tag Python

AutoGen (AutoGen)

Bu sayfada Python (AutoGen (AutoGen)) etiketi ile işaretlenmiş 15 yapay zeka kavramını bulabilirsiniz.

AutoGen, Microsoft Research tarafindan gelistirilmis ve birden fazla yapay zeka ajaninin birbiriyle konusarak karmasik gorevleri tamamlamasina olanak taniyan acik kaynak bir cok-ajanli otomasyon cercevesidir. 2023 yilinda kamuya acilan cerceve, kisa surede yapay zeka ajan ekosisteminin en populer kutuphanelerinden biri haline gelmistir. Temel yapisinda ConversableAgent sinifi yer alir: her ajan mesaj alip gonderebilir, bir LLM'e basvurabilir veya belirlenmis bir fonksiyonu dogrudan cagirabili. En yaygin kullanim deseni AssistantAgent ve UserProxyAgent ciftidir. AssistantAgent, gorev icin Python kodu veya cozum onerir; UserProxyAgent ise bu kodu bir kabuk veya Docker ortaminda yurutup ciktiyi geri bildirir. Bu dongu; kod yazma, hata ayiklama ve yeniden deneme surecini insan mudalesi olmaksizin otomatiklestirir. GroupChat modu birden fazla ajanin tek bir konusmaya katilmasini saglar. Bir arastirma ajani, bir kodlama ajani ve bir kalite kontrol ajani farkli uzmanlik alanlariyla paralel veya sirayla calisabilir. GroupChatManager hangi ajanin ne zaman konusacagini denetler. AutoGen'in onemli ozelligi, LLM bagimsizligidir: OpenAI GPT serisi, Azure OpenAI, Anthropic Claude, yerel LLM'ler ve acik kaynak modeller desteklenir. Bu esneklik, maliyet veya gizlilik kisitlari olan organizasyonlara farkli model kombinasyonlari kullanma ozgurlugu tanir. AutoGen Studio, gorsel bir surukle-birak arayuzu ile ajan akislari tasarlamaya izin verir; Python kodu yazmaya gerek kalmadan ajan grafikleri olusturulabilir. Bu ozellik teknik olmayan kullanicilara AutoGen'e erisim saglayarak kullanim tabanini genisletmistir. **Sik Sorulan Sorular** **AutoGen ile LangChain arasindaki fark nedir?** LangChain zincirleme ve RAG yapilarini on plana cikarir; AutoGen ise ajan konusma protomuzu ve cok-ajan isbirligini birinci sinif vatandas olarak tanimlar. Karmasik cok-ajan senaryolarinda AutoGen genellikle daha az kazan kodu gerektirir. **AutoGen ucretsiz midir?** Evet, MIT lisansi altinda acik kaynaktir. Kullandigi LLM API'leri (ornegin OpenAI) kendi fiyatlandirmalarina sahiptir. **AutoGen uretim ortami icin uygun mudur?** Hata yonetimi, logging ve guvenlik baglami dogru yapilandirildiginda uretimde kullanilabilir. Docker ortaminda kod yurutme izole bir guvenlik katmani saglar. Kritik gorevler icin insan onay noktalarinin yerlestirilmesi onerilen pratiktir. **Hangi LLM'ler AutoGen ile calisir?** GPT-4o, Claude, Gemini, yerel Ollama modelleri ve OpenAI uyumlu API'ye sahip herhangi bir model desteklenir. Konfigure dosyasiyla model listesi kolayca degistirilebilir.

mediation

AutoGen (AutoGen)

arrow_forward code_blocks

CI/CD (CI/CD)

CI/CD; Sürekli Entegrasyon (Continuous Integration) ve Sürekli Teslim/Dağıtım (Continuous Delivery/Deployment) kavramlarının kısaltmasıdır. Kod değişikliklerinin otomatik olarak test edilip üretime taşındığı modern yazılım geliştirme metodolojisinin temelini oluşturan bu yaklaşım, ekiplerin daha hızlı, güvenilir ve tekrarlanabilir biçimde yazılım teslim etmesini mümkün kılar. Sürekli Entegrasyon pratiğinde geliştiriciler, günlük olarak yaptıkları kod değişikliklerini ortak bir depoya (repository) birleştirir ve her birleştirmede otomatik derleme (build) ile test süreçleri tetiklenir. Bu yaklaşım hataların erken tespitini ve entegrasyon sorunlarının — 'integration hell' olarak bilinen — önceden engellenmesini hedefler. Sürekli Teslim (Continuous Delivery) ile kod her zaman üretime hazır tutulur; dağıtım kararı insan onayına bırakılır. Sürekli Dağıtım (Continuous Deployment) ise her onaylı değişikliği tamamen otomatik olarak canlı ortama taşır ve insan müdahalesini süreçten çıkarır. Pratik bir CI/CD boru hattı (pipeline) tipik olarak şu aşamaları kapsar: kaynak kod yönetimi (Git), otomatik derleme, birim testleri (unit test) ve entegrasyon testleri, statik kod analizi ve güvenlik taraması (SAST/DAST), konteyner imajı oluşturma (Docker), hazırlık (staging) ortamına dağıtım, duman testi (smoke test) ve son olarak üretim ortamına dağıtım. Kanarya dağıtımı (canary deployment) ve mavi-yeşil dağıtım (blue-green deployment) gibi stratejiler CI/CD altyapısı üzerine inşa edilerek sıfır kesinti süresiyle üretim güncellemesi yapılmasını olanaklı kılar. GitHub Actions, GitLab CI/CD, Jenkins, CircleCI ve Azure DevOps en yaygın kullanılan araçlardır. Makine öğrenmesi projelerinde CI/CD boru hatları yalnızca kodu değil, model ağırlıklarını, veri doğrulama adımlarını, model performans metriklerini ve model kayıt işlemlerini de kapsar; bu özelleşmiş alan MLOps olarak adlandırılmaktadır. DevOps kültüründe CI/CD, geliştirme (Dev) ve operasyon (Ops) ekiplerini ortak bir otomasyon altyapısında birleştirerek kaliteli yazılımın çok daha kısa döngülerle teslim edilmesinin temel güvencesini oluşturmaktadır.

