<?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 Mustafa Yılmaz on Medium]]></title>
        <description><![CDATA[Stories by Mustafa Yılmaz on Medium]]></description>
        <link>https://medium.com/@mustafa-yilmaz?source=rss-41adbd9144b4------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*6U-0GG5XTAbW3tVnqSG06Q.jpeg</url>
            <title>Stories by Mustafa Yılmaz on Medium</title>
            <link>https://medium.com/@mustafa-yilmaz?source=rss-41adbd9144b4------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 07:37:44 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mustafa-yilmaz/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[Veri Biliminde Güçlü İkili: Python ve Anaconda]]></title>
            <link>https://medium.com/@mustafa-yilmaz/veri-bilimi-i%C3%A7in-python-55f217591015?source=rss-41adbd9144b4------2</link>
            <guid isPermaLink="false">https://medium.com/p/55f217591015</guid>
            <category><![CDATA[python-ve-sanal-ortam]]></category>
            <category><![CDATA[veri-bilimi-ve-python]]></category>
            <category><![CDATA[anaconda-sanal-ortam]]></category>
            <category><![CDATA[veri-bilimi-ve-anaconda]]></category>
            <category><![CDATA[python-ve-anaconda]]></category>
            <dc:creator><![CDATA[Mustafa Yılmaz]]></dc:creator>
            <pubDate>Sun, 28 Apr 2024 19:08:51 GMT</pubDate>
            <atom:updated>2024-04-28T20:22:36.561Z</atom:updated>
            <content:encoded><![CDATA[<p>Veri bilimi, günümüzün en popüler ve hızla büyüyen alanlarından biridir. Python, bu alanda kullanılan en popüler dillerden biri olup, Anaconda platformu ise Python ve R paketlerini yönetmek için mükemmel bir araçtır. Bu yazıda, veri bilimi için Python kullanımının önemini ve Anaconda’nın bu süreçte nasıl bir yardımcı olduğunu detaylıca ele alacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mqheUWklhnZDDYxSuLZYNA.jpeg" /></figure><h4>Python</h4><p>Python, veri bilimi için son derece popüler bir dildir. Bunun nedenlerine hemen göz atamak gerekirse:</p><ol><li>Kullanım Kolaylığı: Python, okunması ve yazılması kolay bir dildir. Bu, veri bilimcilerin karmaşık algoritmaları ve veri setlerini hızlı ve etkili bir şekilde işlemelerine olanak sağlar.</li><li>Kütüphane Desteği: Python, veri analizi ve makine öğrenmesi gibi veri bilimi görevleri için geniş bir kütüphane yelpazesine sahiptir. Bu kütüphaneler, veri manipülasyonu ve analizi, görselleştirme, makine öğrenmesi, derin öğrenme ve daha fazlasını içerir.</li><li>Topluluk Desteği: Python’un büyük ve aktif bir topluluğu vardır. Bu, veri bilimcilerin karşılaştıkları sorunlara çözüm bulmalarını ve yeni teknikler öğrenmelerini kolaylaştırır.</li></ol><p>Bu nedenlerle, Python, veri bilimi için ideal bir dil olarak kabul edilir.</p><h4>Anaconda</h4><p>Peki nedir bu Anaconda? Bu alana ilk başladığımızda, kurulumlar aşamasında sık sık karşılaştığımız platformlardan birisi Anaconda’dır.Anaconda, çok fazla Python ve R paketini bünyesinde barındıran bir paket dağıtımıdır. Sanal ortamlar oluşturabilmesinin, kod ve çalışma ortamının paylaşımını kolaylaştırması ve aynı zamanda projelerin bağımlılıklarını kolayca yönetmeye olanak sağlaması <strong>Anaconda</strong> yapısının en büyük artılarından birisidir.Yapay zeka, veri analizi, makine öğrenimi gibi işlemler için gerekli olan paketleri hazır halde sunan ve onları yöneten bir araçtır.Verileri analiz etmek için <strong>Numpy</strong>, <strong>Dask</strong>, <strong>Pandas</strong> gibi araçlara sahiptir ve aynı zamanda elde edilen verileri görselleştirmek için <strong>Datashader</strong>, <strong>Holoviews</strong>, <strong>Bokeh</strong> veya <strong>Matplotlib</strong> kullanımına izin verir. Burada paketten bahsettik, peki paket nedir?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*Gu-DTj9hRGmDrrq2AiXuaQ.png" /></figure><h4>Paket</h4><p>Bir yazılımın veya kütüphanenin kurulumu, güncellenmesi, konfigürasyonu ve kaldırılması gibi gerekli olan dosyaları ve bilgileri içeren bir arşivdir denilebilir. Paket yönetimi ise, paketleri sisteme ekleme, çıkarma, güncelleme ve bağımlılıklarını kontrol etmek için kullanılan bir süreçtir denilebilir. Paket yöneticileri yazılımların uyumluluğunu ve güvenliğini sağlar. Ancak çok fazla paket indirilmesi gerektiği için bellek üzerinde gereksiz bir yük oluşturur. Bunun için gerektiği yerde gereken paketi indirmek gereklidir. Bunu da Virtual Environment yani sanal ortam ile yaparız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8YbvtPlS6zFxJcQ09dsS8Q.jpeg" /></figure><h4>Sanal Ortam</h4><p>Yukarıda da bahsettiğimiz gibi, sanal ortamların tek amacı çalışma ortamının boyutunu küçültmek değildir. Aynı zamanda, farklı projelerdeki paketleri yönetmeyi de sağlar. Ayrıca, izole bir çalışma ortamı oluşturmak için de kullanılan bir araçtır. Ne demek istediğimi örnek vererek açıklamak istiyorum. Bir projeyi yaparken, sadece ilgili işe odaklandığımız bir ortam sağlar. Başka bir iş veya proje ile karıştırılmaların önüne geçer. Yani, farklı çalışmalar için oluşturulabilecek farklı kütüphane ve versiyon ihtiyaçlarını, çalışmalar birbirini etkilemeyecek şekilde oluşturma imkanı sağlar. Şöyle düşünelim; mesela bir tane proje geliştiriyoruz ve bu projemiz PROJE_1 olsun ve gerekli versiyonlar:</p><ul><li>Python 3.7</li><li>numpy 1.16</li><li>pandas 1.1</li></ul><p>Bir de PROJE_2 var:</p><ul><li>Python 2.7</li><li>numpy 1.14</li><li>pandas 0.14</li></ul><p>Aynı anda 2 veya daha fazla ilgilenmemiz gereken projeler olabilir. Bu projelerde kullandığımız sürüm ve versiyonlar ilgili projeye özgüdür ve elimizde tek bir bilgisayar var. Peki, bu durumda ne yaparız? Tabii ki, bunu SANAL ORTAM ile çözeriz. İşte bu gibi durumlarda CONDA vb. araçlar devreye girerek aynı anda birden fazla ortam oluşturma ve bunlar üzerinde çalışma imkanı sağlar. Elbette sadece Conda yoktur. Ayrıca sanal ortam oluşturma araçları şunlar da olabilir:</p><ul><li>VenV</li><li>VirtualenV</li><li>pipenV</li></ul><p>Kısaca Sanal ortam oluşturmanın birçok avantajı vardır:</p><ol><li><strong>IT Giderlerini Azaltma:</strong> Sanal ortamlar, fiziksel sunucuların daha verimli kullanılmasını sağlar, bu da IT giderlerini azaltır.