriyle öne çıkıyor. Metin, görsel, ses ve video işleyebiliyor. Meta’nın Llama 4 Maverick modeli, 400 milyar <strong>parametreli </strong>Mixture of Experts (MoE) mimarisiyle açık kaynak dünyasının lideri. DeepSeek V3, 671 milyar parametreli başka bir MoE modeli ve 37 milyar aktif parametresiyle çok verimli çalışıyor. Alibaba’nın Qwen3-Max modeli 1 trilyondan fazla parametreyle inanılmaz bir büyüklüğe sahip ve 258 bin <strong>token </strong>penceresi sunuyor. xAI’ın Grok 3 ve Grok 4 modelleri ise gerçek zamanlı web erişimiyle öne çıkıyor, 2 milyon <strong>token </strong>penceresiyle sosyal medya verilerini işlemede uzmanlaşmış durumdalar.</p><h4><strong>7.3. Benchmark’lar: Modelleri Nasıl Karşılaştırıyoruz?</strong></h4><p>Bu kadar çok model varken hangisinin daha iyi olduğunu nasıl anlarız? İşte burada <strong>benchmark</strong>’lar devreye giriyor. <strong>Benchmark</strong>, modellerin belirli görevlerdeki performansını ölçmek için kullanılan standart testlerdir. İki önemli <strong>benchmark</strong> platformu var: <strong><em>Stanford’un HELM (Holistic Evaluation of Language Models)</em></strong> ve <strong><em>Hugging Face’in Open LLM Leaderboard.</em></strong> Bu platformlar, modelleri matematiksel muhakeme, kodlama yeteneği, çok adımlı akıl yürütme, araç kullanımı gibi farklı görevlerde test ediyor. Örneğin, 2025&#39;te AIME matematik sınavında GPT-5 yüzde 100 başarı gösterirken, Kimi K2 Thinking modeli yüzde 99.1 ile hemen arkasından geliyor. SWE-Bench adlı kod yazma testinde ise GPT-5.1 yüzde 76.3 ile öne çıkarken, Claude Haiku 4.5 yüzde 73.3 ile takip ediyor. Araç kullanımı testlerinde (BFCL) ise Llama 3.1 405B modeli yüzde 81.1 ile lider konumda. Ama dikkat edin, bu benchmark’lar sadece bir referans noktası. Gerçek dünya kullanımında performans farklı olabilir. Bir model <strong>benchmark</strong>’larda çok iyi olsa bile, sizin özel kullanım senaryonuzda başka bir model daha uygun olabilir.</p><h4><strong>7.4. Ölçeklendirme İlkeleri: Büyüklük Herşey midir?</strong></h4><p>Şimdi gelelim modellerin performansını belirleyen temel kurallara: <strong><em>ölçeklendirme ilkeleri</em></strong> ya da “<strong>scaling laws</strong>”. 2020 yılında OpenAI’dan Kaplan ve ekibi, dönüm noktası niteliğinde bir araştırma yayınladı. Bu araştırma, bir dil modelinin performansının üç temel faktöre bağlı olduğunu ortaya koydu. Birincisi, <strong><em>parametre sayısı</em></strong>. Model ne kadar büyükse, genellikle o kadar güçlü. İkincisi, eğitim verisinin büyüklüğü yani <strong><em>training tokens</em></strong>. Modele ne kadar çok metin okutursanız, o kadar iyi öğrenir. Üçüncüsü ise tahsis edilen işlem gücü, yani<strong> total compute</strong>. Modeli eğitmek için ne kadar hesaplama kaynağı harcarsanız, o kadar kaliteli bir sonuç elde edersiniz. Bu üç faktör arasında matematiksel bir ilişki var. Eğer parametre sayısını iki katına çıkarırsanız, eğitim verisini de yaklaşık iki katına çıkarmanız gerekiyor ki model optimal performansa ulaşsın. İşlem gücü de buna paralel artmalı. Araştırma, bu dengeyi bozarsanız verimin düşeceğini gösterdi. Örneğin, çok büyük bir model yapıp ama az veriyle eğitirseniz, model potansiyelini gösteremez. Ya da çok fazla veriyle küçük bir modeli eğitirseniz, model o veriyi tam olarak kavrayamaz.</p><h4><strong>7.5. PetaFLOP ve Chinchilla Yasası: Optimal Denge Arayışı</strong></h4><p>İşlem gücünden bahsetmişken, “<strong>PetaFLOP</strong>” kavramını açıklayalım. <strong>FLOP</strong>, “<strong><em>Floating Point Operation</em></strong>” yani ondalıklı matematiksel işlem demek. <strong>PetaFLOP</strong> <strong>ise saniyede 10 üzerin 15&#39;inci gücü kadar işlem yapabilme gücü.</strong> Büyük dil modellerini eğitmek, muazzam miktarda <strong>PetaFLOP</strong> gerektirir. Örneğin, GPT-4&#39;ü eğitmek için tahminen <strong>20–30 bin PetaFLOP-gün işle</strong>m gücü harcandı. Yani binlerce güçlü GPU, günlerce aralıksız çalıştı. 2022&#39;de Google DeepMind’dan Hoffman ve ekibi, ölçeklendirme ilkelerini daha da iyileştiren bir araştırma yayınladı: <strong>Chinchilla </strong>yasası. Bu araştırma, OpenAI’ın bulgularını geliştirerek şunu gösterdi: optimal performans için, eğitim verisinin token sayısı, parametre sayısının yaklaşık 20 katı olmalı. Örneğin, 70 milyar <strong>parametreli </strong>bir model için yaklaşık 1.4 trilyon <strong>token </strong>veri kullanmalısınız. <strong>Chinchilla </strong>modeli tam olarak bu formülü uyguladı: 70 milyar parametre ve 1.4 trilyon token. Sonuç? Çok daha büyük modellerden (örneğin 540 milyar parametreli Gopher) daha iyi performans gösterdi. Bu bulgu, sektörde büyük etki yarattı. Artık şirketler sadece modeli büyütmekle kalmıyor, eğitim verisinin kalitesine ve miktarına da çok dikkat ediyor.</p><h4><strong>7.6. Dünya Modeli: LLM’ler Gerçekliği Ne Kadar Anlıyor?</strong></h4><p>Buraya kadar teknik detaylardan bahsettik ama şimdi daha felsefi bir soruya gelelim: büyük dil modelleri gerçek dünyayı anlıyor mu, yoksa sadece örüntüleri taklit mi ediyor? “<strong><em>Dünya modeli</em></strong>” (<strong><em>world model</em></strong>) kavramı, bir yapay zekanın gerçek dünyada yer alan nesneler, olaylar ve ilişkiler hakkında kendi içinde bir temsil oluşturması anlamına gelir. Örneğin, bir model “Paris Fransa’nın başkentidir” cümlesini öğrendiğinde, sadece kelimeleri ezberliyor mu yoksa Paris’in bir şehir, Fransa’nın bir ülke olduğunu, başkent ilişkisinin ne anlama geldiğini gerçekten kavrayabiliyor mu? Araştırmalar gösteriyor ki, büyük dil modelleri belirli bir düzeyde dünya modeli geliştiriyorlar. Yani sadece kelime örüntülerini ezberlemiyor, aynı zamanda gerçek dünyaya dair bazı bilgileri içsel olarak temsil edebiliyorlar. Ancak bu temsil, insan bilincindeki gibi tam değil. Model, spesifik koşullar altında gerçek dünyada neler olabileceğine dair doğru öngörülerde bulunabilir ama bazen de tamamen yanlış veya tutarsız bilgiler üretebilir. Bu yüzden modellerin güçlü olduğu alanları ve sınırlarını bilmek çok önemli.</p><h4><strong>7.7. LLM’lerin Güçlü Yönleri ve Kullanım Alanları</strong></h4><p>Büyük dil modellerinin getirdiği avantajlar gerçekten çok geniş. İlk olarak, insan eseriymiş gibi görünen metinler üretebiliyorlar. Makaleler, raporlar, e-postalar, yaratıcı hikayeler, şiirler yazabiliyorlar. İkinci olarak, dar bir kullanım senaryosuyla sınırlı kalmaksızın genel amaçlı olarak çalışabiliyorlar. Aynı model hem kod yazabiliyor, hem belge özetleyebiliyor, hem de müşteri sorularını yanıtlayabiliyor. Üçüncü olarak, ince ayar ve bellek genişletme gibi yöntemlerle yeniden eğitim sürecinden geçirilmeden de özelleştirilebiliyorlar. Bu, modelleri çok çeşitli alanlarda kullanabilmeyi sağlıyor. Kullanım alanlarına baktığımızda, sohbet botları ve sanal asistanlar ilk akla gelenler. Müşteri hizmetlerinden kişisel asistanlara kadar geniş bir yelpaze. Kod yazımı ve yazılım geliştirmede de devrim yaratıyorlar. Bir yazılımcı artık Claude’a veya GPT’ye kod yazdırabiliyor, hataları buldurabiliyor, dokümantasyon oluşturabiliyor. Doğal dil işleme hizmetlerinde de çok kullanılıyorlar. Metin özetleme, çeviri, duygu analizi gibi görevlerde insan seviyesine yaklaşan performans gösteriyorlar.</p><h4><strong>7.8. Sınırlılıklar ve Dikkat Edilmesi Gerekenler</strong></h4><p>Ama her şey bu kadar parlak değil, tabii ki sınırlamalar da var. Birinci büyük sorun, <strong>eğitim süreci ve çıkarım (inference) </strong>süreci oldukça maliyetli. Hem eğitim hem de kullanım aşamasında büyük hesaplama kaynakları gerekiyor. Küçük bir <strong>startup </strong>için en büyük modelleri kullanmak ekonomik olarak sürdürülebilir olmayabilir. İkinci sorun, insanlarla yakın etkileşime girmekte başarılı olmalarına rağmen, eğitim verisindeki yanlılıkları yansıtabiliyor ve bazen bu etkileşimlerde yanılgılara düşebiliyorlar. Özellikle hassas konularda veya etik sınırlarda gezinirken dikkatli olmak gerekiyor. Üçüncü sorun, tam anlamıyla bir dünya modeline sahip olmadıkları için beklenmedik muhakeme hataları yapabiliyorlar. Bazen çok basit mantıksal sorunlarda bile yanılabilirler. Dördüncü olarak, özellikle uzun bağlamlarda bilgi kaybedebiliyorlar. Bağlam penceresinin ortasında kalan bilgiler unutulabiliyor, bu da güvenilirliği azaltıyor. Son olarak, modeller sadece eğitildikleri tarihe kadar olan bilgilere sahipler ve güncel olaylar hakkında bilgileri yok. Bu yüzden gerçek zamanlı bilgi gerektiren senaryolarda web araması gibi ek araçlarla desteklenmeleri gerekiyor.</p><blockquote>Yazımızın başında sorduğumuz soruya geri dönelim: bu “<strong>sihir</strong>” nasıl gerçekleşiyor? Şimdi artık biliyoruz ki, DALL-E’nin saniyeler içinde görsel üretmesi veya ChatGPT’nin karmaşık sorulara anlamlı cevaplar vermesi, bir dizi sofistike teknolojinin birleşiminden kaynaklanıyor. <strong>GAN</strong>’ların <strong>Generator </strong>ve <strong>Discriminator</strong>’ları arasındaki rekabetten <strong>Difüzyon </strong>modellerinin gürültüyü adım adım temizleme sürecine, <strong>Transformer</strong>’ın <strong>attention mekanizmasından </strong>büyük dil modellerinin milyarlarca parametresiyle öğrendiği dil örüntülerine kadar uzanan bu yolculukta, <strong>üretken yapay zekanın</strong> temellerini birlikte keşfettik. Bu teknolojiler hala gelişmeye devam ediyor ve her gün yeni yetenekler kazanıyor. Ölçeklendirme ilkelerinin gösterdiği gibi, daha fazla veri, daha büyük modeller ve daha akıllı algoritmalar bir araya geldiğinde, önümüzdeki yıllarda daha da etkileyici sonuçlar göreceğiz. Ancak unutmayalım: bu güçlü araçları kullanırken sorumluluk, şeffaflık ve etik sınırları gözetmek, teknolojinin kendisi kadar önemli. Artık sadece bu araçların kullanıcısı değil, aynı zamanda nasıl çalıştıklarını bilen bilinçli bir kullanıcılarız.</blockquote><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9af3b010aa0b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Lost in the Middle: LLM’lerin Hatırlama Sorunu]]></title>
            <link>https://medium.com/@mmehmetisik/lost-in-the-middle-llmlerin-hat%C4%B1rlama-sorunu-9bfd2fc10ee2?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/9bfd2fc10ee2</guid>
            <category><![CDATA[openai]]></category>
            <category><![CDATA[gpt]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Thu, 06 Nov 2025 11:38:04 GMT</pubDate>
            <atom:updated>2025-11-06T11:43:41.992Z</atom:updated>
            <content:encoded><![CDATA[<h3>İçindekiler</h3><p><strong>1. Giriş: “Okudum Ama Göremedim” — Yapay Zekanın Garip Unutkanlığı</strong></p><p><strong>2. “Lost in the Middle” Nedir? U-Şeklindeki Performans Düşüşü</strong></p><p><strong>3. Neden Oluyor? Dikkat Mekanizmasının Sınırları</strong></p><ul><li>Primacy ve Recency Etkisi: İlk ve Son Her Zaman Kazanır</li><li>İnsan Hafızasına Benzer Bir Sorun</li></ul><p><strong>4. Gerçek Hayattan Örnekler: Bu Sorun Nerede Karşımıza Çıkıyor?</strong></p><ul><li>RAG Sistemlerinde Kayıp Bilgiler</li><li>Yasal Sözleşmeler ve Şirket Raporları</li><li>Uzun Sohbet Geçmişlerinde Unutulan Detaylar</li></ul><p><strong>5. Çözüm İpuçları: Bu Sorunla Nasıl Başa Çıkarız?</strong></p><ul><li>Strateji 1: Kritik Bilgiyi Başa veya Sona Taşı</li><li>Strateji 2: Yapılandırılmış Prompt Kullan</li><li>Strateji 3: Metni Parçala ve Böl (Chunking)</li><li>Strateji 4: Adım Adım Düşündür (Chain-of-Thought)</li></ul><p><strong>6. Sonuç: Farkında Olmak Güçtür</strong></p><ul><li>Gelecekte Neler Bekleyebiliriz?</li><li>Sen Hiç Bu Durumla Karşılaştın mı?</li></ul><h3>1. Giriş</h3><h3>“Okudum Ama Göremedim” — Yapay Zekanın Garip Unutkanlığı</h3><blockquote><strong>Hoş Geldiniz!</strong></blockquote><blockquote>Şöyle bir senaryo hayal edin: Elinizde 100 sayfalık bir şirket raporu var. ChatGPT’ye yüklüyorsunuz ve “Bu rapordaki Q3 hedef satış rakamını bul” diye soruyorsunuz. Model hemen cevap veriyor ama… yanlış! Oysa aradığınız bilgi raporun tam ortasında, 52. sayfada açık açık yazıyor. AI sanki o sayfayı hiç okumamış gibi davranıyor.</blockquote><blockquote><strong>“Okudum ama göremedim” — tam da bu durum.</strong></blockquote><blockquote>2023&#39;te Stanford ve Berkeley’den araştırmacılar, modern büyük dil modellerinin (LLM — Large Language Models) uzun metinlerdeki garip bir davranışını keşfettiler. <strong>Claude, GPT-4, Gemini</strong> gibi milyonlarca kelimelik “hafızaya” sahip bu modellerin, metnin başındaki ve sonundaki bilgileri mükemmel hatırladıklarını ama <strong>ortadaki bilgileri sistematik olarak “kaybettiklerini”</strong> ortaya koydular. Araştırmacılar buna <strong>“Lost in the Middle” (Ortada Kaybolma)</strong> adını verdiler.</blockquote><blockquote>Test sonuçları şok ediciydi: Modellere 30 farklı belgeden oluşan uzun metinler verildiğinde, kritik bilgi başta veya sondayken <strong>%90 üzerinde</strong> başarı gösterirlerken, aynı bilgi tam ortaya yerleştirildiğinde performans <strong>%50&#39;nin altına</strong> düşüyordu. Daha da ilginç olan: bazı durumlarda modelin doğru cevabı bulma şansı, <strong>rastgele tahmin etmekten bile daha kötü</strong> oluyordu.</blockquote><blockquote>Bu yazıda, yapay zekanın bu garip “unutkanlık hastalığını” mercek altına alacağız. Neden oluyor, gerçek hayatta bizi nasıl etkiliyor ve en önemlisi: <strong>Ne yapabiliriz?</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/891/1*EFUbDL0fPukQoH6KYpKMLQ.png" /><figcaption><strong>Resim 1: “Lost in the Middle”</strong></figcaption></figure><h3>2. “Lost in the Middle” Nedir? U-Şeklindeki Performans Düşüşü</h3><p>Basit bir tanımla başlayalım: <strong>“Lost in the Middle”</strong>, büyük dil modellerinin uzun bir metin içindeki bilgileri bulma başarısının, <strong>bilginin konumuna göre dramatik şekilde değişmesi</strong> durumudur.</p><p>Bir sandwich düşünün. En üstteki ve en alttaki malzemeleri (ekmekleri) kolayca görebilir ve hatırlarsınız. Ama tam ortadaki ince domates dilimi? Onu fark etmek çok daha zor. İşte LLM’ler de aynen böyle davranıyor.</p><h4>Samanlıkta İğne Testi (Needle in Haystack)</h4><p>Stanford ve Berkeley’deki araştırmacılar bu sorunu ölçmek için çok akıllıca bir test geliştirdiler. Test şöyle çalışıyor:</p><ol><li><strong>Samanlığı hazırla</strong>: 20 farklı belgeden oluşan uzun bir metin oluştur (toplam ~4.000 token)</li><li><strong>İğneyi sakla</strong>: Bu belgelerden birine çok spesifik bir bilgi yerleştir (örneğin: “John Smith’in favori yemeği mantıdır”)</li><li><strong>Konumu değiştir</strong>: Bu kritik bilgiyi farklı konumlardaki belgelere yerleştir — 1. belgeye, 5. belgeye, 10. belgeye, 20. belgeye…</li><li><strong>Soruyu sor</strong>: Modele “John Smith’in favori yemeği nedir?” diye sor</li><li><strong>Sonuçları ölç</strong>: Her konumdaki doğruluk oranını karşılaştır</li></ol><h4>Sonuç: U-Şekilli Performans Eğrisi</h4><p>Sonuçlar çarpıcıydı! Aşağıdaki grafikte GPT-3.5-Turbo’nun test sonuçlarını görebilirsiniz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/461/1*Azdbd1acJZtnjtfRANx0bg.png" /><figcaption><strong>Resim 2: GPT-3.5-Turbo’nun 20 belgeli testteki performansı. Ortadaki belgelerde doğruluk dramatik şekilde düşüyor. (Kaynak: “Lost in the Middle” — Stanford/Berkeley)</strong></figcaption></figure><p>Grafikte net bir <strong>“U” şekli</strong> görüyorsunuz:</p><ul><li><strong>İlk belgelerde bilgi varsa</strong> → %75–77 doğruluk</li><li><strong>Ortadaki belgelerde (5–15) bilgi varsa</strong> → %53–56 doğruluk</li><li><strong>Son belgelerde bilgi varsa</strong> → %63–64 doğruluk</li></ul><p>Daha da ilginç bir detay: Kırmızı kesikli çizgi, modelin hiç metin verilmeden rastgele tahmin ettiği “kapalı kitap” (closed-book) başarı oranını gösteriyor (~%56). Yani <strong>ortadaki performans, model hiçbir şey okumamış gibi davrandığında elde edeceği sonuca yakın!</strong></p><p>GPT-3.5, GPT-4, Claude, Gemini… Test edilen hemen her model benzer bir U-şekli gösterdi. Bu, sorunun tesadüfi değil, <strong>yapısal</strong> olduğunu kanıtladı.</p><h3>3. Neden Oluyor? Dikkat Mekanizmasının Sınırları</h3><p>Peki bu garip durum neden ortaya çıkıyor? LLM’ler milyarlarca parametre ve devasa hesaplama gücüne sahip, neden basit bir “ortadaki bilgiyi hatırla” görevinde takılıyor?