arrow_forward groups

CrewAI (CrewAI)

CrewAI, farkli roldeki yapay zeka ajanlarini bir ekip olarak organize ederek gorev dagitimini ve isbirligini yoneten Python tabanli acik kaynak bir cok-ajanli cercevedir. Joao Moura tarafindan gelistirilmis olan CrewAI, 2024 basinda AI ajan ekosisteminin one cikan projelerinden biri haline gelmistir. CrewAI uc temel kavram uzerine kurulur. Ajan, belirli bir role (ornegin "kıdemli arastirmaci"), bir hedefe ("kapsamli ve tarafsiz arastirma yap") ve bir biyografiye (arka plan bilgisi) sahip bir LLM tabanli varliktir. Gorev, belirli bir ajan tarafindan gerceklestirilecek isi, beklenen ciktiyi ve opsiyonel olarak bagli oldugu araclari tanimlar. Ekip, ajanlari ve gorevleri bir araya getiren ve bunlarin nasil yurutulecegini belirleyen en ust duzey yapidir. Ekip iki surecle calisabilir. Sequential (sirasal) surecte gorevler belirtilen siraya gore birer birer gerceklestirilir; her gorev bir oncekinin ciktisini alabilir. Hierarchical surecte ise bir yonetici ajan (manager agent), diger ajanlara gorev atar, ilerlemeyi izler ve nihai ciktiyi birlestirir; bu otoriter yaklasim karmasik koordinasyon gerektiren senaryolar icin uygundur. Araç entegrasyonu CrewAI'yi guclu kilar. LangChain araçlari ekosistemi; web arama, kod calistirma, dosya sistemi erisimi, veritabani sorgusu ve API cagrilari gibi yuzlerce araci CrewAI ajanlariyla dogrudan kullanilabilir kilar. Her ajanin erisebilecegi araçlar ozel olarak kisitlanabilir, bu guvenlik ve uzmanlasmis roller icin onemldir. CrewAI bellek yonetimi de sunar: kisa vadeli (konusma gecmisi), uzun vadeli (vektör veritabani) ve varlik bazli (belirli birimleri hatırlama) bellek katmanlari ile ajanlar onceki turlardan bilgi tasiyabilir. **Sik Sorulan Sorular** **CrewAI ile AutoGen arasindaki fark nedir?** AutoGen ajan konusma protokolunu birinci sinif vatandas olarak tanimlar ve cok-ajan diyalogu uzerine insa edilmistir. CrewAI rol tabanli ekip yapisini ve gorev atama kavrami on plana cikarir. Her ikisi de cok-ajanli otomasyon icin kullanilabilir; API desenleri farklidir. **CrewAI ucretsiz midir?** CrewAI acik kaynaktir (MIT lisansi). CrewAI+ olarak sunulan yonetilen platform hizmeti ucretlidir. **CrewAI hangi LLM'leri destekler?** OpenAI, Azure OpenAI, Anthropic Claude, Mistral, yerel Ollama modelleri ve LiteLLM araciligiyla hemen hemen her API desteklenir. **Hierarchical surecte yonetici ajan nasil calisir?** Yonetici ajan, ekip hedefini alt gorevlere ayirir ve ilgili ajanlara atar. Her ajan ciktisini yoneticiye raporlar; yonetici gerekirse yeniden atama yapar veya nihai ciktiyi bilestirir.

arrow_forward rocket_launch

FastAPI (Python Web Çerçevesi)

FastAPI, Python geliştiricilerinin yüksek performanslı REST API'leri hızla geliştirmesine olanak tanıyan modern bir web çerçevesidir. Sebastián Ramírez tarafından 2018 yılında yayımlanan bu çerçeve, Python'un standart tip açıklamaları (type hints) üzerine kurulu olup Pydantic ve Starlette kütüphanelerini temel alır. FastAPI, Starlette adlı ASGI tabanlı web çerçevesi üzerine inşa edilmiştir. Bir endpoint tanımlandığında Pydantic kütüphanesi gelen istekleri otomatik doğrular; Swagger UI ve ReDoc arayüzleri ekstra çaba gerekmeksizin interaktif API dokümantasyonu oluşturur. İstek gövdesi, sorgu parametreleri ve path değişkenleri fonksiyon imzasındaki tip açıklamalarından okunur; hatalı veri gönderildiğinde çerçeve otomatik olarak 422 hata yanıtı döner ve hangi alanın neden geçersiz olduğunu açıklar. Async/await desteğiyle aynı anda binlerce isteği yönetebilir; I/O ağırlıklı işlerde —veritabanı sorgusu, harici LLM API çağrısı— event loop bloklanmadan diğer istekler işlenmeye devam eder. Yapay zeka projeleri için FastAPI, modeli bir kez belleğe yükleyip her istek için yeniden yüklemeden çıkarım yapan lifespan olaylarını destekler. Streaming yanıtlar (StreamingResponse), büyük dil modellerinin token token çıktısını HTTP üzerinden gerçek zamanlı aktarmak için özellikle uygundur. Background tasks mekanizması, tahmin sonuçlarını veritabanına kaydetme veya günlük tutma gibi ikincil işlemleri ana yanıtı geciktirmeden yürütür. Performans açısından FastAPI, ASGI ve async/await mimarisiyle yüksek eşzamanlılık sunar; bağımsız kıyaslamalarda Python çerçeveleri arasında en hızlılardan biri olup Node.js ile kıyaslanabilir sonuçlar verir. Flask ve Django REST Framework ile karşılaştırıldığında, tip doğrulama ve otomatik belgeleme geliştirici deneyimini belirgin biçimde iyileştirirken üretim yüklerinde gecikmeyi düşürür. Büyük yapay zeka sistemlerinde FastAPI tipik olarak şu roller üstlenir: LLM veya görüntü modellerinin çıkarım uç noktası, RAG boru hattının orkestra katmanı, model izleme ve geri bildirim toplama API'si. Gunicorn + Uvicorn ikili, Docker ve Kubernetes ortamlarında ölçeklenebilir dağıtım için endüstri standardı haline gelmiştir.

