<?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 Ozan Akbulut on Medium]]></title>
        <description><![CDATA[Stories by Ozan Akbulut on Medium]]></description>
        <link>https://medium.com/@ozan.akbltt?source=rss-6a6f3073f28b------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*E48duyPzWbyHkra7KHzvsA.jpeg</url>
            <title>Stories by Ozan Akbulut on Medium</title>
            <link>https://medium.com/@ozan.akbltt?source=rss-6a6f3073f28b------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 15:13:46 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ozan.akbltt/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[MLflow Nedir ve Neden MLOps’un Bel Kemiğidir?]]></title>
            <link>https://medium.com/@ozan.akbltt/mlflow-nedir-ve-neden-mlopsun-bel-kemi%C4%9Fidir-a24365380488?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/a24365380488</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[mlflow]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[mlops]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Wed, 29 Oct 2025 11:14:27 GMT</pubDate>
            <atom:updated>2025-10-29T11:15:47.630Z</atom:updated>
            <content:encoded><![CDATA[<h3>1.Giriş</h3><p>Veri bilimcilerin yaşadığı en büyük sorunlarından biri aylar önce harika sonuçlar veren o modeli bulamamaktır. İllaki yaşamışızdır Dosya isimleri içerisinde o karmaşanın içerisine girmişizdir. Mesela model_final.ipynb, model_final_v2.ipynb, model_final_v2_best.ipynb… gibi dosya isimleri ile uğraşmışızdır acaba o harika model hangi notebookta? Her biri “en son sürüm” gibi görünür ama aslında hangisinin gerçekten üretime uygun olduğunu kimse hatırlamaz. Üstelik ekipce geliştirilen bir model ise durum daha karmaşık hale gelebilir diğeri veri setini güncellemiştir. Sonuç? Kimse hangi modelin hangi verilerle eğitildiğini bilemez hale gelir. Bu durum sadece küçük ekiplerde değil, büyük şirketlerde bile yaşanıyor. Çünkü makine öğrenimi projeleri, denemeler arttıkça hızla <strong>izlenemez bir karmaşaya</strong> dönüşüyor. İşte bu noktada, sessiz ama devrim niteliğinde bir araç sahneye çıkıyor: <strong>MLflow</strong>, tüm bu dağınıklığı ortadan kaldıran, her modeli, her metriği ve her denemeyi kayıt altına alan bir <strong>MLOps’un bel kemiği. </strong>Bu yazıda, MLflow’un bu kaosu nasıl düzene çevirdiğini ve neden modern MLOps süreçlerinin kalbinde yer aldığını anlatacağım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*Ns-Em8hj26Rg-uRCflVV1Q.png" /></figure><ol><li>Giriş</li><li>MLflow Nedir?</li><li>MLflow Tracking</li><li>Model Registry</li><li>MLflow’un MLOps Sürecindeki Rolü</li><li>Kapanış</li></ol><h3>2.MLflow Nedir?</h3><p>Makine öğrenimi projeleri büyüdükçe, modellerin sürümleri, deneme sonuçları ve parametre ayarları arasında kaybolmak çok kolaydır.<br>Bir gün “hangi model en iyi sonucu vermişti?” sorusuna cevap ararken, onlarca notebook_v3_final_final.ipynb dosyası arasında boğulduğunu fark edebilirsin. İşte <strong>MLflow</strong>, bu kaosa düzen getirmek için ortaya çıkan açık kaynaklı bir <strong>MLOps framework’üdür. </strong>MLflow’un amacı, makine öğrenimi yaşam döngüsündeki her adımı veri ön işleme, model eğitimi, değerlendirme ve dağıtım <strong>izlenebilir, tekrarlanabilir ve yönetilebilir</strong> hale getirmektir. Yani sadece bir “log aracı” değil; modelin fikir aşamasından üretim ortamına kadar geçen tüm süreci kayıt altına alan bir <strong>süreç yöneticisidir</strong>.</p><p>MLflow, dört temel bileşenden oluşur:</p><ol><li><strong>Tracking:</strong> Deneyleri, parametreleri, metrikleri ve çıktıları kaydeder.</li><li><strong>Projects:</strong> Kodları standart bir biçimde paketleyip tekrar çalıştırılabilir hale getirir.</li><li><strong>Models:</strong> Eğitilen modelleri taşınabilir formatlarda paketler.</li><li><strong>Model Registry:</strong> Model versiyonlarını ve onay süreçlerini yönetir.</li></ol><p>Bu sayede hem bireysel projelerde hem de ekip çalışmalarında “hangi model, hangi ayarlarla, hangi sonuçları verdi?” sorusuna net bir yanıt bulabilirsin.</p><h3>3. MLflow Tracking</h3><p>Bir makine öğrenimi projesinde en sık yapılan hatalardan biri ne derseniz? Diyeceğim şey kesinlikle <strong>deneylerin sistematik şekilde kaydedilmemesidir. </strong>Modeli eğitirsin, sonuç güzel çıkar, sonra yeni bir hiperparametre denersin… derken üç gün sonra <strong>“hangi parametreyle en yüksek doğruluğu almıştım?”</strong> diye düşünürken kendini aynı modeli baştan eğitirken bulursun bu durum sinir bozucu bir hale dönüşebilir. İşte bu durumlarda <strong>MLflow Tracking</strong>, tam da bu noktada oyunu değiştirir. Bu bileşen, her denemeni (run) bir kayıt defteri gibi saklar hangi veriyi kullandın, hangi parametrelerle eğittin, ne sonuç aldın hepsi otomatik olarak loglanır. Ve artık ben parametreleri unuttum kısmı ortadan kalkmış olur.</p><p>Peki MLflow Tracking Nasıl Çalışır?</p><p>Temel mantık oldukça basittir hemen mantığını açıklayalım: <br>Bir <strong>deneme (run)</strong> başlatırsın → modelini eğitirsin → metriklerini ve parametrelerini MLflow’a kaydedersin. Her kayıt bir “iz” bırakır, tıpkı bir bilim insanının laboratuvar defterine not alması gibi. İster 5 ister 500 farklı deneme yap, MLflow bunları senin için düzenli bir şekilde saklar. Olay bu kadar basit:)) Gelin birde kodda görelim.</p><pre>import mlflow<br>import mlflow.sklearn<br>from sklearn.ensemble import RandomForestClassifier<br>from sklearn.metrics import accuracy_score<br>from sklearn.datasets import load_iris<br>from sklearn.model_selection import train_test_split<br><br># Veri seti<br>X, y = load_iris(return_X_y=True)<br>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)<br><br># Deneme başlat<br>with mlflow.start_run():<br>    model = RandomForestClassifier(n_estimators=100, max_depth=3)<br>    model.fit(X_train, y_train)<br>    preds = model.predict(X_test)<br>    acc = accuracy_score(y_test, preds)<br>    <br>    # Deneme detaylarını kaydet<br>    mlflow.log_param(&quot;n_estimators&quot;, 100)<br>    mlflow.log_param(&quot;max_depth&quot;, 3)<br>    mlflow.log_metric(&quot;accuracy&quot;, acc)<br>    mlflow.sklearn.log_model(model, &quot;model&quot;)</pre><ul><li>Modelin <strong>parametrelerini (n_estimators, max_depth)</strong></li><li>Modelin <strong>başarısını (accuracy)</strong></li><li>Ve modelin kendisini kaydeder.</li></ul><p>Artık terminale mlflow ui yazıp tarayıcıdan arayüze geçtiğinde, tüm denemelerini görsel olarak takip edebilirsin. Hangi parametreyle daha iyi sonuç almışsın, hangi versiyonun zayıf kalmış, hepsi senin elinin altında rahatsın.</p><h3>4. Model Registry</h3><p>Bir veri bilimcinin en tatlı ama en riskli anı, modelini üretime göndermeye hazır hissettiği andır. Aylarca eğitim, test, hiperparametre ayarı derken sonunda “tamam, bu model oldu” dersin. Ama işte tam burada ikinci bir problem çıkar:</p><blockquote><em>“Hangi model gerçekten üretime çıkmalı?”</em></blockquote><p>Eğer MLflow Tracking seni deney karmaşasından kurtardıysa, <strong>Model Registry</strong> de seni <strong>model versiyon karmaşasından</strong> kurtarır. <strong>MLflow Model Registry</strong>, modellerin “hayat döngüsünü” yöneten bir <strong>model kataloğu</strong> gibidir.</p><p>Her eğittiğin modeli:</p><ul><li><strong>Kaydedebilirsin,</strong></li><li><strong>Versiyonlayabilirsin,</strong></li><li><strong>Yorumlayabilir, inceleyebilir, onaylayabilir</strong> ve</li><li><strong>Farklı aşamalara (stages)</strong> atayabilirsin:</li><li><strong>Staging:</strong> Test sürecinde olan modeller</li><li><strong>Production:</strong> Canlı ortamda çalışan modeller</li><li><strong>Archived:</strong> Artık kullanılmayan eski versiyonlar</li></ul><p>Bu yapı, bir organizasyonda <strong>model yönetişimini (model governance)</strong> sağlamak için kritik öneme sahiptir. Artık “kim hangi modeli production’a aldı?” gibi sorular tarihe karışır. Kullanım şeklini görelim:</p><pre>import mlflow<br>from mlflow.tracking import MlflowClient<br><br># 1️⃣ Bir modeli kayıt altına al<br>result = mlflow.register_model(<br>    &quot;runs:/&lt;run_id&gt;/model&quot;,<br>    &quot;StudentPerformanceModel&quot;<br>)<br><br># 2️⃣ Modeli üretim aşamasına taşı<br>client = MlflowClient()<br>client.transition_model_version_stage(<br>    name=&quot;StudentPerformanceModel&quot;,<br>    version=1,<br>    stage=&quot;Production&quot;<br>)</pre><p>Bu kodu çalıştırdığında artık modelin MLflow arayüzünde kayıtlıdır.<br>Versiyonu, sahibi, açıklaması ve hangi aşamada olduğu açıkça görünür.