</p><h4>İnsan Gibi Unutuyorlar</h4><p>Önce şunu belirtelim: Bu durum aslında bizim de başımıza geliyor. Psikoloji literatüründe iki ünlü etki var:</p><p><strong>📌 Primacy Etkisi (İlk İzlenim)</strong>: İlk duyduğunuz/okuduğunuz bilgiyi daha iyi hatırlarsınız. Bir isim listesi verildiğinde, başındaki isimleri hatırlamanız daha kolay olur.</p><p><strong>📌 Recency Etkisi (Yakınlık Etkisi)</strong>: En son duyduğunuz/okuduğunuz bilgi hafızanızda tazedir. Aynı isim listesinde, son birkaç ismi de kolayca hatırlarsınız.</p><p><strong>Ama ortadakiler?</strong> Onlar hem yeterince “yeni” değil hem de yeterince “ilk” değil. İşte kayboluyorlar.</p><p>LLM’ler de benzer bir şekilde davranıyor. Neden mi?</p><h4>Dikkat Mekanizmasının Zayıf Noktası</h4><p>LLM’lerin çalışma prensibi <strong>“attention”</strong> (dikkat) mekanizmasına dayanır. Model, bir metni işlerken her kelimeye eşit ağırlık vermez. Bazı kelimelere daha çok “dikkat” eder, bazılarını daha az önemser.</p><p>Uzun metinlerde model şunu yapar:</p><ul><li><strong>Başlangıç</strong>: “Bu metnin konusu ne?” diye kontrol eder, başa ağırlık verir</li><li><strong>Orta</strong>: O kadar çok token (kelime) var ki, modelin “dikkati” dağılır, hangisine odaklanacağını şaşırır</li><li><strong>Son</strong>: “Cevabı üretmeden önce son ipuçları nerede?” diye sona yoğunlaşır</li></ul><p>Düşünün: 100 sayfalık bir kitabın her cümlesine eşit dikkat vermek mümkün mü? Model de bir nevi <strong>bilişsel aşırı yüklenme</strong> yaşıyor.</p><h4>“Biliyor Ama Kullanmıyor” Paradoksu</h4><p>2024&#39;teki ileri araştırmalar daha da ilginç bir şey keşfetti: Aslında model ortadaki bilgiyi <strong>kısmen biliyor</strong>! Modelin iç katmanlarını (gizli durumlarını) incelediklerinde, kritik bilginin orada kodlandığını gördüler.</p><p>Sorun şu: Model o bilgiyi <strong>cevaba dönüştürmekte</strong> başarısız oluyor.</p><p>Bunu şöyle düşünün: Bir öğrenci sınav için her şeyi okudu, anladı. Ama sınavda soruyu görünce, aklına baştan sondaki genel fikirler geliyor, tam ortadaki kritik detayı hatırlamıyor. Bilgi kafasında bir yerlerde ama “çağıramıyor.”</p><h4>Sayılarla Gerçeklik</h4><p>Araştırmalarda ortaya çıkan kritik bulgular:</p><ul><li><strong>10–15 belge</strong> olduğunda ortadaki performans düşüşü belirginleşiyor</li><li><strong>20+ belge</strong> olduğunda ortadaki başarı <strong>%50&#39;nin altına</strong> düşebiliyor</li><li>Bazı testlerde ortadaki performans <strong>rastgele tahminden bile kötü</strong> çıkıyor</li></ul><p>Yani model sadece “bilmiyor” değil, bazen yanlış bilgiyle <strong>kendini kandırıyor</strong> ve hatalı cevaplar üretiyor.</p><p><strong>Özet:</strong> <strong>“Lost in the Middle”</strong> insan benzeri bir bilişsel yanılgı. Model başa ve sona daha fazla “dikkat” ediyor, orta kısım dikkatin dağıldığı, bilginin kaybolduğu bir alan haline geliyor.</p><h3>4. Gerçek Hayattan Örnekler: Bu Sorun Nerede Karşımıza Çıkıyor?</h3><p><strong>“Lost in the Middle”</strong> sadece teorik bir problem değil. Günlük hayatta AI kullanırken sıkça karşılaşılan, bazen ciddi sonuçlara yol açan pratik bir sorun. Gelin birkaç somut örneğe bakalım:</p><h4>RAG Sistemlerinde Kayıp Bilgiler</h4><p><strong>RAG (Retrieval-Augmented Generation)</strong> sistemleri, AI’ın kendi bilgisini dış kaynaklarla genişletmesini sağlayan popüler bir yöntem. Örneğin şirket içi bir chatbot düşünün: Kullanıcı bir soru soruyor, sistem şirketin 100 belgesini tarıyor, en alakalı 10 belgeyi buluyor ve bunları AI’a veriyor.</p><p><strong>Sorun:</strong> AI’a verilen 10 belgeden 5. ve 6. sıradakiler kritik bilgiyi içeriyorsa, model bunları büyük ihtimalle atlayacak!</p><p><strong>Gerçek senaryo:</strong></p><ul><li>Kullanıcı: “2024 yılı için satış hedefimiz neydi?”</li><li>Sistem: 10 belge buluyor, 5. belgede hedef açık açık yazıyor</li><li>AI: 1. ve 10. belgelerdeki alakasız bilgilerle cevap veriyor veya “bilmiyorum” diyor</li><li>Sonuç: Yanlış bilgi veya hiç bilgi yok</li></ul><h4>Yasal Sözleşmelerde Ortadaki Madde</h4><p>Avukatlar ve hukuk uzmanları artık AI kullanarak sözleşme analizi yapıyor. 50 sayfalık bir sözleşmeyi yükleyip “Bu sözleşmede erken fesih cezası var mı?” diye soruyorsunuz.</p><p><strong>Sorun:</strong> Erken fesih maddesi sözleşmenin 27. sayfasında (tam ortasında) yer alıyorsa, AI bunu gözden kaçırabilir.</p><p><strong>Gerçek risk:</strong> İş dünyasında bu tür atlamalar <strong>mali ve hukuki kayıplara</strong> yol açabilir. “AI kontrol etti, sorun yok” denilir ama aslında kritik bir madde atlanmıştır.</p><h4>Şirket Raporlarında Gizli Kalan Veriler</h4><p>Finans sektöründe analistler, yüzlerce sayfalık şirket raporlarını AI’a özetletiyor.</p><p><strong>Senaryo:</strong></p><ul><li>200 sayfalık bir yıllık rapor</li><li>Sayfa 95–110 arasında (tam ortada) kritik bir risk faktörü açıklanmış</li><li>AI raporu özetlerken bu kısmı atlıyor</li><li>Yatırımcı eksik bilgiyle karar veriyor</li></ul><p><strong>Gerçek vaka:</strong> 2023&#39;te bazı finans platformları, AI özetlerinde kritik risklerin atlandığını fark etti ve manuel kontrol süreçleri ekledi.</p><h4>Uzun Sohbet Geçmişlerinde Unutulan Detaylar</h4><p>Chatbot’larla uzun konuşmalar yapıyorsunuz. Konuşmanın başında önemli bir tercih belirtiyorsunuz, ortasında farklı konular konuşuyorsunuz, sonunda başa dönüyorsunuz.</p><p><strong>Örnek:</strong></p><ul><li><strong>Sen (başta):</strong> “Bu projeyi Python’da yapıyorum, lütfen tüm örnekleri Python’da ver”</li><li><strong>[50 mesaj sonra…]</strong></li><li><strong>Sen (sonda):</strong> “Peki şimdi o kodu yazabilir misin?”</li><li><strong>AI:</strong> JavaScript ile örnek gönderiyor</li></ul><p><strong>Neden?</strong> Model başındaki “Python” tercihini “unuttu”, çünkü o bilgi artık çok geride kaldı.</p><h4>En Şok Edici Bulgu: Rastgele Tahminden Daha Kötü</h4><p>Scalene ML’nin 2024 testlerinde ortaya çıkan çarpıcı bir sonuç var: Bazı durumlarda, özellikle bağlam çok uzun olduğunda, modelin doğru cevabı bulma şansı <strong>%20&#39;nin altına</strong> düşüyor.</p><p>Bu ne demek? Modele hiçbir metin vermeden “tahmin et bakalım” deseniz, <strong>daha doğru cevap alabilirdiniz!</strong></p><p>Model sadece bilmiyor değil, uzun ve karmaşık bağlamdan <strong>kafası karışıyor</strong> ve yanlış çıkarımlar yapıyor. Bu, bilgi kirliliği (information pollution) yaratıyor.</p><h4>Pratik Sonuç</h4><p>“Lost in the Middle” bir laboratuvar problemi değil, <strong>günlük AI kullanımında</strong> karşılaşılan gerçek bir engel. İş dünyasında, hukukta, finans sektöründe kritik sonuçları olabiliyor.</p><p>Peki ne yapabiliriz? Bir sonraki bölümde çözüm ipuçlarına bakacağız.</p><h3>5. Çözüm İpuçları: Ne Yapabiliriz?</h3><p>Güzel haber: <strong>“Lost in the Middle”</strong> problemi kaçınılmaz değil! Doğru stratejilerle bu sorunu büyük ölçüde hafifletebilir, hatta bazı durumlarda tamamen ortadan kaldırabiliriz. İşte pratik çözümler:</p><h4>Strateji 1: Kritik Bilgiyi Başa veya Sona Taşı (Özellikle Sona!)</h4><p><strong>En basit ve en etkili çözüm budur.</strong> Araştırmalar gösteriyor ki, en güvenilir konum <strong>metnin sonu</strong>. Modeller son gördükleri bilgiyi neredeyse %90–100 doğrulukla kullanabiliyorlar.</p><p><strong>Kötü Örnek:</strong></p><p>Belge 1: [Genel bilgi]<br>Belge 2: [Genel bilgi]<br><strong>Belge 3: [KRİTİK BİLGİ — Satış hedefi]</strong><br>Belge 4: [Genel bilgi]<br>Belge 5: [Genel bilgi]</p><p><strong>Soru: Satış hedefi nedir?</strong></p><p><strong>İyi Örnek:</strong></p><p>Belge 1: [Genel bilgi]<br>Belge 2: [Genel bilgi]<br>Belge 3: [Genel bilgi]<br>Belge 4: [Genel bilgi]<br><strong>Belge 5: [KRİTİK BİLGİ — Satış hedefi]</strong></p><p><strong>Soru: Satış hedefi nedir?</strong></p><p><strong>Pratik İpucu:</strong> RAG sistemlerinde belge sıralamasını (ranking) önemseyin. En alakalı belgeleri sona yerleştirin.</p><h4>Strateji 2: Yapılandırılmış Prompt Kullan</h4><p>Düz metin yığını yerine, bilgiyi <strong>organize</strong> edin. Google Research’ün bulduğu gibi, yapılandırılmış format modelin “kaybolmasını” önlüyor.</p><p><strong>Kötü Örnek:</strong></p><p>Şirketimiz 2020&#39;de kuruldu. Kurucusu Ahmet Yılmaz. <br>Ofis İstanbul’da. Ürünümüz yapay zeka asistanı. <br>Çalışan sayısı 50. Gelir 5 milyon TL. Hedef pazar Türkiye…<br>[Böyle devam eden düz metin]</p><p><strong>İyi Örnek:</strong></p><h4>Şirket Bilgileri</h4><p><strong>Kuruluş:</strong><br>- Yıl: 2020<br>- Kurucu: Ahmet Yılmaz</p><p><strong>Organizasyon:</strong><br>- Çalışan Sayısı: 50<br>- Ofis: İstanbul</p><p><strong>Ürün:</strong><br>- Ana Ürün: Yapay Zeka Asistanı<br>- Hedef Pazar: Türkiye</p><ul><li><strong>Finansal:</strong><br>- Yıllık Gelir: 5 milyon TL</li></ul><p><strong>Veya JSON formatı:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/593/1*yvPsUAwvigzGXnw3DBdm0w.png" /><figcaption><strong>Resim — 3: Promt JSON Formatı</strong></figcaption></figure><p><strong>Neden İşe Yarıyor?</strong></p><p>Başlıklar ve yapı, modelin <strong>“yol haritası”</strong> oluyor. <strong>“Finansal bilgiyi bul”</strong> dediğinizde, doğrudan ilgili başlığa atlayabiliyor. Şöyle düşünün: Rastgele dizilmiş 100 kitaplı bir oda mı, yoksa alfabetik sıralı raflarla düzenlenmiş bir kütüphane mi? İkincisinde aradığınızı bulmak çok daha kolay.</p><h4>Strateji 3: Metni Parçala ve Böl (Chunking)</h4><p>100 sayfalık bir raporu tek seferde vermeyin! Parçalara bölün ve her parçayı ayrı işleyin.</p><p><strong>Yaklaşım:</strong></p><ol><li>Uzun belgeyi mantıklı bölümlere ayırın (her bölüm 2–3 sayfa)</li><li>Her bölümü ayrı ayrı AI’a gönderin</li><li>Her bölümden özet çıkarın</li><li>Bu özetleri birleştirerek final analiz yapın</li></ol><p><strong>Örnek Senaryo:</strong></p><ul><li>80 sayfalık yasal sözleşme → 10 bölüme ayır</li><li>Her bölümü ayrı analiz et: “Bu bölümde erken fesih maddesi var mı?”</li><li>Sonuçları birleştir</li></ul><p><strong>Avantaj:</strong> Her parça kısa olduğu için “ortada kaybolma” riski yok!</p><h4>Strateji 4: Chain-of-Thought — Adım Adım Düşündür</h4><p>Modele tek seferde büyük bir görev vermeyin. Küçük, yönetilebilir adımlara bölün.</p><p><strong>Kötü Prompt:</strong></p><p>“Bu 50 sayfalık raporu oku ve Q3 hedeflerini karşılayıp karşılamadığımızı söyle.”</p><p><strong>İyi Prompt (Chain-of-Thought):</strong></p><p>“Aşağıdaki raporu analiz ederken şu adımları izle:</p><ul><li>Adım 1: Rapordaki Q3 satış hedefini bul ve yaz</li><li>Adım 2: Gerçekleşen Q3 satış rakamını bul ve yaz</li><li>Adım 3: Bu iki rakamı karşılaştır</li><li>Adım 4: Hedef karşılandı mı, karşılanmadı mı? Farkı hesapla</li><li>Adım 5: Sonucunu açıkla”</li></ul><p><strong>Neden İşe Yarıyor?</strong></p><p>Her adım, modelin dikkatini metnin belirli bir kısmına yönlendiriyor. “Q3 hedefini bul” dediğinizde, o bilgi ortada bile olsa, odaklanmış arama yapıyor. Genel bir tarama yerine, adım adım hedefli aramalar yapması modelin başarı oranını artırıyor.</p><h4>Strateji 5: Önemli Bilgiyi Vurgula</h4><p>Prompt’unuza kritik bilgiyi <strong>tekrar edin</strong> veya <strong>vurgulayın</strong>.</p><p><strong>Örnek:</strong></p><p>“Önemli Not: Bu analizde özellikle ‘Madde 17: Erken Fesih Koşulları’na dikkat et.</p><p>[Sözleşme metni]</p><p>Soru: Erken fesih cezası var mı? (Özellikle Madde 17&#39;yi kontrol et)”</p><h4>Gerçek Dünya İpucu: Test Et ve Doğrula</h4><p>Hiçbir strateji %100 garantili değil. En iyi yaklaşım:</p><ul><li><strong>Kritik görevlerde AI’a körü körüne güvenmeyin</strong></li><li><strong>Önemli bilgileri manuel kontrol edin</strong></li><li><strong>Farklı prompt stratejileri deneyin</strong></li><li><strong>Sonuçları kıyaslayın</strong></li></ul><p>Özellikle hukuki, finansal veya tıbbi konularda, AI’ı “yardımcı” olarak görün, “son karar verici” olarak değil.</p><h3>6. Sonuç: Farkında Olmak Güçtür</h3><p>“Lost in the Middle” bizi önemli bir gerçekle yüz yüze getiriyor: <strong>LLM’ler inanılmaz güçlü ama mükemmel değiller.</strong> Milyonlarca kelimelik bağlam penceresi size “her şeyi okuyabilirim” güvencesi vermiyor. Kritik bilgi ortada bir yerdeyse, kaybolabilir.</p><h4>Öğrendiğimiz En Önemli Dersler</h4><p><strong>Birincisi:</strong> Bu sorun tesadüfi değil, yapısal. GPT’den Claude’a, Gemini’den Grok’a neredeyse tüm modeller aynı U-şekilli performans düşüşünü gösteriyor.</p><p><strong>İkincisi:</strong> Basit stratejilerle bu sorunun etkisini büyük ölçüde azaltabilirsiniz. Kritik bilgiyi sona taşımak, yapılandırılmış prompt kullanmak, metni parçalamak… Bunlar işe yarayan, uygulanabilir çözümler.</p><p><strong>Üçüncüsü:</strong> AI’a körü körüne güvenmek tehlikeli. Özellikle kritik kararlarda, AI’ı “yardımcı” olarak görün, “tek karar verici” olarak değil.</p><h4>Gelecekte Ne Bekleyebiliriz?</h4><p>İyi haber: Bu problem çözüm bekleyen bir araştırma alanı ve ciddi çalışmalar var.</p><p><strong>Anthropic’in PAM QA (Position-Agnostic Model QA)</strong> gibi yeni eğitim yöntemleri umut verici. Bu tekniklerle eğitilen modeller, bilginin konumundan bağımsız olarak daha eşit performans gösteriyor. U-şekli düzleşiyor, ortadaki performans düşüşü azalıyor.</p><p><strong>OpenAI, Google ve diğer büyük oyuncular</strong> da bu konuda aktif çalışıyorlar. Gelecek nesil modellerde <strong>“Lost in the Middle”</strong> sorununun çok daha az görülmesini bekleyebiliriz.</p><h4>Kendin Test Edebilirsin!</h4><p>Merak ettiyseniz, <strong>NIAH (Needle In A Haystack)</strong> test framework’ü ile kendi modelinizi veya kullandığınız AI’ı test edebilirsiniz. Açık kaynak kodlu bu araç, herkesin “Lost in the Middle” problemini somut olarak görmesini sağlıyor. GitHub’da bulabilirsiniz.</p><h4>Son Soru</h4><p>Peki ya sen? Hiç ChatGPT’ye, Claude’a veya başka bir AI’a uzun bir metin verip, ortadaki kritik bir bilgiyi atladığını fark ettin mi? Belki bir rapor özeti yanlış çıktı, belki önemli bir detay gözden kaçtı?</p><p>Artık nedenini biliyorsun: <strong>“Lost in the Middle”</strong></p><p>Ve artık ne yapman gerektiğini de biliyorsun: Kritik bilgiyi sona taşı, yapılandır, parçala, adım adım düşündür.</p><p><strong>Farkında olmak, başarının ilk adımıdır.</strong> AI’ın gücünü kullanırken, sınırlarını da bilmek, daha akıllı ve güvenli kullanım demektir.</p><h4>Daha Derinlemesine: Akademik Kaynaklar</h4><p>Bu konuda daha fazla bilgi edinmek isterseniz, işte temel araştırma makaleleri:</p><ol><li><strong>Lost in the Middle: How Language Models Use Long Contexts</strong> (Stanford/Berkeley, 2023) <em>Nelson F. Liu, Kevin Lin, John Hewitt ve arkadaşları</em> “Lost in the Middle” kavramını ilk kez ortaya koyan ve U-şekilli performans düşüşünü sistematik olarak belgeleyen öncü çalışma. <strong>[PDF: </strong><a href="https://arxiv.org/pdf/2307.03172.pdf"><strong>https://arxiv.org/pdf/2307.03172.pdf</strong></a><strong>]</strong></li></ol><p><strong>2. Never Lost in the Middle: Mastering Long-Context Question Answering</strong> (IDEA, 2024) <em>Junqing He, Kunhao Pan ve arkadaşları</em> Position-Agnostic eğitim yöntemiyle soruna çözüm arayan, ortadaki performans düşüşünü başarıyla azaltan yenilikçi yaklaşım.</p><p><strong>[PDF: </strong><a href="https://arxiv.org/pdf/2311.09198.pdf"><strong>https://arxiv.org/pdf/2311.09198.pdf</strong></a><strong>]</strong></p><p><strong>3. Found in the Middle: How Language Models Use Long Contexts Better</strong> (2024) <em>Zhenyu Zhang, Runjin Chen ve arkadaşları</em> Plug-and-play positional encoding teknikleriyle modellerin uzun bağlamlardaki performansını artıran pratik çözüm önerisi.</p><p><strong>[PDF: </strong><a href="https://arxiv.org/pdf/2403.04797.pdf"><strong>https://arxiv.org/pdf/2403.04797.pdf</strong></a><strong>]</strong></p><p><strong>4. Lost in the Middle: An Emergent Property from Information Retrieval Demands</strong> (Rutgers, 2025) <em>Nikolaus Salvatore, Hao Wang, Qiong Zhang</em> “Lost in the Middle”ı bilgi erişim taleplerinden kaynaklanan yeni ortaya çıkan bir özellik olarak inceleyen güncel çalışma.</p><p><strong>[PDF: </strong><a href="https://arxiv.org/pdf/2510.10276.pdf"><strong>https://arxiv.org/pdf/2510.10276.pdf</strong></a><strong>]</strong></p><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9bfd2fc10ee2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RNA Origamisi: 30 Farklı Stratejiyle Moleküllerin 3D Şeklini Tahmin Etme Yolculuğu]]></title>