arrow_forward code_blocks

Google Colab (Google Colaboratory)

Google Colaboratory (kısaca Colab), Google tarafından geliştirilen, tarayıcı üzerinden erişilebilen ücretsiz bir bulut Jupyter Notebook platformudur. Herhangi bir yerel kurulum gerektirmeksizin Python tabanlı makine öğrenimi ve yapay zeka projeleri geliştirmeye imkân tanır; NVIDIA GPU ve Google TPU kaynaklarına ücretsiz planda sınırlı, ücretli planlarda ise öncelikli biçimde erişim sunar. Colab'ın teknik temeli Jupyter Notebook protokolüne dayanır; kod hücreleri ve zengin metin hücreleri karma bir belgede bir arada bulunabilir. Notebook'lar otomatik olarak Google Drive'a .ipynb formatında kaydedilir. Gerçek zamanlı ortak düzenleme, paylaşım bağlantısı ve GitHub entegrasyonu ile Colab, hem eğitim hem araştırma süreçlerinde işbirliğini kolaylaştırır. TensorFlow, PyTorch, Keras, NumPy, pandas ve Matplotlib gibi makine öğrenimi kütüphaneleri önceden yüklü olarak gelir. Ücretsiz planda erişilebilen NVIDIA T4 GPU, temel derin öğrenme deneyleri için yeterli kapasiteyi sunar; ancak oturum süresi yaklaşık 12 saatle sınırlıdır ve bağlantı kesildiğinde çalışma ortamı sıfırlanır. Colab Pro (~10 $/ay) planı V100 ve A100 GPU'lara öncelikli erişim, uzun oturum süreleri ve 100 GB Drive depolama alanı sunar. Colab Pro+ (~50 $/ay) planı arka planda çalıştırma (background execution), 2 TB Drive depolama ve terminal erişimi gibi gelişmiş özellikler içerir. Platformun en yaygın kullanım alanları arasında öğrencilerin derin öğrenme modellerini eğitmesi, Kaggle yarışmacılarının veri analizi ve model geliştirme süreci, büyük dil modellerinin ince ayarı (fine-tuning), Stable Diffusion ile görüntü üretimi ve ses işleme projeleri yer almaktadır. Google'ın kendi araştırma demoları çoğunlukla Colab notebook'ları olarak yayımlanır; bu durum platformu yapay zeka topluluğunun fiilen kullandığı bir referans ortama dönüştürmektedir. Temel kısıtlamalar şunlardır: GPU kotasının yoğun kullanımda dolması, internet bağlantısı zorunluluğu, büyük veri kümeleriyle çalışmada Drive depolama sınırlamaları ve uzun eğitim süreçlerinde oturum zaman aşımı riski. Bu kısıtlamaları aşmak isteyen kullanıcılar genellikle ücretli planları veya alternatif bulut platformlarını tercih etmektedir.

arrow_forward web

Gradio (Gradio)

Gradio, Python'da makine ogrenimi modellerini, veri islem hatlarini veya herhangi bir Python fonksiyonunu kullanici dostu interaktif web arayuzlerine donusturmeyi saglayan acik kaynak bir kutuphanedir. Birkaç satirla yazilan kod, tarayici uzerinden test edilebilir, paylasılabilir ve gorusel olarak zengin bir demo olusturur. 2019 yilinda Stanford doktora ogrencisi Abubakar Abid ve arkadaslari tarafindan kurulan Gradio, veri bilimcilerin ve ML muhendislerinin modellerini paydaslara, musterilere veya topluluga hizla gostermesi ihtiyacina yanit verir. Bir model demosu hazirlamak icin onceden web gelistirme bilgisi gerekirken Gradio bu esigi ortadan kaldirdi. 2021 yilinda Hugging Face tarafindan satin alindiktan sonra Hugging Face Spaces platformu ile ust duzey entegrasyon saglanmis; Spaces'da milyonlarca Gradio uygulamasi ucretsiz barindirila gelismeye baslamistir. Teknik olarak Gradio, bir Python fonksiyonunun girdi ve cikti turlerine bagli olarak uygun UI bilesenlerini otomatik secebilir. Goruntu siniflandirici ise goruntu yukleme birleseni ve sinif olasilik grafigi; ses duygu tanima ise mikrofon bileseni ve etiket cigtisi gibi. Ozellestirilmis duzenlemeler ve temalar da desteklenmektedir. Arka planda bir Flask sunucusu calistiran Gradio, WebSocket baglantilariyla gercek zamanli girdi-cikti akisini yonetir. Gradio arayuzleri yerel olarak calistirabilir veya herkese acik bir URL ile paylasilabilir. `gr.Interface.launch(share=True)` komutu, gecici bir Gradio-hosted link olusturur. Kalici barindirma icin Hugging Face Spaces, GitHub Actions ile CI/CD entegrasyonunu da destekleyen en populer secenektir. Gradio'nun Blocks API'si, tek Interface taniminin otesinde cok adimli, sartli ve dinamik arayuzler tasarlamaya olanak tanir. Girdi degistiginde yalnizca belirli bilesenler guncellenecek sekilde olay dinleyicileri tanimlanabilir. Bu ileri seviye API, prototipten production demosu arasindaki siniri bulaniklastirir. **Sik Sorulan Sorular** **Gradio ile Streamlit arasindaki fark nedir?** Gradio ML model demosu icin optimize edilmis; girdi/cikti bilesenlerini ML gorev turlerine gore otomatik secebilir. Streamlit daha genel amacli veri uygulamalari icin idealdir ve daha genis durum yonetimi imkani sunar. **Gradio uygulamalari production icin uygun mudur?** Hafif kullanim icin uygundur. Yuksek trafikli production senaryolari icin Gradio onunde bir yukleyici dengeleyici ve guvenlik katmani gerekir; alternatif olarak FastAPI gibi ozel servislere donusturmek tercih edilebilir. **Gradio ucretsiz midir?** Kutuphanenin kendisi ucretsiz ve acik kaynaktir. Hugging Face Spaces ucretsiz katman sunar; GPU gerektiren veya ozel uygulamalar icin ucretli katmanlar mevcuttur. **Gradio hangi ML cercevelerini destekler?** TensorFlow, PyTorch, scikit-learn, Hugging Face Transformers ve diger Python tabanli cerceveler desteklenir; Gradio herhangi bir Python fonksiyonunu sarabilir.