<br>Yani sadece bir model değil, <strong>belgelendirilmiş bir varlık</strong> haline gelir. Kısaca özetlemek gerekirse şunu diyebiliriz:</p><p><strong>Model Registry</strong>, MLOps sürecinde “üretime geçişin kontrol kulesidir.”<br>Modellerin sadece kaydedilmesini değil, <strong>onaylanmasını, versiyonlanmasını ve yönetilmesini</strong> sağlar. Gerçek dünyada üretim kaosunu önleyen sessiz bir koordinatördür.</p><h3>5.MLflow’un MLOps Sürecindeki Rolü</h3><p>MLOps süreci, tipik olarak şu dört temel aşamayı kapsar:</p><ol><li><strong>Deney Yönetimi (Experiment Tracking)</strong></li><li><strong>Model Versiyonlama ve Yönetim (Model Registry)</strong></li><li><strong>Model Dağıtımı (Deployment)</strong></li><li><strong>Model İzleme (Monitoring)</strong></li></ol><p>MLflow bu aşamalardan ilk ikisini <strong>tam kontrol altına alır</strong> ve diğerleriyle <strong>sorunsuz entegre</strong> olur.</p><p>Örneğin:</p><ul><li><strong>Deney Yönetimi:</strong> MLflow Tracking ile her model denemesi kayıt altına alınır.</li><li><strong>Model Versiyonlama:</strong> Model Registry sayesinde hangi modelin üretime çıktığı net şekilde takip edilir.</li><li><strong>Model Dağıtımı:</strong> MLflow Models modülü, modeli Docker, SageMaker veya REST API üzerinden deploy edebilir.</li><li><strong>Model İzleme:</strong> MLflow’un API’leri ile performans log’ları saklanabilir.</li></ul><p>Kısacası <strong>MLflow</strong>, MLOps’un sadece bir bileşeni değil, bir parçasıdır. Deneyleri yönetir, modelleri belgeler, ekipleri hizalar ve üretim sürecini öngörülebilir hale getirir. MLOps zincirinde “gözle görülmeyen ama her şeyi birleştiren halka” tam olarak MLflow’dur.</p><h3>6. Kapanış</h3><p>Veri bilimi projelerinde en zor şey model geliştirmek değil, <strong>o modeli yaşatmak</strong>tır. Birçok ekip mükemmel modeller eğitiyor, ama o modeller <strong>zamanla unutuluyor</strong>, <strong>yeniden bulunamıyor</strong>, ya da <strong>üretime geçemeden çöp oluyor</strong>. MLflow, benim için bu noktada bir dönüm noktası oldu.<br> Artık her denememi izliyorum, hangi modelin ne yaptığını biliyorum, ve bir model üretime geçtiğinde tüm geçmişini tek tıkla görebiliyorum.<br>Kısacası, MLflow bana “deney yapmak” yerine “sistemli ilerlemek” alışkanlığını kazandırdı. Yazımı okuduğunuz için Teşekkür ederim:))</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/1*yvE543gMzqXBkb9Nr7vDAQ.gif" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a24365380488" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bir Modelin Dil Öğrenme Süreci Tokenizer ile Başlar]]></title>
            <link>https://medium.com/hsd-ktu/bir-modelin-dil-%C3%B6%C4%9Frenme-s%C3%BCreci-tokenizer-ile-ba%C5%9Flar-f61f6fbb3933?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/f61f6fbb3933</guid>
            <category><![CDATA[token]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[articial-intelligence]]></category>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Sun, 19 Oct 2025 08:04:33 GMT</pubDate>
            <atom:updated>2025-10-19T08:04:33.704Z</atom:updated>
            <content:encoded><![CDATA[<h3>1.Giriş</h3><p><strong>LLM serimizin ilk yazısına hoş geldiniz!</strong> 🙂<br>Bu serimizde LLM teknolojisini ele alacağız ve ilk yazımıza, tabii ki <strong>token</strong> konusuyla başlıyoruz. Peki, neden token ile başladık? Çünkü bizler gündelik hayatımızda çok fazla yapay zekâ aracı kullanıyoruz. Mesela bir yapay zekâyla konuştuğumuzda, onun kelimelerimizi “anladığını” sanırız.<br>Oysa model, aslında hiçbir kelimeyi bizim bildiğimiz anlamda bilmez. Yazdığımız her cümle önce <strong>parçalanır</strong>, <strong>sadeleştirilir</strong> ve <strong>sayılara dönüştürülür</strong>. Bu sessiz ama kritik dönüşümü yapan şeyin adı <strong>Tokenizer</strong>’dır. ChatGPT’ye “Selam rock yıldızı.” yazdığınızda model, o cümleyi duygusal bir bütün olarak değil; <strong>sayılardan oluşan küçük dil parçaları</strong> olarak görür. Yani bir LLM’in zekâsı, kelimeleri anlamasından değil, onları <strong>doğru biçimde parçalamasından</strong> başlar.<br>Tokenizer, yapay zekânın dili “duymayı” öğrendiği ilk katmandır beynine giden kapısıdır diyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/655/1*VdWgyCo9bkNe4pb_O1FWKQ.png" /><figcaption>Token sürecini anlatan görsel</figcaption></figure><ul><li>1.Giriş?</li><li>2.Token Nedir?</li><li>3.Neden Kelime Değil Token?</li><li>4.Tokenizer Türleri</li><li>5.Nasıl Çalışır? (Mini Kod)</li><li>6.Gerçek Hayatta Tokenizer</li><li>7.Kapanış</li><li>8.Yapay Zeka Aracı İle Özetlenmiş Şekli</li></ul><h3>🔹 2.Token Nedir?</h3><p>Bir dil modeli için <strong>token</strong>, metnin makine tarafından işlenebilecek <strong>en küçük yapı taşıdır</strong>. İnsan beyni kelimeleri <strong>anlam ve bağlam</strong> üzerinden yorumlarken, bir LLM metni doğrudan anlayamaz. Önce o metni kendi diline, yani <strong>sayılara</strong> çevirmesi gerekir. İşte bu çeviri sürecinin temel birimi <strong>token</strong>’dır. Basitçe anlatmak gerekirse, bir token bir <strong>kelime</strong>, bir <strong>kelimenin parçası</strong> veya hatta bir <strong>noktalama işareti</strong> olabilir. Örnek vermek gerekirse;</p><p>Bir tokenizer bu cümleyi şu şekilde parçalara ayırabilir:<br> [&quot;Abi&quot;, &quot;kafan&quot;, &quot;da&quot;, &quot;kurba&quot;, &quot;ğa&quot;, &quot;var&quot;, &quot;!&quot;]</p><p>Ve ardından bu parçalar, modele girdi olarak sayılarla temsil edilir:<br> [842, 3901, 28, 772, 912, 55, 12]</p><p>Bu dönüşümün amacı, modelin metni matematiksel bir şekilde işleyebilmesini sağlamaktır. Çünkü LLM’ler aslında dil değil, sayı dizileri üzerinde işlem yapan istatistiksel sistemlerdir. “Yapay zekâ” örneğinde olduğu gibi, bir kelimenin parçalanması modelin dilin yapısını daha derinlemesine öğrenmesine yardımcı olur. Böylece model, “zekâ”, “zekice” veya “zihin” gibi kelimeler arasında bağlantılar kurabilir. Token kavramını bir metaforla düşünürsek: Tokenizer, dili legolara ayıran bir makine gibidir. Cümleleri küçük, anlamlı parçalara böler; model de bu parçaları bir araya getirerek yeni anlamlar oluşturur. Yani ChatGPT’nin bir cümleyi anlayabilmesinin ilk adımı, o cümleyi token’lara dönüştürerek dijital bir forma sokmasıdır. Başka bir deyişle, token bir kelimenin anlamını değil, modelin o anlamı öğrenebilmesi için kullandığı veri kapısını temsil eder.</p><h3>🔹 3.Neden Kelime Değil Token?</h3><p>İlk bakışta, bir yapay zekâ modelinin dili “kelimeler” üzerinden öğrenmesi mantıklı gibi görünebilir. Ancak doğal dilin yapısı, özellikle Türkçe gibi eklemeli dillerde, bu yaklaşımı oldukça verimsiz hale getirir. Çünkü dillerin kelime sayısı neredeyse sonsuzdur her yeni ek, çekim ya da birleşim yeni bir kelime yaratır. Örneğin “konuşmak”, “konuşuyor”, “konuşuyorum”, “konuştular”, “konuşabileceğiz” gibi varyasyonlar, kelime temelli bir model için tamamen farklı girişlerdir. Eğer model sadece “kelime” seviyesinde çalışsaydı, bu farklı biçimlerin her biri için ayrı bir temsil öğrenmek zorunda kalırdı. Bu da hem devasa bir sözlük (vocab) gerektirir hem de modelin genelleme yeteneğini kısıtlar. Token düzeyinde çalışmak ise bu sorunu kökten çözer. Çünkü tokenizer, kelimeleri parçalara ayırarak modelin dildeki ortak örüntüleri yakalamasını sağlar. Örneğin “konuşuyorum” kelimesini konuş + uyor + um şeklinde bölen bir model, “yazıyorum” kelimesini gördüğünde “uyor” ekinin fiil çekimiyle ilgili olduğunu fark eder. Böylece model, daha önce görmediği kelimeleri bile anlamlandırabilir. Bu yaklaşım hem öğrenmeyi hızlandırır hem de veri tasarrufu sağlar. Ayrıca token’lar yalnızca kelimelerden değil, noktalamalardan, sayılardan, hatta boşluklardan bile oluşabilir. Bu sayede model, dilin yalnızca sözcük yapısını değil, cümle ritmini ve biçimini de öğrenir. Kısacası, LLM’lerin kelimeleri değil token’ları kullanmasının nedeni; dilin sınırsız çeşitliliğini sınırlı sayıda parçayla temsil edebilmek, yani dili ölçeklenebilir hale getirmektir. Bir benzetmeyle özetlersek: Eğer kelimeler bir cümleyi oluşturan “tuğlalar” olsaydı, token’lar o tuğlaların atomları olurdu. LLM’ler</p><h3>🔹 4.Tokenizer Türleri</h3><p>Dil modeli, “parçalama” işlemini aynı şekilde gerçekleştirmez. Bunun nedeni, dilin yapısı, kullanılan veri seti ve modelin hedefinin birbirinden farklı olmasıdır. Bu sebeple, yıllar içinde çeşitli tokenizer türleri geliştirilmiştir. Her biri metni farklı şekillerde işler ve kendine özgü avantajları ve dezavantajları vardır. En yaygın üç yaklaşımı şöyle özetleyebiliriz: kelime temelli (word-level), karakter temelli (character-level) ve alt kelime temelli (subword-level) tokenizer’lar.