            <link>https://medium.com/@mmehmetisik/rna-origamisi-30-farkl%C4%B1-stratejiyle-molek%C3%BCllerin-3d-%C5%9Feklini-tahmin-etme-yolculu%C4%9Fu-cd6275dfc2fc?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/cd6275dfc2fc</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[rna]]></category>
            <category><![CDATA[machinelerning]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Tue, 30 Sep 2025 12:56:52 GMT</pubDate>
            <atom:updated>2025-11-11T06:31:03.995Z</atom:updated>
            <content:encoded><![CDATA[<h3>İçindekiler</h3><ol><li>Giriş: Neden RNA Yapı Tahmini Kritik?</li><li>Veriyi Anlamak: Stanford Yarışmasından Kritik İçgörüler</li><li>30 Stratejili Tahmin Mühendisliği Yolculuğum</li><li>Model Seçimi ve Performans Analizi</li><li>Öğrendiklerim ve Sonuç</li></ol><h3>1. Giriş</h3><blockquote>Hoş Geldiniz!</blockquote><blockquote>Bu yazımda, yaşamın en temel moleküllerinden biri olan RNA’nın üç boyutlu yapısını tahmin etmede makine öğrenmesinin gücünü nasıl kullandığımı paylaşacağım. 2024&#39;te Stanford’un düzenlediğinde bilim dünyasında yankı uyandıran RNA 3D Folding yarışması, <strong>12 farklı RNA molekülünün toplam 2,515 atom pozisyonunu tahmin etme</strong> mücadelesiydi. Nature Methods’ta yayınlanan RNA-Puzzles makalesinden ilham alarak, <strong>18 farklı araştırma grubunun başarısız olduğu problemlere</strong> yeni bir bakış açısı getirmeyi hedefledim.</blockquote><blockquote>Yazı boyunca, <strong>30 farklı strateji deneyerek</strong> nasıl 0.089&#39;dan başlayıp 0.205 skoruna ulaştığımı, her biri farklı biyolojik prensipleri temsil eden <strong>5 ana model kategorisinden</strong> nasıl yararlandığımı ve %130&#39;luk performans artışını nasıl başardığımı adım adım anlatacağım. <strong>Korelasyonlu gürültü analizi (KGA)</strong> ortaya çıkardığım en kritik bulgu: RNA moleküllerinin koordinatları arasında %75 korelasyon olduğu ve bu korelasyonu modele dahil ettiğimde skorumun 0.194&#39;e fırladığı gerçeği, RNA dinamiğini anlamada yepyeni bir kapı açtı.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/350/1*_t2tIfjTXhE1_4E7kzQh6g.png" /><figcaption>Resim — 1: RNA 3D Fold</figcaption></figure><h3>2. Veriyi Anlamak: Stanford Yarışmasından Kritik İçgörüler</h3><p>RNA yapı tahmininin zorluğunu anlamak için önce veri setimize bakalım. Stanford yarışmasında <strong>844 RNA dizisi</strong> eğitim setinde bulunuyordu, ancak temporal filtreleme sonrası bu sayı <strong>692&#39;ye</strong> düştü. Her RNA dizisi için tahmin etmemiz gereken:</p><ul><li><strong>X, Y, Z koordinatları</strong> (3D uzayda atomik pozisyonlar)</li><li><strong>69 farklı nükleotid pozisyonu</strong> ortalama olarak</li><li>Toplamda <strong>15,687 atomik koordinat</strong> tahmini</li></ul><p>Veri analizimde ortaya çıkan en çarpıcı bulgulardan biri, RNA uzunluk dağılımıydı:</p><ul><li><strong>Kısa RNA’lar (&lt;40 nükleotid)</strong>: Test setinin %25&#39;i</li><li><strong>Orta RNA’lar (40–120 nükleotid)</strong>: Test setinin %17&#39;si</li><li><strong>Uzun RNA’lar (&gt;120 nükleotid)</strong>: Test setinin %58&#39;i</li></ul><p>Bu dağılım, neden <strong>RNA uzunluğuna adaptif parametre stratejisinin</strong> 0.205 gibi yüksek bir skor verdiğini açıklıyor. Uzun RNA’lar için özel optimizasyon yapmak, skorumu %18 artırdı.</p><h3>3. 30 Stratejili Tahmin Mühendisliği Yolculuğum</h3><p>Deney sürecimi üç ana fazda organize ettim ve her fazda farklı hipotezleri test ettim:</p><h4>Faz 1: Temel Modeller ve İlk Hayal Kırıklıkları (Stratejiler 1–10)</h4><p>İlk 10 stratejide klasik makine öğrenmesi yaklaşımlarını denedim. En şaşırtıcı sonuç, <strong>CNN-entegreli hibrit modelimin</strong> sadece 0.089 skor almasıydı. Nature Methods makalesinde belirtilen “derin öğrenme RNA’da henüz başarılı değil” tespitini birebir yaşadım. <strong>200 ağaçlı RandomForest</strong> modelim (0.149) bile CNN’den daha başarılıydı.</p><h4>Faz 2: Biyolojik İçgörülerle Ensemble Stratejileri (Stratejiler 11–20)</h4><p>Bu fazda RNA’nın biyolojik özelliklerini modele entegre ettim. En başarılı üç strateji:</p><ol><li><strong>Korelasyonlu Gürültü Stratejisi</strong> (0.194): X, Y, Z koordinatları arasında %75 korelasyon</li><li><strong>Yapılar Arası Korelasyon</strong> (0.193): Her yapı bir öncekinden %30–40 etkileniyor</li><li><strong>RNA Motif-Bazlı Varyasyon</strong> (0.192): Stem bölgeleri 0.7, loop bölgeleri 1.5 esneklik faktörü</li></ol><h4>Faz 3: İnce Ayarlar ve Adaptif Parametreler (Stratejiler 21–30)</h4><p>Son 10 stratejide, önceki başarıları birleştirip optimize ettim. <strong>RNA Uzunluğuna Adaptif Parametre</strong> yaklaşımım en yüksek skoru (0.205) verdi. Bu stratejide:</p><ul><li><strong>123 farklı parametre kombinasyonu</strong> test ettim</li><li><strong>7 farklı gürültü dağılımı</strong> (Laplace, Student’s t, Normal, vb.) kullandım</li><li><strong>4 seviyeli iteratif düzeltme</strong> sistemi kurdum</li></ul><h3>4. Model Seçimi ve Performans Analizi</h3><h4>En Başarılı 5 Model ve Skorları:</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_rf3w_CpvFf1zqjZvmyhgA.png" /><figcaption><strong>Tablo — 1: Karşılaştırma Tablosu</strong></figcaption></figure><h4>Başarısız Olan Yaklaşımlar ve Nedenleri:</h4><p><strong>CNN Entegrasyonu (0.089)</strong>: RNA veri setinin küçüklüğü (692 örnek) derin öğrenme için yetersiz kaldı. Protein yapı tahmininde başarılı olan yöntemler, RNA’da veri kısıtlılığı nedeniyle başarısız oldu.</p><p><strong>Aşırı Karmaşık Ensemble (0.142)</strong>: 15 farklı model kombinasyonu ve 200+ parametre kullandığım bu strateji, aşırı uyum (overfitting) nedeniyle düşük performans gösterdi.</p><h3>5. Öğrendiklerim ve Sonuç</h3><p>Bu yolculukta edindiğim en değerli içgörüler:</p><h4>Üç Kritik Ders:</h4><blockquote><strong>Biyolojik Gerçeklik &gt; Matematiksel Elegans</strong>: RNA’nın doğal davranışını taklit eden basit modeller, karmaşık matematiksel modellerden daha başarılı oldu.</blockquote><blockquote><strong>Seed 123&#39;ün Gizemi</strong>: Tüm deneylerimde seed değeri 123, diğer seed’lerden ortalama %8 daha iyi performans gösterdi. Bu, RNA katlanmasında belirli stokastik paternlerin varlığını düşündürüyor.</blockquote><blockquote><strong>Boyut Hassasiyeti</strong>: Test setindeki RNA’ların %58&#39;inin uzun olması, adaptif parametre stratejimin başarısını açıklıyor. Tek bir çözüm tüm RNA boyutlarına uymuyor.</blockquote><h3>Gelecek İçin Yol Haritası:</h3><p>RNA yapı tahminindeki 0.205 skorum, birinci olan 0.505&#39;in gerisinde kalsa da, bu çalışma RNA dinamiğini anlamada önemli içgörüler sunuyor. Özellikle <strong>korelasyonlu hareket</strong> ve <strong>boyut-adaptif parametreler</strong> konusundaki bulgularım, gelecekteki RNA tahmin algoritmalarına yön verebilir.</p><p>Tüm kodlarımı ve 30 stratejimin detaylarını <a href="https://github.com/mmehmetisik/RNA-3D-Structure-Prediction-Pipeline"><strong><em>GitHub</em></strong></a>’da açık kaynak olarak paylaştım. RNA terapötikleri çağının başındayız ve bu alandaki her katkı, yarının tedavilerini şekillendiriyor. Belki de RNA’nın AlphaFold’u sizin katkılarınızla gelişecek.</p><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cd6275dfc2fc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tanrı Parçacığını Avlamak: CERN Verilerinde Makine Öğrenmesi Yolculuğu]]></title>
            <link>https://medium.com/@mmehmetisik/tanr%C4%B1-par%C3%A7ac%C4%B1%C4%9F%C4%B1n%C4%B1-avlamak-cern-verilerinde-makine-%C3%B6%C4%9Frenmesi-yolculu%C4%9Fu-a416f7276952?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/a416f7276952</guid>
            <category><![CDATA[cern]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[physics]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Sun, 21 Sep 2025 19:23:52 GMT</pubDate>
            <atom:updated>2025-11-11T06:30:07.408Z</atom:updated>
            <content:encoded><![CDATA[<h3>İçindekiler</h3><ol><li>Giriş: Neden Higgs Boson Önemli?</li><li>Veriyi Anlamak: EDA’dan Kritik İçgörüler</li><li>9 Katmanlı Özellik Mühendisliği Stratejim</li><li>Model Seçimi ve Performans</li><li>Öğrendiklerim ve Sonuç</li></ol><h3>1. Giriş</h3><blockquote><strong><em>Hoş Geldiniz!</em></strong></blockquote><blockquote><em>Bu yazımda, </em><strong><em>parçacık fiziğinin en büyük gizemlerinden biri olan Higgs Boson’un tespitinde makine öğrenmesinin gücünü</em></strong><em> nasıl kullandığımı paylaşacağım. 2012&#39;de CERN’de keşfedildiğinde bilim dünyasında büyük yankı uyandıran bu parçacık, </em><strong><em>evrendeki tüm parçacıklara kütle kazandıran mekanizmanın anahtarıdır.</em></strong><em> Kaggle’ın Higgs Boson Detection 2025 yarışmasında, </em><strong><em>CERN’ün ATLAS dedektöründen gelen gerçekçi simülasyon verilerini analiz ederek</em></strong><em>, bu efsanevi parçacığın izlerini sürdüm.</em></blockquote><blockquote><em>Yazı boyunca, </em><strong><em>50.000 parçacık çarpışma olayını nasıl analiz ettiğimi</em></strong><em>, her biri farklı fiziksel süreçleri temsil eden </em><strong><em>28 özellikten 563 özelliğe nasıl ulaştığımı</em></strong><em> ve </em><strong><em>%80.4 AUC skoru ile sinyal-gürültü ayrımını</em></strong><em> nasıl başardığımı adım adım anlatacağım. </em><strong><em>Keşifsel veri analizinde (EDA) ortaya çıkardığım kritik içgörülerden, fizik bilgisiyle desteklediğim 9 katmanlı özellik mühendisliği mimarisine</em></strong><em> kadar tüm süreci detaylandıracağım.</em></blockquote><blockquote><em>Bu yolculuk, </em><strong><em>sadece bir makine öğrenmesi problemi değil, aynı zamanda modern fiziğin en karmaşık deneylerinden birini anlama çabasıydı.</em></strong><em> Eğer </em><strong><em>veri biliminin gerçek dünya problemlerine nasıl uygulandığını, domain bilgisinin model performansını nasıl artırdığını</em></strong><em> görmek istiyorsanız, bu yazı tam size göre!</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2iZsHnzyDfS5modXDkOaIA.png" /><figcaption><strong>Resim — 1: Higgs Boson ÇarpışmaSimülasyonu</strong></figcaption></figure><h3>2. Veriyi Anlamak: EDA’dan Kritik İçgörüler</h3><p><em>Veri analizine başladığımda karşıma çıkan ilk sürpriz, </em><strong><em>5 özelliğin %30–65 oranında sıfır değer içermesiydi.</em></strong><em> Parçacık fiziğinde sıfır değerler rastgele değildir — bir parçacığın yokluğunu veya dedektörün o bölgeye ulaşamamasını gösterir. Bu yüzden bu özellikleri silmek yerine </em><strong><em>binary indicator’lara dönüştürdüm</em></strong><em>: parçacık var mı, yok mu?</em></p><p><em>İkinci kritik bulgu, </em><strong><em>f25, f27 ve f24 özelliklerinin hedef değişkenle güçlü korelasyonuydu.</em></strong><em> Pairplot analizinde bu üç özelliğin birlikte sinyal ve arka plan olaylarını net bir şekilde ayırdığını gördüm. Bu keşif, özellik mühendisliği stratejimin temelini oluşturdu.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ftb1lAQEbDjCOFIl.png" /><figcaption><strong>Resim — 2: Korelasyon Matrisi</strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*AtGtJgwx1vWZ9kII.png" /><figcaption><strong>Resim — 3: Saçılım Grafiği</strong></figcaption></figure><p><em>Son olarak, </em><strong><em>12 özellikte outlier tespit ettim.</em></strong><em> Bunlar muhtemelen dedektör arızaları veya kozmik ışın girişimleriydi. Threshold değerleriyle sınırlandırarak fiziksel olmayan ölçümleri kontrol altına aldım.</em></p><h3>3. 9 Katmanlı Özellik Mühendisliği Stratejim</h3><p><em>28 özellikten 563&#39;e çıkan yolculuğum, </em><strong><em>her katmanın farklı bir fiziksel etkileşimi modellemesiyle</em></strong><em> başladı. İlk üç katman temel etkileşimlerdi: ikili çarpımlar, polinom dönüşümler ve üçlü kombinasyonlar. Bunlar parçacıklar arası momentum transferini yakalamak içindi.</em></p><p><em>Orta katmanlarda </em><strong><em>logaritmik ve karekök dönüşümlerle non-linear ilişkileri</em></strong><em>, oran özellikleriyle de göreli ölçümleri modelledim. Son katmanlar ise istatistiksel agregasyonlar ve sıfır değer pattern’lerini içeriyordu.</em></p><p><em>En etkili katman, </em><strong><em>binary indicator’ların sürekli özelliklerle çarpılmasıydı.</em></strong><em> Bu, “eğer parçacık varsa, enerjisi ne kadar?” sorusuna cevap veriyordu — tam da fizikçilerin aradığı bilgi.</em></p><h3>4. Model Seçimi ve Performans</h3><p><em>Neden CatBoost’u seçtim? Üç temel nedeni vardı: </em><strong><em>kategorik özellikleri otomatik işlemesi, overfitting’e karşı güçlü direnci ve hızlı eğitim süresi.</em></strong><em> XGBoost ve LightGBM’i de denedim ancak CatBoost, özellikle yüksek boyutlu özellik uzayımda daha stabil performans gösterdi.</em></p><p><em>5-katlı stratifiye çapraz doğrulama kullandım ve </em><strong><em>her katta tutarlı 0.804 (±0.002) AUC skoru</em></strong><em> elde ettim. Bu tutarlılık, modelimin genelleme yeteneğinin güçlü olduğunu gösteriyordu. En önemli bulgu, </em><strong><em>orijinal f25, f27, f26 özelliklerinin türetilmiş özelliklerden bile daha önemli kalmasıydı</em></strong><em> — fiziksel gerçekliğin gücü!</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/0*tra3kU1Xn4pZEwhZ.png" /><figcaption><strong>Resim — 4: ROC Curve</strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*D_wmT9Dz3_Mic8AY.png" /><figcaption><strong>Resim — 5: Feature Importantce</strong></figcaption></figure><p><em>Hyperparameter optimizasyonunda Optuna kullandım. İlginç olan, </em><strong><em>derin ağaçlar (depth=8) ve düşük learning rate (0.016)</em></strong><em> kombinasyonunun en iyi sonucu vermesiydi. Bu, karmaşık etkileşimleri yakalamak için derinliğe ihtiyacımız olduğunu gösterdi.</em></p><h3>5. Öğrendiklerim ve Sonuç</h3><p><em>Bu yarışmadan üç ana ders çıkarıyorum: Birincisi, </em><strong><em>domain bilgisi her şeyden önemli.</em></strong><em> Sıfır değerlerin fiziksel anlamını bilmek, onları binary indicator’a dönüştürme fikrini doğurdu. İkincisi, </em><strong><em>sistematik özellik mühendisliği rastgele deneme-yanılmadan daha etkili.</em></strong><em> Her katmanın belirli bir amacı vardı. Üçüncüsü, </em><strong><em>bazen basit özellikler en güçlüleridir</em></strong><em> — f25 gibi orijinal özellikler tüm türevlerden daha önemliydi.</em></p><p><em>Gelecekte denemek istediğim yaklaşımlar arasında </em><strong><em>invariant mass gibi fizik tabanlı özellikler</em></strong><em> ve </em><strong><em>Graph Neural Networks</em></strong><em> var. Parçacık etkileşimleri doğal olarak graph yapısında olduğu için GNN’ler bu problemde çok etkili olabilir.</em></p><blockquote>Sonuç olarak, %80.4 AUC skoru sadece bir sayı değil — <strong>fizik bilgisi ve veri biliminin buluştuğu noktada</strong> elde edilmiş bir başarı. Tüm analizleri ve kodu iki ayrı notebook’ta detaylandırdım: <a href="https://www.kaggle.com/code/mehmetisik/higgs-boson-detection-eda-2025"><strong>EDA sürecim için buradan</strong></a> veriyi nasıl keşfettiğimi,<strong> </strong><a href="https://www.kaggle.com/code/mehmetisik/higgs-boson-2025-9-layer-feature-eng-catboost"><strong>9 katmanlı özellik mühendisliği ve CatBoost modelim için buradan</strong></a> da tam implementasyonu inceleyebilirsiniz. GitHub repository’mde ise her iki notebook’u tek bir proje olarak bulabilirsiniz.</blockquote><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a416f7276952" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RFM Analizi ile Müşterilerinizi Daha İyi Anlayın: Recency, Frequency ve Monetary’nin Gücü]]></title>
            <link>https://medium.com/@mmehmetisik/rfm-analizi-ile-m%C3%BC%C5%9Fterilerinizi-daha-i%CC%87yi-anlay%C4%B1n-recency-frequency-ve-monetarynin-g%C3%BCc%C3%BC-29fb204e3a2d?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/29fb204e3a2d</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[crm]]></category>
            <category><![CDATA[rfm-analysis]]></category>