arrow_forward emoji_emotions

Hugging Face (Açık Kaynak Yapay Zeka Merkezi)

Hugging Face, makine öğrenimi modellerinin, veri setlerinin ve yapay zeka uygulamalarının paylaşıldığı, indirildiği ve birlikte geliştirildiği açık kaynak platformdur. Yazılımcılar için GitHub neyse, yapay zeka araştırmacıları ve geliştiricileri için Hugging Face odur: 2026 itibarıyla platformda 1,7 milyondan fazla model, 400 binden fazla veri seti ve 500 bini aşkın Spaces demo uygulaması bulunur. 2016'da Clément Delangue, Julien Chaumond ve Thomas Wolf tarafından New York'ta kurulan şirket, başlangıçta gençlere yönelik bir sohbet botu üretiyordu. 2018'de yayımladığı Transformers kütüphanesiyle rotasını değiştirdi ve açık kaynak yapay zekanın fiili merkezi haline geldi. Bugün Google, Meta, Microsoft, Mistral, Alibaba (Qwen) ve DeepSeek gibi oyuncular açık ağırlıklı modellerini önce Hugging Face Hub üzerinde yayımlıyor; Llama, Qwen, Mistral, Whisper ve Stable Diffusion gibi modeller buradan milyonlarca kez indiriliyor. Platformun gücü üç katmandan gelir. Birincisi Hub: model, veri seti ve demo barındıran, Git tabanlı sürümleme kullanan merkezi depo. İkincisi açık kaynak kütüphaneler: Transformers, Diffusers, Datasets, PEFT, TRL ve safetensors; model yükleme, eğitme ve hizalama iş akışını birkaç satır Python koduna indirger. Üçüncüsü ücretli altyapı servisleri: Inference Endpoints, Spaces GPU kiralama ve kurumsal Hub aboneliği şirketin gelir modelini oluşturur. 2023'teki 235 milyon dolarlık Series D turunda 4,5 milyar dolar değerleme alan şirket, 2024-2025 döneminde robotik alanına da girdi: Pollen Robotics'i satın aldı, LeRobot kütüphanesini ve 299 dolarlık açık kaynak Reachy Mini robotunu duyurdu. Bu adım, yapay zeka platformundan somut dünyaya açılan bir köprü kurma stratejisinin parçasıdır. Hugging Face'i öğrenmek, modern yapay zeka geliştirmenin ön koşulu sayılır. from_pretrained("model-adı") tek satırı, hub'dan ağırlıkları indirir, önbelleğe alır ve modeli kullanıma hazır hale getirir. Açık modelle çalışan hemen her proje; ince ayardan (fine-tuning) üretim dağıtımına kadar bu ekosistemin en az bir parçasından geçer. Geliştiriciler için hub.huggingface.co üzerinden model keşfetmek, model kartlarını incelemek ve Spaces üzerinde canlı demo denemek tamamen ücretsizdir.

arrow_forward menu_book

Jupyter Notebook (Jupyter Not Defteri)

Jupyter Notebook, veri bilimcileri ve yapay zeka araştırmacılarının kod, görselleştirme, formül ve metin açıklamalarını tek bir etkileşimli dokümanda birleştirmesine olanak tanıyan açık kaynaklı bir web uygulamasıdır. 2014 yılında Project Jupyter bünyesinde Fernando Pérez ve Brian Granger tarafından IPython projesinden türetilerek geliştirilmiştir; adını Galileo'nun Jüpiter uydularına dair el yazması gözlem notlarından almaktadır. Jupyter Notebook'un temel çalışma birimi "hücre"dir. Kod hücreleri (code cells) anlık çalıştırılabilen Python, R veya Julia kodlarını barındırırken; Markdown hücreleri metin, LaTeX denklemleri ve HTML içerebilir. Her hücre bağımsız olarak çalıştırılabildiğinden deney akışı doğrusal olmak zorunda değildir; bu da keşifsel veri analizini (EDA) yürütmek, makine öğrenimi modellerini adım adım geliştirmek ve bulguları belgeler hâlinde paylaşmak için platform son derece uygun kılar. pandas, NumPy, Matplotlib, Seaborn, TensorFlow ve PyTorch gibi popüler kütüphanelerle tam uyumlu çalışan Jupyter, anlık görsel çıktılar, etkileşimli grafikler ve tablo görünümleri üretebilir. Bu özellik, modelleme sürecini şeffaf ve tekrarlanabilir kılar; bir kavramdan sonuca tek bir .ipynb dosyası üzerinden ilerlemek mümkündür ve bu dosya kolayca paylaşılabilir ya da GitHub'da görüntülenebilir. Jupyter'in yaygınlaşmasıyla birlikte bulut tabanlı alternatifler de gelişmiştir: Google Colab, Kaggle Notebooks ve Amazon SageMaker Studio, ek GPU/TPU kaynakları sunarak büyük ölçekli derin öğrenme deneyleri için popüler seçenekler hâline gelmiştir. Bununla birlikte versiyon kontrol uyumsuzluğu (Git diff'te .ipynb dosyaları JSON karmaşası olarak görünür), büyük notebook dosyalarında bellek yüklenmesi ve hücre çalıştırma sırasına bağlı tekrarlanabilirlik zorlukları bilinen sınırlılıklar arasında yer alır. 2018'de yayımlanan JupyterLab, klasik notebook arayüzünü modüler bir IDE ortamına dönüştürerek dosya gezgini, entegre terminal ve çoklu sekme desteği ekledi. Üretim ortamlarında Papermill (parametrik notebook çalıştırma) ve nbconvert (PDF/HTML dışa aktarım) araçları, notebook tabanlı iş akışlarını MLOps pipeline'larına entegre etmek için yaygın biçimde kullanılmaktadır.