</p><h4>a. Word-Level Tokenizer (Kelime Temelli)</h4><p>Bu en basit türdür. Cümleyi boşluklardan bölerek her kelimeyi bir token olarak alır.<br> Örneğin:</p><pre>Metin: &quot;Yapay zekâ harika bir şey&quot;<br>Tokenlar: [&quot;Yapay&quot;, &quot;zekâ&quot;, &quot;harika&quot;, &quot;bir&quot;, &quot;şey&quot;]</pre><p>Bu yöntem hızlıdır ve anlaşılması kolaydır. Ancak büyük bir sorunu vardır: Model, sözlükte olmayan yeni bir kelimeyle karşılaşırsa onu tanıyamaz. “Zekâsızlaştırılmış” gibi yeni bir kelime geldiğinde model bunu bilmez ve genellikle &lt;unk&gt; (bilinmeyen) olarak işaretler. Bu da <strong>kelime çeşitliliği yüksek dillerde</strong> verimliliği düşürür.</p><h4>b. Character-Level Tokenizer (Karakter Temelli)</h4><p>Bu türde model, metni kelimelere değil, <strong>harf harf</strong> parçalar.</p><pre>Metin: &quot;AI&quot;<br>Tokenlar: [&quot;A&quot;, &quot;I&quot;]</pre><p>Avantajı, her karakteri tanıdığı için modelin hiçbir kelimeyi “bilinmeyen” olarak işaretlememesi. Yani yeni kelimeler veya ekler sorun yaratmaz.<br> Ancak bunun dezavantajı, dizinin çok uzaması ve modelin anlamı <strong>bağlamdan çıkarmasının zorlaşmasıdır</strong>. “konuşuyoruz” kelimesi 10 karaktere ayrılırsa, modelin bu 10 birimi birleştirip anlam çıkarması oldukça karmaşık hale gelir.</p><h4>c. Subword Tokenizer (Alt Kelime Temelli)</h4><p>Modern LLM’lerin neredeyse tamamı bu yöntemi kullanır. <strong>WordPiece</strong>, <strong>BPE (Byte Pair Encoding)</strong> ve <strong>SentencePiece</strong> gibi algoritmalar bu kategoridedir.<br> Subword yaklaşımı, kelimeleri hem kelime bütünlüğünü koruyacak şekilde hem de gerektiğinde parçalara ayırarak dengeli bir temsil sunar.<br> Örneğin:</p><pre>Metin: &quot;konuşuyorum&quot;<br>Tokenlar: [&quot;konuş&quot;, &quot;uyor&quot;, &quot;um&quot;]</pre><p>Bu sayede model “konuş”, “yaz”, “okuyor” gibi kelimeler arasındaki ortak kalıpları öğrenebilir.<br> Subword tokenizer’lar, modelin daha <strong>genelleştirilebilir</strong>, <strong>hafızası verimli</strong> ve <strong>dil esnekliğine uyumlu</strong> hale gelmesini sağlar. Özellikle Türkçe, Fince gibi eklemeli dillerde bu yöntem en başarılı olanıdır.</p><h3>5.Nasıl Çalışır? (Mini Kod)</h3><p>Bir senaryo hayal edelim.<br> Sen, küçük ama meraklı bir geliştiricisin. Amacın, ChatGPT’nin bir cümleyi “nasıl sayılara dönüştürdüğünü” anlamak.<br> Elinde basit bir sözlük (vocab) var — modelin bildiği kelimeler bunlar. Şimdi adım adım ilerleyelim 👇</p><h4>🧠 Senaryo: “Modelin ilk kelimesi”</h4><p>Adım 1: Sözlük (vocab)</p><pre>vocab = {<br>    &quot;Abi&quot;: 0,<br>    &quot;kafanda&quot;: 1,<br>    &quot;kurbağa&quot;: 2,<br>    &quot;var&quot;: 3,<br>    &quot;kurup&quot;: 4,<br>    &quot;vuruyosun&quot;: 5,<br>    &quot;oğa&quot;: 6,<br>    &quot;buğa&quot;: 7,<br>    &quot;yaşlı&quot;: 8,<br>    &quot;bi&#39;&quot;: 9,<br>    &quot;bin&quot;: 10,<br>    &quot;yaşında&quot;: 11,<br>    &quot;&lt;unk&gt;&quot;: 12<br>}</pre><p>Burada &lt;unk&gt; bilinmeyen kelimeler için kullanılır.<br> Mesela “vuruyosun” sözlükte yoksa &lt;unk&gt; olur.</p><p>Buradaki her kelimenin bir <strong>sayısal kimliği (ID)</strong> var.<br> Şimdi modelin önüne bir cümle koyalım:</p><h3>Adım 2: Basit Tokenizer Fonksiyonu</h3><pre>def tokenize(text, vocab):<br>    tokens = []<br>    for word in text.split():<br>        word = word.strip(&quot;,&quot;)  # noktalama temizliği<br>        if word in vocab:<br>            tokens.append(vocab[word])<br>        else:<br>            tokens.append(vocab[&quot;&lt;unk&gt;&quot;])<br>    return tokens</pre><p>Adım 3: Uygulama</p><pre>lyrics = &quot;&quot;&quot;Abi kafanda kurbağa var<br>Abi kafanda kurup kurup vuruyosun oğa buğa<br>Yaşlı bi&#39; kurbağa var, bin yaşında var&quot;&quot;&quot;<br><br>token_ids = tokenize(lyrics, vocab)<br>print(token_ids)</pre><p>Çıktı:</p><pre>[0, 1, 2, 3, 0, 1, 4, 4, 5, 6, 7, 8, 9, 2, 3, 10, 11, 3]</pre><p>Her sayı bir kelimeyi temsil ediyor.<br>Model artık bu sayıları görüp şunu “anlıyor”:</p><h4>💬 Kısaca:</h4><p>Tokenizer bir “çevirmen” gibi davranır.<br> İnsan dilini, modelin anlayacağı matematik diline çevirir.<br> Senin “abi kafanda kurbağa var” dediğin şey, model için sadece şu sayılardan ibarettir:</p><pre>[0, 1, 2, 3]</pre><p>Ama işte tam da bu sayılar, modelin “dili anlamasının” başlangıcıdır.</p><h3>6.Gerçek Hayatta Tokenizer</h3><p>Teorik örneklerden sonra, şimdi token’ların gerçek dünyadaki uygulamalarına bir göz atalım. Modern LLM’ler GPT, BERT, T5 gibi milyarlarca parametreye sahip ve dilin karmaşıklığını çok daha derinlemesine işleyebiliyor. Bu modellerin tokenizer’ları, sadece kelimeleri sayılara dönüştürmekle kalmaz, aynı zamanda alt kelime birimlerini tanıyıp, noktalama işaretlerini ve boşlukları da dikkate alır. Örneğin, GPT-4&#39;ün tokenizer’ı yaklaşık 100.000 token içeriyor; bu da modelin dili anlaması için devasa bir sözlük anlamına geliyor. Token sayısı, modelin giriş kapasitesinin yanı sıra maliyetini ve performansını da etkiliyor. OpenAI API’si üzerinden bir metni işlemek istediğinizde, genellikle ücret token sayısına göre belirleniyor. Ayrıca token’lar, modelin bağlam uzunluğunu da belirliyor bir modelin tek seferde görebileceği token sayısı, uzun metinlerdeki bağlamı ne kadar doğru anlayacağını doğrudan etkiliyor. Türkçe gibi eklemeli dillerde alt kelime temelli tokenizer’lar çok daha etkili. Çünkü tek bir kelimenin birçok türevi olabiliyor ve her türev ayrı bir token olarak işlenirse, modelin verimliliği düşüyor. Subword tokenizer’lar ise kelimeleri parçalara ayırarak bu sorunu çözüyor, böylece model hem daha hızlı öğreniyor hem de daha önce hiç karşılaşmadığı kelimelerle başa çıkabiliyor. Kısacası, gerçek dünyadaki tokenizer’lar bir modelin dil ile etkileşim kapısıdır. Onlar sayesinde model, milyonlarca kelime ve cümle arasından anlamlı örüntüleri yakalayabiliyor ve karmaşık metinleri bile matematiksel olarak işleyebiliyor.</p><h3>7.Kapanış: Token’dan Beyine</h3><p>Tokenizer, bir LLM’in dil yolculuğundaki ilk ve en önemli adımdır. Bizler kelimeleri anlamları üzerinden işlerken, model her cümleyi önce küçük parçalara token’lara ayırır, sayısal bir forma dönüştürür ve ancak bu şekilde işlenebilir hale gelir. Token’lar, modelin dilin yapısını öğrenmesine yardımcı olan görünmez lego parçalarıdır; her biri bir anlam taşır ve birlikte büyük bir zeka yapısını oluşturur. Bir sonraki yazımızda, bu token’ların modelin beyninde nasıl embedding’lere dönüştüğünü ve LLM’in gerçek anlamı nasıl yakaladığını keşfedeceğiz. Yani serimizin bir sonraki adımı, “token’lar sadece sayılar mı, yoksa anlamın kapısı mı?” sorusuna yanıt arayacak. Kısacası, LLM’in zekâsı kelimelerle değil, token’larla başlar ve her token, modelin dünyayı anlamaya attığı ilk adımdır.</p><h3><strong>8.Yapay Zeka Aracı İle Özetlenmiş Şekli:</strong></h3><p>LLM Teknolojisinin Temeli: Token ve Tokenizer</p><p>Büyük Dil Modelleri (LLM’ler) ile etkileşim kurduğumuzda, yapay zekânın kelimelerimizi “anladığını” düşünürüz. Oysa <strong>bir model, kelimeleri bizim bildiğimiz anlamda bilmez</strong>. LLM’lerin zekâsı, dilin anlamını değil, matematiksel yapısını işlemekten gelir. Bir LLM’in dil yolculuğu, metni makine diline çeviren <strong>Tokenizer</strong> ile başlar.</p><p><strong><em>1.Token Nedir?</em></strong></p><p><strong>Token, metnin makine tarafından işlenebilecek en küçük yapı taşıdır</strong>. Token, basitçe bir kelime, bir kelimenin parçası (alt kelime) veya bir noktalama işareti olabilir. İnsanların yazdığı her cümle, Tokenizer tarafından parçalanır ve modele girdi olarak sayısal kimliklerle (ID) temsil edilen bir sayı dizisine dönüştürülür. <strong>LLM’ler aslında dil değil, sayı dizileri üzerinde işlem yapan istatistiksel sistemlerdir</strong>. Tokenizer bu açıdan, insan dilini, modelin anlayacağı matematik diline çeviren bir “çevirmen” görevi görür.</p><p><strong><em>2. Neden Kelimeler Yerine Token’lar Kullanılır?</em></strong></p><p>LLM’lerin kelime temelli yaklaşımı kullanmamasının temel nedeni, doğal dillerin <strong>sınırsız çeşitliliği</strong> sorunudur.</p><p>• <strong>Verimlilik:</strong> Özellikle Türkçe gibi eklemeli dillerde, her yeni ek (örneğin “konuşuyorum”) yeni bir kelime yaratır. Kelime temelli bir yaklaşım, her varyasyon için ayrı bir temsil öğrenmek zorunda kalır ve devasa bir sözlük (vocab) gerektirirdi.