</li><li><strong>Verimliliği ve Üretkenliği Artırma:</strong> Sanal ortamlar, birden fazla işletim sistemini ve uygulamayı aynı fiziksel sunucuda çalıştırma yeteneği sağlar. Bu, iş yüklerinin daha hızlı işlenmesine ve daha yüksek üretkenliğe olanak sağlar.</li><li><strong>Daha Fazla Ölçeklenebilirlik:</strong> Sanal ortamlar, iş yüklerinin ve uygulamaların kolayca ölçeklendirilmesine olanak sağlar.</li><li><strong>Daha Fazla Bağımsızlık ve Kontrol:</strong> Sanal ortamlar, farklı projeler ve uygulamalar için izole çalışma alanları oluşturur. Bu, her projenin kendi gereksinimlerine göre özelleştirilebilmesini sağlar.</li><li><strong>Daha Çevre Dostu:</strong> Sanal ortamlar, daha az fiziksel sunucu kullanılmasını sağlar, bu da enerji tüketimini azaltır ve daha yeşil bir IT altyapısı oluşturur.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kkFCMaTtwaVjR4zEAgFMJQ.jpeg" /></figure><p>Veri bilimi için Python ve Anaconda’nın kullanımı hakkında bilgi verdiğimiz bu yazının sonuna geldik. Umarım bu yazı, sizin için bir başlangıç noktası olur ve bu alanda daha fazla bilgi edinmenize yardımcı olur.Gelecek yazımda, Python kodlarına dair özet niteliğinde bir yazı paylaşmayı planlıyorum. Bu, Python’un veri bilimi uygulamalarındaki etkisini daha iyi anlamanıza yardımcı olacaktır. Veri bilimi yolculuğunuzda başarılar dilerim!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=55f217591015" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Dönüşümü: Ham Veriden Değerli Bilgiye]]></title>
            <link>https://medium.com/@mustafa-yilmaz/veri-d%C3%B6n%C3%BC%C5%9F%C3%BCm%C3%BC-ham-veriden-de%C4%9Ferli-bilgiye-55a1704f81ac?source=rss-41adbd9144b4------2</link>
            <guid isPermaLink="false">https://medium.com/p/55a1704f81ac</guid>
            <category><![CDATA[diagnostic-analytics]]></category>
            <category><![CDATA[prescriptive-analytics]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[predictive-analytics]]></category>
            <category><![CDATA[veri-i̇şleme]]></category>
            <dc:creator><![CDATA[Mustafa Yılmaz]]></dc:creator>
            <pubDate>Wed, 15 Nov 2023 14:51:37 GMT</pubDate>
            <atom:updated>2023-11-16T10:41:13.715Z</atom:updated>
            <content:encoded><![CDATA[<p>Verinin nasıl bir bilgi hazinesine dönüştürülebileceğini ve bu sürecin nasıl işlediğini anlatacağım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/812/1*YESQXpIDheTeMZadP6gmRA.png" /></figure><p>Verinin önemini vurguladığım bir önceki yazımda, The Economist dergisinde yayınlanan bir makaleye atıfta bulundum. Bu makalede, ‘Dünyadaki en değerli kaynak artık petrol değil, veri’dir.’ ifadesi kullanılarak verinin önemine dikkat çektim. Ancak, veri bu kadar değerli olmasına rağmen, ham haliyle pek bir anlam ifade etmiyor. Petrol gibi, belirli işlemlerden geçmeden kullanışlı hale gelmiyor. Verinin gerçek anlamını ortaya çıkarmak ve değerini açığa çıkarmak için, ham halinden çıkarıp işlememiz gerekiyor.</p><h4>Veriden faydalı bilgi çıkarma süreci, genellikle dört temel analitik yaklaşım türünü içerir :</h4><ul><li><strong>1-Betimleyici Analitik (Descriptive Analytics)</strong>:</li><li><strong>2-Teşhis/Tanı Analitiği (Diagnostic Analytics)</strong>:</li><li><strong>3-Tahminsel Analitik (Predictive Analytics)</strong>:</li><li><strong>4-Yönergeli Analitik (Prescriptive Analytics)</strong>:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gOl1mlF66kHItJc-QNGYSw.jpeg" /></figure><h3><strong>1-Betimleyici Analitik (Descriptive Analytics)</strong>:</h3><p><strong>“Ne olmuş?”</strong> sorusuna yanıt aradığımız evre, elimizdeki veriyi betimlediğimiz evredir. Elimizdeki verinin özelliklerini, eğilimlerini, desenlerini ve ilişkilerini anlamak için analiz ettiğimiz ve özetlediğimiz aşamadır. Ortalama, standart sapma, mod-medyan ve görselleştirme gibi tekniklerle basit raporlar oluşturarak mevcut durumun resmini çekeriz. Bu şekilde “ne olmuş?” sorusuna yanıt arar ve dolayısıyla betimleyici analitik yapmış oluruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/938/1*RudzcxjVfNV8LUfbXHO8Lg.png" /></figure><p>Bir e-ticaret sitesinde ilgili markanın güneş kremi satışlarının 3 yıllık ve her yıla ait aylık satışlarını içeren veriler ile bir tablo oluşturduk.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/466/1*oXmcP2LI8d-oyCc7O_oh_g.png" /></figure><p>Bu satışları yukarıdaki gibi bir grafiğe döktüğümüzde 1. basamak analizini yapmış olduk. “Ne olmuş?” sorusuna cevap aradık. Güneş kremleri yıl genelinde kullanılması gereken bir ürün iken ve şirketimizin geliri güneş kremlerinin satışı üzerinden olduğu için yukarıdaki çalışmayı yaparak satışların mevsimsel değişimini görselleştirdik. İlkbahar ve yaz aylarında güneş kremi satışları artarken, sonbahar ve kış aylarında azalmakta olduğunu detaylandırdık. Bu, genellikle insanların güneşli hava koşullarında daha fazla güneş kremi kullanma eğiliminde olmalarından kaynaklanmakta olduğunu ancak şirketin gelirinin bu aylarda ciddi düşüş gösterdiğini anlamlandırmış olduk.</p><h3><strong>2-Teşhis/Tanı Analitiği (Diagnostic Analytics)</strong>:</h3><p>Teşhis Analitiği, betimleyici analitik sonuçlarına dayanarak belirli bir durumun veya olayın neden olduğunu anlamaya çalıştığımız aşamadır. “Neden?” sorusuna yanıt aradığımız analitik aşamasıdır.</p><ul><li><strong>Mevsimlere Göre Satışların Neden Değiştiğini Anlama</strong>: İlkbahar ve yaz aylarında satışların neden arttığını ve kış aylarında neden azaldığını anlamak için daha derinlemesine bir analiz yapabiliriz. Bu, hava durumu, tatil sezonları, okul tatilleri ve diğer mevsimsel etkenlerin satışları nasıl etkilediğini anlamamıza yardımcı olabilir.</li><li><strong>Satış Artışının/Azalışının Nedenlerini Belirleme</strong>: Belirli bir ay veya dönemde satışların neden arttığını veya azaldığını anlamak için verileri daha detaylı inceleyebiliriz. Bu, belirli bir ürünün popülaritesi, pazarlama kampanyaları, fiyat değişiklikleri ve diğer faktörlerin satışları nasıl etkilediğini anlamamıza yardımcı olabilir.