arrow_forward code_blocks

Pandas (Pandas — Python Veri Analizi Kütüphanesi)

Pandas, 2008 yılında Wes McKinney tarafından geliştirilen ve günümüzde NumFOCUS sponsorluğunda sürdürülen açık kaynaklı bir Python kütüphanesidir. Adını 'panel data' (panel verisi) ve 'Python Data Analysis Library' kavramlarından alan kütüphane, veri bilimi ve makine öğrenimi ekosisteminin temel taşlarından birini oluşturur. Pandas iki temel veri yapısı sunar: **Series** (tek boyutlu, etiketlenmiş dizi) ve **DataFrame** (iki boyutlu, tablo biçimli veri yapısı). DataFrame, satırları gözlem (örnek) ve sütunları özellik (feature) olarak ele alır; bu yapı veritabanı tablolarına veya Excel çalışma sayfalarına benzer. Makine öğrenimi modellerine beslenmeden önce neredeyse her veri seti bu biçime dönüştürülür. Kütüphanenin öne çıkan yetenekleri arasında şunlar yer alır: CSV, Excel, JSON, SQL, Parquet ve HTML gibi farklı kaynaklardan veri okuma; eksik değerlerin (NaN) tespiti ve doldurulması (imputation); veri gruplama (groupby), pivotlama ve birleştirme (merge/join/concat); zaman serisi endeksleme ve frekans dönüşümleri; vektörel hesaplamalar ve apply/map/lambda operasyonları. Makine öğrenimi boru hattında Pandas, modelden önce gelen veri hazırlama adımlarının büyük bölümünü üstlenir. Scikit-learn, XGBoost ve TensorFlow/Keras gibi çerçeveler Pandas DataFrame'lerini giriş olarak doğrudan kabul eder. Özellik mühendisliği sırasında yeni sütunlar türetmek, kategorik değişkenleri kodlamak ve normalizasyon uygulamak Pandas ile birkaç satır kodla gerçekleştirilir. Büyük veri ölçeğinde Pandas tek başına yetersiz kalabilir; bu durumda Dask (paralel Pandas), Polars (Rust tabanlı yüksek performanslı alternatif) veya Apache Spark'ın PySpark API'si devreye girer. 2023-2024 itibarıyla Pandas 2.0 ile birlikte dahili olarak Apache Arrow bellek biçiminin kullanılmaya başlanması performansı önemli ölçüde artırmıştır. Türkiye'deki veri bilimi eğitimlerinde Pandas, NumPy ile birlikte en temel Python kütüphaneleri arasında gösterilmektedir. İş ilanlarında 'Pandas deneyimi' düzenli olarak yer almakta; veri analistleri ve makine öğrenimi mühendisleri için sektörel bir standart haline gelmiş bulunmaktadır.

arrow_forward verified

Pydantic (Pydantic)

Pydantic, Python'da veri doğrulama ve yapılandırma yönetimi için kullanılan açık kaynak bir kütüphanedir. Python tip ipuçlarını (type hints) kullanarak çalışma zamanında (runtime) otomatik veri doğrulama sağlar; hatalı veya uyumsuz veri geldiğinde net ve anlaşılır hata mesajları üretir. Samuel Colvin tarafından geliştirilen Pydantic, Python ekosisteminin en çok indirilen kütüphanelerinden biri konumuna gelmiştir. Pydantic'te veri yapıları, BaseModel sınıfı miras alınarak tanımlanır. Her alan, tip annotasyonuyla belirtilir; kütüphane bu tiplere göre otomatik doğrulama yapar. Gelen veriyi gerektiğinde dönüştürür: string'i integer'a, ISO tarih dizesini datetime nesnesine otomatik çevirebilir (coercion). Field() fonksiyonu ile minimum/maksimum değer, desen eşleştirmesi ve varsayılan değer gibi ek kısıtlamalar tanımlanabilir. Pydantic v2, Rust ile yeniden yazılmış çekirdek doğrulama motoruyla v1'e kıyasla 5–50 kat daha hızlıdır. model_validator ve field_validator dekoratörleriyle modele özgül kısıtlamalar ve çapraz alan doğrulamaları eklenebilir. Mevcut v1 projeleri pydantic-v1-compat paketi yardımıyla kademeli olarak taşınabilir. Yapay zeka ekosistemindeki önemi giderek artmaktadır. LangChain ve LlamaIndex, Pydantic modellerini yapılandırılmış çıktı için kullanır. OpenAI API'si Pydantic modelini doğrudan kabul ederek yapılandırılmış JSON doğrulama gerçekleştirir. Instructor kütüphanesi, herhangi bir LLM'den Pydantic model doğrulamasıyla yapılandırılmış çıktı almayı kolaylaştırır. FastAPI ise Pydantic'i HTTP istek ve yanıt doğrulaması için temel altyapı olarak kullanır. pydantic-settings paketi, çevre değişkenlerini ve .env dosyalarındaki yapılandırmayı Pydantic modeli olarak yönetmeyi sağlar; tip-güvenli yapılandırma yönetiminin fiili standardı hâline gelmiştir. Her Pydantic modeli, model_json_schema() metoduyla tam bir JSON Schema'ya dönüştürülebilir; bu özellik OpenAI function calling ve yapılandırılmış çıktı (structured output) desteği için kritik öneme sahiptir. Pydantic'in yaygınlığı yalnızca bireysel projelerle sınırlı değildir: Hugging Face, Azure SDK, AWS CDK ve Databricks gibi kurumsal projeler de veri katmanlarında Pydantic'ten yararlanmaktadır.