</p><p>• <strong>Genelleme:</strong> Tokenizasyon, kelimeleri parçalara ayırarak (örneğin “konuş + uyor + um” şeklinde) modelin dildeki ortak örüntüleri (ekler, çekimler) yakalamasını sağlar. Bu, <strong>modelin daha önce görmediği kelimeleri bile anlamlandırabilme</strong> yeteneğini artırır.</p><p>• <strong>Ölçeklenebilirlik:</strong> Token düzeyinde çalışmak, dilin sınırsız çeşitliliğini sınırlı sayıda parçayla temsil ederek dili ölçeklenebilir hale getirir.</p><p><strong><em>3. Modern LLM’lerin Tercihi: Alt Kelime Tokenizasyonu</em></strong></p><p>Farklı tokenizer türleri olmasına rağmen (Kelime Temelli ve Karakter Temelli):</p><p>• <strong>Alt Kelime Temelli (Subword Tokenizer):</strong> Modern LLM’lerin (GPT, BERT) neredeyse tamamı bu yöntemi kullanır.</p><p>• <strong>Avantajı:</strong> Subword yaklaşımı (BPE, WordPiece gibi algoritmalarla), kelime bütünlüğünü koruyarak gerektiğinde parçalara ayırır, böylece dengeli bir temsil sunar.</p><p>• <strong>Türkçe İçin Önemi:</strong> Bu yöntem, özellikle Türkçe gibi eklemeli dillerde en başarılı yöntemdir, çünkü modelin dilin yapısını öğrenmesine yardımcı olur.</p><p><strong><em>4. Gerçek Dünyada Token’ların Rolü</em></strong></p><p>Token sayısı, LLM’lerin performansını ve maliyetini doğrudan etkiler:</p><p>• <strong>Maliyet:</strong> OpenAI API gibi hizmetlerde işlem ücreti, genellikle kullanılan <strong>token sayısına göre belirlenir</strong>.</p><p>• <strong>Bağlam Kapasitesi:</strong> Bir modelin tek seferde işleyebileceği token sayısı, modelin uzun metinlerdeki <strong>bağlamı ne kadar doğru anlayacağını</strong> (bağlam uzunluğu) belirler.</p><p>Kısacası, Token’lar, modelin dünyayı anlamaya attığı ilk adım ve dilin yapısını öğrenmesine yardımcı olan <strong>görünmez lego parçalarıdır</strong>.</p><p>Yazımı okuduğunuz için çok teşekkürler:))</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/165/1*K70qiZS9FsVIaY7Gvi6d0Q.gif" /><figcaption>Thank You</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f61f6fbb3933" width="1" height="1" alt=""><hr><p><a href="https://medium.com/hsd-ktu/bir-modelin-dil-%C3%B6%C4%9Frenme-s%C3%BCreci-tokenizer-ile-ba%C5%9Flar-f61f6fbb3933">Bir Modelin Dil Öğrenme Süreci Tokenizer ile Başlar</a> was originally published in <a href="https://medium.com/hsd-ktu">HSD KTU</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Dockerfile Yazmayı Öğren: Adım Adım İlk İmajını İnşa Et]]></title>
            <link>https://medium.com/@ozan.akbltt/dockerfile-yazmay%C4%B1-%C3%B6%C4%9Fren-ad%C4%B1m-ad%C4%B1m-i%CC%87lk-i%CC%87maj%C4%B1n%C4%B1-i%CC%87n%C5%9Fa-et-3925837de0d7?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/3925837de0d7</guid>
            <category><![CDATA[devops-tool]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[devops-practice]]></category>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[dockerfiles]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Sun, 21 Sep 2025 12:56:59 GMT</pubDate>
            <atom:updated>2025-09-21T12:56:59.030Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/644/1*w9c7aL9dFDWbbhOKaHy8uQ.png" /></figure><p>Öncelikle Hoş geldiniz!! Bu yazımızda Dockerfile’ların ne olduğunu, nasıl oluşturulacağını ve izlemeniz gereken bazı en iyi uygulamaları ele alacağız.</p><p>Yazı yapımız şu şekilde olacak:</p><ol><li>Dockerfile Nedir?</li><li>Dockerfile Talimatları</li><li>Senaryolu Örnek</li><li>Kapanış</li></ol><h3>Dockerfile Nedir?</h3><p>Öncelikle Dockerfile’ı anlamamız için Docker’dan bahsedelim; ardından Dockerfile’ı detaylıca ele alalım.</p><p>Peki, nedir bu Docker? Öncelikle Docker bir yazılım platformudur; <strong>yazılım dili değildir</strong>, ilk olarak bu karışıklığı giderelim. Docker’ın amacı, uygulamalarınızı hızla derlemenize, test etmenize ve dağıtmanıza imkân tanıyan bir yazılım platformu olmasıdır. Uygulamanızı ve tüm bağımlılıklarını tek bir standart birime, yani <strong>konteynere</strong>, paketlemenizi sağlayan açık kaynaklı bir konteynerizasyon platformudur. Yazılım geliştirme ve dağıtımı üzerindeki etkisi nedeniyle çok popüler bir platformdur.</p><p>Kısaca Docker’dan bahsetmiş olduğumuza göre, gelelim Dockerfile’ın ne olduğuna.</p><p>Dockerfile’ı bir bakıma <strong>yemek tarifi</strong> gibi düşünebiliriz. Peki neden böyle dedim, onu açıklayayım: Bir yazılım projesinin “nasıl çalıştırılacağını” adım adım tarif eden bir dosyadır. Örneğin bir hamburger yapmak istiyorsunuz ama nasıl yapılacağını bilmiyorsunuz; internetten bir tarife bakıyorsunuz ve tarif, belirli talimatlarla hazırlanıyor. İşte bu talimatlar, Dockerfile komutlarına benzetilebilir.</p><p>Biraz daha teknik açıklamak gerekirse, Dockerfile bir yazılım projesinin “nasıl çalıştırılacağını” adım adım tarif eden bir dosyadır. İçinde hangi taban imajın kullanılacağı, hangi kütüphanelerin kurulacağı, hangi dosyaların kopyalanacağı ve uygulamanın nasıl başlatılacağı gibi talimatlar bulunur. Yani bir nevi uygulamanın yemek tarifi gibidir. Sen tarif defterini bir kere yazarsın, Docker da bunu kullanarak istediğin ortamda aynı şekilde çalışan <strong>imajı</strong> inşa eder. Böylece “Benim bilgisayarımda çalışıyor ama sende neden çalışmıyor?” sorunu ortadan kalkar.</p><h3>Dockerfile Talimatları</h3><ol><li><strong><em>FROM </em></strong>: İmajın hangi taban imajdan başlayacağını belirtir.</li></ol><pre>FROM python:3.9-slim</pre><p>2. <strong><em>WORKDIR : </em></strong>Container içinde çalışacağın dizini belirler. Bundan sonraki tüm işlemler bu klasörün içinde yapılır. cd /app yazmış gibi düşünebilirsin.</p><pre>WORKDIR /app</pre><p>3.<strong><em> COPY</em></strong> : Lokalindeki dosyaları container içine kopyalar. Örneğin projenin kodlarını imajın içine taşımak için kullanılır.</p><pre>COPY . /app</pre><p>4. <strong><em>RUN</em></strong> : Container içinde komut çalıştırır. En çok kütüphane kurmak veya bağımlılıkları yüklemek için kullanılır.</p><pre>RUN pip install -r requirements.txt</pre><p>5. <strong><em>CMD : </em></strong>Container çalıştığında varsayılan olarak çalışacak komutu belirtir. Örneğin “uygulamayı başlat” komutu buraya yazılır.</p><pre>CMD [&quot;python&quot;, &quot;app.py&quot;]</pre><p>6. <strong><em>EXPOSE</em></strong> : Container’ın dış dünyaya açacağı portu belirtir. Tek başına portu açmaz ama container’ı çalıştırırken hangi portun kullanılacağını ifade eder.</p><pre>EXPOSE 5000</pre><p>7. <strong><em>ENV</em></strong> : Ortam değişkenleri tanımlamak için kullanılır. Özellikle yapılandırma (config) bilgilerini container içine aktarmakta faydalıdır.</p><pre>ENV APP_ENV=production</pre><p>Burada en çok kullanılan komutları inceledik bu komutlarla sınırlı değildir!</p><h3>Senaryolu Örnek</h3><p>Kullanım şeklini daha iyi görmek için basit bir proje üzerinde kullanım şeklini aktarmak istedim. Öncelikle projemiz şu şekilde diyelim ki küçük bir web uygulaması geliştirdin. Python’un Flask kütüphanesiyle yazdığın bu uygulama çok basit: tarayıcıdan açıldığında sana sadece “Hello Docker!” yazısı gösteriyor. Projenin dosya yapısı da oldukça sade; bir tane app.py dosyan var, içinde Flask kodun çalışıyor. Gerekli bağımlılıkların ise requirements.txt dosyasında tutuluyor. Şimdi bu uygulamayı başka bir bilgisayara göndermek istesen, karşı tarafın Python kurulu olması, doğru versiyonun seçilmesi, Flask’ın yüklenmesi ve uygulamanın doğru şekilde çalıştırılması gerekiyor. İşte burada işler karışıyor. Çünkü herkesin bilgisayarında aynı ortam yok; kimisinin Python versiyonu farklı, kimisinin kütüphaneleri eksik. Bu sorunların önüne geçmek için Docker kullanıyoruz. Docker sayesinde uygulamanın çalışması için gerekli ortamı <strong>Dockerfile</strong> içinde tarif ediyoruz. Yani sen bir defa Dockerfile’ı yazıyorsun, Docker da bu tariften bir imaj oluşturuyor. Sonrasında bu imajı nerede çalıştırırsan çalıştır, uygulaman aynı şekilde ayağa kalkıyor.</p><pre>my-flask-app/<br>│-- app.py<br>│-- requirements.txt<br>│-- Dockerfile</pre><pre>from flask import Flask<br>app = Flask(__name__)<br><br>@app.route(&quot;/&quot;)<br>def hello():<br>    return &quot;Hello Docker!&quot;<br><br>if __name__ == &quot;__main__&quot;:<br>    app.run(host=&quot;0.0.0.0&quot;, port=5000)</pre><pre>flask<br># requirements.txt dosyasıdır</pre><p>Uygulamamızı yazdık şimdi Dockerfile dosyasını oluşturalım.</p><pre># 1. Taban imaj seçiyoruz (hafif bir Python imajı)<br>FROM python:3.9-slim<br><br># 2. Çalışma dizini oluşturuyoruz<br>WORKDIR /app<br><br># 3. Gerekli dosyaları kopyalıyoruz<br>COPY requirements.txt requirements.txt<br>COPY app.py app.py<br><br># 4. Bağımlılıkları yüklüyoruz<br>RUN pip install -r requirements.txt<br><br># 5. Uygulamayı çalıştıracak komutu belirliyoruz<br>CMD [&quot;python&quot;, &quot;app.py&quot;]<br><br># 6. Uygulamanın dışarıya açacağı portu belirtiyoruz<br>EXPOSE 5000</pre><p>Dockerfile’ı oluşturduktan sonra sıra geldi uygulamayı çalıştırmaya. Öncelikle terminalden</p><pre>docker build -t flask-docker-app .