</li></ul><p>Var olan soruna “neden?” sorusunu sorduğumuzda; üretim tedarik sıkıntısı, personel yetersizliği, reklam yetersizliği gibi çeşitli cevapları bulduğumuzda, ilgili departmanları harekete geçirerek süreci iyileştirme çalışması için karar alınmasını sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3eubIdq_Xf3OgveH5uy7lw.jpeg" /></figure><h3><strong>3-Tahminsel Analitik (Predictive Analytics)</strong>:</h3><p>Tahminsel Analitik, geçmiş ve mevcut verilere dayanarak gelecekte ne olacağını tahmin etmeye çalışır. Bu genellikle istatistiksel modelleme, makine öğrenmesi ve veri madenciliği tekniklerini içerir. ‘Ne olacak?’ sorusuna yanıt aradığımız analitik aşamasıdır.</p><ul><li><strong>Gelecek Satışları Tahmin Etme</strong>: Geçmiş satış verilerini ve mevsimsel trendleri kullanarak gelecek aylar veya yıllar için satışları tahmin edebiliriz. Bu, bir e-ticaret sitesinin envanter yönetimini ve pazarlama stratejilerini planlamasına yardımcı olabilir.</li><li><strong>Mevsimlere Göre Satışları Tahmin Etme</strong>: Mevsimsel trendleri ve geçmiş satış verilerini kullanarak, belirli bir mevsimde satışların ne olacağını tahmin edebiliriz. Bu, bir e-ticaret sitesinin hangi ürünleri ne zaman tanıtması veya indirim yapması gerektiğine karar vermesine yardımcı olabilir.</li><li><strong>Ürün Talebini Tahmin Etme</strong>: Geçmiş satış verilerini ve müşteri davranışlarını analiz ederek, belirli bir ürün için talebi tahmin edebiliriz. Bu, bir e-ticaret sitesinin hangi ürünlerin stokta olması gerektiğini ve hangi ürünlerin daha az popüler olduğunu belirlemesine yardımcı olabilir.</li></ul><p>Kısaca, nihai sonucu bilinmeyen olaylar ile ilgili tahminler ya da gelecek ile ilgili tahminleri ürettik. Mesela, “4 yıl sonraki satışlar ne olacak?” sorusunu sorarak bu süreci başlatmış olduk. Burada istatistiksel modellemeler, ekonometrik modellemeler ve makine öğrenmesi modellemeleri kullandık.</p><h3><strong>4-Yönergeli Analitik (Prescriptive Analytics)</strong>:</h3><p>Nasıl Olmalı?’, ‘Ne Olmalı?’ sorularına yanıt aradığımız evredir. Çalıştığımız şirketteki ilgili yönetici ‘tahminsel veri analitiği’ ile tahminimizi gördü ama ‘oranları nasıl arttırırız?’ diye sorduğunda bu sorunun cevabını bulmamız gereken evredir.</p><ul><li><strong>Satışları Artırmak İçin Hangi Eylemlerin Alınması Gerektiğini Belirleme</strong>: Tahminsel analitik sonuçlarına dayanarak, satışları artırmak için hangi eylemlerin alınması gerektiğini belirleyebiliriz. Bu, belirli bir ürünün fiyatını düşürmek, bir pazarlama kampanyası başlatmak veya belirli bir ürünü daha görünür bir yerde sergilemek gibi eylemleri içerebilir.</li><li><strong>Envanter Yönetimini Optimize Etme</strong>: Gelecek satışları tahmin etme ve mevcut envanter durumunu dikkate alarak, hangi ürünlerin ne zaman stokta olması gerektiğini belirleyebiliriz. Bu, stokta kalmama durumlarını önlemeye ve envanter maliyetlerini minimize etmeye yardımcı olabilir.</li><li><strong>Pazarlama Stratejilerini Optimize Etme</strong>: Müşteri davranışlarını ve satış trendlerini analiz ederek, hangi pazarlama stratejilerinin en etkili olduğunu ve hangi stratejilerin iyileştirilmesi gerektiğini belirleyebiliriz.</li></ul><p>Eğittiğimiz makine öğrenmesi algoritmalarına ‘ben ne yaparsam satışlarım artar?’ sorusuna cevap alırız. Bize vereceği cevaplar ile ilgili tüm departmanların gerekli aksiyonları almalarını sağlarız.</p><p>(1.3)</p><p>— — — — —</p><p>Okuduğunuz için teşekkür ederim! Eğer veri bilimi ile ilğili herhangi bir sorunuz varsa veya daha fazla bilgi almak isterseniz, lütfen LinkedIn hesabımdan bana ulaşın. Sorularınızı ve geri bildirimlerinizi duymaktan mutluluk duyarım.</p><p><a href="https://www.linkedin.com/in/mustafa-yilmaz-49b575272/">https://www.linkedin.com/in/mustafa-yilmaz-49b575272/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=55a1704f81ac" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yeni Petrol : Veri]]></title>
            <link>https://medium.com/@mustafa-yilmaz/yeni-petrol-veri-c6c157686c0f?source=rss-41adbd9144b4------2</link>
            <guid isPermaLink="false">https://medium.com/p/c6c157686c0f</guid>
            <category><![CDATA[veri̇]]></category>
            <category><![CDATA[petrol]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[the-economist]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <dc:creator><![CDATA[Mustafa Yılmaz]]></dc:creator>
            <pubDate>Tue, 14 Nov 2023 16:45:01 GMT</pubDate>
            <atom:updated>2023-11-14T16:53:12.299Z</atom:updated>
            <content:encoded><![CDATA[<h3>Yeni Petrol : Veri</h3><h4>Dünyadaki en değerli kaynak artık petrol değil, veri’dir.</h4><p>Veri, günümüzde çok değerli bir kaynak olarak kabul ediliyor. The Economist dergisinde yayınlanan bir makalede, ‘Dünyadaki en değerli kaynak artık petrol değil, veri’dir.’ deniyor. Aynı şekilde, yapay zeka uzmanı Andrew Ng, ‘Yapay zeka yeni elektriktir.’ diyerek, veri ile çalışan bu teknolojinin önemini vurguluyor.”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GLQ8V_AThqz2RpdtLyW0TQ.png" /></figure><h4>Yapay Zeka(AI) :</h4><p>Yapay zeka, bir bilgisayarın veya bilgisayar kontrolündeki bir robotun çeşitli faaliyetleri zeki canlılara benzer şekilde yerine getirme yeteneğidir diyebiliriz. Bu süreci besleyen ana kaynak veridir. Veri, yapay zekanın öğrenme ve gelişme yeteneğini sağlar. Yapay zeka, bu verileri analiz eder ve belirli bir görevi yerine getirmek için kullanır. Bu, yapay zekanın zamanla daha doğru ve etkili hale gelmesini sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8y12QaKgEcuuVxBTICy0ag.jpeg" /></figure><h4>Farklı Alanlardan Yapay Zeka Örnekleri :</h4><ul><li>Müşteri Segmentasyonu: Kurumsal şirketler müşterilerini kümelere ayırıp ilgili stratejileri rahatlıkla uygular.</li><li>Şirketlerin gelir modeli tahmini ile yeni stratejiler belirlemesi.</li><li>Başvuru değerlendirme sistemleri: Örneğin kredi onay durumu, veri tabanındaki kayıtlı verileri inceleyerek yani ödeme, harcama, varlıklar gibi müşteriye özgü verileri inceleyerek kredi onay durumuna hızlıca onay verebilir.</li><li>Akıllı portföy yönetimi.