            <category><![CDATA[analytics]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Sun, 02 Feb 2025 12:29:00 GMT</pubDate>
            <atom:updated>2025-02-02T12:29:00.607Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>İçindekiler</strong><br><strong>1. Giriş</strong><br> 2. RFM Analizi Nedir?<br> 2.1. RFM Kavramının Tanımı<br> 2.2. Neden RFM Kullanılır?<br> 2.3. RFM’nin Pazarlama Stratejilerine Katkıları<br> 2.4. Özet: RFM Neden Önemlidir?<br><strong>3. RFM’nin Bileşenleri: Recency, Frequency, Monetary</strong><br> 3.1. Recency (Güncellik) Nedir?<br> 3.2. Frequency (Sıklık) Nedir?<br> 3.3. Monetary (Parasal Değer) Nedir?<br> 3.4. Özet: RFM’nin Bileşenleri Neden Önemlidir?<br><strong>4. RFM Metrikleri Nasıl Hesaplanır?</strong><br> 4.1. Recency (Güncellik) Hesaplama Yöntemi<br> 4.2. Frequency (Sıklık) Hesaplama Yöntemi<br> 4.3. Monetary (Parasal Değer) Hesaplama Yöntemi<br> 4.4. Özet: RFM Metrikleri Nasıl Hesaplanır?<br><strong>5. RFM Skorlarının Hesaplanması</strong><br> 5.1. Skorlama Metodolojisi<br> 5.2. 1–5 Skalası Kullanımı (RFM Skorlarının Belirlenmesi)<br> 5.3. RFM Skorlarının Birleştirilmesi<br> 5.4. Segment Oluşturma Kriterleri<br> 5.5. Özet: RFM Skorlarının Hesaplanması<br><strong>6. RFM Segmentleri</strong><br> 6.1. Temel Müşteri Segmentleri<br> 6.2. Her Segment İçin Özel Stratejiler<br> 6.2.1. Champions (Şampiyonlar)<br> 6.2.2. Loyal Customers (Sadık Müşteriler)<br> 6.2.3. Lost Customers (Kayıp Müşteriler)<br> 6.2.4. At Risk (Riskli Müşteriler)<br> 6.2.5. Potential Loyalists (Potansiyel Sadık Müşteriler)<br> 6.2.6. New Customers (Yeni Müşteriler)<br> 6.3. Özet: RFM Segmentleri ve Kullanım Alanları<br><strong>7. Uygulama Örneği: RFM Analizi Nasıl Yapılır?</strong><br> 7.1. Veri Setinin Yüklenmesi ve İncelenmesi<br> 7.2. RFM Metriklerini Hesaplama<br> 7.3. RFM Skorlarının Hesaplanması<br> 7.4. Müşteri Segmentlerinin Belirlenmesi<br> 7.5. RFM Sonuçlarının Görselleştirilmesi<br> 7.6. Özet: RFM Analizi Nasıl Yapılır?<br><strong>8. Sonuç ve Öneriler</strong></p><h3>1. Giriş</h3><blockquote><strong>Hoş Geldiniz!</strong></blockquote><blockquote>Bu yazımızda, <strong>veriye dayalı pazarlama ve müşteri segmentasyonu alanında en güçlü yöntemlerden biri olan RFM Analizini</strong> detaylı bir şekilde ele alacağız. Günümüz rekabetçi iş dünyasında, müşterilerin satın alma alışkanlıklarını anlamak ve onlara <strong>doğru zamanda, doğru stratejilerle ulaşmak</strong>, işletmeler için kritik bir gereklilik haline gelmiştir.</blockquote><blockquote>Yazı boyunca, <strong>RFM analizinin temel kavramlarından uygulamalı örneklere kadar geniş bir perspektifte bilgiler paylaşacağız.</strong> Müşterilerin satın alma davranışlarını <strong>Recency (Güncellik), Frequency (Sıklık) ve Monetary (Parasal Değer)</strong> metrikleriyle nasıl analiz edebileceğimizi inceleyeceğiz. <strong>Gerçek dünya uygulamalarıyla, RFM modelinin işletmelere nasıl değer kattığını ve pazarlama stratejilerini nasıl daha verimli hale getirdiğini</strong> keşfedeceğiz.</blockquote><blockquote>RFM analizi, <strong>doğru müşteri segmentasyonu yaparak sadakat programlarını optimize etmek, kayıp müşterileri geri kazanmak ve pazarlama bütçesini en verimli şekilde yönetmek için</strong> kritik bir araçtır. Eğer <strong>müşterilerinizi daha iyi tanımak, onları gruplara ayırarak özel kampanyalar oluşturmak ve işletmenizin gelirlerini artırmak</strong> istiyorsanız, bu yazı tam size göre!</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1020/1*A_KDkS82MaubRTKP9SQEVQ.png" /><figcaption><strong>Resim — 1: RFM Analizi</strong></figcaption></figure><h3>2. RFM Analizi Nedir?</h3><p>Müşteri davranışlarını anlamak ve onları daha verimli segmentlere ayırmak için kullanılan en popüler yöntemlerden biri <strong>RFM Analizi</strong>dir. İşletmeler, müşteri bağlılığını artırmak ve satışlarını optimize etmek için <strong>Recency (Güncellik), Frequency (Sıklık) ve Monetary (Parasal Değer)</strong> metriklerini kullanarak müşterilerini çeşitli gruplara ayırır.</p><p>RFM analizi sayesinde, <strong>en sadık müşterileriniz ile kaybetme riski taşıyan müşterileri</strong> belirleyebilir ve onlara yönelik özelleştirilmiş pazarlama stratejileri geliştirebilirsiniz.</p><h4>2.1. RFM Kavramının Tanımı</h4><p><strong>RFM (Recency, Frequency, Monetary)</strong> analizi, müşterilerin satın alma davranışlarını üç temel kritere göre değerlendirerek, <strong>müşteri</strong> segmentasyonu yapmayı sağlayan bir tekniktir:</p><ul><li><strong>Recency (Güncellik):</strong> Müşterinin son alışveriş yaptığı tarihten itibaren geçen süre</li><li><strong>Frequency (Sıklık):</strong> Müşterinin belirli bir zaman dilimi içinde yaptığı alışveriş sayısı</li><li><strong>Monetary (Parasal Değer):</strong> Müşterinin toplam harcama miktarı</li></ul><p>Bu üç metrik, müşterinin <strong><em>marka ile ne kadar aktif etkileşimde olduğunu</em></strong><em>, </em><strong><em>ne kadar sık alışveriş yaptığını</em></strong> ve <strong><em>ne kadar gelir sağladığını</em></strong> ölçmek için kullanılır.</p><h4>2.2. Neden RFM Kullanılır?</h4><p><strong>RFM analizi</strong>, geleneksel müşteri segmentasyon yöntemlerine kıyasla daha <strong>veriye dayalı ve isabetli</strong> sonuçlar sunar. İşte <strong>RFM</strong> analizinin <strong>neden tercih edildiğini</strong> gösteren bazı avantajlar:</p><p>✅ <strong>Hızlı ve Etkili:</strong> Büyük veri kümelerinde bile kolayca uygulanabilir.<br>✅ <strong>Özelleştirilmiş Pazarlama:</strong> Farklı müşteri gruplarına özel kampanyalar tasarlanabilir.<br>✅ <strong>Müşteri Bağlılığını Artırır:</strong> Sadık müşterileri ödüllendirmek ve riskli müşterileri geri kazanmak için kullanılabilir.<br>✅ <strong>Karlılığı Artırır:</strong> Yüksek harcama yapan müşterilere daha fazla değer sunularak gelir maksimize edilir.<br>✅ <strong>Müşteri Kaybını Önler:</strong> Kayıp riski taşıyan müşteriler erken tespit edilerek yeniden kazanım stratejileri uygulanabilir.</p><blockquote>Geleneksel müşteri segmentasyonu genellikle <strong>demografik veya psikografik verileri</strong> kullanırken, <strong>RFM analizi doğrudan müşterinin satın alma davranışına dayanır</strong>. Bu yüzden pazarlama ekipleri için daha güvenilir içgörüler sunar.</blockquote><h4>2.3. RFM’nin Pazarlama Stratejilerine Katkıları</h4><p><strong>RFM</strong> analizi, pazarlama stratejilerinde güçlü bir şekilde kullanılan bir yöntemdir. İşte RFM analiziyle geliştirilebilecek bazı pazarlama stratejileri:</p><p>📌 <strong>Kişiselleştirilmiş Kampanyalar</strong><br><strong>RFM</strong> ile müşteriler <strong>segmentlere</strong> ayrıldığı için, her segmente özel <strong>e-posta, SMS, indirim ve reklam kampanyaları</strong> oluşturulabilir. Örneğin:</p><ul><li><strong>Sadık müşterilere</strong> özel ödüller ve VIP programlar</li><li><strong>Kayıp müşterilere</strong> özel geri dönüş teklifleri</li><li><strong>Yeni müşterilere</strong> ilk alışveriş indirimleri</li></ul><p>📌 <strong>Doğru Zamanlama ile Etkileşimi Artırma</strong><br>RFM analizi ile müşterilerin satın alma sıklıkları analiz edilerek, <strong>doğru zamanda doğru mesaj</strong> ile etkileşim artırılabilir. Örneğin, uzun süredir alışveriş yapmayan bir müşteriye <strong>hatırlatma ve özel teklif içeren bir e-posta</strong> göndermek etkili olabilir.</p><p>📌 <strong>Daha Verimli Reklam Bütçesi Kullanımı</strong><br><strong>RFM</strong> analizi, <strong>reklam bütçesini optimize etmek</strong> için de kullanılır. Örneğin, sadık müşterilere harcama yaparak onlardan daha fazla gelir elde etmek mümkünken, kayıp müşterilere yönelik agresif reklam kampanyaları yerine <strong>farklı teşvik edici stratejiler</strong> uygulanabilir.</p><p>📌 <strong>Müşteri Yaşam Boyu Değerini (CLV) Artırma</strong><br><strong>RFM</strong>, <strong>müşterinin işletmeye olan toplam değerini (Customer Lifetime Value — CLV)</strong> artırmak için de kullanılır. Örneğin:</p><ul><li>Daha fazla harcama yapan müşterilere ek teklifler sunulabilir.</li><li>Az sıklıkla alışveriş yapan ancak yüksek harcama yapan müşteriler için premium hizmetler önerilebilir.</li></ul><p><strong>RFM</strong> ile, <strong>müşterinin yaşam döngüsünü</strong> daha iyi anlayarak <strong>ona uygun pazarlama stratejileri oluşturabilirsiniz</strong>.</p><h4>2.4. Özet: RFM Neden Önemlidir?</h4><p>✔ Hızlı ve verimli müşteri segmentasyonu yapmayı sağlar.<br>✔ Doğrudan müşteri davranışına dayalı olduğu için yüksek doğruluk oranına sahiptir.<br>✔ Pazarlama bütçesini optimize ederek daha iyi yatırım getirisi (ROI) sağlar.<br>✔ Sadık müşterileri ödüllendirirken kayıp müşterileri geri kazanmak için kullanılabilir.</p><h3>3. RFM’nin Bileşenleri: Recency, Frequency, Monetary</h3><p>RFM analizi, müşteri segmentasyonu için <strong>üç temel metriğe</strong> dayanır:</p><p>1️⃣ <strong>Recency (Güncellik)</strong> — Müşteri en son ne zaman alışveriş yaptı?<br>2️⃣ <strong>Frequency (Sıklık)</strong> — Müşteri belirli bir süre içinde kaç kez alışveriş yaptı?<br>3️⃣ <strong>Monetary (Parasal Değer)</strong> — Müşteri toplamda ne kadar harcama yaptı?</p><p>Bu üç metrik, <strong>müşterilerin işletmeyle olan ilişkisini anlamamıza ve onlara daha iyi hizmet sunmamıza</strong> yardımcı olur.</p><h4>3.1. Recency (Güncellik) Nedir?</h4><p><strong>Recency (Güncellik)</strong>, müşterinin en son alışveriş yaptığı tarihin günümüzden ne kadar uzak olduğunu gösterir.</p><p>📌 <strong>Önemi:</strong></p><ul><li>Yakın zamanda alışveriş yapan müşteriler, işletme için daha değerlidir.</li><li>Uzun süredir alışveriş yapmamış müşteriler, kaybedilme riski taşır.</li><li>Kampanya zamanlaması için önemli bir metrik sağlar.</li></ul><p>📌 <strong>Örnek:</strong></p><ul><li>3 gün önce alışveriş yapan bir müşteri <strong>yüksek Recency skoru</strong> alır (değerli müşteri).</li><li>90 gün önce alışveriş yapan bir müşteri <strong>düşük Recency skoru</strong> alır (yeniden kazanılması gereken müşteri).</li></ul><p>📌 <strong>Nasıl Hesaplanır?</strong><br><strong>Recency</strong>, genellikle en son alışveriş tarihini baz alarak hesaplanır:</p><p><strong><em>Recency= (Bugünün Tarihi) — (Müşterinin Son Satın Alma Tarihi)</em></strong></p><p>Örneğin, bugün <strong>2025–02–01</strong> ve bir müşterinin son alışveriş tarihi <strong>2024–12–15</strong> ise:</p><p><strong><em>Recency=(2025−02−01)−(2024−12−15)=48</em></strong></p><p>Bu durumda, müşteri <strong>48 gün önce alışveriş yapmış</strong> demektir.</p><h4>3.2. Frequency (Sıklık) Nedir?</h4><p><strong>Frequency (Sıklık)</strong>, müşterinin belirli bir zaman aralığında kaç kez alışveriş yaptığını gösterir.</p><p>📌 <strong>Önemi:</strong></p><ul><li>Sık alışveriş yapan müşteriler, işletmenin sadık müşterileri olarak kabul edilir.</li><li>Düşük sıklık değerine sahip müşteriler, kaybedilme riski taşıyan segmentte olabilir.</li></ul><p>📌 <strong>Örnek:</strong></p><ul><li>Son 6 ayda 10 kez alışveriş yapan bir müşteri <strong>yüksek Frequency skoru</strong> alır (sadık müşteri).</li><li>Son 6 ayda yalnızca 1 kez alışveriş yapan bir müşteri <strong>düşük Frequency skoru</strong> alır (düzensiz müşteri).</li></ul><p>📌 <strong>Nasıl Hesaplanır?</strong><br>Frequency, genellikle belirli bir zaman aralığında yapılan toplam alışveriş sayısıdır:</p><p><strong><em>Frequency=Belirli bir zaman diliminde yapılan alışveriş sayısı</em></strong></p><p>Örneğin, son <strong>6 ay içinde 5 alışveriş</strong> yapan bir müşterinin <strong>Frequency skoru = 5</strong> olur.</p><h4>3.3. Monetary (Parasal Değer) Nedir?</h4><p>Monetary (Parasal Değer), müşterinin toplam harcama miktarını ifade eder.</p><p>📌 <strong>Önemi:</strong></p><ul><li>Yüksek harcama yapan müşteriler, işletmeye daha fazla katkı sağlar.</li><li>Düşük harcama yapan müşteriler, potansiyel olarak düşük değere sahip olabilir.</li></ul><p>📌 <strong>Örnek:</strong></p><ul><li>Son 6 ayda <strong>5.000 TL</strong> harcayan bir müşteri <strong>yüksek Monetary skoru</strong> alır (değerli müşteri).</li><li>Son 6 ayda <strong>100 TL</strong> harcayan bir müşteri <strong>düşük Monetary skoru</strong> alır (düşük katkılı müşteri).</li></ul><p>📌 <strong>Nasıl Hesaplanır?</strong><br>Monetary, müşterinin toplam harcaması olarak hesaplanır:</p><p><strong>Monetary = Müşterinin belirli bir dönemde yaptığı toplam harcama</strong></p><p>Örneğin, bir müşteri <strong>son 6 ayda toplam 3.500 TL</strong> harcadıysa, <strong>Monetary skoru = 3.500 TL</strong> olur.</p><h4>Özet: RFM’nin Bileşenleri Neden Önemlidir?</h4><p>✔ <strong>Recency</strong>, müşteri etkileşiminin ne kadar güncel olduğunu gösterir.<br>✔ <strong>Frequency</strong>, müşteri sadakatini ölçmeye yardımcı olur.<br>✔ <strong>Monetary</strong>, müşterinin işletmeye sağladığı finansal katkıyı gösterir.</p><p>Bu üç metrik, müşteri segmentasyonunda kritik bir rol oynar ve işletmelerin <strong>en değerli müşterilerini belirlemelerine yardımcı olur.</strong></p><h3>4. RFM Metrikleri Nasıl Hesaplanır?</h3><p><strong>RFM analizi</strong>, müşteri segmentasyonunu oluşturmak için <strong>Recency (Güncellik), Frequency (Sıklık) ve Monetary (Parasal Değer)</strong> metriklerini kullanır. Bu metriklerin doğru hesaplanması, müşteri segmentasyonunun sağlıklı yapılması açısından oldukça önemlidir.</p><p>Bu bölümde, <strong>Recency, Frequency ve Monetary değerlerinin nasıl hesaplandığını</strong> adım adım ele alacağız.</p><h4>4.1. Recency (Güncellik) Hesaplama Yöntemi</h4><p><strong>Recency</strong>, müşterinin en son alışveriş yaptığı tarihten itibaren geçen süreyi ifade eder.</p><p>📌 <strong>Hesaplama Formülü:</strong></p><p><strong>Recency = (Bugünün Tarihi) — (Müşterinin Son Satın Alma Tarihi)</strong></p><p>📌 <strong>Örnek:</strong></p><ul><li>Bugünün tarihi <strong>2025–02–01</strong> olsun.</li><li>Müşterinin son satın alma tarihi <strong>2024–12–15</strong> olsun.</li></ul><p>Recency = (2025−02−01) − (2024−12−15) = 48 gün</p><ul><li>48 gün önce alışveriş yapan bir müşteri, eski bir müşteriye kıyasla daha aktif kabul edilir.</li><li>Recency skoru, genellikle düşük değerler için yüksek puan, yüksek değerler için düşük puan şeklinde hesaplanır.</li></ul><p>📌 <strong>Python ile Recency Hesaplama:</strong></p><pre>import pandas as pd<br><br># Örnek veri seti oluşturuluyor<br>data = {&#39;customer_id&#39;: [1, 2, 3, 4],<br>        &#39;last_purchase_date&#39;: [&#39;2024-12-15&#39;, &#39;2024-11-20&#39;, &#39;2025-01-10&#39;, &#39;2024-10-05&#39;]}<br><br>df = pd.DataFrame(data)<br><br># Tarih formatına çevirme<br>df[&#39;last_purchase_date&#39;] = pd.to_datetime(df[&#39;last_purchase_date&#39;])<br><br># Bugünün tarihi<br>today_date = pd.to_datetime(&#39;2025-02-01&#39;)<br><br># Recency hesaplama<br>df[&#39;recency&#39;] = (today_date - df[&#39;last_purchase_date&#39;]).dt.days<br><br># Sonuçları göster<br>import ace_tools as tools<br>tools.display_dataframe_to_user(name=&quot;Recency Hesaplama Sonucu&quot;, dataframe=df)</pre><h4>4.2. Frequency (Sıklık) Hesaplama Yöntemi</h4><p>📌 <strong>Frequency</strong>, belirlenen bir zaman aralığında müşterinin yaptığı toplam alışveriş sayısını gösterir.</p><p>📌 <strong>Hesaplama Formülü:</strong></p><p>Frequency = Belirli bir zaman diliminde yapılan alışveriş sayısı</p><p>📌 <strong>Örnek:</strong></p><ul><li>Bir müşteri <strong>son 6 ay içinde 8 kez alışveriş</strong> yaptıysa:</li><li>Frequency = 8</li></ul><p>📌 <strong>Python ile Frequency Hesaplama:</strong></p><pre># Örnek işlem geçmişi verisi<br>transactions = {&#39;customer_id&#39;: [1, 2, 1, 3, 2, 4, 1, 3, 2, 4, 1, 3],<br>                &#39;purchase_date&#39;: [&#39;2024-08-10&#39;, &#39;2024-09-15&#39;, &#39;2024-10-05&#39;, <br>                                  &#39;2024-10-15&#39;, &#39;2024-11-20&#39;, &#39;2024-12-01&#39;,<br>                                  &#39;2024-12-15&#39;, &#39;2025-01-10&#39;, &#39;2025-01-12&#39;,<br>                                  &#39;2025-01-20&#39;, &#39;2025-01-25&#39;, &#39;2025-01-28&#39;]}<br><br>df_trans = pd.DataFrame(transactions)<br><br># Tarih formatına çevirme<br>df_trans[&#39;purchase_date&#39;] = pd.to_datetime(df_trans[&#39;purchase_date&#39;])<br><br># Son 6 ay içinde yapılan alışveriş sayısını hesapla<br>six_months_ago = today_date - pd.DateOffset(months=6)<br>df_frequency = df_trans[df_trans[&#39;purchase_date&#39;] &gt;= six_months_ago].groupby(&#39;customer_id&#39;).size().reset_index(name=&#39;frequency&#39;)<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;Frequency Hesaplama Sonucu&quot;, dataframe=df_frequency)</pre><h4>4.3. Monetary (Parasal Değer) Hesaplama Yöntemi</h4><p>📌 <strong>Monetary</strong>, müşterinin belirlenen zaman aralığında yaptığı toplam harcamayı ifade eder.