</pre><p>komutunu çalıştırıyoruz. Bu komut, bulunduğun dizindeki Dockerfile’ı kullanarak bir Docker imajı inşa ediyor ve ona flask-docker-app adını veriyor. İmaj hazır olduktan sonrasında</p><pre>docker run -p 5000:5000 flask-docker-app</pre><p>komutuyla bir container başlatıyoruz. Buradaki -p 5000:5000 ifadesi, container içindeki 5000 numaralı portu bilgisayarımızdaki 5000 portuna bağlıyor, yani uygulamaya dışarıdan erişmemizi sağlıyor. Artık tarayıcını açıp http://localhost:5000 adresine gittiğinde, uygulamanın ürettiği “Hello Docker!” mesajını görebiliyorsun. Böylece küçük Flask uygulaman, Docker sayesinde her ortamda aynı şekilde çalışır hale gelmiş oluyor.</p><h3>Kapanış</h3><p>Sonuç olarak, Docker ve Dockerfile sayesinde uygulamalarınızı her ortamda aynı şekilde çalıştırmak mümkün hâle geliyor. Docker, yazılım geliştirme ve dağıtım süreçlerini standartlaştırarak hem zaman kazandırıyor hem de hataları en aza indiriyor. Dockerfile ise bu sürecin kalbinde yer alıyor; tıpkı bir yemek tarifi gibi, uygulamanızın hangi taban imajda çalışacağını, hangi bağımlılıkların kurulacağını ve nasıl başlatılacağını adım adım tarif ediyor. Bir kez Dockerfile’ı oluşturduğunuzda, uygulamanız ister kendi bilgisayarınızda ister başka bir ortamda çalışsın, hep aynı sonucu alıyorsunuz. Yazımı okuduğunuz için çok teşekkür ederim</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/237/1*jN2aWwXPWNyAlHvR2KeDLA.gif" /><figcaption>Teşekkürler</figcaption></figure><h3>Kaynakça:</h3><p><a href="https://spacelift.io/blog/dockerfile">https://spacelift.io/blog/dockerfile</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3925837de0d7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Adım Adım MLOps: Makine Öğrenmesi Süreçlerinizi Nasıl Otomatize Edersiniz?]]></title>
            <link>https://medium.com/kaggle-t%C3%BCrki%CC%87ye-toplulu%C4%9Fu/ad%C4%B1m-ad%C4%B1m-mlops-makine-%C3%B6%C4%9Frenmesi-s%C3%BCre%C3%A7lerinizi-nas%C4%B1l-otomatize-edersiniz-a0d7ef437dd0?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/a0d7ef437dd0</guid>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[mlops]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Sat, 28 Jun 2025 10:47:11 GMT</pubDate>
            <atom:updated>2025-06-28T10:47:11.325Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PlnKRe_IGyKHbBFkoDlmnA.png" /><figcaption>Mlops döngüsü</figcaption></figure><h4>MLOps Nedir?</h4><p>En basit şekliyle açıklamak gerekirsek; makine öğrenmesi modellerini üretime taşıma ve ardından bunları sürdürme ve izleme sürecini basitleştirmeye odaklanır. <strong>MLOps’un açılımı Machine Learning Operations’dır.</strong> Odak noktası ise yapay öğrenme modellerinin canlı ortamlarda çalıştırılması sürecidir. Temel bir MLOps süreci şuna benzer: Bir iş hedefi tanımlanır, ilgili veriler toplanır ve temizlenir, ardından bir makine öğrenimi modeli oluşturulur ve dağıtılır. Zaten üstteki görselde de bu açıklanmaya çalışıldı. MLOps’taki temel amaç, <strong>makine öğrenimini veya ML’i ürünleştirmektir.</strong> Somut bir değere nasıl dönüştüreceklerini bulma konusunda çalışmalar yürütülür.</p><h4>Neden MLOps gibi birşeye ihtiyaç var?</h4><p>MLOps’ın temel amacı, makine öğrenmesi modellerini deneysel ortamından alıp, gerçek dünya yapısında güvenilir, ölçeklenebilir ve sürekli değer üreten sistemlere dönüştürme çabasından geliyor aslında. Bir veri bilimcisinin bilgisayarında mükemmel bir şekilde çalışan bir model, canlı sistemlere entegre edildiğinde genellikle afallar; çünkü gerçek dünya verisi sürekli değişir ve modelin performansı zamanla düşer. MLOps, bu sorunu, modelleri sürekli izleyerek, performans düşüşlerini otomatik olarak tespit ederek ve gerektiğinde yeniden eğiterek çözüyor. Ayrıca, veri hazırlama, model eğitimi ve dağıtımı gibi süreçleri otomatikleştirerek, projelerin aylar süren manuel çabalar yerine haftalar veya günler içinde hayata geçirilmesini sağlıyor bu da çok büyük bir kolaylıktır. Bu otomasyon kültürü aslında, veri bilimi ile operasyon ekipleri arasındaki uçurumu kapatıyor ve yapay zeka yatırımlarının karmaşık olmaktan çıkıp sürdürülebilir daha anlaşılır bir iş değerine dönüşmesini sağlayan kritik bir disiplin haline getiriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hd2wopqAkBbxNdB4wDqkaA.png" /><figcaption>MLOps olmadan makine öğrenimi modellerini dağıtma ve yönetmenin zorluklarını anlatan görsel</figcaption></figure><h3>MLOps’un faydaları nelerdir?</h3><p>MLOps’un temel faydaları verimlilik, ölçeklenebilirlik ve risk azaltımıdır daha da artırılabilir tabii faydaları biz bu başlıklara değiniceğiz. <strong>Verimlilik: </strong>Çok basit bir mantıkla<strong> </strong>MLOps, veri ekiplerinin daha hızlı model geliştirme, daha yüksek kaliteli ML modelleri ve daha hızlı dağıtım ve üretim elde etmelerini sağlar. <strong>Ölçeklenebilirlik:</strong> Ölçeklenebilirlik ise modelin sürekli entegrasyon, sürekli teslimat ve sürekli dağıtım için denetlenebileceği, kontrol edilebileceği, yönetilebileceği ve izlenebileceği geniş bir ölçeklenebilirlik ve yönetim sağlar. <strong>Risk azaltımı:</strong> Makine öğrenimi modelleri genellikle düzenleyici incelemeye ve sapma kontrolüne ihtiyaç duyar ve MLOps bu tür taleplere daha fazla şeffaflık ve daha hızlı yanıt sağlar ve bir kuruluşun veya endüstrinin politikalarına daha fazla uyum sağlar.</p><p>Hayal edelim bir perakende şirketimiz olsun, bu perakende şirketimizde müşteri davranışlarını tahmin eden bir makine öğrenimi modeli geliştiriyor olalım. Ancak MLOps olmadan, bu modelin geliştirilmesi bir kaç ayımızı alabilir belki de daha fazla; manuel testler ve dağıtım süreçleri hatalara açık hale gelir ve zamanla modelin performansı düşebilir bunların hepsi olası şeyler. MLOps devreye girdiğinde ise her şey değişir. Otomatik veri işleme, model eğitimi ve doğrulama hızlı ve hatasız bir şekilde gerçekleşir. Sürekli olarak modelin performansını izleyen bir sistem kurulur; böylece, müşteri alışkanlıklarındaki ani değişiklikler (örneğin, yeni bir trend) modelin doğruluğunu etkilediğinde, MLOps sistemi otomatik olarak uyarı verir ve hatta modeli yeni verilerle yeniden eğiterek günceller. Bu sayede şirket, modelin tahminlerinin her zaman güncel ve doğru kalmasını sağlar, bu da kişiselleştirilmiş pazarlama kampanyalarının daha etkili olmasına ve müşteri memnuniyetinin artmasına yol açar. İşte MLOps bu kadar efsane bir şey:)) Kısacası, MLOps, perakende şirketinin yeni modelleri hızla devreye almasına, mevcut modellerin güvenilirliğini korumasına ve operasyonel verimliliği artırarak rekabet avantajı elde etmesine olanak tanır.</p><h3>DevOps ile MLOps’un farklılıkları nelerdir?</h3><p>İlk önce DevOps’u anlamak ile başlayalım DevOps, yazılımların daha hızlı, güvenli ve otomatik şekilde derlenmesi, paketlenmesi, test edilmesi ve canlı ortamlarda çalışacak şekilde dağıtımlarının yapılmasını konu alan bir disiplindir. Mikro servis mimarilerinin yaygınlaşmasıyla beraber en küçük geliştirmenin bile canlı ortama otomatik olarak yansıtılmasını sağlayan CI/CD (Continous Integration/Continous Delivery), günümüzde en yaygın DevOps pratiği olarak karşımıza çıkmaktadır. MLOps da aslında hemen hemen aynı işi yapmaya çalışır. Ancak DevOps’tan farklı bazı yönleri vardır. DevOps temelde kod ve altyapı yönetimine odaklanırken, MLOps bu temelin üzerine veri, model ve deney yönetimini de ekler. Makine öğrenimi modelleri, zamanla gerçek dünya verilerindeki değişiklikler (veri kayması veya kavram kayması) nedeniyle performanslarını kaybedebilir; bu da modellerin sürekli izlenmesini ve gerektiğinde otomatik olarak yeniden eğitilmesini gerektirir. Bu durum, MLOps’ta veri versiyonlama, model versiyonlama ve sürekli model izleme gibi DevOps’ta bulunmayan ek süreçler ve araçlar anlamına gelir. Kısacası, DevOps daha çok statik yazılımın dağıtımı ve operasyonel verimliliğiyle ilgilenirken, MLOps dinamik ve uyum sağlayabilen model yaşam döngüsünü yönetmeye odaklanır; bu da sürekli bir öğrenme ve adaptasyon döngüsü gerektirdiği için daha karmaşık bir yapı oluşturur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bNGD2lCylwOOvB0nRquC3A.png" /><figcaption>DevOps ile MLOps arasındaki farkları açıklayan bir görsel</figcaption></figure><h3>Gerçek Hayatta MLOps ile Geliştirilen Projeler</h3><p>Birçok büyük şirket, modellerini