arrow_forward integration_instructions

PyTorch (Açık Kaynak Derin Öğrenme Çerçevesi)

PyTorch, Meta AI Araştırma Laboratuvarı (FAIR) tarafından 2016 yılında yayımlanan, Python tabanlı açık kaynaklı bir derin öğrenme çerçevesidir. Lua tabanlı Torch kütüphanesinin modern Python uyarlaması olarak doğan proje, 2022'den bu yana Linux Foundation çatısı altındaki PyTorch Foundation tarafından yönetilir; NVIDIA, AMD, Google, Microsoft, Intel ve IBM gibi şirketler yönetim kuruluna üyedir. Sinir ağlarını tasarlamak, eğitmek ve üretim ortamına almak için tensör işlemlerinden model servisine kadar uzanan eksiksiz bir araç seti sunar. PyTorch'u rakiplerinden ayıran temel özellik, çalışma zamanında inşa edilen dinamik hesaplama graflarıdır (define-by-run). TensorFlow 1.x döneminin statik graflarının aksine, model kodu satır satır yürütülürken graf anlık olarak oluşur; araştırmacı standart Python hata ayıklayıcısını doğrudan kullanabilir, if/else ve döngü içeren değişken mimariler doğal söz dizimiyle yazılır. Autograd sistemi bu grafın üzerinden gradyanları otomatik hesaplar: requires_grad=True atanmış bir tensör üzerindeki tüm işlemler kaydedilir, .backward() çağrısıyla geri yayılım (backpropagation) elle kodlanmadan tamamlanır. Bu iki mekanizmanın birleşimi, özel kayıp fonksiyonlarından deneysel katman tasarımlarına kadar her fikrin sıradan Python koduyla ifade edilebilmesi anlamına gelir. Çerçevenin çekirdeğini dört modül oluşturur: torch.Tensor NumPy benzeri çok boyutlu dizileri CPU ve GPU belleğinde tutar; torch.nn hazır katmanları (Linear, Conv2d, Transformer) ve kayıp fonksiyonlarını barındırır; torch.optim SGD, Adam ve AdamW gibi optimizasyon algoritmalarını sunar; DataLoader ise veri setlerini çok işlemcili mini-batch akışına çevirir. Bir eğitim döngüsü tipik olarak 15-20 satır koddan ibarettir ve her adımı okunabilir Python olarak kalır. 2023'te çıkan PyTorch 2.0, bu esnekliği performansla birleştirdi. torch.compile tek satırlık bir çağrıyla modeli TorchDynamo ve TorchInductor üzerinden derleyerek tipik eğitim iş yüklerinde %30-100 arası hızlanma getirir; 2025 sonunda yayımlanan 2.9 sürümüyle proje FlexAttention, torch.export ve AOTInductor gibi derleyici tabanlı araçları olgunlaştırmıştır. GPU tarafında NVIDIA CUDA ile derin entegrasyonun yanına AMD ROCm, Apple Silicon için MPS ve Intel GPU (XPU) desteği eklenmiştir; model tek satır .to('cuda') ile hızlandırıcıya taşınır. Akademik araştırmada PyTorch 2019-2020'den itibaren TensorFlow'u geçerek fiili standart hâline geldi; Papers with Code üzerindeki yeni makale uygulamalarının %70'ten fazlası PyTorch kullanır. Llama, Whisper, Stable Diffusion ve DINOv2 gibi modellerin resmi kodları PyTorch ile yazılmıştır; Hugging Face Transformers kütüphanesi birincil backend olarak PyTorch'u benimser ve bir milyondan fazla önceden eğitilmiş modele tek API ile erişim verir. Büyük dil modeli çağının kritik altyapısı da aynı ekosistemde yaşar: OpenAI 2020'de araştırma yığınını PyTorch üzerinde standartlaştırdı; vLLM çıkarım motoru, TorchTitan dağıtık eğitim kütüphanesi ve LoRA tabanlı ince ayar araçlarının tamamı doğrudan PyTorch üzerine kuruludur. Ekosistem paketleri kullanım alanlarını genişletir: TorchVision görüntü, TorchAudio ses, PyTorch Lightning eğitim altyapısı, ExecuTorch ise mobil ve gömülü cihazlarda çıkarım için geliştirilmiştir. BSD-3-Clause lisanslı proje, GitHub'da 90 binin üzerinde yıldıza ulaşmıştır ve araştırma prototipinden milyarlarca kullanıcılı üretim sistemlerine kadar aynı kod tabanıyla ilerlemeye imkân tanır. Türkçe kaynak, üniversite müfredatı ve iş ilanları açısından da derin öğrenme kariyerine başlamak isteyenler için ilk öğrenilmesi gereken çerçeve konumundadır.

arrow_forward layers

TensorFlow (TensorFlow)