</p><p>📌 <strong>Hesaplama Formülü:</strong></p><p>Monetary = ∑(Müş​terinin yaptığı tuüm alış​verişlerin toplam değeri)</p><p>📌 <strong>Örnek:</strong></p><ul><li>Bir müşteri <strong>son 6 ay içinde toplam 4.500 TL harcamışsa:</strong></li><li>Monetary = 4500</li></ul><p>📌 <strong>Python ile Monetary Hesaplama:</strong></p><pre># Örnek işlem geçmişi verisi (Müşterinin harcamaları eklendi)<br>transactions = {&#39;customer_id&#39;: [1, 2, 1, 3, 2, 4, 1, 3, 2, 4, 1, 3],<br>                &#39;purchase_date&#39;: [&#39;2024-08-10&#39;, &#39;2024-09-15&#39;, &#39;2024-10-05&#39;, <br>                                  &#39;2024-10-15&#39;, &#39;2024-11-20&#39;, &#39;2024-12-01&#39;,<br>                                  &#39;2024-12-15&#39;, &#39;2025-01-10&#39;, &#39;2025-01-12&#39;,<br>                                  &#39;2025-01-20&#39;, &#39;2025-01-25&#39;, &#39;2025-01-28&#39;],<br>                &#39;amount&#39;: [500, 1200, 300, 1500, 750, 200, 600, 1300, 900, 450, 800, 1100]}<br><br>df_monetary = pd.DataFrame(transactions)<br><br># Tarih formatına çevirme<br>df_monetary[&#39;purchase_date&#39;] = pd.to_datetime(df_monetary[&#39;purchase_date&#39;])<br><br># Son 6 ay içinde yapılan alışverişlerin toplam harcaması<br>df_monetary_filtered = df_monetary[df_monetary[&#39;purchase_date&#39;] &gt;= six_months_ago]<br>df_monetary_result = df_monetary_filtered.groupby(&#39;customer_id&#39;)[&#39;amount&#39;].sum().reset_index(name=&#39;monetary&#39;)<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;Monetary Hesaplama Sonucu&quot;, dataframe=df_monetary_result)</pre><h4>Özet: RFM Metrikleri Nasıl Hesaplanır?</h4><p>✔ <strong>Recency</strong>, müşterinin en son ne zaman alışveriş yaptığını gösterir. (Daha küçük değerler daha iyi)<br>✔ <strong>Frequency</strong>, müşterinin belirli bir süre içinde kaç kez alışveriş yaptığını gösterir. (Daha büyük değerler daha iyi)<br>✔ <strong>Monetary</strong>, müşterinin toplamda ne kadar harcama yaptığını gösterir. (Daha büyük değerler daha iyi)</p><p>Bu üç metrik hesaplandıktan sonra, her müşteri için <strong>RFM skoru</strong> belirlenir. <strong>Bir sonraki bölümde, RFM skorlarının nasıl hesaplanacağını adım adım inceleyeceğiz!</strong> 🚀</p><h3>5. RFM Skorlarının Hesaplanması</h3><p><strong>RFM analizinde</strong> her müşterinin <strong>Recency, Frequency ve Monetary değerleri hesaplandıktan sonra</strong>, bu değerler <strong>RFM skorlarına dönüştürülerek</strong> müşteri segmentasyonu yapılır.</p><p>Bu bölümde, <strong>Recency, Frequency ve Monetary metriklerinin nasıl skorlandığını ve RFM skorlarının nasıl oluşturulduğunu</strong> adım adım inceleyeceğiz.</p><h4>5.1. Skorlama Metodolojisi</h4><p>📌 RFM skorları, her metrik için belirli bir ölçek (genellikle 1–5) üzerinden belirlenir.<br>📌 Bu skorlar, müşteri segmentasyonunu oluşturmak için kullanılır.<br>📌 Genellikle, verileri belirli yüzdelik dilimlere (quintiles) bölerek skorları oluştururuz.</p><p><strong>RFM skoru genellikle şu adımlarla hesaplanır:</strong><br>1️⃣ <strong>Recency:</strong> En güncel alışveriş yapan müşterilere yüksek skor <strong>(5)</strong>, uzun süre önce alışveriş yapmış olanlara düşük skor <strong>(1)</strong> verilir.<br>2️⃣ <strong>Frequency:</strong> Daha sık alışveriş yapan müşterilere yüksek skor <strong>(5)</strong>, daha az sıklıkla alışveriş yapanlara düşük skor <strong>(1)</strong> verilir.<br>3️⃣ <strong>Monetary:</strong> Daha fazla harcama yapan müşterilere yüksek skor <strong>(5)</strong>, daha az harcama yapanlara düşük skor <strong>(1)</strong> verilir.</p><h4>5.2. 1–5 Skalası Kullanımı (RFM Skorlarının Belirlenmesi)</h4><p>Python kullanarak RFM skorlarını hesaplayalım.</p><p>📌 <strong>Adım 1: </strong>Recency, Frequency ve Monetary değerlerini içeren veri setimizi oluşturalım.</p><pre>import pandas as pd<br><br># Örnek RFM veri seti<br>data = {&#39;customer_id&#39;: [1, 2, 3, 4, 5],<br>        &#39;recency&#39;: [10, 45, 20, 5, 90],  # Gün olarak<br>        &#39;frequency&#39;: [8, 3, 5, 10, 2],   # Satın alma sayısı<br>        &#39;monetary&#39;: [5000, 1200, 2500, 7000, 800]}  # Toplam harcama (TL)<br><br>df_rfm = pd.DataFrame(data)<br><br># Sonuçları göster<br>import ace_tools as tools<br>tools.display_dataframe_to_user(name=&quot;RFM Ham Verisi&quot;, dataframe=df_rfm)</pre><p>📌 <strong>Adım 2: Recency, Frequency ve Monetary değerlerini 1–5 arasında bölerek skorları belirleyelim.</strong></p><pre># Recency skorunun belirlenmesi (küçük değer daha iyi olduğu için ters sıralama)<br>df_rfm[&#39;recency_score&#39;] = pd.qcut(df_rfm[&#39;recency&#39;], 5, labels=[5, 4, 3, 2, 1])<br><br># Frequency skorunun belirlenmesi (büyük değer daha iyi olduğu için normal sıralama)<br>df_rfm[&#39;frequency_score&#39;] = pd.qcut(df_rfm[&#39;frequency&#39;], 5, labels=[1, 2, 3, 4, 5])<br><br># Monetary skorunun belirlenmesi (büyük değer daha iyi olduğu için normal sıralama)<br>df_rfm[&#39;monetary_score&#39;] = pd.qcut(df_rfm[&#39;monetary&#39;], 5, labels=[1, 2, 3, 4, 5])<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;RFM Skorları&quot;, dataframe=df_rfm)</pre><p>📌 <strong>Açıklama:</strong></p><ul><li><strong>Recency (R):</strong> Küçük değerler (yani en güncel alışverişler) daha yüksek puan alır.</li><li><strong>Frequency (F):</strong> Büyük değerler (daha sık alışveriş yapanlar) daha yüksek puan alır.</li><li><strong>Monetary (M):</strong> Büyük değerler (daha fazla harcama yapanlar) daha yüksek puan alır.</li></ul><h4>5.3. RFM Skorlarının Birleştirilmesi</h4><p>Artık her müşteri için ayrı ayrı <strong>Recency, Frequency ve Monetary skorları</strong> var. Şimdi bu skorları birleştirerek <strong>RFM skoru</strong> oluşturalım.</p><pre># RFM skorunu birleştirme (RFM skoru = Recency + Frequency + Monetary)<br>df_rfm[&#39;RFM_Score&#39;] = df_rfm[&#39;recency_score&#39;].astype(str) + df_rfm[&#39;frequency_score&#39;].astype(str) + df_rfm[&#39;monetary_score&#39;].astype(str)<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;Final RFM Skorları&quot;, dataframe=df_rfm)</pre><p>📌 <strong>Açıklama:</strong></p><ul><li>RFM skoru <strong>üç rakamdan oluşan bir kombinasyon</strong> şeklinde hesaplanır.</li><li>Örneğin, <strong>RFM Skoru = “523”</strong> olan bir müşteri şu anlama gelir:</li><li><strong>5 (Recency):</strong> Yakın zamanda alışveriş yapmış.</li><li><strong>2 (Frequency):</strong> Orta seviyede alışveriş yapmış.</li><li><strong>3 (Monetary):</strong> Orta seviyede harcama yapmış.</li></ul><h4>5.4. Segment Oluşturma Kriterleri</h4><p>Şimdi <strong>RFM skorlarını kullanarak müşteri segmentlerini belirleyelim</strong>.</p><p>📌 <strong>Segmentasyon mantığı:</strong></p><ul><li><strong>“555”, “554”, “544”</strong> gibi en yüksek skorlar → <strong>Champions (Şampiyonlar)</strong></li><li><strong>“433”, “344”, “355”</strong> gibi yüksek F ve M skorları → <strong>Sadık Müşteriler</strong></li><li><strong>“311”, “211”, “111”</strong> gibi düşük skorlar → <strong>Kayıp Müşteriler</strong></li></ul><p>📌 <strong>Python ile segment oluşturma:</strong></p><pre>def assign_segment(rfm_score):<br>    if rfm_score in [&#39;555&#39;, &#39;554&#39;, &#39;544&#39;]:<br>        return &#39;Champions&#39;<br>    elif rfm_score in [&#39;433&#39;, &#39;344&#39;, &#39;355&#39;]:<br>        return &#39;Loyal Customers&#39;<br>    elif rfm_score in [&#39;311&#39;, &#39;211&#39;, &#39;111&#39;]:<br>        return &#39;Lost Customers&#39;<br>    elif rfm_score in [&#39;521&#39;, &#39;431&#39;, &#39;322&#39;]:<br>        return &#39;Potential Loyalists&#39;<br>    else:<br>        return &#39;Others&#39;<br><br># Müşteri segmentlerini belirleme<br>df_rfm[&#39;Segment&#39;] = df_rfm[&#39;RFM_Score&#39;].apply(assign_segment)<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;RFM Segmentleri&quot;, dataframe=df_rfm)</pre><p>📌 <strong>Sonuç:</strong></p><ul><li>Bu kod, <strong>her müşterinin RFM skoruna göre hangi segmente girdiğini belirler</strong>.</li><li><strong>Örneğin:</strong></li><li>RFM skoru <strong>“555”</strong> olan bir müşteri <strong>Champions (Şampiyonlar)</strong> kategorisine girer.</li><li>RFM skoru <strong>“311”</strong> olan bir müşteri <strong>Lost Customers (Kayıp Müşteriler)</strong> kategorisine girer.</li></ul><h4>Özet: RFM Skorlarının Hesaplanması</h4><p>✔ RFM metrikleri, yüzdelik dilimlere bölünerek 1–5 ölçeğinde puanlanır.<br>✔ Her müşteri için üç basamaklı bir RFM skoru oluşturulur.<br>✔ RFM skorlarına göre müşteri segmentleri belirlenir.</p><p>Bu adımlardan sonra, artık her müşterinin <strong>hangi segmentte olduğunu biliyoruz</strong>.</p><h4>6. RFM Segmentleri</h4><p>RFM skorlarını hesapladıktan sonra, bu skorları <strong>müşteri segmentlerine</strong> dönüştürerek müşteri grupları oluşturabiliriz. <strong>Bu segmentler, müşterileri satın alma alışkanlıklarına göre sınıflandırarak, pazarlama stratejilerinin daha verimli hale getirilmesini sağlar.</strong></p><p>Bu bölümde, <strong>yaygın kullanılan müşteri segmentlerini ve her segment için özel stratejileri</strong> ele alacağız.</p><h4>6.1. Temel Müşteri Segmentleri</h4><p>RFM skorlarına göre <strong>müşterileri 6 ana gruba</strong> ayırabiliriz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*djUuFrdzZwpgXKmEzIjD0A.png" /><figcaption><strong>Resim — 2: Müşteri Segmentleri</strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/896/1*Uz6Y00WM1MqXo24ADCX_aQ.png" /><figcaption><strong>Resim — 3: Segment Açıklamaları</strong></figcaption></figure><pre># Müşteri segmentleri oluşturma fonksiyonu<br>def assign_segment(rfm_score):<br>    if rfm_score in [&#39;555&#39;, &#39;554&#39;, &#39;544&#39;, &#39;545&#39;]:<br>        return &#39;Champions&#39;<br>    elif rfm_score in [&#39;433&#39;, &#39;344&#39;, &#39;355&#39;, &#39;445&#39;]:<br>        return &#39;Loyal Customers&#39;<br>    elif rfm_score in [&#39;311&#39;, &#39;211&#39;, &#39;111&#39;, &#39;122&#39;]:<br>        return &#39;Lost Customers&#39;<br>    elif rfm_score in [&#39;421&#39;, &#39;431&#39;, &#39;322&#39;, &#39;411&#39;]:<br>        return &#39;At Risk&#39;<br>    elif rfm_score in [&#39;532&#39;, &#39;431&#39;, &#39;522&#39;, &#39;511&#39;]:<br>        return &#39;Potential Loyalists&#39;<br>    elif rfm_score in [&#39;543&#39;, &#39;531&#39;, &#39;521&#39;]:<br>        return &#39;New Customers&#39;<br>    else:<br>        return &#39;Others&#39;<br><br># Segmentleri RFM skorlarına göre belirleme<br>df_rfm[&#39;Segment&#39;] = df_rfm[&#39;RFM_Score&#39;].apply(assign_segment)<br><br># Sonuçları göster<br>print(df_rfm[[&#39;customer_id&#39;, &#39;RFM_Score&#39;, &#39;Segment&#39;]])</pre><p>Bu kod, her müşterinin <strong>RFM skoruna göre hangi segmente girdiğini</strong> belirler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/897/1*QmUud4-2_GlfR-BRUrJqrQ.png" /><figcaption><strong>Resim — 3: RFM Skorları</strong></figcaption></figure><h4>6.2. Her Segment İçin Özel Stratejiler</h4><p>Her müşteri segmenti için uygulanabilecek özel pazarlama stratejileri şunlardır:</p><h4>🏆 6.2.1. Champions (Şampiyonlar)</h4><p>✅ <strong>Özellikleri:</strong></p><ul><li>Yakın zamanda alışveriş yapmış</li><li>Sık alışveriş yapan</li><li>Yüksek harcama yapan</li></ul><p>🎯 <strong>Önerilen Stratejiler:</strong></p><ul><li><strong>VIP programları ve özel indirimler sunun.</strong></li><li><strong>Sadakat programları ile müşterileri bağlı tutun.</strong></li><li><strong>Yeni ürünleri öncelikli olarak bu müşterilere sunun.</strong></li></ul><h4>💎 6.2.2. Loyal Customers (Sadık Müşteriler)</h4><p>✅ <strong>Özellikleri:</strong></p><ul><li>Düzenli alışveriş yapan</li><li>Markaya sadık</li><li>Orta ve yüksek harcama yapan</li></ul><p>🎯 <strong>Önerilen Stratejiler:</strong></p><ul><li><strong>Özel üyelik programları ile avantajlar sağlayın.</strong></li><li><strong>Müşteri geri bildirimlerini değerlendirerek deneyimi iyileştirin.</strong></li><li><strong>Referans programları ile yeni müşteriler kazanmalarını teşvik edin.</strong></li></ul><h4>📉 6.2.3. Lost Customers (Kayıp Müşteriler)</h4><p>✅ <strong>Özellikleri:</strong></p><ul><li>Uzun süredir alışveriş yapmamış</li><li>Markayla etkileşimi azalmış</li><li>Harcamalarını düşürmüş</li></ul><p>🎯 <strong>Önerilen Stratejiler:</strong></p><ul><li><strong>Hatırlatma e-postaları ve özel teklifler ile geri kazanmaya çalışın.</strong></li><li><strong>Eski alışveriş alışkanlıklarına dayalı kişiselleştirilmiş kampanyalar sunun.</strong></li><li><strong>Neden kaybedildiğini anlamak için anketler yapın.</strong></li></ul><h4>⚠️ 6.2.4. At Risk (Riskli Müşteriler)</h4><p>✅ <strong>Özellikleri:</strong></p><ul><li>Önceden sık alışveriş yapıyordu ancak son zamanlarda ilgisi azaldı</li><li>Marka sadakati düşüş gösteriyor</li></ul><p>🎯 <strong>Önerilen Stratejiler:</strong></p><ul><li>Özel indirimler ve promosyonlarla ilgilerini tekrar çekmeye çalışın.</li><li>E-posta ve SMS kampanyalarıyla etkileşimi artırın.</li><li>Sadakat programına katılmalarını teşvik edin.</li></ul><h4>🌟 6.2.5. Potential Loyalists (Potansiyel Sadık Müşteriler)</h4><p>✅ <strong>Özellikleri:</strong></p><ul><li>Yeni alışveriş yapmış, sık alışveriş yapma potansiyeli var</li><li>Sadakat gösterme eğiliminde</li></ul><p>🎯 <strong>Önerilen Stratejiler:</strong></p><ul><li>Hoş geldin teklifleri ve özel kampanyalar sunun.</li><li>İlk alışverişlerini artırmak için ücretsiz kargo veya kupon verin.</li><li>Daha fazla etkileşim için kişiselleştirilmiş e-postalar gönderin.</li></ul><h4>🚀 6.2.6. New Customers (Yeni Müşteriler)</h4><p>✅ <strong>Özellikleri:</strong></p><ul><li>İlk kez alışveriş yapmış</li><li>Marka ile yeni tanışmış</li></ul><p>🎯 <strong>Önerilen Stratejiler:</strong></p><ul><li>Yeni müşteri deneyimini geliştirin ve rehberlik sağlayın.</li><li>E-posta serileri ile markanızı daha iyi tanımalarını sağlayın.</li><li>İlk alışveriş sonrası takip mesajları göndererek etkileşimi sürdürün.</li></ul><h4>Özet: RFM Segmentleri ve Kullanım Alanları</h4><p>✔ RFM analizi, müşterileri davranışlarına göre segmentlere ayırır.<br>✔ Her segment için özel pazarlama stratejileri geliştirilebilir.<br>✔ Sadık müşteriler ödüllendirilirken, kayıp müşteriler geri kazanılabilir.</p><p>Bu segmentasyon sayesinde <strong>pazarlama kampanyaları daha etkili hale gelir ve müşteri sadakati artırılır.</strong></p><h3>7. Uygulama Örneği: RFM Analizi Nasıl Yapılır?</h3><p>Şimdiye kadar <strong>RFM metriklerini hesapladık ve müşteri segmentlerini oluşturduk.</strong> Ancak <strong>gerçek dünyada bir RFM analizi nasıl yapılır?</strong></p><p>Bu bölümde <strong>Python kullanarak gerçek dünya verisiyle bir RFM analizi yapacağız</strong> ve <strong>RFM modelini uçtan uca nasıl uygulayabileceğimizi</strong> göstereceğiz.</p><p>🚀 <strong>Eğer adım adım gerçek bir RFM analizini görmek ve kodları detaylıca incelemek isterseniz, aşağıdaki Kaggle çalışmalarımı inceleyebilirsiniz:</strong><br>🔗 <a href="https://www.kaggle.com/code/mehmetisik/rfm-analysis-1"><strong>RFM Analysis — 1</strong></a><br>🔗 <a href="https://www.kaggle.com/code/mehmetisik/rfm-analysis-2"><strong>RFM Analysis — 2</strong></a><br>🔗 <a href="https://www.kaggle.com/code/mehmetisik/rfm-analysis-3"><strong>RFM Analysis — 3</strong></a></p><p>📌 <strong>Bu uygulamada şunları yapacağız:</strong><br>✅ Gerçek dünya verisini kullanarak <strong>Recency, Frequency, Monetary hesaplama</strong><br>✅<strong> </strong>RFM skorlarını oluşturma ve segmentlere ayırma<br>✅ Sonuçları görselleştirme ve yorumlama</p><h4>7.1. Veri Setinin Yüklenmesi ve İncelenmesi</h4><p>Öncelikle, <strong>RFM analizinde kullanacağımız müşteri işlem verisini yükleyelim.