</li><li>E-Spor analitiği, mesela Pubg’de sonucu önceden tahmin edip sonucu değiştirmeye yönelik tavsiyelerde bulunması.</li><li>Sosyal medyada arkadaş önerileri, otomatik fotoğraf etiketleme.</li><li>Görüntü işleme temelli uygulamalar.</li><li>Otonom araçlar.</li><li>Nesne tanıma ve takip uygulamaları.</li><li>Sahte videolar (deep fake).</li><li>Eski resimleri canlandırma.</li></ul><p>Bu ürünlerin büyük bir kısmını geliştiren kişilere ‘veri bilimci’ denir. Bütüncül olarak ele alınan konu ‘veri bilimi’ konusudur. Ve bu ürünlerin ürünleşmesi için teorik alt yapıyı sağlayan algoritmalara ‘makine öğrenmesi’ denir. Bu örnek uygulamaların ürünleşip, bu şekilde hayatımıza girdiği son noktadaki haline ise ‘yapay zeka’ denir.</p><h4>Yapay Zeka Çagında Hayatta Kalmak :</h4><p>Yapay zeka, insanların hayatlarının anlamını ve mutluluğunu nasıl etkileyeceği konusunda da önemli bir rol oynayacaktır. İnsanların kendilerini, diğer insanları, diğer canlıları ve çevreyi nasıl algıladıkları ve davrandıkları konusunda da etkili olacaktır. Ayrıca, yapay zekanın insanların özerkliğini, mahremiyetini, güvenliğini ve haklarını nasıl koruyacağı veya tehlikeye atacağı konusunda da bilgili olmak gerekir. Yapay zeka, birçok sektörde ve hayatın her alanında değişimlere yol açacaktır. Bu değişimlere uyum sağlamak ve yeni beceriler edinmek için hazırlıklı olmak önemlidir.</p><p>Veri analitiği değer üretmektir. Analitik düşünce ise üretilecek değerdeki kişisel potansiyelimizdir.</p><p>Tüketen bir bireyden üreten bir bireye geçiş anahtarları:</p><ul><li>Yeni sorular sormak</li><li>Araştırma yapmayı rutin haline getirmek</li><li>Problem çözme kasımızı geliştirmek</li><li>Kavramların mantıklarına odaklanmak</li></ul><h4>Sizi Sizden Daha İyi Tanıyan Algoritmalar:</h4><p>Belirli amaçları yerine getiren algoritmaları ilgili veriler ile beslersek ve onlara öğrenme kabiliyeti kazandırırsak (makine öğrenmesi, derin öğrenme, istatistiksel öğrenme, yapay zeka gibi) bizi bizden daha iyi tanıyarak kolayca yönlendirmemizi sağlar. Bu algoritmalar, kişisel tercihlerimizi, davranışlarımızı, alışkanlıklarımızı, duygularımızı ve hatta sağlık durumumuzu bile analiz edebilir. (Cambridge Analytica gibi)</p><p>Michal Kosinski modellemesi ile:</p><ul><li>10 beğeni ile kişiyi ortalama iş arkadaşlarından daha iyi tanımanın mümkün olduğu,</li><li>70 beğeni ile normal arkadaşlarından daha iyi tanımanın mümkün olduğu,</li><li>150 beğeni ile kişiyi ebeveynlerinin bildiği kadar tanımanın mümkün olduğu,</li><li>300 beğeni ile kişiyi eşlerinin bildiklerinden daha fazla tanınabileceği öne sürülmüştür.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ir43OM9BdAFWbmuyuJEZXQ.jpeg" /></figure><p>Michal Kosinski’nin araştırması, Facebook beğenilerinin kişilik özellikleri, cinsel yönelim, siyasi görüş, zeka, mutluluk, cilt rengi, dini inanç, alkol, sigara ve uyuşturucu kullanımı gibi birçok faktörü tahmin etmek için kullanılabileceğini göstermiştir. Bu araştırma, algoritmaların bizi bizden daha iyi tanıyabileceği iddiasını desteklemektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AfcFrOURcAme1oyvM2Fong.jpeg" /></figure><p>Kosinski’nin temelini attıgı bu algoritmik yaklaşım Cambridge Analytica şirketi tarafından uygulanmış olarak ABD seçimlerine müdahale ettigi ileri sürülmüştür. Bu şirket; ABD’yi 17 eyalet ve 32 kişilik seçmen grubuna (persona) ayırmıştır. Persona özelinde kişiselleştirilmiş seçim kampanyaları oluşturarak, ABD başkanı seçilmesinde büyük etki sağlamıştır. Bu sebeple veri analitiği sadece bireylerin ve şirketlerin değil devletlerin kaderini de etkilemektedir.</p><p>(1.2)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c6c157686c0f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimcinin Yol Haritası]]></title>
            <link>https://medium.com/@mustafa-yilmaz/veri-bilimcinin-yol-haritas%C4%B1-09410ec19230?source=rss-41adbd9144b4------2</link>
            <guid isPermaLink="false">https://medium.com/p/09410ec19230</guid>
            <category><![CDATA[veri-bilimci-olmak]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-scientist]]></category>
            <category><![CDATA[miuul]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <dc:creator><![CDATA[Mustafa Yılmaz]]></dc:creator>
            <pubDate>Fri, 10 Nov 2023 18:37:42 GMT</pubDate>
            <atom:updated>2023-11-14T16:47:06.472Z</atom:updated>
            <content:encoded><![CDATA[<p>Veri bilimi, günümüzün en popüler ve hızla büyüyen alanlarından biridir. Bu yazıda, veri bilimci olmak isteyen bir kişinin takip etmesi gereken yol haritasını birlikte inceleyeceğiz.</p><p>Veri bilimine giriş için izlenmesi gereken adımlar:</p><ul><li>Matematik</li><li>İstatistik ve olasılık</li><li>Veri yapısı ve Algoritma-Programlama</li><li>Veri görselleştirme</li><li>Makine öğrenimi</li><li>NLP</li><li>Derin öğrenme</li><li>Deployment</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-yyRdJEoJLq0tMREtroXcg.png" /></figure><h3>MATEMATİK - İSTATİSTİK VE OLASILIK :</h3><p>Matematik ve istatistik-olasılık, veri biliminde “makine öğrenmesinin” temelini oluşturduğu için büyük önem arz eder. Gerekli özen gösterilmediği takdirde sürekli başa dönülmesi gerekebilir ve süreç içinden çıkılamaz hale gelebilir. Bu, dört işlem bilmeden hesap makinesi kullanmaya benzer.