sürekli güncel tutmak ve performanslarını optimize etmek için MLOps prensiplerini benimsemiştir. İşte gerçek hayattan, marka ve proje isimleriyle üç örnek verelim:</p><p><strong>Netflix’in Kişiselleştirilmiş İçerik Öneri Sistemi:</strong> Netflix, kullanıcı deneyimini kişiselleştirmede MLOps’un gücünü kullanan öncü şirketlerden biridir. Her kullanıcının izleme geçmişi, beğenileri, cihaz tipi ve izleme saatleri gibi milyonlarca veri noktasını işleyerek, “kişiselleştirilmiş öneri motoru” aracılığıyla hangi filmlerin veya dizilerin gösterileceğini belirler. MLOps sayesinde, bu modeller sürekli olarak yeni içerikler ve değişen kullanıcı tercihleri ile yeniden eğitilir, A/B testlerinden geçirilir ve otomatik olarak dağıtılır. Modelin performansındaki düşüşler veya veri kaymaları anında tespit edilir, böylece öneri sistemi her zaman yüksek doğrulukla çalışır ve kullanıcıların platformda daha uzun süre kalmasını sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rkyrg61WZ74U1rpt98wMvA.png" /><figcaption>Netflix’in Kişiselleştirilmiş İçerik Öneri Sistemi</figcaption></figure><p><strong>Spotify’ın Dinamik Çalma Listeleri ve Keşif Özellikleri:</strong> Spotify’ın “Haftalık Keşif” (Discover Weekly) ve diğer dinamik çalma listeleri, MLOps’un harika örneklerindendir. Her hafta milyonlarca kullanıcı için özel olarak hazırlanan bu çalma listeleri, dinleme alışkanlıkları, favori şarkılar ve benzer kullanıcıların tercihleri gibi karmaşık algoritmalarla oluşturuluyor. MLOps sayesinde, yeni müziklerin sisteme eklenmesi, kullanıcı zevklerindeki değişiklikler ve trendler hızla modellere yansıtılıyor. Modellerin performans metrikleri (örneğin, çalma listesinden çalınan şarkı sayısı) sürekli olarak izleniyor ve performans düşüşleri durumunda otomatik olarak yeniden eğitim ve dağıtım süreçleri devreye giriyor. Böylece Spotify, kullanıcılarına her zaman alakalı ve kişiselleştirilmiş bir müzik deneyimi sunmaya devam ediyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/320/1*4-KUbk3b_wnXqOXtzyNbYg.jpeg" /></figure><p><strong>Uber’in Tahmini Talep ve Fiyatlandırma Modelleri:</strong> Uber gibi büyük ulaşım platformları, tahmini talep ve dinamik fiyatlandırma (surge pricing) modellerini yönetmek için MLOps’tan yararlanıyor. Bu modeller, belirli bir bölgede ve zamanda beklenen yolcu talebini, sürücü arzını, hava durumunu, trafik yoğunluğunu ve hatta yerel etkinlikleri tahmin ediyor. MLOps, bu modellerin sürekli olarak güncel gerçek zamanlı verilerle beslenmesini, eğitilmesini ve dağıtılmasını sağlıyor. Örneğin, büyük bir konserin bitiş saati yaklaştığında, model o bölgedeki talep artışını öngörüyor ve dinamik fiyatlandırmayı devreye alıyor. MLOps süreçleri, modelin şehirdeki trafik değişimleri, yeni toplu taşıma seçenekleri veya büyük etkinlikler gibi faktörlere hızla adapte olmasını sağlayarak, hem yolcular hem de sürücüler için en iyi deneyimi ve verimliliği sunuyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hlrwClvY3o-L2cp6EfV27A.png" /><figcaption>Uber’in Tahmini Talep ve Fiyatlandırma Modellerini anlatan görsel</figcaption></figure><p>Umarım MLOps’un karmaşık dünyasını bu yazıyla biraz daha anlaşılır kılabilmişimdir. Makine öğrenimi projelerini hayata geçirme yolculuğunuzda size ilham vermesi dileğiyle! Yazımı okuduğunuz için çok teşekkür ederim! 🙏</p><p>Unutmayın: <strong>“MLOps, sadece modelinizi çalıştırmak değil, onu gerçekten yaşatmaktır!”</strong> 🚀</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/1*mVu6XlljbG76pQdXnwZzNA.gif" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a0d7ef437dd0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kaggle-t%C3%BCrki%CC%87ye-toplulu%C4%9Fu/ad%C4%B1m-ad%C4%B1m-mlops-makine-%C3%B6%C4%9Frenmesi-s%C3%BCre%C3%A7lerinizi-nas%C4%B1l-otomatize-edersiniz-a0d7ef437dd0">Adım Adım MLOps: Makine Öğrenmesi Süreçlerinizi Nasıl Otomatize Edersiniz?</a> was originally published in <a href="https://medium.com/kaggle-t%C3%BCrki%CC%87ye-toplulu%C4%9Fu">KTT (Yapay Zeka &amp; Veri Bilimi)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Doğrusal Regrasyon Nedir?]]></title>
            <link>https://medium.com/@ozan.akbltt/do%C4%9Frusal-regrasyon-nedir-66059dcef16b?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/66059dcef16b</guid>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[veri]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Sun, 25 May 2025 17:00:34 GMT</pubDate>
            <atom:updated>2025-05-25T17:00:34.640Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8UpxMeiJ3lWGPoPHVaPZ3A.png" /><figcaption>Doğrusal Regresyon Grafiği</figcaption></figure><p>Doğrusal Regresyon, veri bilimi ve makine öğreniminde sık kullanılan popüler bir algoritmadır. Denetimli bir öğrenme algoritmasıdır. Doğrusal Regresyon, değişkenler arasındaki ilişkiyi göstermeye çalışan istatiksel bir yöntem diyebiliriz. Farklı veri noktalarına bakar ve bir trend çizgisi çizer. Şimdi gelelim arkasındaki matematik nedir?</p><p>Doğrusal regresyonun en basit hali, basit doğrusal regresyon olarak adlandırılır ve bir bağımlı değişken ile bir bağımsız değişken arasındaki ilişkiyi modellemeye yarar.</p><p>Formülü şöyle ifade edebiliriz: Y=β0​+β1​X+ϵ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/318/1*9YUCCJSuzs7Ss7GhylFULQ.png" /></figure><p>Şimdi, bu formüldeki her bir bileşeni bir örnek üzerinden inceleyelim: Örnek Senaryo: Limonata Satışları ve Hava Sıcaklığı Bir limonatacı olduğunuzu düşünün; günlük dondurma satışlarınızın hava sıcaklığıyla bir ilişkisi olup olmadığını merak ediyorsunuz. Bu ilişkiyi modelleyerek, gelecekteki sıcaklıklara göre satış tahminleri yapmak istiyoruz, yani amacımız bu.</p><p>Bu senaryoda:</p><p><strong><em>Y (Bağımlı Değişken):</em></strong> Tahmin etmeye çalıştığımız değişken. Örnek: Günlük satılan limonata sayısı (bardak adedi).</p><p><strong><em>X (Bağımsız Değişken): </em></strong>Bağımlı değişkeni etkilediğini düşündüğümüz değişken. Örnek: Günlük ortalama hava sıcaklığı (°C).</p><p><strong><em>β0​ (Kesim Noktası / Sabit Katsayı / Y-Kesen):</em></strong> Bağımsız değişken (X) sıfır olduğunda bağımlı değişkenin (Y) aldığı değerdir. Yani, regresyon doğrusunun Y eksenini kestiği noktadır. Örnek: Hava sıcaklığı 0°C olduğunda (teorik olarak) satılması beklenen limonata sayısı. Bazen bu değerin pratik bir anlamı olmayabilir (örneğin, sıcaklık 0°C iken limonata satılmıyorsa), ama modelin doğru bir şekilde oturması için gereklidir.</p><p><strong><em>β1​ (Eğim Katsayısı): </em></strong>Bağımsız değişkendeki (X) bir birimlik artışın bağımlı değişken (Y) üzerinde yarattığı ortalama değişikliktir. Regresyon doğrusunun eğimini ifade eder. Örnek: Hava sıcaklığındaki her 1°C’lik artışın, günlük dondurma satışlarını ortalama kaç adet artırdığını veya azalttığını gösterir. Eğer</p><h4>Fomülün Örnek Üzerinden Anlatımı:</h4><p>Diyelim ki, topladığınız verilerle yaptığınız analiz sonucunda aşağıdaki gibi bir denklem elde ettiniz (bu katsayılar veriye dayalı olarak hesaplanır): Satılan Limonata Sayısı = 10 + 5 * (Hava Sıcaklığı) Bu denklemde: β0​=10: Hava sıcaklığı 0°C olduğunda (teorik olarak) 10 adet limonata satılması beklenir.</p><p>β1​=5: Hava sıcaklığındaki her 1°C’lik artış, limonata satışlarını ortalama 5 adet artırır.</p><p>Tahmin Yapma: Bu formülü kullanarak gelecekteki bir gün için tahmin yapabiliriz. Örneğin, yarın hava sıcaklığının 25°C olacağını düşünüyorsanız:</p><p>Satılan Limonata Sayısı = 10 + 5 * (25) Satılan Limonata Sayısı = 10 + 125 Satılan Limonata Sayısı = 135 Bu modele göre, hava sıcaklığı 25°C olduğunda 135 adet limonata satmanız bekleniyor.</p><p>Yazımı okuduğunuz için teşekkürler iyi kodlamalar:))</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/370/1*pmibJW-xcF7agJVTGxvuLw.gif" /><figcaption>Teşekkürler</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=66059dcef16b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Hızlı, Çevik ve Güçlü Backend Geliştirme: Java ve Spring Boot Dünyasına Bir Bakış]]></title>
            <link>https://medium.com/huawei-developers-tr/h%C4%B1zl%C4%B1-%C3%A7evik-ve-g%C3%BC%C3%A7l%C3%BC-backend-geli%C5%9Ftirme-java-ve-spring-boot-d%C3%BCnyas%C4%B1na-bir-bak%C4%B1%C5%9F-9938bc9ec503?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/9938bc9ec503</guid>
            <category><![CDATA[java-spring-boot]]></category>
            <category><![CDATA[backend]]></category>
            <category><![CDATA[java-spring-framework]]></category>
            <category><![CDATA[türkçe]]></category>