</strong><br>Bu veri seti, müşterilerin alışveriş tarihlerini, işlem adetlerini ve harcamalarını içerir.</p><p>📌 <strong>Python ile veri setini yükleyelim:</strong></p><pre>import pandas as pd<br><br># Örnek işlem geçmişi veri seti<br>data = {<br>    &#39;customer_id&#39;: [1, 2, 3, 1, 2, 3, 4, 5, 1, 2, 4, 3, 5, 4, 1, 5],<br>    &#39;order_date&#39;: [&#39;2024-07-20&#39;, &#39;2024-08-05&#39;, &#39;2024-08-15&#39;, &#39;2024-09-01&#39;,<br>                   &#39;2024-09-10&#39;, &#39;2024-10-20&#39;, &#39;2024-10-25&#39;, &#39;2024-11-05&#39;,<br>                   &#39;2024-11-15&#39;, &#39;2024-12-10&#39;, &#39;2024-12-15&#39;, &#39;2025-01-05&#39;,<br>                   &#39;2025-01-10&#39;, &#39;2025-01-12&#39;, &#39;2025-01-20&#39;, &#39;2025-01-25&#39;],<br>    &#39;amount&#39;: [200, 450, 300, 500, 350, 600, 800, 1000, 450, 700, 1200, 400, 1100, 900, 300, 700]<br>}<br><br>df = pd.DataFrame(data)<br><br># Tarih formatına çevirme<br>df[&#39;order_date&#39;] = pd.to_datetime(df[&#39;order_date&#39;])<br><br># Sonuçları göster<br>import ace_tools as tools<br>tools.display_dataframe_to_user(name=&quot;Müşteri İşlem Verisi&quot;, dataframe=df)</pre><h4>7.2. RFM Metriklerini Hesaplama</h4><p>📌 Adım 1: Bugünün tarihini belirleyelim ve Recency hesaplayalım.</p><pre># Bugünün tarihini belirleme<br>today_date = pd.to_datetime(&#39;2025-02-01&#39;)<br><br># Recency hesaplama (Son alışveriş tarihinden bugüne kadar geçen gün sayısı)<br>rfm = df.groupby(&#39;customer_id&#39;).agg(<br>    recency=(&#39;order_date&#39;, lambda x: (today_date - x.max()).days),<br>    frequency=(&#39;customer_id&#39;, &#39;count&#39;),<br>    monetary=(&#39;amount&#39;, &#39;sum&#39;)<br>).reset_index()<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;RFM Metrikleri&quot;, dataframe=rfm)</pre><h4>7.3. RFM Skorlarının Hesaplanması</h4><p>📌 Adım 2: RFM skorlarını belirleyelim.</p><pre># Recency skoru (Düşük Recency, yüksek puan alır)<br>rfm[&#39;recency_score&#39;] = pd.qcut(rfm[&#39;recency&#39;], 5, labels=[5, 4, 3, 2, 1])<br><br># Frequency skoru (Yüksek Frequency, yüksek puan alır)<br>rfm[&#39;frequency_score&#39;] = pd.qcut(rfm[&#39;frequency&#39;], 5, labels=[1, 2, 3, 4, 5])<br><br># Monetary skoru (Yüksek Monetary, yüksek puan alır)<br>rfm[&#39;monetary_score&#39;] = pd.qcut(rfm[&#39;monetary&#39;], 5, labels=[1, 2, 3, 4, 5])<br><br># RFM Skorlarını birleştirme<br>rfm[&#39;RFM_Score&#39;] = rfm[&#39;recency_score&#39;].astype(str) + rfm[&#39;frequency_score&#39;].astype(str) + rfm[&#39;monetary_score&#39;].astype(str)<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;RFM Skorları&quot;, dataframe=rfm)</pre><h4>7.4. Müşteri Segmentlerinin Belirlenmesi</h4><p>📌 Adım 3: RFM skorlarına göre müşteri segmentleri oluşturalım.</p><pre>def assign_segment(rfm_score):<br>    if rfm_score in [&#39;555&#39;, &#39;554&#39;, &#39;544&#39;, &#39;545&#39;]:<br>        return &#39;Champions&#39;<br>    elif rfm_score in [&#39;433&#39;, &#39;344&#39;, &#39;355&#39;, &#39;445&#39;]:<br>        return &#39;Loyal Customers&#39;<br>    elif rfm_score in [&#39;311&#39;, &#39;211&#39;, &#39;111&#39;, &#39;122&#39;]:<br>        return &#39;Lost Customers&#39;<br>    elif rfm_score in [&#39;421&#39;, &#39;431&#39;, &#39;322&#39;, &#39;411&#39;]:<br>        return &#39;At Risk&#39;<br>    elif rfm_score in [&#39;532&#39;, &#39;431&#39;, &#39;522&#39;, &#39;511&#39;]:<br>        return &#39;Potential Loyalists&#39;<br>    elif rfm_score in [&#39;543&#39;, &#39;531&#39;, &#39;521&#39;]:<br>        return &#39;New Customers&#39;<br>    else:<br>        return &#39;Others&#39;<br><br># Segmentleri belirleme<br>rfm[&#39;Segment&#39;] = rfm[&#39;RFM_Score&#39;].apply(assign_segment)<br><br># Sonuçları göster<br>tools.display_dataframe_to_user(name=&quot;Müşteri Segmentleri&quot;, dataframe=rfm)</pre><h4>7.5. RFM Sonuçlarının Görselleştirilmesi</h4><p>📌 <strong>Adım 4: Müşteri segmentlerini görselleştirelim.</strong></p><pre>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br>plt.figure(figsize=(10, 6))<br>sns.countplot(y=rfm[&#39;Segment&#39;], order=rfm[&#39;Segment&#39;].value_counts().index, palette=&#39;viridis&#39;)<br>plt.xlabel(&quot;Müşteri Sayısı&quot;)<br>plt.ylabel(&quot;Segmentler&quot;)<br>plt.title(&quot;Müşteri Segment Dağılımı&quot;)<br>plt.show()</pre><h4>Özet: RFM Analizi Nasıl Yapılır?</h4><p>✔ Müşteri işlem verisi kullanılarak Recency, Frequency ve Monetary hesaplandı.<br>✔ Her müşteri için RFM skoru belirlendi.<br>✔ RFM skorlarına göre müşteri segmentleri oluşturuldu.<br>✔ Sonuçlar görselleştirildi ve yorumlandı.</p><h3>8. Sonuç ve Öneriler</h3><blockquote>RFM analizi, <strong>müşterileri satın alma davranışlarına göre segmentlere ayırarak işletmelerin daha akıllı pazarlama kararları almasını sağlayan güçlü bir yöntemdir.</strong></blockquote><blockquote>Bu çalışmada, <strong>Recency (Güncellik), Frequency (Sıklık) ve Monetary (Parasal Değer) metriklerini hesapladık, müşterileri RFM skorlarına göre sınıflandırdık ve segmentlere ayırarak farklı pazarlama stratejileri oluşturduk.</strong></blockquote><blockquote>🚀 <strong>Eğer adım adım bir RFM analizi görmek istiyorsanız, aşağıdaki Kaggle çalışmalarımı inceleyebilirsiniz:</strong><br>🔗 <a href="https://www.kaggle.com/code/mehmetisik/rfm-analysis-1"><strong>RFM Analysis — 1</strong></a><br>🔗 <a href="https://www.kaggle.com/code/mehmetisik/rfm-analysis-2"><strong>RFM Analysis — 2</strong></a><br>🔗 <a href="https://www.kaggle.com/code/mehmetisik/rfm-analysis-3"><strong>RFM Analysis — 3</strong></a></blockquote><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=29fb204e3a2d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CRM Analitiği 101: Temel Kavramları Anlama]]></title>
            <link>https://medium.com/@mmehmetisik/crm-analiti%C4%9Fi-101-temel-kavramlar%C4%B1-anlama-e7f093740c82?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/e7f093740c82</guid>
            <category><![CDATA[cohort-analysis]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[kpi]]></category>
            <category><![CDATA[crm]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Fri, 31 Jan 2025 11:35:35 GMT</pubDate>
            <atom:updated>2025-01-31T11:35:35.270Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>İçindekiler</strong><br><strong>1. Giriş<br>2. CRM’in Temelleri ve Evrimi</strong><br> 2.1. CRM Nedir?<br> 2.2. Modern İş Dünyasında CRM’in Rolü<br><strong>3. CRM Analitiği: Veri Odaklı Müşteri İlişkileri</strong><br> 3.1. CRM Analitiğine Giriş<br> 3.2. CRM Analitiğinin İş Süreçlerine Katkısı<br> 3.2.1. Satış ve Pazarlama Performansını Artırma<br> 3.2.2. Müşteri Davranışlarını Anlama<br> 3.2.3. Müşteri Sadakatini ve Elde Tutmayı Güçlendirme<br> 3.2.4. Veri Odaklı Karar Alma Sürecini Destekleme<br><strong>4. Müşteri Yaşam Döngüsünü Anlamak</strong><br> 4.1. Customer Journey ve Touchpoints<br> 4.2. Satış Hunisi (Sales Funnel) Analizi<br> 4.3. Müşteri Edinme vs. Elde Tutma Maliyetleri<br><strong>5. Temel CRM Metrikleri ve KPI’lar</strong><br> 5.1. KPI’lar neden önemlidir?<br> 5.2. Doğru KPI seçimi nasıl yapılır?<br> 5.3. Müşteri Edinme Oranı (Customer Acquisition Rate — CAR)<br> 5.4. Müşteri Tutma Oranı (Customer Retention Rate — CRR)<br> 5.5. Müşteri Kaybı Oranı (Customer Churn Rate — CCR)<br> 5.6. Büyüme Oranı (Growth Rate)<br> 5.7. Dönüşüm Oranı (Conversion Rate — CVR)<br><strong>6. CRM Analiz Teknikleri</strong><br> 6.1. Kohort (Cohort) Analizi ve Önemi<br> 6.2. Kohort (Cohort) Nedir?<br> 6.3. Kohort Analizinin Faydaları<br> 6.4. Cross-Sell (Çapraz Satış) Nedir?<br> 6.5. CRM Analitiği ile Cross-Sell Stratejileri<br> 6.6. Up-Sell (Üst Satış) Nedir?<br> 6.7. CRM Analitiği ile Up-Sell Stratejileri<br> 6.8. Müşteri Segmentasyonu<br> 6.9. Segmentasyon Türleri<br> 6.9.1. Demografik Segmentasyon<br> 6.9.2. Davranışsal Segmentasyon<br> 6.9.3. Psikografik Segmentasyon<br> 6.10. CRM Analitiği ile Segmentasyon<br><strong>7. CRM Analitiği İçin Veri Toplama ve Analiz Yöntemleri</strong><br> 7.1. Başlıca Veri Kaynakları<br> 7.2. Etkili Veri Toplama Stratejileri<br><strong>8. CRM Analitiğinde Kullanılan Analiz Yöntemleri</strong><br> 8.1. Tanımlayıcı Analiz (Descriptive Analytics)<br> 8.2. Tahmine Dayalı Analiz (Predictive Analytics)<br> 8.3. Kuralcı Analiz (Prescriptive Analytics)<br><strong>9. Uygulama İpuçları ve En İyi CRM Analitik Stratejileri</strong><br> 9.1. Veri Kalitesini Sağlayın<br> 9.2. Kişiselleştirilmiş Müşteri Deneyimi Sunun<br> 9.3. Müşteri Yolculuğunu ve Duyarlılık Noktalarını İzleyin<br> 9.4. AI ve Makine Öğrenmesi ile CRM Analitiğini Güçlendirin<br> 9.5. KPI’ları Düzenli Olarak İzleyin ve Optimize Edin<br><strong>10. Sonuç</strong></p><h3>1. Giriş</h3><blockquote><strong>Hoş Geldiniz!</strong></blockquote><blockquote>Bu yazımızda, modern iş dünyasının en kritik konularından biri olan <strong>CRM Analitiği</strong>ni derinlemesine ele alacağız. Müşteri İlişkileri Yönetimi (<strong>CRM</strong>) artık sadece müşteri verilerini depolamaktan çok daha ötede, veriye dayalı karar alma süreçlerinin merkezinde yer alan stratejik bir araç haline gelmiştir.</blockquote><blockquote>Yazı boyunca,<strong> CRM Analitiğinin</strong> temel kavramlarından ileri düzey analiz tekniklerine kadar geniş bir yelpazede bilgiler paylaşacağız. Müşteri yaşam döngüsünü, temel performans metriklerini ve başarılı bir <strong>CRM analitik stratejisi</strong> oluşturmanın püf noktalarını keşfedeceğiz. Ayrıca, gerçek dünya örnekleriyle, <strong>CRM Analitiğinin</strong> işletmelere nasıl değer kattığını ve rekabet avantajı sağladığını göreceğiz.</blockquote><h3>2. CRM’in Temelleri ve Evrimi</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/678/1*H8yA4gGjI1dF3FBERQCOSw.png" /><figcaption><strong>Resim — 1: CRM</strong></figcaption></figure><h4>2.1. CRM Nedir?</h4><p><strong>CRM (Customer Relationship Management — Müşteri İlişkileri Yönetimi)</strong>, şirketlerin müşteri etkileşimlerini, verilerini ve süreçlerini organize etmek için kullandığı bir strateji ve teknolojidir. <strong>CRM</strong>, müşterilerle olan ilişkileri geliştirmek, satışları artırmak, müşteri hizmetlerini iyileştirmek ve işletme verimliliğini yükseltmek için kullanılır.</p><p><strong>CRM</strong>’in temel amacı şunları içerir:<br>✅ Müşteri verilerini merkezi bir sistemde toplamak<br>✅ Müşteri davranışlarını ve ihtiyaçlarını analiz etmek<br>✅ Satış süreçlerini optimize etmek<br>✅ Müşteri sadakatini artırmak</p><p><strong>CRM</strong> sistemleri; <strong>satış, pazarlama ve müşteri destek</strong> ekiplerinin daha verimli çalışmasını sağlayan araçlar sunar.</p><h4>2.2. Modern İş Dünyasında CRM’in Rolü</h4><p>Günümüz iş dünyasında <strong>müşteri deneyimi</strong> en kritik faktörlerden biri haline geldi. Rekabetin yoğun olduğu sektörlerde, müşterilerin beklentilerini karşılamak ve sadakatlerini sağlamak için <strong>CRM</strong> çözümleri büyük önem taşır.</p><p>🔹 <strong>Daha iyi müşteri deneyimi sunar:</strong> CRM, müşterilerin geçmiş alışverişlerini ve etkileşimlerini takip ederek onlara kişiselleştirilmiş hizmet sunulmasını sağlar.<br>🔹 <strong>Satış ve pazarlama süreçlerini iyileştirir:</strong> Satış temsilcileri ve pazarlama ekipleri, <strong>CRM</strong> sistemlerini kullanarak hedef kitlelerini belirleyebilir ve daha etkili kampanyalar yürütebilir.<br>🔹 <strong>Veriye dayalı karar alma sürecini destekler:</strong> <strong>CRM</strong> analitikleri sayesinde, işletmeler müşteri davranışlarını analiz edebilir ve bu verilerle iş stratejilerini optimize edebilir.<br>🔹 <strong>Müşteri sadakatini artırır:</strong> Kişiselleştirilmiş hizmetler ve sürekli etkileşim, müşterilerin markaya olan bağlılığını güçlendirir.</p><p><strong>CRM</strong>, artık yalnızca büyük işletmelerin değil, <strong>KOBİ’lerin ve girişimlerin</strong> de aktif olarak kullandığı bir sistem haline gelmiştir. Bulut tabanlı <strong>CRM</strong> çözümleri sayesinde her ölçekten şirket, müşterilerini daha iyi anlayabilir ve iş süreçlerini optimize edebilir.</p><h3>3. CRM Analitiği: Veri Odaklı Müşteri İlişkileri</h3><p><strong>CRM</strong> artık sadece müşteri verilerini saklayan bir araç değil, aynı zamanda bu verileri analiz ederek işletmelerin müşteri ilişkilerini optimize etmelerine yardımcı olan <strong>stratejik bir çözüm</strong> haline geldi. İşte burada devreye <strong>CRM Analitiği</strong> giriyor.</p><h4>3.1. CRM Analitiğine Giriş</h4><p><strong>CRM Analitiği</strong>, müşteri verilerinden anlamlı içgörüler çıkararak işletmelerin müşteri ilişkilerini güçlendirmesini ve kararlarını <strong>veri odaklı</strong> hale getirmesini sağlayan süreçtir.</p><p>🔍 <strong>CRM Analitiği, şu sorulara yanıt verir:</strong><br>✅ Müşterilerimizin ihtiyaçları ve alışkanlıkları nelerdir?<br>✅ Hangi müşteri <strong>segmentleri </strong>daha fazla değer sağlıyor?<br>✅ Müşteri kaybını (<strong>churn</strong>) nasıl azaltabiliriz?<br>✅ Satışları ve müşteri bağlılığını nasıl artırabiliriz?</p><p><strong>CRM</strong> <strong>analitiği</strong>, müşteri yolculuğunu daha iyi anlamayı ve şirketlerin <strong>satış, pazarlama ve müşteri hizmetleri stratejilerini optimize etmesini</strong> mümkün kılar.</p><h4>3.2. CRM Analitiğinin İş Süreçlerine Katkısı</h4><p><strong>CRM analitiği</strong>, işletmelere <strong><em>daha iyi müşteri deneyimi sunma, daha akıllı pazarlama stratejileri geliştirme ve operasyonel verimliliği artırma</em></strong> konusunda çeşitli avantajlar sağlar.</p><h4>3.2.1. Satış ve Pazarlama Performansını Artırma</h4><ul><li><strong>Müşteri segmentasyonu</strong> yaparak daha hedeflenmiş kampanyalar oluşturmayı sağlar.</li><li>Hangi pazarlama stratejilerinin dönüşüm sağladığını analiz etmeye yardımcı olur.</li><li><strong>Satış hunisini (sales funnel)</strong> analiz ederek, potansiyel müşterilerin hangi aşamalarda kaybedildiğini belirler.</li></ul><h4>3.2.2. Müşteri Davranışlarını Anlama</h4><ul><li>Müşterilerin hangi ürünleri tercih ettiğini ve neden tercih ettiğini analiz eder.</li><li>Müşterinin satın alma alışkanlıklarını tespit ederek <strong>kişiselleştirilmiş öneriler sunmayı</strong> mümkün kılar.</li><li><strong>Cross-sell</strong> ve <strong>up-sell</strong> stratejileri geliştirmek için müşteri eğilimlerini belirler.</li></ul><h4>3.2.3. Müşteri Sadakatini ve Elde Tutmayı Güçlendirme</h4><ul><li><strong>Churn (müşteri kaybı) analizleri</strong> yaparak, kayıp riskini azaltmaya yönelik stratejiler oluşturur.</li><li>Mevcut müşterileri elde tutmanın maliyetini analiz eder ve <strong>müşteri deneyimini iyileştirmeye</strong> yardımcı olur.</li><li>Müşteri memnuniyetini artırmak için proaktif yaklaşımlar geliştirmeyi sağlar.</li></ul><h4>3.2.4. Veri Odaklı Karar Alma Sürecini Destekleme</h4><ul><li>İşletmelerin sezgisel kararlar yerine veriye dayalı stratejiler oluşturmasını sağlar.</li><li>Kapsamlı raporlar ve görselleştirmelerle yöneticilerin <strong>daha bilinçli kararlar almasını</strong> mümkün kılar.</li><li>Müşteri geri bildirimlerini analiz ederek, ürün veya hizmet geliştirmelerinde veri temelli değişiklikler yapmaya olanak tanır.</li></ul><h3>4. Müşteri Yaşam Döngüsünü Anlamak</h3><p>Müşteri ilişkilerini yönetmek ve geliştirmek için <strong>müşteri yaşam döngüsünü</strong> (<strong>Customer Lifecycle</strong>) anlamak kritik bir adımdır. Bu döngü, bir müşterinin markayla ilk etkileşiminden başlayarak sadık bir müşteri haline gelmesine (veya kaybolmasına) kadar olan tüm aşamaları kapsar.</p><h4>4.1. Customer Journey ve Touchpoints</h4><p><strong>Customer Journey (Müşteri Yolculuğu)</strong>, bir müşterinin markayla olan etkileşimlerinin tamamını ifade eder. Bir müşteri, bir ürünü satın almadan önce, satın alırken ve satın aldıktan sonra markayla çeşitli şekillerde temas kurar.