</p><p>İyi bir veri bilimci olmak için ilgili veriye hangi işlemin uygulanacağını iyi bilmek gerekir. Bu bilgilere hakim olmadan kodları hazır kullanmak fayda sağlamaz. Çünkü komutu anlamadan uygun yere yerleştiremeyiz. Evet, harika bir matematik bilgimiz olmayabilir ancak farkındalığımız olduğunda unuttuğumuz kurallar elbette olacaktır ama bu durumu uygun yollarla hemen halledebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*VHcQSGN_d6Bpmbem8wgBrg.png" /></figure><p>Matematik: Bilinmesi gereken önemli başlıkları şu şekilde sayabilirim:</p><ul><li>Lineer cebir</li><li>Analitik geometri</li><li>Matris</li><li>Vektörler</li><li>Optimizasyon</li><li>Regresyon</li><li>Sınıflandırma</li></ul><p>Olasılık — İstatistik : Bilinmesi gereken önemli başlıkları şu şekilde sayabilirim:</p><ul><li>Büyük Sayılar Yasası ve Merkezi Limit Teoremi</li><li>Olasılık Dağılımları</li><li>Anova (Varyans Analizi)</li><li>Çok Değişkenli Analiz</li><li>Zaman Serisi Analizi</li><li>Bayes Teoremi</li><li>Bernoulli</li><li>Binom</li><li>Ayrık</li><li>Ortak olasılık</li><li>Normal</li><li>Sürekli</li><li>Rasgele örnekler</li><li>Parametre tahmini</li><li>Hipotez testi</li><li>Korelesyon</li><li>Regresyon modelleri</li><li>Resompling metot</li><li>Dogrusal model</li><li>Prametrik olmayan istatistikler</li><li>Grafik temelleri</li><li>İstatistiksel testler</li></ul><h3>VERİ YAPILARI VE ALGORİTMALAR :</h3><p>Veri yapıları ve algoritmalar, en önemli alanlardan birisidir. Çok fazla detay bilinmeli ve konulara iyi hakim olunmalıdır. Çünkü temeli burası oluşturur. SQL çok iyi bilinmelidir. Çünkü veri erişimi ve manipülasyonunda, veri analizinde, veri güvenliği gibi konularda bize çok faydalı olacaktır.Özellikle Python’ı giriş seviyesinde öğrendikten sonra “Pandas” ve “Numpy” gibi kütüphanelere odaklanmak ve bu ikisini çok iyi bilmek gerekir.</p><p>Bu arada R, veri bilimi için kullanılan bir programlama dilidir. İstatistiksel analiz ve veri görselleştirme için tasarlanmıştır. R, genel amaçlı bir dil olup, veri manipülasyonu, veri analizi, makine öğrenmesi ve raporlama gibi bir dizi veri bilimi görevini destekler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MDN-tThhzxRJNAov01-uMQ.png" /></figure><h3>VERİ GÖRSELLEŞTİRME :</h3><p>Yukarıda anlattığım adımlarla verilerimizi harmanladık. Verilerimizin içerisine matematiği, istatistik ve olasılığı, veri yapılarını ve programlamayı ekledik. Şimdi biz bu karma yapıyı bir veri bilimci olarak anlamlandırabiliriz ama görevimiz gereği bunu, yani harmanlanmış yani işlenmiş veriyi bilmeyen kişi ve kişilere aktarmak bunu da işlediğimiz veriyi görselleştirerek hallederiz.</p><p>Python’da “Matplotlib ve Seaborn” gibi kütüphanelerden faydalanabiliriz. Bazı şirketler direkt görselleştirme alanlarını kullanabilir. Yani üst yöneticiler dashboardlar isteyebilir. Yani bu aşama için yapılacak en iyi adım en yaygın kullanılan aracı öğrenip kullanmak olacaktır. Genel olarak yaygın kullanılan “Tableau ve QlikSense”dir.</p><blockquote>Dashboard: Çok karmaşık hesaplamaların olduğu Excel tablolarının veya modellerin kısaca özetlenerek görsel unsurların gösterimidir. Yöneticiler ve nihai kullanıcıların birçok kritik sonucu aynı anda ya da özetle gösterilmesini sağlar ve de görsellikle birlikte kolayca algılanabilirlik sağlar.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q85F8JZbtki4N1Bt6d4AJw.png" /></figure><h3>MAKİNE ÖGRENiMİ :</h3><p>Derinliğin başa döndüğü alandır. Bu alanda artık veri bilimci olarak uzmanlaşmak istediğimiz alanı seçmemiz gereken noktadır. Hangi alanı seçersek seçelim önemli olan bol bol pratik yani proje yapmaktır.</p><p>Makine öğrenmesi mi, NLP mi, deep learning mi? Hangi alanda uzmanlaşacak isek karar verip, detaylı farkındalık kazanıp sonra gerekli eğitimlere başlamak gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vCCTG0Yk5nTzRxelWSmrhg.png" /></figure><p>Makine Ögrenmesi : Bilinmesi gereken önemli başlıkları şu şekilde sayabilirim:</p><ul><li>Sınıflandırma Algoritmaları</li><li>Takviyeli Öğrenme</li><li>Özellik Mühendisliği</li><li>Model Seçimi ve Hiperparametre Ayarlama</li><li>Supervised ve Unsupervised Learning</li><li>Model Başarı Değerlendirme</li><li>Regresyon</li><li>Kümeleme</li><li>Birliktelik Kuralları</li></ul><p>NLP: Bilinmesi gereken önemli başlıkları şu şekilde sayabilirim:</p><ul><li>Dil Modelleri</li><li>Metin Sınıflandırması</li><li>Duygu Analizi</li><li>Konuşma Tanıma ve Üretme</li><li>NLTK</li><li>SpaCy</li><li>Gensim</li></ul><p>Derin Ögrenme: Bilinmesi gereken önemli başlıkları şu şekilde sayabilirim:</p><ul><li>Yapay Sinir Ağları (ANN)</li><li>Konvolüsyonel Sinir Ağları (CNN)</li><li>Tekrarlayan Sinir Ağları (RNN)</li><li>Aktivasyon Fonksiyonları</li><li>Kayıp Fonksiyonları</li><li>Optimizasyon Algoritmaları</li><li>TensorFlow</li><li>PyTorch</li><li>Keras</li><li>Theano</li><li>Dist-Keras</li><li>Elephas</li><li>Apache Spark</li></ul><h3>DEPLOYMENT :</h3><p>Bir veri bilimi modelinin kullanıcıların erişimine sunulması sürecidir. Bu süreç, modelin bir sunucuya yüklenmesini, gerekli ayarların yapılmasını ve son kullanıcıların modele erişebilmesi için gereken tüm adımları içerir.</p><h4>Veri bilimi için deployment sürecinde kullanılan platformlar :</h4><ul><li><strong>Kubernetes</strong>: Uygulamaların hızlı ve güvenli bir şekilde dağıtılmasını, güncellenmesini ve yönetilmesini sağlayan bir platform.</li><li><strong>Google Cloud Platform (GCP)</strong>: Google’ın bulut hizmetleri platformu, veri bilimi ve makine öğrenmesi uygulamalarını barındırmak ve çalıştırmak için kullanılabilir.</li><li><strong>Microsoft Azure</strong>: Microsoft’un bulut hizmetleri platformu, veri bilimi ve makine öğrenmesi uygulamalarını barındırmak ve çalıştırmak için kullanılabilir.</li><li><strong>IBM Cloud</strong>: IBM’in bulut hizmetleri platformu, veri bilimi ve makine öğrenmesi uygulamalarını barındırmak ve çalıştırmak için kullanılabilir.</li><li><strong>Amazon Web Services (AWS)</strong>: İşletmelerin, kâr amacı gütmeyen kuruluşların ve kamu kurumlarının web sitelerini ve web uygulamalarını barındırmak için kullanabileceği bir platform.</li></ul><p>Sonuç olarak, veri bilimci olmak, çeşitli disiplinler arasında köprü kurmayı gerektirir. Matematikten programlamaya, veri görselleştirmeden makine öğrenmesine kadar bir dizi beceri ve bilgi birikimi gerektirir. Bu yol haritası, veri bilimine olan yolculuğunuzda size rehberlik etmek için tasarlanmıştır ve karmaşık ve heyecan verici bir alanda başarılı bir kariyer yapmayı hedefleyen herkes için ideal bir başlangıç noktası olabilir.</p><p>(1.1)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=09410ec19230" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Doğru Düşünemiyorum!]]></title>
            <link>https://medium.com/@mustafa-yilmaz/do%C4%9Fru-d%C3%BC%C5%9F%C3%BCnemiyorum-142d48699517?source=rss-41adbd9144b4------2</link>
            <guid isPermaLink="false">https://medium.com/p/142d48699517</guid>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[algoritma]]></category>