TensorFlow, Google Brain ekibinin 2015 yılında Apache 2.0 lisansıyla açık kaynak olarak yayımladığı, makine öğrenimi ve derin öğrenme modellerini geliştirmek, eğitmek ve üretime almak için kullanılan uçtan uca bir kütüphanedir. GitHub'da 190 binden fazla yıldıza ulaşan proje, hem araştırma prototiplerini hem de milyarlarca kullanıcıya hizmet veren üretim sistemlerini aynı altyapı üzerinde çalıştırır. İsim, iki kavramın birleşiminden gelir: **tensor**, çok boyutlu sayı dizilerini (skaler, vektör, matris ve daha yüksek boyutlar) temsil eden temel veri yapısıdır; **flow** ise bu tensörlerin bir hesaplama grafiği üzerindeki akışını anlatır. Grafikteki her düğüm bir matematiksel işlemdir; otomatik türev (autodiff) mekanizması bu grafik üzerinden gradyanları hesaplayarak geri yayılımı (backpropagation) otomatikleştirir. TensorFlow 1.x'in statik graf ve `session` yapısı öğrenmeyi zorlaştırıyordu. 2019'daki TensorFlow 2.0, eager execution'ı varsayılan yaptı ve Keras'ı resmi yüksek seviyeli API olarak benimsedi; böylece bir görüntü sınıflandırma modeli 10 satırın altında kodla tanımlanabilir hale geldi. `tf.function` dekoratörü ise aynı kodu XLA derleyicisiyle optimize edilmiş grafa çevirerek Python esnekliği ile graf performansını birleştirir. Donanım desteği kütüphanenin en güçlü yanlarından biridir: CPU, NVIDIA GPU (CUDA), Apple Silicon (Metal) ve Google'ın kendi tasarladığı TPU'larda aynı kod çalışır. TPU v5e ve sonrası pod'larda binlerce çipe ölçeklenen dağıtık eğitim, `tf.distribute` API'siyle birkaç satırlık değişiklikle kurulur. 2026 itibarıyla güncel kararlı sürüm TensorFlow 2.21 serisidir; NumPy 2.x uyumluluğu ve uç cihazlar için int2/int4 kuantizasyon desteği bu dönemde eklendi. Mobil tarafta TensorFlow Lite, Google AI Edge çatısı altında LiteRT adıyla bağımsız bir projeye dönüştü ve artık TensorFlow'un yanı sıra PyTorch ile JAX modellerini de çalıştırıyor. Keras 3 ise çoklu-backend mimarisiyle aynı model kodunun TensorFlow, JAX veya PyTorch üzerinde koşmasına imkân tanıyor; Google'ın araştırma tarafında JAX'e yönelmesine karşın TensorFlow üretim dağıtımı, TF Serving ve TFX boru hatlarıyla kurumsal tarafta konumunu koruyor. Kütüphaneyi tek başına bir araçtan çok bir ekosistem olarak düşünmek gerekir. Model geliştirme Keras ile, eğitim izleme TensorBoard ile, veri boru hatları `tf.data` API'siyle, üretim servisleme TF Serving ile, uçtan uca MLOps süreçleri ise TFX ile yönetilir. Tarayıcıda çalışan TensorFlow.js, sunucuya veri göndermeden gizlilik dostu çıkarım yapar; TensorFlow Hub ve Kaggle Models üzerindeki binlerce önceden eğitilmiş model, transfer öğrenmeyle özel bir görevi birkaç saatlik eğitimle çözmeye yeter. Bu bütünlük, tek bir prototipin veri hazırlığından mobil uygulamadaki çıkarıma kadar aynı araç zincirinde ilerlemesini mümkün kılar. Google Arama, YouTube öneri motoru, Google Translate, Airbnb, Uber, Twitter/X ve Spotify gibi sistemlerde üretimde kullanılan TensorFlow; bilgisayarlı görü, doğal dil işleme, öneri sistemleri, zaman serisi tahmini ve konuşma tanıma alanlarında sektör standardı araç zincirleri sunar. Python birincil dil olmakla birlikte C++, JavaScript (TensorFlow.js) ve Java/Kotlin (LiteRT) ile de model çalıştırılabilir. Yeni başlayanlar için resmi tensorflow.org eğitimleri, ücretsiz GPU sunan Google Colab not defterleri ve Coursera'daki TensorFlow Developer sertifika programları en yaygın öğrenme yollarıdır; temel Python ve lise düzeyi lineer cebir bilgisi ilk çalışan modeli eğitmek için çoğu durumda fazlasıyla yeterlidir.

arrow_forward code_blocks

Veri Bilimi (Veri Bilimi)

Veri bilimi; ham veri setlerinden anlamlı içgörüler, örüntüler ve tahminler çıkarmak için istatistik, matematik, makine öğrenmesi ve bilgisayar bilimini bir araya getiren disiplinlerarası bir alandır. İş dünyasından sağlık bilimine, finans sektöründen sosyal medya analizine kadar geniş bir yelpazede uygulanır. Bir veri bilimi projesi genellikle beş temel aşamadan oluşur: veri toplama ve temizleme (veri setlerinin %60-80'i bu aşamaya ayrılır), keşifsel veri analizi (EDA), model geliştirme ve eğitim, model değerlendirme ile son olarak dağıtım ve izleme. Bu süreç, CRISP-DM (Cross-Industry Standard Process for Data Mining) metodolojisiyle standart hale getirilmiştir. Python ve R, veri biliminin iki temel programlama dilidir. Python ekosistemi —Pandas, NumPy, Scikit-learn, TensorFlow ve PyTorch— endüstri standardı haline gelmiştir. SQL ise yapılandırılmış veritabanlarıyla çalışmak için vazgeçilmezdir. Veri bilimcisi olmak; istatistiksel düşünme, kodlama becerisi ve alan uzmanlığı üçgenini gerektirdiğinden bu meslektaşlar iş dünyasında oldukça değerlidir. 2024 verilerine göre ABD'de median veri bilimcisi maaşı yıllık 130.000 dolar civarındadır. Türkiye'de ise deneyimli veri bilimcilere olan talep her yıl hızla artmaktadır. Yapay zeka ve büyük dil modellerinin (LLM) yükselişiyle birlikte veri bilimi alanı derin bir dönüşüm geçirmektedir. Kod üretme, veri temizleme otomasyonu ve doğal dil tabanlı analiz gibi görevlerde yapay zeka desteği standart hale gelmektedir; bu durum veri bilimcilerin daha stratejik ve yüksek değerli işlere odaklanmasını mümkün kılmaktadır. MLOps ve LLMOps pratiklerinin olgunlaşmasıyla birlikte veri bilimciler artık yalnızca model kurmakla kalmıyor, üretim sistemlerini tasarlıyor ve izliyor. Veri kalitesi, önyargı tespiti ve yorumlanabilirlik (explainability) gibi konular modern veri bilimcinin temel sorumluluk alanına girmiş bulunmaktadır. Ayrıca büyük kuruluşlarda veri mühendisliği, veri analitiği ve makine öğrenmesi mühendisliği rolleriyle iç içe geçen veri bilimi, günümüzde çok boyutlu bir kariyer yoluna dönüşmüştür.