            <category><![CDATA[spring-boot]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Tue, 29 Apr 2025 17:02:04 GMT</pubDate>
            <atom:updated>2025-04-29T17:02:04.399Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="Java: Güne kodla başlamanın en lezzetli yolu." src="https://cdn-images-1.medium.com/max/512/1*R1xQm-gSvgQdftnvDVHsaA.png" /><figcaption>Bir fincan Java, biraz da Java kodu.</figcaption></figure><h3><strong>Giriş</strong></h3><p>Biliyor muydunuz Java’nın ilk adı “Oak”tı ve hatta Endonezya’nın Java adasından gelen kahveden ilhamını aldı? İşte bu yüzden, sıcak bir kahve ☕ eşliğinde Spring Boot’un büyüleyici dünyasına doğru yelken açmaya ne dersiniz? Bugün ki konumuz Spring Boot O zaman hemen başlayalım. Ama bu keyifli yolculuğa başlamadan önce, Java’nın ne olduğunu şöyle bir hatırlayalım.</p><h3><strong>Java</strong></h3><p>Nesne yönelimli, platform bağımsızlığı ilkesiyle çalışan, genel amaçlı, yüksek seviyeli ve yaygın kullanılan bir programlama dilidir. Javanın kullanım alanları çok geniştir başlıca kullanım alanları web siteleri, mobil uygulamalar, GUI’ler, oyun geliştirme, gömülü sistemler ve masaüstü uygulamaları da dahil olmak üzere pek çok alanda yazılım geliştirmeye yarar. Yalnızca bilgisayar ve mobil cihazlarda değil televizyon, klima, çamaşır makinesi gibi elektronik cihazlarda da kullanılır. Çevrimiçi kayıt formları, bankacılık uygulamaları ve internet üzerinden alışveriş Java sayesinde mümkün olur.</p><h3>Spring Boot Nedir?</h3><p>Spring Framework, Java tabanlı, açık kaynaklı ve popüler bir uygulama geliştirme aracıdır. Genellikle büyük ve karmaşık projelerde tercih edilen bu framework , geniş modüler yapısı ve sunduğu çeşitli özellikler sayesinde yazılım geliştirme süreçlerini kolaylaştırır ve hızlandırır ve bu özellikler Spring Bootu diğer frameworklerden bir adım öne çıkarıyor. Biraz daha açıklamak gerekirse temel amacı, geliştiriciler için uygulama geliştirme sürecini hızlandırmak ve basitleştirmektir. Açık kaynaklı bir projedir ve yaygın olarak kullanılan birçok Java teknolojisiyle uyumlu çalışır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*a-l7OMDjDfh5uw7Y2cQztg.png" /><figcaption>Spring Boot Görsel</figcaption></figure><h3>Spring Framework neden bu kadar popüler?</h3><p>Şöyle açıklayabiliriz öncelikle Spring Framework, uygulamaların ihtiyaç duyduğu görevler için hazır ve hızlı bir çözümler sunar ki bu avantajı sayesinde geliştiriciler için çok önemli bir noktadır. Daha da örneklemek gerekirsek veri bağlama, tür dönüştürme, doğrulama,kaynak ve olay yönetimi vb. gibi konularda çözümler sunar. Ayrıca RMI, AMQP, Java Web Servisleri ve benzeri çeşitli Java EE teknolojileriyle sorun teşkil etmeyecek bir şekilde entegre olur. Yakın zamanda Jakarta isim alanını benimseyerek en yeni Jakarta EE spesifikasyonlarını desteklemeye başlamıştır. Kısacası Spring Framework, geliştiricilere her ortamda rahatça ve konforlu çalışabilen, esnek ve diğer sistemlerle de entegre olabilen birlikte çalışabilir Java EE uygulamaları oluşturmak için kapsamlı araçlar ve özellikler sağlar.</p><h3>Spring Boot Avantajları</h3><ul><li>Spring Cloud gibi projelerle birlikte, Spring Boot mikroservis tabanlı uygulamalar geliştirmek için ideal bir platform sunar.</li><li>Daha az veri kodu miktarı daha az zaman kaybı ile daha hızlı bir gelişme göstermektedir.</li><li>Spring Boot uygulamalarının test edilmesi kolaydır. Gömülü sunucular ve sağladığı test araçları sayesinde birim, entegrasyon ve uçtan uca testler kolaylıkla yapılabilir.</li><li>Bazı değişiklikler otomatik olarak kaydedilmiştir. İstediğiniz takdirde değiştirebilirsiniz.</li><li>Spring Boot, XSS ve CSRF gibi yaygın web saldırılarına karşı yerleşik güvenlik özellikleri sunar.</li><li>Açık kaynaklı olması sayesinde sürekli gelişir ve güncel kalır.</li><li>Spring Boot, bulut tabanlı hizmetlerle sorunsuz çalışacak şekilde tasarlanmıştır. Bu, uygulamaların bulut ortamlarında kolayca dağıtılmasını ve ölçeklenmesini sağlar.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*LALqXXZoc9CEgPHkxdzC2w.png" /><figcaption>Spring Boot Kullanım Alanları</figcaption></figure><h3>Spring Boot Kullanılarak Geliştirilen Projeler</h3><ul><li><strong>Netflix:</strong> K͏üçük hizmet mimarilerinde güçlü ve a͏y͏rı servis͏ler yapmak, dağıtımı hızlı ha͏le getirmek ͏ve ͏büy͏ük boyutları artırma͏k i͏çin Spring͏ Boot’u kullanır.</li><li><strong>Amaz͏on:</strong> Arka ͏uç i͏şlemlerinin bir͏ çoğunda, özellikle anlık sipariş i͏zlemesi gibi yüksek güç ve g͏üvenlik ͏is͏teyen uygulamalarda Spring Boot’dan yararla͏nmakta͏dır.͏</li><li><strong>PayPal:</strong> Para işlerini emniyetli ve çabuk bir b͏içimde yapmak için kü͏çük hizmet͏ d͏üzeninde Spring Boot’u k͏ullanıyor.</li><li><strong>eBay: </strong>Stok yönetim s͏istemlerini ͏iyileştirmek ve ͏b͏üyümeyi art͏ırmak için Spring Boot s͏eç͏miştir͏.</li><li><strong>I͏n͏tuit: </strong>Geliştirme zamanı kısaltıp dah͏a hızlı özellik çıkarmak ve mikroservi͏s yönetimi͏ni kolaylaştırmak için͏ Spring Boot’u ͏kullanır.</li><li><strong>Microsoft Azure:</strong> Azure Spring Apps hizmeti ile Spring Boot uygulamalarının kolayca oluşturulmasını, yönetilmesini ve ölçeklenmesini sağlamaktadır. Bosch, Digital Realty ve Morgan Stanley gibi kuruluşlar Azure Spring Apps üzerinde Spring Boot uygulamalarını kullanmaktadır.</li></ul><h3><strong>Sonuç</strong></h3><p>Özetlemek gerekirsek aslında, Spring Boot modern Java backend geliştirmenin vazgeçilmez bir parçası haline gelmiştir. Siz de projelerinizde bu gücü keşfedin ve geliştirme süreçlerinizi bir üst seviyeye taşıyın. Bir sonraki projenizde Spring Boot’a bir şans verin, farkı göreceksiniz. Kodlama ile kalın:)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/464/1*oAzI-ig5zXboOVPcJqj3cQ.gif" /><figcaption>Teşekkürler</figcaption></figure><h3><strong>Referanslar</strong></h3><ul><li><a href="https://www.techcareer.net/blog/java-nedir-ne-ise-yarar">Java Nedir? Ne İşe Yarar?</a></li><li><a href="https://www.ibm.com/think/topics/java-spring-boot">What Is Java Spring Boot? | IBM</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9938bc9ec503" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-developers-tr/h%C4%B1zl%C4%B1-%C3%A7evik-ve-g%C3%BC%C3%A7l%C3%BC-backend-geli%C5%9Ftirme-java-ve-spring-boot-d%C3%BCnyas%C4%B1na-bir-bak%C4%B1%C5%9F-9938bc9ec503">Hızlı, Çevik ve Güçlü Backend Geliştirme: Java ve Spring Boot Dünyasına Bir Bakış</a> was originally published in <a href="https://medium.com/huawei-developers-tr">Huawei Developers - Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekâ Ve Müzik]]></title>
            <link>https://medium.com/@ozan.akbltt/yapay-zek%C3%A2-ve-m%C3%BCzik-132f5ec6a085?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/132f5ec6a085</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[derin-öğrenme]]></category>
            <category><![CDATA[müzik]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Fri, 24 Jan 2025 19:27:39 GMT</pubDate>
            <atom:updated>2025-01-24T19:32:09.318Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba değerli okuyucular😊</p><p>Başımızın tatlı belası olan yapay zeka tabisi ki de müzik sektörünü de etkiledi. Yapay zeka, şüphesiz ki hayatımızın her alanında büyük bir dönüşüme yol açıyor. Özellikle müzik endüstrisi, bu teknolojinin etkilerini en yakından hisseden sektörlerden biri. Müzik besteleme, üretim ve dinleme alışkanlıklarımızda köklü değişimlere neden olan yapay zeka, sektörde büyük bir tartışma konusu haline geldi. Peki, yapay zeka tam olarak nedir ve müzik dünyasını nasıl etkiliyor? Gelin, bu soruların cevaplarını birlikte arayalım.</p><p>Yapay zeka, insan beyninin çalışma mekanizmalarını taklit ederek, verileri analiz etme, öğrenme ve karar verme yeteneğine sahip bilgisayar sistemleridir. Müzik alanında kullanılan yapay zeka algoritmaları, devasa veri setlerini analiz ederek, yeni müzikler besleyebilir, bestecilere ilham verebilir ve hatta var olan müzikleri yeniden düzenleyebilir. Bu durum, müzik endüstrisinde hem heyecan verici fırsatlar hem de endişeler yaratmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/1*4fvdkEZpPq_aBTf-LeHUVA.png" /></figure><h3>AI Müzik Üretiminin Temel Teknolojileri Nelerdir?</h3><p>Gelin birlikte bu büyüleyici teknolojinin arkasında hangi temel mekanizmalar yatıyor? AI müzik üretiminde sıkça kullanılan teknolojilerden bazılarını tanıyalım:</p><h4>1-Makine Öğrenimi ve Derin Öğrenme</h4><p>Makine öğrenimi ve derin öğrenme, AI ile müzik üretiminin temelini oluşturur. Bu teknolojiler, AI sistemlerinin mevcut müziğin geniş veri setlerinden öğrenmesini sağlar. AI, bu veri setlerindeki kalıpları ve yapıları analiz ederek, benzer kuralları takip eden yeni müzikler üretebilir. Makine öğreniminin bir alt kümesi olan derin öğrenme, veri içindeki karmaşık ilişkileri modelleyebilen çok katmanlı sinir ağlarını (derin sinir ağları) içerir ve müzik üretimi için özellikle etkilidir.