</p><p>Bu temas noktalarına <strong>Touchpoints (Temas Noktaları)</strong> denir. Örneğin:<br>📧 Bir markanın e-posta kampanyasını almak<br>🔍 Google’da ürün hakkında araştırma yapmak<br>🛒 Web sitesinden veya mağazadan ürün satın almak<br>📞 Müşteri hizmetleriyle iletişime geçmek<br>💬 Sosyal medya üzerinden marka hakkında yorum yapmak</p><p>Müşteri yolculuğunun her aşamasında farklı stratejiler uygulamak, müşteri deneyimini iyileştirmek açısından büyük önem taşır.</p><h4>4.2. Satış Hunisi (Sales Funnel) Analizi</h4><p>Müşteri yaşam döngüsü genellikle <strong>Satış Hunisi (Sales Funnel)</strong> kavramıyla birlikte ele alınır. Satış hunisi, potansiyel müşterilerin markayla ilk temasından itibaren satın alma işlemini tamamlamasına kadar geçtiği aşamaları ifade eder.</p><p><strong>Satış Hunisinin Temel Aşamaları:</strong><br>1️⃣ <strong>Farkındalık (Awareness)</strong> → Müşteriler markayı keşfeder.<br>2️⃣ <strong>İlgi (Interest)</strong> → Ürün veya hizmetle ilgilenmeye başlarlar.<br>3️⃣ <strong>Değerlendirme (Consideration)</strong> → Alternatifleri karşılaştırırlar.<br>4️⃣ <strong>Satın Alma (Purchase)</strong> → Ürünü/hizmeti satın alırlar.<br>5️⃣ <strong>Sadakat (Loyalty)</strong> → Düzenli müşteri haline gelirler.</p><p><strong>Analitik Kullanımı:</strong></p><ul><li><strong>Hangi aşamalarda müşteri kaybedildiğini (drop-off)</strong> tespit etmek için kullanılır.</li><li><strong>Dönüşüm oranlarını</strong> analiz ederek, huninin hangi noktalarda iyileştirilmesi gerektiğini belirlemeye yardımcı olur.</li><li><strong>Pazarlama ve satış ekiplerinin</strong> daha iyi hedefleme yapmasına olanak tanır.</li></ul><h4>4.3. Müşteri Edinme vs. Elde Tutma Maliyetleri</h4><p>Bir işletme için en kritik konulardan biri, <strong><em>yeni müşteri kazanımı (acquisition) ile mevcut müşterileri elde tutma (retention) arasındaki maliyet farkıdır</em></strong><em>.</em></p><p>💰 <strong>Yeni müşteri kazanmanın maliyeti, mevcut müşteriyi elde tutmaktan 5 ila 7 kat daha fazladır.</strong></p><p>🚀 <strong>Bunun sebepleri:</strong></p><ul><li>Yeni müşteriye ulaşmak için reklam, pazarlama ve promosyon maliyetleri gereklidir.</li><li>Mevcut müşteriler zaten markaya aşinadır, onları tekrar satın almaya teşvik etmek daha az kaynak gerektirir.</li><li>Sadık müşteriler, yeni müşterilere göre daha fazla harcama yapma eğilimindedir.</li></ul><p><strong>Önerilen Stratejiler:</strong></p><ul><li>Müşteri memnuniyetini artırmak için <strong>CRM analitiğini</strong> kullanarak kişiselleştirilmiş kampanyalar oluşturmak.</li><li>Sadakat programları ve ödüllerle mevcut müşterileri elde tutma oranını yükseltmek.</li><li>Mevcut müşterilere özel <strong>çapraz satış (cross-sell)</strong> ve <strong>ek satış (up-sell)</strong> stratejileri geliştirmek.</li></ul><h3>5. Temel CRM Metrikleri ve KPI’lar</h3><p>CRM analitiğinde en kritik konulardan biri, müşteri etkileşimlerini, satışları ve işletme performansını ölçmek için doğru <strong>KPI’ları (Anahtar Performans Göstergeleri)</strong> belirlemektir. KPI’lar, işletmelerin müşteri ilişkilerini daha verimli yönetmesine ve geliştirmesine yardımcı olan ölçülebilir verilerdir.</p><h4><strong>5.1. KPI’lar neden önemlidir</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*7T9vW6cQgAfoJzRUcmUTFA.png" /><figcaption><strong>Resim —2 : KPI</strong></figcaption></figure><p>✅ İşletmenin müşteri ilişkileri yönetiminde hangi alanlarda başarılı olduğunu anlamaya yardımcı olur.<br>✅ Satış, pazarlama ve müşteri hizmetleri süreçlerinin etkinliğini ölçer.<br>✅ Müşteri bağlılığını ve marka sadakatini analiz etmeye olanak tanır.<br>✅ Veri odaklı karar alma süreçlerine rehberlik eder.</p><h4><strong>5.2. Doğru KPI seçimi nasıl yapılır</strong></h4><p>✔️ İş hedefleriyle uyumlu olmalıdır.<br>✔️ Ölçülebilir ve takip edilebilir olmalıdır.<br>✔️ Gerçekçi ve ulaşılabilir hedefler belirlenmelidir.<br>✔️ Düzenli analiz edilerek aksiyon planlarına dönüştürülmelidir.</p><p><strong>CRM analitiğin</strong>de kullanılan temel <strong>KPI</strong>’ları şimdi detaylıca inceleyelim.</p><h4>5.3. Müşteri Edinme Oranı (Customer Acquisition Rate — CAR)</h4><p>Müşteri edinme oranı, belirli bir zaman diliminde kazanılan yeni müşteri sayısını gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/986/1*qTHPIvnYAvhcWUf1QL-IiQ.png" /><figcaption><strong>Resim — 3: Müşteri edinme oranı Formülü</strong></figcaption></figure><p><strong>Neden önemlidir</strong></p><ul><li>Pazarlama ve satış stratejilerinin ne kadar etkili olduğunu gösterir.</li><li>Yeni müşteri kazanımına yapılan yatırımın geri dönüşünü ölçmeye yardımcı olur.</li><li>Satış hunisinde hangi aşamada kayıplar yaşandığını anlamaya yardımcı olur.</li></ul><h4>5.4. Müşteri Tutma Oranı (Customer Retention Rate — CRR)</h4><p>Mevcut müşterilerin belirli bir süre boyunca işletmeyle ilişkisini devam ettirme yüzdesidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/877/1*puRrCOyqVFAJsdpx_qOtAQ.png" /><figcaption><strong>Resim — 4: Müşteri Tutma Oranı Formülü</strong></figcaption></figure><p><strong>Neden önemlidir</strong></p><ul><li>Mevcut müşterileri elde tutma stratejilerinin etkinliğini ölçer.</li><li>Sadık müşteri oranını belirlemeye yardımcı olur.</li><li>Yeni müşteri kazanımına kıyasla daha düşük maliyetli olan müşteri bağlılığı stratejilerinin etkisini gösterir.</li></ul><h4>5.5. Müşteri Kaybı Oranı (Customer Churn Rate — CCR)</h4><p>Belli bir dönem içerisinde kaybedilen müşteri yüzdesini gösterir. <strong>Churn Rate (terk oranı) yükseldikçe müşteri bağlılığı azalıyor demektir.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/707/1*z93OACCMS0h1Tc0QUU4GnQ.png" /><figcaption><strong>Resim — 5: Müşteri Kayıp Oranı Formülü</strong></figcaption></figure><p><strong>Neden önemlidir</strong></p><ul><li>Müşteri memnuniyetsizliği ve olası problemleri belirlemeye yardımcı olur.</li><li>Kaybedilen müşterileri geri kazanma stratejileri geliştirmek için veri sağlar.</li><li>Şirketin uzun vadeli büyümesi için kritik bir gösterge olarak değerlendirilir.</li></ul><h4>5.6. Büyüme Oranı (Growth Rate)</h4><p>Bir işletmenin müşteri tabanının veya gelirinin ne kadar büyüdüğünü gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1023/1*ERoIr0jsO185D9wNKw4ILg.png" /><figcaption>Resim — 6: Büyüme Oranı Formülü</figcaption></figure><p><strong>Neden önemlidir</strong></p><ul><li>İşletmenin sürdürülebilir büyüme sağladığını gösterir.</li><li>Pazarlama ve satış stratejilerinin ne kadar etkili olduğunu analiz etmeye yardımcı olur.</li><li>Müşteri edinme ve elde tutma stratejilerinin başarısını ölçmek için kullanılır.</li></ul><h4>5.7. Dönüşüm Oranı (Conversion Rate — CVR)</h4><p>Müşteri adaylarının (potansiyel müşterilerin) satışa veya istenen bir eyleme dönüşme yüzdesidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/732/1*150973dzgsxHINsOTTIWuQ.png" /><figcaption><strong>Resim — 7: Dönüşüm Oranı Formülü</strong></figcaption></figure><p><strong>Neden önemlidir</strong></p><ul><li>Pazarlama kampanyalarının ne kadar başarılı olduğunu analiz etmeye yardımcı olur.</li><li>Müşteri yolculuğunun hangi aşamalarında iyileştirme gerektiğini belirler.</li><li>Web sitesi, e-ticaret ve dijital pazarlama stratejileri için kritik bir KPI’dır</li></ul><h3>6. CRM Analiz Teknikleri</h3><p><strong>CRM</strong> analitiği yalnızca temel metrikleri izlemekle sınırlı değildir. İşletmeler, <strong>müşteri davranışlarını daha derinlemesine anlamak</strong>, satışlarını artırmak ve müşteri memnuniyetini güçlendirmek için <strong>ileri düzey analiz tekniklerini</strong> kullanmaktadırlar.</p><p>Bu bölümde, <strong>Kohort Analizi, Cross-Sell ve Up-Sell Stratejileri ve Müşteri Segmentasyonu</strong> gibi gelişmiş <strong>CRM analiz</strong> yöntemlerine odaklanacağız.</p><h4>6.1. Kohort (Cohort) Analizi ve Önemi</h4><p><strong>Kohort analizi</strong>, benzer özelliklere sahip müşteri gruplarını belirleyerek zaman içindeki davranışlarını analiz etmeye odaklanan bir yöntemdir.</p><h4><strong>6.2. Kohort (Cohort) Nedir</strong></h4><p>Bir <strong>kohort</strong>, belirli bir zaman diliminde veya belirli bir ortak özelliğe sahip müşterileri gruplandırarak analiz edilen bir müşteri kümesidir.</p><p>Örneğin:<br>✅ Aylık yeni müşteri grupları (Yeni müşterilerin ilk 3 ay içindeki satın alma alışkanlıkları)<br>✅ İlk alışveriş tarihine göre müşteri segmentasyonu<br>✅ Belirli bir kampanyaya katılan müşterilerin dönüşüm oranları</p><h4><strong>6.3. Kohort Analizinin Faydaları</strong></h4><ul><li>Müşteri kaybının hangi dönemlerde arttığını belirlemeye yardımcı olur.</li><li>Pazarlama kampanyalarının uzun vadeli etkisini ölçmeyi sağlar.</li><li>Müşteri yaşam döngüsü boyunca harcama alışkanlıklarını analiz etmeye olanak tanır.</li></ul><p>Örnek olarak, <strong>ilk 3 ayda tekrar satın alma yapmayan müşteriler için özel geri kazanım kampanyaları</strong> oluşturulabilir.</p><h4>6.4. Cross-Sell (Çapraz Satış) Nedir</h4><p>Bir müşteriye, <strong>satın aldığı ürüne tamamlayıcı bir ürün veya hizmet önerme</strong> stratejisidir.</p><p>📌 <strong>Örnek:</strong></p><ul><li>Bir müşteri <strong>dizüstü bilgisayar</strong> satın aldığında, ona <strong>mouse ve çanta</strong> önerilmesi.</li><li>Online markette <strong>kahve makinesi</strong> satın alan müşteriye <strong>kahve kapsülleri</strong> önerilmesi.</li></ul><p>📈 <strong>Faydaları:</strong></p><ul><li>Müşteri başına elde edilen geliri artırır (<strong>ARPU — Average Revenue Per User</strong>).</li><li>Müşteri memnuniyetini yükselterek sadakati artırır.</li></ul><h4><strong>6.6. CRM Analitiği ile Cross-Sell Stratejileri</strong></h4><ul><li>Geçmiş satın alma verilerine göre <strong>müşterilere en uygun ürün önerileri</strong> sunulabilir.</li><li><strong>AI tabanlı öneri motorları</strong> kullanarak kişiye özel çapraz satış kampanyaları oluşturulabilir.</li></ul><h4><strong>6.7. Up-Sell (Üst Satış) Nedir</strong></h4><p>Müşteriyi, satın almak üzere olduğu ürünün <strong>daha gelişmiş veya pahalı bir versiyonuna yönlendirme</strong> stratejisidir.</p><p>📌 <strong>Örnek:</strong></p><ul><li>Bir müşteri <strong>standart bir telefon modeli</strong> satın almak isterken, ona <strong>Pro versiyonunun avantajları gösterilerek yönlendirilmesi</strong>.</li><li>Restoranda <strong>küçük boy kahve</strong> sipariş eden müşteriye <strong>büyük boy seçeneğinin sunulması</strong>.</li></ul><p>📈 <strong>Faydaları:</strong></p><ul><li>Müşteri başına düşen geliri artırır.</li><li>Müşterilere ihtiyaçlarını karşılayan daha iyi çözümler sunarak memnuniyeti yükseltir.</li></ul><h4><strong>6.8. CRM Analitiği ile Up-Sell Stratejileri</strong></h4><ul><li><strong>Satın alma geçmişine göre</strong> müşterinin ilgisini çekebilecek premium ürünler önerilebilir.</li><li><strong>Kampanya bazlı teklifler</strong> ile müşterinin daha yüksek fiyatlı bir ürüne yönlendirilmesi sağlanabilir.</li></ul><h4>6.9. Müşteri Segmentasyonu</h4><p>Müşteri segmentasyonu, müşterileri <strong>benzer özelliklerine, alışveriş alışkanlıklarına veya demografik yapılarına</strong> göre gruplandırarak daha hedeflenmiş pazarlama ve satış stratejileri geliştirme yöntemidir.</p><h4><strong>6.10. Segmentasyon Türleri</strong></h4><h4>1️⃣ <strong>Demografik Segmentasyon</strong></h4><ul><li>Yaş, cinsiyet, gelir seviyesi, eğitim durumu gibi kriterlere göre müşteri gruplandırma.</li><li>Örneğin: Genç kullanıcılar için farklı pazarlama stratejileri, kurumsal müşteriler için özel kampanyalar.</li></ul><h4>2️⃣ <strong>Davranışsal Segmentasyon</strong></h4><ul><li>Müşteri alışveriş alışkanlıklarına ve davranışlarına göre segmentasyon.</li><li>Örneğin: <strong>Sık alışveriş yapan müşterilere özel indirimler</strong>, <strong>ilk defa alışveriş yapanlara hoş geldin kampanyası</strong>.</li></ul><h4>3️⃣ <strong>Psikografik Segmentasyon</strong></h4><ul><li>Müşterinin yaşam tarzı, ilgi alanları ve değerlerine göre ayrılması.</li><li>Örneğin: Çevre dostu ürünleri tercih eden müşteriler için sürdürülebilirlik odaklı kampanyalar oluşturmak.</li></ul><p>📈 <strong>Faydaları:</strong></p><ul><li>Daha hedeflenmiş ve etkili pazarlama kampanyaları oluşturmayı sağlar.</li><li>Satışları artırarak <strong>müşteri memnuniyetini ve dönüşüm oranlarını</strong> yükseltir.</li><li><strong>Müşteri yolculuğunu</strong> daha iyi anlamaya ve onlara en iyi deneyimi sunmaya yardımcı olur.</li></ul><h4><strong>6.11. CRM Analitiği ile Segmentasyon</strong></h4><ul><li>AI ve makine öğrenmesi destekli <strong>müşteri tahmin modelleri</strong> oluşturularak, en değerli müşteri grupları tespit edilebilir.</li><li><strong>Özelleştirilmiş e-posta ve reklam kampanyaları</strong> ile müşteri sadakati artırılabilir.</li></ul><h3>7. CRM Analitiği İçin Veri Toplama ve Analiz Yöntemleri</h3><p><strong>CRM analitiğinin</strong> temelini <strong>doğru verinin toplanması ve etkin şekilde analiz edilmesi</strong> oluşturur. İşletmeler, farklı kaynaklardan gelen müşteri verilerini <strong>merkezi bir sistemde</strong> toplamalı ve bu verileri anlamlı iç görülere dönüştürmelidir.</p><p><strong>Başlıca Veri Kaynakları</strong><br>✅ <strong>Web sitesi &amp; e-ticaret platformları</strong> → Kullanıcı hareketleri, sepete ekleme &amp; terk etme oranları<br>✅ <strong>Sosyal medya &amp; dijital pazarlama</strong> → Marka etkileşimleri, yorumlar, beğeniler<br>✅ <strong>Müşteri destek kayıtları</strong> → Çağrı merkezi görüşmeleri, chatbot verileri<br>✅ <strong>E-posta &amp; kampanya yönetimi</strong> → Açılma oranları, tıklanma oranları, dönüşüm oranları<br>✅ <strong>Satış &amp; faturalandırma verileri</strong> → Sipariş geçmişi, ödeme alışkanlıkları</p><p>📌 <strong>Etkili Veri Toplama Stratejileri</strong><br>✔️ Verileri tek bir CRM sisteminde merkezi hale getirme<br>✔️ Otomatik veri toplama araçları kullanma (Google Analytics, HubSpot, Salesforce vb.)<br>✔️<strong> Gerçek zamanlı veri akışları ile müşteri etkileşimlerini izleme</strong><br>✔️ Müşteri geri bildirimlerini ve anketleri CRM’e entegre etme</p><h3>8. CRM Analitiğinde Kullanılan Analiz Yöntemleri</h3><p>Müşteri verisini anlamlandırmak için kullanılan temel analiz yöntemleri şunlardır:</p><h4>1️⃣ Tanımlayıcı Analiz (Descriptive Analytics)</h4><p>Müşteri davranışlarını geçmiş verilere dayanarak analiz eder.<br>🔍 <strong>Örnek:</strong> “Son 6 ayda müşteri kayıp oranımız (churn) %15 arttı.”</p><h4>2️⃣ Tahmine Dayalı Analiz (Predictive Analytics)</h4><p>Makine öğrenmesi ve istatistiksel modeller kullanarak gelecekteki müşteri davranışlarını tahmin eder.<br>🔍 <strong>Örnek:</strong> “Bu müşterinin önümüzdeki 30 gün içinde ürünü tekrar satın alma olasılığı %70.”</p><h4>3️⃣ Kuralcı Analiz (Prescriptive Analytics)</h4><p>Veri analizi sonuçlarına dayanarak hangi aksiyonların alınması gerektiğini önerir.<br>🔍 <strong>Örnek:</strong> “Sadakat programına katılan müşterilerin kayıp oranı %30 daha düşük, bu nedenle tüm müşterilere sadakat programı önerilmeli.”</p><p>Bu analiz yöntemleri sayesinde işletmeler müşteri kaybını azaltabilir, pazarlama kampanyalarını optimize edebilir ve müşteri memnuniyetini artırabilir.</p><h3>9. Uygulama İpuçları ve En İyi CRM Analitik Stratejileri</h3><p><strong>CRM analitiğinden</strong> en yüksek verimi alabilmek için aşağıdaki en iyi uygulamalara odaklanılmalıdır:</p><h4>9.1. Veri Kalitesini Sağlayın</h4><p>✔️ Eksik veya hatalı müşteri verilerini temizleyin.<br>✔️ Güncel ve doğru müşteri bilgileri toplayın.<br>✔️ Tekrarlayan veya çakışan müşteri kayıtlarını önlemek için <strong>CRM</strong> veritabanını düzenli olarak güncelleyin.</p><h4>9.2. Kişiselleştirilmiş Müşteri Deneyimi Sunun</h4><p>✔️ Müşteri segmentasyonuna dayalı kişiselleştirilmiş öneriler oluşturun.<br>✔️ Doğru müşteriye, doğru mesajı, doğru zamanda iletmek için pazarlama otomasyonu kullanın.<br>✔️ Sadakat programları, kişiye özel indirimler ve özel teklifler ile müşteri bağlılığını artırın.</p><h4>9.3. Müşteri Yolculuğunu ve Duyarlılık Noktalarını İzleyin</h4><p>✔️ Müşterinin markayla temas ettiği her noktada (<strong>touchpoint</strong>) nasıl davrandığını analiz edin.<br>✔️ Web sitesi, mobil uygulama, e-posta ve sosyal medya gibi farklı kanalların etkisini ölçün.<br>✔️ Satış hunisinin hangi aşamalarında müşteri kaybı yaşandığını belirleyerek dönüşüm oranlarını artırın.</p><h4>9.4. AI ve Makine Öğrenmesi ile CRM Analitiğini Güçlendirin</h4><p>✔️ AI tabanlı müşteri tahmin modelleri kullanarak müşteri kaybını (<strong>churn</strong>) önceden tespit edin.<br>✔️ Dinamik fiyatlandırma ve ürün önerileri için makine öğrenmesi algoritmalarını kullanın.<br>✔️ Chatbot ve sesli asistanlar ile müşteri hizmetlerini daha verimli hale getirin.</p><h4>9.5. KPI’ları Düzenli Olarak İzleyin ve Optimize Edin</h4><p>✔️ <strong>CRM metriklerini</strong> ve <strong>KPI</strong>’ları düzenli olarak analiz edin.<br>✔️ Müşteri davranışlarındaki değişimleri takip ederek stratejilerinizi güncelleyin.<br>✔️ <strong>A/B testleri</strong> yaparak en iyi dönüşüm sağlayan kampanyaları belirleyin.</p><h3>Sonuç</h3><blockquote><strong>CRM analitiği</strong>, işletmelerin müşteri verilerini <strong>anlamlı içgörülere dönüştürerek</strong> daha başarılı müşteri ilişkileri yönetimi yapmalarını sağlar.</blockquote><blockquote><strong>Özetle CRM Analitiği ile Neler Kazanabiliriz?</strong><br>✅ <strong>Daha iyi müşteri deneyimi:</strong> Kişiselleştirilmiş kampanyalar ve önerilerle müşteri sadakatini artırırız.<br>✅ <strong>Veriye dayalı karar alma:</strong> Satış, pazarlama ve müşteri hizmetlerinde en iyi kararları vererek daha güçlü stratejiler oluştururuz.<br>✅ <strong>Satışları ve müşteri bağlılığını artırma:</strong> Cross-sell, up-sell ve müşteri segmentasyonu ile müşteri başına geliri yükseltiriz.<br>✅ <strong>Müşteri kaybını azaltma:</strong> Churn analizi ve kohort analizleri ile müşteri elde tutma oranını yükseltiriz.</blockquote><blockquote><strong>CRM analitiğinin</strong> gücünden yararlanarak <strong>veriye dayalı müşteri ilişkileri yönetimi stratejileri geliştirmek</strong>, işletmelerin sürdürülebilir büyümesini destekleyen en kritik faktörlerden biridir.</blockquote><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e7f093740c82" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kural Tabanlı Sınıflandırma: Makine Öğrenmesine İlk Adım]]></title>