arrow_forward code_blocks

DSPy (DSPy)

DSPy (Declarative Self-improving Python), Stanford Üniversitesi'nden Omar Khattab ve ekibinin 2023 yılında geliştirdiği açık kaynak bir Python çerçevesidir. Temel amacı, büyük dil modellerini (LLM) manuel prompt yazmak yerine programatik olarak yönetmek ve optimize etmektir. Geleneksel yaklaşımda bir geliştirici, modele verilen talimatları (prompt) elle yazarak deneme yanılma yöntemiyle iyileştirir; bu süreç hem zaman alıcı hem de kırılgandır. DSPy bu sorunu şöyle çözer: siz yalnızca giriş ve çıkış türlerini tanımlarsınız (Signature), DSPy ise eğitim verisi ve belirlediğiniz metrikten yola çıkarak en uygun prompt'u otomatik üretir. Çerçevenin üç temel yapı taşı vardır: Signature, Modül ve Optimizer. Signature, bir modülün ne alıp ne üreteceğini tanımlar; örneğin question -> answer ya da document -> summary gibi. Modül, ChainOfThought, ReAct veya Predict gibi gerçek LLM çağrısını yapan bileşenlerdir; Python sınıfları olarak tanımlanır ve birbirleriyle zincirlenerek karmaşık pipeline'lar oluşturulur. Optimizer (eski adı Teleprompter) ise eğitim verisi ve metrik bilgisini kullanarak tüm pipeline'ın prompt'larını ve az sayıda örneğini (few-shot) otomatik olarak iyileştirir. 2026 itibarıyla en yaygın kullanılan optimizer'lar BootstrapFewShot, MIPROv2 ve COPRO'dur. BootstrapFewShot hızlı başlangıç sunarken MIPROv2, hem talimatları hem de few-shot örnekleri aynı anda Bayes optimizasyonuyla optimize eder. DSPy özellikle RAG sistemleri, çok adımlı soru cevaplama ve özetleme görevlerinde güçlü sonuçlar üretmektedir. LangChain ve LlamaIndex gibi çerçeveler geliştiriciyi prompt şablonlarını elle yapılandırmaya yönlendirirken DSPy bir üst katmanda çalışarak bu prompt içeriğini veri odaklı biçimde otomatik iyileştirir; iki yaklaşım rakip değil tamamlayıcıdır ve DSPy bu çerçevelerle birlikte kullanılabilir. Fine-tuning model ağırlıklarını değiştirirken DSPy yalnızca prompt ve few-shot örnekleri optimize eder; bu nedenle çok daha hızlı, ucuz ve esnektir. GitHub'da 23.000'den fazla yıldızla aktif geliştirilen proje MIT lisansıyla sunulmaktadır.

arrow_forward 🦙

LlamaIndex (LlamaIndex)

LlamaIndex (eski adıyla GPT Index), büyük dil modellerini (LLM) özel veri kaynaklarıyla entegre etmek için tasarlanmış açık kaynaklı bir Python çerçevesidir. 2022 yılında Jerry Liu tarafından geliştirilen ve başlangıçta GPT Index adını taşıyan bu proje, LangChain ile birlikte LLM uygulama ekosisteminin iki temel taşından biri konumuna yükselmiştir. LlamaIndex üç temel katmandan oluşur. Veri konektörleri (data connectors), PDF ve Word belgelerinden SQL veritabanlarına, REST API'lerden Slack ve Notion gibi SaaS araçlarına kadar 160'tan fazla kaynaktan veri okur; bu katman LlamaHub platformu aracılığıyla sürekli genişleyen bir ekosisteme sahiptir. İndeksleme katmanı, ham veriyi Pinecone, Weaviate, Chroma ve pgvector gibi 20'den fazla vektör veritabanında saklanan vektör temsillerine dönüştürür ya da hiyerarşik ağaç indeksleri, anahtar kelime tabanlı indeksler ve bilgi grafikleri gibi alternatif yapıları kullanır. Sorgu motoru, kullanıcının doğal dil sorusunu gelen sorguya en uygun belgeleri getiren bir retrieval adımına, ardından LLM tabanlı bir yanıt sentez adımına dönüştürür. RAG (Retrieval-Augmented Generation) mimarisinin referans uygulaması olarak LlamaIndex, modelin bilgi kesim tarihini aşan veya kuruma özel gizli verileri kullanarak güvenilir yanıtlar üretmesini sağlar. Örneğin bir hukuk firması, binlerce sözleşme belgesini vektör indeksine ekleyerek çalışanların doğal dille sözleşme araması yapmasını mümkün kılabilir. Çok-ajan sistemleri için LlamaIndex, görev planlama ve araç seçimi yapan ajan mimarileri sunar. OpenAI Assistants API ile entegrasyon, ReAct ve function calling tabanlı ajan döngüleri ve ajan aktivite izleme (tracing) bu katmanın temel özelliklerindendir. LlamaIndex Workflows, etkinlik güdümlü (event-driven) asenkron iş akışlarını Python dekoratörleri aracılığıyla tanımlamaya olanak tanır. TypeScript/JavaScript geliştiricileri için LlamaIndex.TS paralel bir ekosistem oluşturur; böylece hem sunucu taraflı Node.js hem de tarayıcı ortamı desteklenmektedir. Üretim izleme ve değerlendirme için LlamaTrace ve LlamaCloud platformları, kurumsal müşterilere yönelik yönetilen altyapı çözümleri sunar.

arrow_forward