            <category><![CDATA[pratik-düşünmek]]></category>
            <category><![CDATA[yetgen2023]]></category>
            <category><![CDATA[algoritmik-düşünme]]></category>
            <dc:creator><![CDATA[Mustafa Yılmaz]]></dc:creator>
            <pubDate>Sun, 21 May 2023 17:59:49 GMT</pubDate>
            <atom:updated>2023-05-21T17:59:49.739Z</atom:updated>
            <content:encoded><![CDATA[<p>Yok mu bu işin daha kolay ve kısa yolu …</p><p>Doğru düşünmek derken aslında daha kârlı düşünmekten bahsediyorum.Peki sen kârlı mı düşünüyorsun ya da “aman canım ! düşünüyorum işte düşünmenin kârlısı mı olur diyorsun … “ .Olur olur hemde bal gibi olur :) … Ben de ortalama bir insan kadar gerekli konularda gerektiği kadar düşünüyorum ama bulunduğumuz zaman itibari ile hızlı ve kaliteli sonuçlara ulaşmak istiyorum/istiyoruz.</p><p>Sence düşünmek nedir ? ve niçin yukarıdaki gibi bir giriş yaptım yazımın sonlarına doğru anlayacaksın… Düşünmek nedir ile başlayalım …</p><figure><img alt="düşünen adam heykeli" src="https://cdn-images-1.medium.com/max/1024/1*LM2Kzr4_phKAPAPNHZGeXQ.jpeg" /></figure><p><strong>Düşünmek nedir ?</strong></p><p>Düşünmek ; aklından geçirmek, göz önüne getirmek, bir sonuca varmak amacıyla bilgileri incelemek, karşılaştırmak ve aradaki ilgilerden yararlanarak düşünce üretmek, muhakeme etmek gibi bilinçli bir biçimde gerçekleştirdiğimiz zihinsel faaliyetlerin herhangi birisidir diyebiliriz . Evet hepimiz düşünüyoruz hepimiz çıkarımlar yaparak bir sonuca ulaşıyoruz ama bu süreci daha kârlı hale getirmek varken daha uzun yolu seçmek pek akıllıca değil … Kârlı derken <strong>Algoritmik </strong>düşünce ve <strong>algoritmalardan</strong> bahsediyorum… İlk önce algoritma ile başlayalım;</p><figure><img alt="kafası karışmak" src="https://cdn-images-1.medium.com/max/1024/1*fwx8zMnky3_5RsCiiLSVqA.png" /></figure><p><strong>Algoritma nedir ?</strong></p><p>Algoritma, belli bir problemi çözmek veya belirli bir amaca ulaşmak için tasarlanan yol , takip edilen işlem basamaklarına algoritma denir . Algoritmalar sadece bilgisayar biliminde değil hayatın her alanında kullanılır. Örneğin bir yemek yaparken, o yemeğin tarifindeki adımlar aslında bir algoritmadır .</p><p><strong>Algoritmik düşünce nedir ?</strong></p><p>Sonuca ulaşma amacıyla yapılacak her hareketi tek tek planlarken, tüm bunların performansı, getirisi, götürüsü gibi etmenleri de hesaba katarak, en verimli şekilde sonuca ulaşmayı hedefleyen her türlü iş planı olarak ifade edilebilir. Algoritmik düşünce, problemleri çözmek için algoritmaların kullanılmasını sağlar. Algoritmik düşünme becerisi, hayatın her alanında karşılaşılan problemlere zaman, enerji ve kaynak tasarrufu sağlayarak çözümler geliştirmeyi kolaylaştırır.Algoritmik düşünme şeklini bensediğimiz takdirde çoğu işimizi daha kısa rutinler haline getirip daha etkili sonuçlar üretiriz ve ayrıca algoritmik düşünce geliştirilebilir bir yetkinliktir bunu bu serinin devamında anlatacağım …</p><figure><img alt="çözüm bulan kişi ve heyecanı , mutlulugu" src="https://cdn-images-1.medium.com/max/1024/1*EBnBuLYw8EZBLrVSM-oy4g.png" /><figcaption>Buldummm!</figcaption></figure><p><strong>Algoritma neden önemlidir?</strong></p><p>Algoritma, problem çözme sürecini kolaylaştıran, hızlandıran ve hatayı azaltan bir yöntemdir. Algoritma sayesinde bilgisayar biliminde program yazmak daha pratik, kontrolü daha kolay ve düzenlemesi daha esnek olur.Algoritma günlük yaşantımızda da çok önemlidir . Örneğin yemek yapmak, yol tarifi almak, hesap yapmak gibi günlük işlerimizde algoritmalar bize rehberlik eder. Algoritmalar ayrıca teknolojik gelişmelerle hayatımızı daha da kolaylaştırır. Örneğin akıllı telefonlar, internet, sosyal medya, e-ticaret gibi alanlarda algoritmalar sayesinde bilgiye ve hizmete daha hızlı ve kolay ulaşabiliriz. Algoritmalar, hayatımızın her alanında var olan ve bizi etkileyen birer komutlar zinciridir. Şimdi de günlük hayattan çok basit bir örnek olacak şekilde tost yapımını algoritmik adımlarla açıklayayım…</p><p><strong>Algoritma ile Tost Yapmak:</strong></p><ul><li>Başla.</li><li>Ekmek, peynir, sucuk ve tereyağı gibi malzemeleri hazırla. Her tost için iki dilim ekmek, bir dilim peynir ve iki dilim sucuk kullan.</li><li>Tost makinesini fişe tak ve ısıt. Isınma süresi yaklaşık 5 dakikadır.</li><li>İki tane tost ekmeğini al.</li><li>Birinci ekmeği al ve geniş yan yüzüne tereyağı sür. Tereyağını ekmek diliminin her yerine yay.</li><li>Peynir ve sucuğu ekmeğin üzerine eşit şekilde yerleştir. Peyniri ekmeğin ortasına, sucukları ise peynirin etrafına koy.</li><li>İkinci ekmeğin de diğer geniş yüzüne de tereyağı sür ve birinci ekmeğin üzerine yerleştir. Tostun ortasına hafifçe bastır.</li><li>Tost makinesinin içine tostu koy ve kapağını kapat. Tostu yaklaşık 10 dakika kızarana kadar beklet.</li><li>Tost makinesinin fişini çek ve tostu çıkar. Tostu dikkatlice almak için bir maşa veya spatula kullan.</li><li>Tostu dörde bölerek servis yap.</li><li>Bitir.</li></ul><figure><img alt="tost resmi" src="https://cdn-images-1.medium.com/max/1024/1*zpAGK3Tqa2K87HNaPWmjmQ.jpeg" /></figure><p>:) afiyet olsunnn!!! yazımın devamında biraz daha işin mutfağına(!😉) girecegim yani <strong>bilgisayar bilimi ile ilgili konulara </strong>, <strong>bilgisayar bilimi ile ilgili konular derken</strong> algoritma yazma,algoritma çeşitleri ve özellikleri,algoritmik düşünce geliştirme gibi konulara değineceğim…</p><p>(1.1)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=142d48699517" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bu İlişkiden Olmaz!]]></title>
            <link>https://medium.com/@mustafa-yilmaz/bu-i%CC%87li%C5%9Fkiden-olmaz-42e751ab812f?source=rss-41adbd9144b4------2</link>
            <guid isPermaLink="false">https://medium.com/p/42e751ab812f</guid>
            <category><![CDATA[ilişkiler]]></category>
            <category><![CDATA[toksik-ilişki]]></category>
            <category><![CDATA[nasıl-bir-ilişki]]></category>
            <category><![CDATA[pozitif-ilişki]]></category>