            <link>https://medium.com/@mmehmetisik/kural-tabanl%C4%B1-s%C4%B1n%C4%B1fland%C4%B1rma-makine-%C3%B6%C4%9Frenmesine-i%CC%87lk-ad%C4%B1m-a479eaaaaf79?source=rss-fd22278eae9------2</link>
            <guid isPermaLink="false">https://medium.com/p/a479eaaaaf79</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[analysis]]></category>
            <category><![CDATA[rule-based-classification]]></category>
            <dc:creator><![CDATA[Mehmet_ISIK]]></dc:creator>
            <pubDate>Sat, 25 Jan 2025 20:39:32 GMT</pubDate>
            <atom:updated>2025-02-02T12:51:53.196Z</atom:updated>
            <content:encoded><![CDATA[<h3>İçindekiler</h3><ol><li><strong>Giriş</strong></li></ol><p>2. Kural Tabanlı Sınıflandırma Nedir?</p><p>2.1. Basit Çalışma Prensibi<br>2.1.1. Özelliklerin Belirlenmesi<br>2.1.2. Kuralların Tanımlanması<br>2.1.3. Sınıflandırma<br>2.1.4. Çıktı Üretimi</p><p><strong>3. Makine Öğrenmesi ile İlişkisi</strong></p><p>3.1. Kural Tabanlı Sınıflandırmanın Özellikleri<br>3.2. Makine Öğrenmesinin Özellikleri<br>3.3. Kural Tabanlı Sınıflandırmanın Tercih Edildiği Senaryolar</p><p><strong>4. Gerçek Dünya Uygulamaları</strong></p><p>4.1. E-posta Spam Filtresi<br>4.2. Müşteri Segmentasyonu<br>4.3. Trafik Yönetim Sistemleri<br>4.4. Sektörel Uygulamalar<br>4.4.1. Sağlık Sektörü<br>4.4.2. E-Ticaret<br>4.4.3. Finans<br>4.4.4. Eğitim<br>4.4.5. Üretim ve Lojistik</p><p>5. <strong>Python ile Örnekler</strong></p><p>5.1. Basit Bir Örnek: Öğrenci Sınıflandırması<br>5.2. İleri Seviye Örnek: Segment Analizi</p><p><strong>6. Sonuç</strong></p><h3>1. Giriş</h3><blockquote><strong>Hoş Geldiniz!</strong></blockquote><blockquote>Bu yazımızda, makine öğrenmesine giden yolda önemli bir adım olan <strong>kural tabanlı sınıflandırmayı</strong> ele alacağız. Kural tabanlı sistemler, verileri sınıflandırma sürecinde kullanılan en temel yaklaşımlardan biridir ve makine öğrenmesinin daha karmaşık algoritmalarına geçmeden önce sağlam bir temel oluşturur.</blockquote><blockquote>Yazı boyunca, kural tabanlı sınıflandırmanın ne olduğunu, çalışma prensiplerini ve makine öğrenmesiyle olan ilişkisini detaylandıracağız. Gerçek dünya uygulamalarından örneklerle, bu yöntemin hangi durumlarda daha etkili olduğunu ve sınırlamalarını keşfedeceğiz. Ayrıca, Python ile basit bir örnek kod oluşturarak bu yaklaşımı uygulamalı olarak inceleyeceğiz.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1023/1*-1GbgmzB_QCGrEj_41rReA.png" /><figcaption><strong>Resim — 1: Rule-Based Classification</strong></figcaption></figure><h3>2. Kural Tabanlı Sınıflandırma Nedir?</h3><p>Kural tabanlı sınıflandırma, verileri belirli bir dizi mantıksal kurala dayanarak sınıflandıran bir yöntemdir. Bu yaklaşımda, kurallar genellikle <strong>“Eğer… O halde…”</strong> (if-else) biçiminde ifade edilir. İnsan tarafından tanımlanan bu kurallar, veri setindeki belirgin özelliklere göre kararlar almayı sağlar.</p><p>Bu yöntem, genellikle belirli kuralların kolayca çıkarılabildiği basit problemler için tercih edilir. Örneğin, e-posta spam filtresi gibi bir sistemde:</p><ul><li><strong>Eğer:</strong> E-posta başlığı “bedava” içeriyorsa</li><li><strong>O halde:</strong> Bu e-posta spam olarak işaretlenir.</li></ul><h4>2.1. Basit Çalışma Prensibi</h4><p>Kural tabanlı sınıflandırmanın çalışma prensibi, <strong>koşul → sonuç</strong> mantığına dayanır. Genel adımlar şunlardır:</p><h4><strong>2.1.1. Özelliklerin Belirlenmesi</strong></h4><p>Veri setinde kullanılacak anahtar özellikler (örneğin, yaş, sıcaklık, nem) belirlenir.</p><h4><strong>2.2.2. Kuralların Tanımlanması</strong></h4><p>Her özellik için anlamlı eşikler veya koşullar oluşturulur.<br>Örnek:</p><ul><li>Eğer yaş &lt; 18 ise → sınıf = “Genç”.</li><li>Eğer yaş ≥ 18 ve yaş ≤ 65 ise → sınıf = “Yetişkin”.</li><li>Eğer yaş &gt; 65 ise → sınıf = “Yaşlı”.</li></ul><h4><strong>2.2.3. Sınıflandırma</strong></h4><p>Yeni gelen veriler, bu kurallar üzerinden değerlendirilir ve uygun bir sınıf atanır.</p><h4><strong>2.2.4. Çıktı Üretimi</strong></h4><p>Sistemin sonuçları, sınıflandırılan veriler üzerinden kullanıma sunulur.</p><p><strong>Örnek:</strong><br>Bir müşteri segmentasyonu uygulaması:</p><ul><li>Eğer müşteri yaşı ≤ 25 ve satın alma miktarı &gt; 500 ise, sınıf = “Genç Harcama Eğilimli”.</li><li>Eğer müşteri yaşı &gt; 25 ve satın alma miktarı ≤ 500 ise, sınıf = “Orta Yaş Dengeli”.</li></ul><p>Bu basit yaklaşım, net kurallar belirlemek için oldukça uygundur ve makine öğrenmesinin temel mantığını anlamak için önemli bir adımdır.</p><h3>3. Makine Öğrenmesi ile İlişkisi</h3><p>Kural tabanlı sınıflandırma ile makine öğrenmesi arasındaki temel fark, <strong>kararların nasıl alındığı</strong> ve <strong>kuralların nasıl oluşturulduğudur</strong>:</p><h4><strong>3.1. Kural Tabanlı Sınıflandırma</strong></h4><ul><li><strong>İnsan Tanımlı Kurallar:</strong> Kurallar, genellikle bir domain uzmanı tarafından manuel olarak tanımlanır.</li><li><strong>Sabit ve Değişmez:</strong> Kurallar, veri değiştiğinde veya yeni bilgiler ortaya çıktığında elle güncellenmelidir.</li><li><strong>Basit ve Doğrusal Yapı:</strong> Karmaşık ilişkilerden ziyade basit karar yapıları içerir.</li><li><strong>Küçük Veri Setleri İçin Uygun:</strong> Kural tabanlı sistemler, küçük veri setlerinde ve sınırlı sayıda değişkenle daha etkilidir.</li></ul><h4><strong>3.2. Makine Öğrenmesi</strong></h4><ul><li><strong>Veriden Öğrenme:</strong> Karar kuralları, veri seti üzerinden algoritmalar aracılığıyla otomatik olarak öğrenilir.</li><li><strong>Adaptasyon:</strong> Algoritmalar, veri değiştikçe kendini güncelleyebilir ve yeni bilgiler öğrenebilir.</li><li><strong>Karmaşık Yapılar:</strong> Karmaşık ilişkileri ve büyük veri setlerini anlamak için tasarlanmıştır.</li><li><strong>Genel Amaçlı Kullanım:</strong> Makine öğrenmesi, kural tabanlı sistemlerin zorlandığı durumlarda çok daha etkili çalışır.</li></ul><p><strong>Özet:</strong><br>Kural tabanlı sınıflandırma, bir problemi çözmek için kuralları manuel olarak oluştururken, makine öğrenmesi bu kuralları veriden çıkarır.</p><h4>3.3. Hangi Senaryolarda Tercih Edilir?</h4><p>Kural tabanlı sınıflandırma, aşağıdaki senaryolarda tercih edilir:</p><h4><strong>3.3.1. Kuralların Net Olduğu Durumlar</strong></h4><p>Eğer problem açık ve net kurallarla tanımlanabiliyorsa, kural tabanlı yöntemler basit ve etkili bir çözüm sunar.<br>Örneğin:</p><p>E-posta başlıklarında “ücretsiz” veya “kampanya” gibi kelimelerin spam olarak işaretlenmesi.</p><h4><strong>3.3.2. Küçük Veri Setleri</strong></h4><p>Yeterli veri bulunmadığında, makine öğrenmesi yerine manuel olarak tanımlanan kurallar daha etkili olabilir.</p><h4><strong>3.3.3. Gerçek Zamanlı ve Basit Uygulamalar</strong></h4><p>Gerçek zamanlı karar vermenin kritik olduğu durumlarda, karmaşık algoritmalar yerine basit kurallarla çalışan sistemler daha hızlı sonuç üretebilir.<br>Örneğin:</p><p>Bir trafik ışığı sistemi, araç sayısına göre ışık sürelerini belirlemek için basit kurallar kullanabilir.</p><h4><strong>3.3.4. Kaynakların Kısıtlı Olduğu Ortamlar</strong></h4><p>Makine öğrenmesi algoritmalarını eğitmek ve kullanmak için gerekli hesaplama gücü veya veri seti yoksa, kural tabanlı yöntemler ideal bir alternatif olabilir.</p><h3>4. Gerçek Dünya Uygulamaları</h3><p>Kural tabanlı sınıflandırma, günlük hayatta birçok basit ve doğrudan problemi çözmek için kullanılır.</p><h4>4.1. E-posta Spam Filtresi</h4><ul><li><strong>Kural:</strong> Eğer bir e-posta “bedava”, “kampanya”, “ödül kazandınız” gibi anahtar kelimeler içeriyorsa, bu e-posta spam olarak işaretlenir.</li><li><strong>Çalışma Prensibi:</strong> Belirli metin veya başlık kurallarına göre e-postaları spam veya normal olarak sınıflandırır.</li></ul><h4>4.2. Müşteri Segmentasyonu</h4><ul><li><strong>Kural:</strong> Eğer müşteri yaşı &lt; 25 ve harcama miktarı &gt; 500 TL ise, bu müşteri “Genç Harcama Eğilimli” olarak sınıflandırılır.</li><li><strong>Kullanım Alanı:</strong> Pazarlama stratejilerinin hedeflenmesinde kullanılır.</li></ul><h4>4.3. Trafik Yönetim Sistemleri</h4><ul><li><strong>Kural:</strong> Eğer araç sayısı bir kavşakta &gt; 10 ise, yeşil ışık süresi uzatılır.</li><li><strong>Avantaj:</strong> Gerçek zamanlı trafiğin basit kurallarla yönetimi sağlanır.</li></ul><h4>4.4. Sektörel Uygulamalar</h4><p>Kural tabanlı sınıflandırma, birçok sektörde hızlı ve verimli çözümler sunar. İşte bazı sektörlerdeki uygulamalar</p><h4>4.4.1. Sağlık Sektörü</h4><ul><li><strong>Örnek Uygulama:</strong> Basit hasta triyaj sistemleri.<br><strong>Kural:</strong> Eğer hasta ateşi &gt; 38°C ve öksürük belirtileri gösteriyorsa, öncelikli olarak doktor muayenesine yönlendirilir.</li><li><strong>Avantaj:</strong> İlk değerlendirmeyi hızlıca yapmak için etkili bir yöntemdir.</li></ul><h4>4.4.2. E-Ticaret</h4><ul><li><strong>Örnek Uygulama:</strong> Ürün öneri sistemleri.<br><strong>Kural:</strong> Eğer kullanıcı kategorisi = “Elektronik” ve harcama geçmişi &gt; 1000 TL ise, “Premium ürünler” önerilir.</li><li><strong>Avantaj:</strong> Kullanıcı deneyimini iyileştirerek satışları artırır.</li></ul><h4>4.4.3. Finans</h4><ul><li><strong>Örnek Uygulama:</strong> Kredi başvuru değerlendirmesi.<br><strong>Kural:</strong> Eğer kredi puanı &gt; 700 ve gelir düzeyi &gt; 5000 TL ise, kredi başvurusu onaylanır.</li><li><strong>Avantaj:</strong> Risk yönetimini basitleştirir ve süreçleri hızlandırır.</li></ul><h4>4.4.4. Eğitim</h4><ul><li><strong>Örnek Uygulama:</strong> Öğrenci performans takibi.<br><strong>Kural:</strong> Eğer bir öğrencinin devamsızlık oranı &gt; %30 ise, uyarı gönderilir.</li><li><strong>Avantaj:</strong> Öğrenci başarı oranlarını artırmaya yönelik erken müdahaleyi sağlar.</li></ul><h4>4.4.5. Üretim ve Lojistik</h4><ul><li><strong>Örnek Uygulama:</strong> Üretim hatlarında kalite kontrol.<br><strong>Kural:</strong> Eğer bir ürün boyutu tolerans aralığının dışında ise, ürün reddedilir.</li><li><strong>Avantaj:</strong> Kaliteyi güvence altına alır ve maliyetli hataları önler.</li></ul><h3>5. Python ile Basit ve İleri Seviye Örnek</h3><p>Bu bölümde, kural tabanlı sınıflandırmanın nasıl çalıştığını göstermek için basit ve ileri seviye örnek kodlar vereceğiz.</p><p>İlk Örneğimizde, bir öğrencinin sınav notuna ve devamsızlık durumuna göre sınıfını geçip geçmediğini belirleyen bir sınıflandırma sistemi oluşturacağız.</p><pre># Öğrenci verileri<br>ogrenci_verileri = [<br>    {&quot;isim&quot;: &quot;Ahmet&quot;, &quot;not&quot;: 85, &quot;devamsizlik&quot;: 2},<br>    {&quot;isim&quot;: &quot;Ayşe&quot;, &quot;not&quot;: 50, &quot;devamsizlik&quot;: 8},<br>    {&quot;isim&quot;: &quot;Ali&quot;, &quot;not&quot;: 70, &quot;devamsizlik&quot;: 5},<br>    {&quot;isim&quot;: &quot;Fatma&quot;, &quot;not&quot;: 45, &quot;devamsizlik&quot;: 1}<br>]<br><br># Sınıflandırma kuralları<br>def kural_tabanli_siniflandirma(ogrenci):<br>    if ogrenci[&quot;not&quot;] &gt;= 60 and ogrenci[&quot;devamsizlik&quot;] &lt;= 5:<br>        return &quot;Geçti&quot;<br>    elif ogrenci[&quot;not&quot;] &lt; 60 and ogrenci[&quot;devamsizlik&quot;] &gt; 5:<br>        return &quot;Kaldı&quot;<br>    elif ogrenci[&quot;not&quot;] &lt; 60:<br>        return &quot;Şartlı Geçti&quot;<br>    else:<br>        return &quot;Kaldı&quot;<br><br># Öğrencileri sınıflandırma<br>for ogrenci in ogrenci_verileri:<br>    sonuc = kural_tabanli_siniflandirma(ogrenci)<br>    print(f&quot;{ogrenci[&#39;isim&#39;]} - Durum: {sonuc}&quot;)</pre><pre>Ahmet - Durum: Geçti<br>Ayşe - Durum: Kaldı<br>Ali - Durum: Geçti<br>Fatma - Durum: Şartlı Geçti</pre><p>Bu örnekte, öğrencilerin sınav notları ve devamsızlık sayılarına göre sınıfı geçip geçemediklerini belirleyen bir kural tabanlı sınıflandırma sistemi oluşturduk. Her öğrenci, tanımlanan if-else kurallarına göre “Geçti”, “Şartlı Geçti” veya “Kaldı” sınıflarına atanmıştır.</p><p>İleri seviye bir örnek olarak aşağıdaki linkten çalışmanın tamamına ulaşabileceğiniz çalışmanın içerisinden bir kod örneği verelim.</p><p><a href="https://www.kaggle.com/code/mehmetisik/rule-based-classification?scriptVersionId=219250825"><strong>Rule-Based Classification</strong></a></p><p><a href="https://www.kaggle.com/code/mehmetisik/rule-based-classification-2?scriptVersionId=219358864"><strong>Rule-Based Classification — 2</strong></a></p><pre># Segmentler oluşturuluyor<br>agg_df[&quot;SEGMENT&quot;] = pd.cut(agg_df[&quot;Price&quot;], 4, labels=[&quot;D&quot;, &quot;C&quot;, &quot;B&quot;, &quot;A&quot;])<br><br># Segmentlere göre fiyat istatistikleri<br>segment_analysis = agg_df.groupby(&quot;SEGMENT&quot;).agg({<br>    &quot;Price&quot;: [&quot;mean&quot;, &quot;max&quot;, &quot;min&quot;, &quot;sum&quot;]<br>})<br><br># Sonuçları göster<br>print(segment_analysis)</pre><pre>        Price                    <br>         mean    max   min    sum<br>SEGMENT                          <br>D       57.43  62.00 48.58 516.89<br>C       69.48  74.74 63.38 416.88<br>B       86.09  87.31 83.73 258.26<br>sA       97.44 103.94 90.94 194.87</pre><h3>6. Sonuç</h3><blockquote>Makine öğrenmesi ve veri analitiği dünyasında, kural tabanlı sınıflandırma basit ama güçlü bir yöntem olarak öne çıkıyor. Bu yazıda, kural tabanlı sınıflandırmanın ne olduğunu, temel prensiplerini ve makine öğrenmesi ile olan ilişkisini ele aldık. Ayrıca, gerçek dünya uygulamaları ve Python ile somut bir örnek üzerinden bu yöntemin nasıl kullanılabileceğini gösterdik.</blockquote><p>Bir sonraki yazımda görüşmek üzere.</p><p>Her türlü iş birliği için<strong>, LinkedIn</strong> üzerinden bağlantı kurmak isterseniz <a href="https://www.linkedin.com/in/mehmetisik4601/"><strong>buradan</strong></a> profilime ulaşabilirsiniz 😊</p><ul><li><a href="https://www.kaggle.com/mehmetisik">Mehmet ISIK</a></li><li><a href="https://github.com/mmehmetisik">mmehmetisik - Overview</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a479eaaaaf79" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>