</p><h4>2-Doğal Dil İşleme (NLP)</h4><p><strong>Metinden Müziğe Dönüşüm:</strong> NLP teknikleri sayesinde, metin tabanlı açıklamalardan müzik bestelenebilir. Örneğin, “hareketli elektro gitar melodisi” gibi bir metin, bir yapay zeka tarafından müziğe dönüştürülebilir.</p><p><strong>Şarkı Sözü Üretimi:</strong> Yapay zeka, belirli bir tema veya melodiye uygun şarkı sözleri üretebilir. Bu sayede, şarkı yazarlarına ilham verebilir veya müziğe yeni bir boyut katabilir.</p><h4>3-Sinir Ağları (Neural Networks)</h4><p>Sinir ağları, özellikle Tekrarlayan Sinir Ağları (RNN’ler) ve Uzun Kısa Süreli Bellek (LSTM) ağları, müzik işleme ve üretiminde esastır. RNN’ler, müzikte zaman içinde nota dizilerini içeren ardışık verileri işleyebilme yeteneğine sahiptir. LSTM’ler , uzun vadeli bağımlılıkları hatırlayabilen bir tür RNN olup, uyumlu müzikal cümleler ve daha uzun besteler üretmek için oldukça uygundur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/522/1*lEXXZK7lXWbzHFuV9FPmpg.png" /></figure><h3>AI müzik üretiminin temel adımları şu şekilde</h3><ul><li><strong>1-Veri Toplama ve Hazırlama:</strong> Müzik verilerinin toplanması, temizlenmesi ve yapay zeka modelinin anlayabileceği bir formata dönüştürülmesi.</li><li><strong>2-Model Eğitimi:</strong> Yapay zeka modelinin, toplanan veriler üzerinde eğitilerek müzikal özelliklerini öğrenmesi.</li><li><strong>3-Müzik Üretimi:</strong> Eğitilmiş modelin, yeni müzikler oluşturmak için kullanılması.</li><li><strong>4-Sonuç Değerlendirmesi:</strong> Üretilen müziğin kalitesinin değerlendirilmesi ve iyileştirme yapılması.</li></ul><p>Süreci özetlemek gerekirse, yapay zeka elindeki veri setlerini kullanarak yepyeni bir müzik parçası üretir. Peki, bu üretim aşaması ne kadar etik? Gelin, bu alandaki etik tartışmalarına da kısaca değinelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/517/1*hWdWWs5zatrRn_olcr1exg.png" /></figure><h3>Yapay Zeka ve Müzik Üretiminde Etik Sorunlar</h3><p>Yapay zeka ile müzik yapmak güzel bir şey fakat üretilen müzik ne kadar etik kurallara uygun üretiliyor? İşte burada etik kaygılar da ön plana çıkmaktadır. Yapay zekanın ürettiği bir müziğin telif hakkı kime ait olur? Eğitildiği verilerdeki müzisyenlerin hakları nasıl korunur? Yapay zeka bir sanatçının tarzını taklit ederek yeni bir eser oluşturursa, bu durum telif hakkı ihlali olarak değerlendirilebilir mi? Bu sorular, hukuki ve etik açıdan henüz net cevap bulmuş değildir.</p><h3>SONUÇ</h3><p>Bu yazımızda yapay zeka ile müzik üretimini derinlemesine inceledik. Yapay zekanın müzik alanındaki bu büyüleyici yolculuğuna hayran olmamak elde değil. Ancak müzik, duygu yüklü bir sanattır. Bu sanat, yapay zeka tarafından ne kadar başarıyla üretilebilir ve insan üretimi bir müzik parçasının verdiği duygusal derinliği yakalayabilir, zamanla göreceğiz.</p><p>Bu yazıyı hazırlarken, yapay zeka tarafından üretilen müziklerin özgünlüğü ve yaratıcılığı konusundaki tartışmalar zihnimde sürekli yer etti. Bu konuda kendimce vardığım sonuç, insan üretimi bir müzik parçasının yapay zeka tarafından üretilen bir parçadan çok daha etkileyici olacağı yönünde. Yapay zekanın bu alanda başarılı olamayacağını söylemek belki de abartılı olur, ancak müzik üretiminde daha çok yardımcı bir rol oynayacağını düşünüyorum. Yazımı okuduğnuz için çok teşekkür ediyorum. Müzikle ile kalın…</p><h3>Kaynakça:</h3><p><a href="https://www.cottgroup.com/tr/yapay-zeka/item/yapay-zeka-ile-muzik-uretiminin-teknolojisi">https://www.cottgroup.com/tr/yapay-zeka/item/yapay-zeka-ile-muzik-uretiminin-teknolojisi</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=132f5ec6a085" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RPA(Robotic Process Automation) Nedir?]]></title>
            <link>https://medium.com/@ozan.akbltt/rpa-robotic-process-automation-nedir-951f2bf94d07?source=rss-6a6f3073f28b------2</link>
            <guid isPermaLink="false">https://medium.com/p/951f2bf94d07</guid>
            <category><![CDATA[robotic-proces-automation]]></category>
            <category><![CDATA[kodlama]]></category>
            <category><![CDATA[otomasyon]]></category>
            <dc:creator><![CDATA[Ozan Akbulut]]></dc:creator>
            <pubDate>Sat, 11 Jan 2025 19:18:37 GMT</pubDate>
            <atom:updated>2025-01-11T19:18:37.642Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba değerli okuyucular😊</p><p>Hepimizin hayatında monoton hale gelen işleri muhakak vardır. Belirli bir tarihte ya da saatte verileri toplamak, bu verileri derleyerek belirli sonuçlara ulaşmak, ulaşılan sonuçları raporlamak ve ilgili kişilere iletmek. Bununla birlikte verilerin tutulduğu, yenilerinin eklendiği yerler, yani uygulama, veritabanı ve dosyalar belirlidir. Küçük bir otomasyon adımıyla bu veriler toplanabilir, aynı veriler karşılaştırılarak, analiz edilerek istenilen formatta raporlar oluşturulabilir, ardından yine otomatik olarak ilgili kişilere e-posta ya da farklı bir yolla iletilebilir. İşte RPA teknolojisi tekrarlayan bu süreçleri sizin yerinize gerçekleştirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OlcZISl1TvlZFDftiLQJ3A.jpeg" /></figure><h3>RPA (robotic process automation) ne yapar?</h3><ul><li><strong>Manüel ve yinelenen görevler: </strong>Microsoft Excel, satıcı portalları ve diğer kaynaklar gibi birden fazla kaynaktan alınan verilerle etkileşimler</li><li><strong>Yüksek hacimli görevler:</strong> Veri geçişleri ve onay iş akışları gibi zaman içinde tamamlanması gereken süreç adımları</li><li><strong>Birden fazla sistem görevi:</strong> Web uygulamaları, RP çözümleri, üçüncü taraf yazılımlar ve diğerleri gibi farklı uygulamalara erişim</li></ul><h3>RPA (robotic process automation) nasıl çalışır?</h3><p>RPA, diğer yazılım programları gibi bir PC, masaüstü veya sunucularda çalışır. Teknoloji, aynı görevi gerçekleştirirken insan eylemlerini taklit ederek dahili uygulamalar, Web siteleri, kullanıcı portalları ve diğer uygulamalarla etkileşim kuran yazılım robotları oluşturur, dağıtır ve yönetir.</p><p>Özetle, RPA ile (insan) kullanıcı, iş akışını oluşturmak için eylemlerin ve uygulamalarla etkileşimlerin sırasını kaydeder. Sistem, görevin insan tarafından gerçekleştirilmesini izleyerek işlem listesini geliştirir ve ardından uygulamanın GUI’sinde görevi gerçekleştiren yazılım botunu oluşturur.</p><p>Yazılım botları, ekranda ne olduğunu anlamak, uygun tuş darbelerini girmek, farklı sistemlerde gezinmek, verileri belirleyip ayıklamak ve diğer tanımlı işlemleri anlamak için programlanır. RPA botları bütün bunları insanlardan daha doğru ve hızlı yaparlar.</p><h3>RPA’nın işletmelere sağladığı faydalar nelerdir?</h3><p>Robotik süreç otomasyonu insan hatası olasılığını ortadan kaldırarak, işlemleri daha hızlı ve doğru bir şekilde gerçekleştirir, iş akışlarını düzene sokarak kuruluşları daha karlı, daha az maliyeti yakalamayı, esnek ve duyarlı hale getirir. Ayrıca, iş günlerinden sıradan görevleri kaldırarak çalışan memnuniyetini, katılımını ve üretkenliğini artırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IL9jJwXnhtFxDpaTo91LVQ.png" /></figure><h3><strong>RPA’nın uygulama alanları nelerdir?</strong></h3><p>Sanayi ve Üretim<br>• Bankacılık ve Finans<br>• Sigortacılık<br>• E-Ticaret<br>• Telekomünikasyon ve Teknoloji<br>• Enerji ve Kamu<br>• Müşteri Hizmetleri</p><p>Bu yazımızda RPA konusunu detaylıca irdeledik. Mutlu kodlamalar!👨‍💻</p><p>Kaynak:</p><ul><li><a href="https://robusta.ai/tr/rpa-nedir/?gad_source=1&amp;gclid=Cj0KCQiAyoi8BhDvARIsAO_CDsDKhbEU8UMSLiKgN4le621ERr13FvGrHbfxsl9JtpToZ56YlRMCOqoaAr1rEALw_wcB">RPA Nedir? - Robusta Cognitive Automation</a></li><li><a href="https://www.vektora.com/Blogdetay/robotik-surec-otomasyonu-nedir">Robotik Süreç Otomasyonu Nedir?</a></li></ul><p><a href="https://www.sap.com/turkey/products/technology-platform/process-automation/what-is-rpa.html">https://www.sap.com/turkey/products/technology-platform/process-automation/what-is-rpa.html</a></p><p><a href="https://www.uipath.com/rpa/robotic-process-automation">What is Robotic Process Automation - RPA Software | UiPath</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=951f2bf94d07" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>