            <category><![CDATA[yetgen2023]]></category>
            <dc:creator><![CDATA[Mustafa Yılmaz]]></dc:creator>
            <pubDate>Thu, 11 May 2023 15:23:52 GMT</pubDate>
            <atom:updated>2023-11-20T17:54:09.852Z</atom:updated>
            <content:encoded><![CDATA[<p>Kendimle çok iyi ilgileniyorum ama hala …</p><p>Kendine çok iyi bakıyor olmana rağmen hala duygusal dengesizlikler yaşıyor musun? Sağlığına dikkat ediyor, sporunu yapıyor, kariyerin için ciddi hedef ve planların olmasına rağmen ve üstelik bunlar için çaba göstermene rağmen hala duygusal istikrarı sağlayamıyor musun? Duygusal dengesizliklerin nedenleri arasında stres, kaygı, depresyon gibi psikolojik faktörler yer alabilir. Ve bu sorunların temelinde sağlıklı olmayan insan ilişkileri yatıyor olabilir. Peki, sağlıksız ilişki nedir, nasıl anlaşılır, neden buna izin veriyoruz ve nasıl olmalıdır? Bu yazım her türlü ikili ilişkiler için olacak ve ilk olarak bazı yanlış kabullenmeleri incelemekle başlayalım;</p><ul><li>Bütün ilişkiler acı verir.</li><li>Her ilişki bir noktada kötüleşir .</li><li>O da beni “kendince” seviyor.</li><li>Galiba ben normal değilim.</li><li>Bir gün hak ettiğim değeri alacağım.</li></ul><p>Bu liste uzayıp gider… Bu kandırmacalara neden başvurduğumuzu başka bir yazımda açıklamak istiyorum. Bu yanlış kabullenmeler bizi sağlıksız ilişkilere mahkum etmektedir. Peki sağlıksız ilişkiler nasıl anlaşılır? Eğer bir ilişki içerisinde kendimize bu şekilde sözler ve telkinler veriyorsak, yazımın başında belirttiğim gibi duygusal dengesizliklerin sebebi sıkıntılı ikili ilişkilerimiz olabilir. Şimdi de sıkıntılı bir ilişkide olduğumuzun sinyallerine bakalım;</p><ul><li>Saygı görmüyorsan,</li><li>İhtiyaçlarının karşılanmadığını hissediyorsan.</li><li>Her zaman aldığından fazlasını veriyorsan,</li><li>Birlikte vakit geçirdikten sonra aşırı düşünceli ,üzgün ve yorgun hissediyorsan,</li><li>Kendi değerini sorguluyorsan,</li><li>Kalabalıklar içinde yalnız hissediyorsan,</li><li>Olumsuz yanların sürekli ortaya dökülüyorsa,</li><li>Her hareketine dikkat etmen gerekiyor ve kendini sürekli mayın tarlasında hissediyorsan,</li><li>Beş gün iyi davranılıp iki gün kötü davranılıyorsa,</li></ul><p>Bulunduğun ilişki maalesef seni beslemiyor aksine senden çok şeyler alıp götürüyor demektir . Ve yalnızlık hissettiğin , kalabalık ilişkiler içinde kaybolabilirsin …</p><figure><img alt="yalnızlık" src="https://cdn-images-1.medium.com/max/1024/1*zF0BAot52pjIRFbEIcdB1Q.jpeg" /><figcaption>Yalnızlık</figcaption></figure><p>Sağlıklı olmayan ikili ilişkilerin bizim üzerimizde oluşturacagı bazı etkilere bakalım ;</p><ul><li>Diğer tüm ilişkilerimizin de kötüleşmesi,</li><li>Yoğun Stres,</li><li>Kendimizi ifade etmede zorluk,</li><li>Hızlı öfkelenme,</li><li>Olumsuz içsel konuşmalar,</li><li>Mutlak bir güvensizlik sorunu ,</li><li>Hayat motivasyonu kaybetme ,</li><li>TSSB(Travma sonrası stres bozukluğu),</li><li>Duygu regülasyonunda bozukluk,</li></ul><p>Bu liste uzayıp gider. Eş ilişkisi, sevgililik veya dostluk ilişkilerini bir kenara bırakın, normal bir sınıf arkadaşımız veya iş arkadaşımız bile dikkatli olmadığımızda sandığımızdan daha fazla zarar verebilir.”</p><p>“Aslında ‘dikkatli olmak’ derken ne demek istediğimi açıkça belirtmek isterim: İlk olarak şu ayrımı iyi yapmak gerekiyor:</p><blockquote><strong><em>-Birisi hakkında hissettiklerimiz ile birisinin bize hissettirdikleri arasındaki fark…Bu ikisi çok farklı noktalardır. Ben o insanlar hakkında karizmatik , sevimli , zeki ve eğlenceli olduklarını hissedebilirim ama onlar beni yalnız , üzgün , endişeli , stresli hissettiriyor ve değerimi sorğulatıyorlarsa içinde bulunduğum ilişkinin gerçegi maalesef budur . İşte bu sebeple sen o kişiyi çok degerli görürken o seni bir hiçmişsin gibi hissetiriyorsa bu senin tecrüben olur …</em></strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ABcocnfX1iCmqoy5x6Nytw.jpeg" /></figure><p>Bu gibi ilişkiler hayatımızda her zaman olabilir bizim yapmamız gereken kendimize hak ettigimiz ilgiyi vermek ve bulunduğumuz ana gelene kadar neler yaşadığımızı gözden geçirmek ve gözden geçirirken içimizdeki çocuğa sarılmak ve ona hak ettiği sevgiyi vermek , o küçük çocuğu artık korumak... Kendimize karşı dürüst olmak ve ihtiyaçlarımızı karşılamak için adımlar atmak önemlidir. Sağlıklı sınırlar belirleyerek kendimizi koruma altına alabilir ve ilişkilerimizde daha sağlıklı kararlar verebiliriz. Unutma, kendimize değer verdiğimizde başkalarının da bize değer vermesini sağlarız. Ve yalnızlıktan asla korkma çünkü bu korku sana , asla aynı ortamda dahi olmaman gereken insanlarla uzunca bir yol gitmene sebep olabilir…</p><blockquote>Sıradan insanlar yalnızlıktan nefret eder ama usta olanlar onu kullanır . yalnızlığını kucaklayan , fark eder ki o aslında tüm evrenle birdir . <strong>Lao Tzu</strong></blockquote><p>…Ve bir de kimse derdini açıkça söylemek istemiyor . Herkes ‘o’ anlasın peşinde. Anlatmayı bilmiyoruz , konuşmayı da bilmiyoruz … Her şeyi rahatça konuş ; rahatsız olduğun şeyleri , nasıl daha iyi olabilirizi aktar ve asla umutsuzluğa kapılma değerli olduğunu asla unutma … İyi bir ilişkiyi hak ettiğini her daim aklında tut …</p><p>Son olarak ta karşımızdaki kişilerden neler görmeliyiz ona bakalım . Empati yeteneği ile seni anlamaya çalışan , sana sıradan birisi değil de özel birisi olduğunu hissettiren , seni dinlemek isteyen düştüğünde ben buradayım hissiyatını tam olarak aktaran kısacası senin varlığın için minnet duyacak insanlarla birlikte olmaya çalış evet bu sözümün aslında çokta kolay olmadıgını fark ediyorum ama kaliteli bir ömür için bunlar vazgeçilmezimizdir. Hayatımızda empati yeteneği olan, bizi anlamaya çalışan, bize değer veren ve bizi dinleyen insanlarla birlikte olmak, kaliteli bir yaşam sürdürebilmemiz için çok önemlidir. Bu insanlar bize güç verir ve hayatın zorluklarıyla mücadele etmemize yardımcı olurlar. Elbette bu tür insanlarla birlikte olmak her zaman kolay değildir ancak bu tür ilişkileri kurmak için çaba sarf etmek, uzun vadede mutluluğumuz için çok önemlidir.Bu yazının sonunda size sağlıklı ilişkilerin önemini vurgulamak istiyorum.</p><blockquote><em>“Dalgaları durduramazsın ama sörf yapmayı öğrenebilirsin”. </em><strong><em>Jon Kabat</em></strong></blockquote><figure><img alt="dostluk" src="https://cdn-images-1.medium.com/max/1024/1*oFmMQiI9Iv2YnxcmsLF5LQ.jpeg" /><figcaption>Dostluk</figcaption></figure><p>Geçmiş tecrübelerini asla tamamen rafa kaldırma. Onlarla sürekli de yaşama ama onlara arada bir kulak ver. Bu durum hem kısır bir döngü içerisine girmene engel olur hem de benzer hataları yapıp yapmadığın konusunda sana ışık tutar.</p><blockquote><em>Aynı şeyi tekrar tekrar yapıp, farklı sonuçlar beklemek, delilik belirtisidir.</em><strong>Rita Mae Brown</strong></blockquote><p>Özetlemem gerekirse ; İnsan kazan, doğru insanları kazan. Seni felakete sürükleyen, üzen, modunu düşüren insanlardan uzak dur. Bu asla bencillik değildir. Hayatında sürekli bir şeyler çalan, tırtıklayan, ruhunu sömüren insanlardan uzak dur. İyilik yaptın kötülük mü gördün? Yerini hemen terk et, yatırımı insana yap. Doğru insanlarla tanıştığın zaman ilişkini koru. Onun kötü gününde yanında olduğunda bir şey kaybetmezsin. Doğru insansa bir yatırırsın, beş alırsın. İyilik yaptığın sürece iyilik bulursun. Lakin iyilik yapmakla enayiliği birbirine karıştırma. Çünkü hayat kaliteni sömüren şeylerden birisi geri dönmeyecek iyilik çekleri dağıtmaktır. Yoksa bir süre sonra karamsar olur ve insanlara küsersin. Aşkta ve dostlukta bu durum böyledir…</p><blockquote><a href="https://www.instagram.com/reel/CpnphmLgQt2/?utm_source=ig_web_button_share_sheet&amp;igshid=MTIyMzRjYmRlZg==">Geçinmeye gönlü olan geçinir, anlaşmak isteyen orta yolu bulur, telafi etmek isteyen eder, önemseyen gösterir.Kısacası ben böyleyim diye bir şey yok,ben sana karşı böyleyim diye bir şey var.Dikenine katlanamadığın gülü incitme, zorluğuna göğüs geremediğini sevme. <strong>|Neşet Ertaş</strong></a></blockquote><h4>Ve şunu asla unutma !</h4><h4>Elinden gelen her şeyi yapıp güzelleştiremediğin yerleri terk etmek seni kötü biri yapmaz…<strong>Franz Kafka</strong></h4><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=42e751ab812f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[“Cornell Not Tutma Tekniği: Daha Etkili Öğrenme”]]></title>
            <link>https://medium.com/@mustafa-yilmaz/cornell-not-tekni%C4%9Fi-ee81e9f7e2ea?source=rss-41adbd9144b4------2</link>
            <guid isPermaLink="false">https://medium.com/p/ee81e9f7e2ea</guid>
            <category><![CDATA[cornell-not-tekniği]]></category>
            <category><![CDATA[not-tutmak]]></category>
            <category><![CDATA[yetkin-gençler]]></category>
            <category><![CDATA[unutmak]]></category>
            <category><![CDATA[yetgen2023]]></category>
            <dc:creator><![CDATA[Mustafa Yılmaz]]></dc:creator>
            <pubDate>Tue, 25 Apr 2023 12:12:33 GMT</pubDate>
            <atom:updated>2023-05-06T09:12:35.013Z</atom:updated>
            <content:encoded><![CDATA[<p>Çok hızlı unutuyoruz…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*b0PWSENZpOW3o9JODTOe2w.jpeg" /></figure><p>Açıklama kısmında da belirttiğim gibi, çok hızlı unutuyoruz ve etkili bir şekilde öğrenemiyoruz. Çünkü doğru öğrenmenin ne olduğunu bildiğimizi düşünüyoruz. Okuduklarımızı veya izlediklerimizi anladığımızda onu öğrendik diye kabul ediyor , ya da bir konuyu tekrar ettiğimizde ve ezberlediğimizde onu öğrendik yanılsamasına kapılıyoruz. Maalesef yanılıyoruz. Anlamak, bir bilgiyi alıp saklayabilme kapasitemiz iken öğrenmek, o sakladığımız bilgiyi alıp kullanarak yeni unsurlar üretmektir. Açıklama kısmına geri dönecek olursak, evet, bu bir gerçek ve sandığımızdan daha azını hatırlıyoruz. Mesela 20 dakika içerisinde öğrendiklerimizin %58&#39;ini hatırlarken, 1 saat sonra %44&#39;ünü , 1 gün sonra %33&#39;ünü ve 6. günün sonunda ise sadece %25&#39;ini hatırlıyoruz .Bu durumun önüne bazı teknikler ile geçebiliriz . İnternette çok fazla öğrenme ya da not alma tekniği var. Bu yazımda cornell tekniğini ele alalım. Bu teknik benim de çokca faydasını gördügüm bir teknik oldu . Öncesinde çokça metot denemiş ama sürdürülebilirlik yakalayamamış birisi olarak, bu metodun işinize çokça yarayacağını düşünüyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*__Lqze1qp--ZBBoklAopvQ.jpeg" /></figure><p>İlk olarak not tutmaya gelirsek , öğrenilen bilgilerin kalıcı hale gelmesi ve daha sonra erişilebilir olması için önemli bir araçtır. Ancak, konuşmacının söylediği her şeyi yazmaya çalışmak zaman zaman zor olabilir ve bazen önemli bilgileri kaçırabiliriz. Kısaltmalar kullanarak bu sorunu çözmeye çalışsak da, zamanla kısaltmaların anlamını unutabiliriz. Endişelenmeyin cornell not tutma tekniği işinize çok yarayacak.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/570/1*jCfzpcdm0pgtZQ9MiLr3Sw.jpeg" /></figure><p>Cornell not tutma tekniği, notları ana bölüm, kenar notları ve özet olarak üç bölüme ayırarak daha düzenli ve anlamlı hale getirmeye yardımcı olan bir not alma yöntemidir. Bu teknik, bilgileri kalıcı hale getirmeye ve daha sonra erişilebilir olmasını sağlamaya yardımcı olur. Notlar, ana bölümde konuşmanın veya dersin ana fikirlerini, önemli detayları ve kavramları içerir. Kenar notları bölümü, önemli ayrıntıları ana bölüme eklemek veya önemli noktaları vurgulamak için kullanılır. Özet bölümü ise notların özetini içerecek şekilde yazılır. Bu şekilde, notlar daha düzenli ve anlamlı hale gelir ve öğrenme süreci daha etkili hale gelir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*Mh6k3pEmTcrNWJyF.jpg" /><figcaption>Cornell Not Tutma Tekniği</figcaption></figure><p>Özetlemek gerekirse, Cornell Not Tutma Tekniği, bilgileri daha iyi anlamak, hatırlamak ve daha sonra kullanmak için etkili bir yöntemdir. Bu teknik, öğrencilerin not alma becerilerini geliştirmelerine ve daha iyi sonuçlar elde etmelerine yardımcı olur.</p><blockquote><em>Cornell Not Tutma Tekniği organize etme ve özetleme açısından etkili bir yapıyı içermektedir.</em></blockquote><blockquote><em>Walter Pauk</em></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ee81e9f7e2ea" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>