Yazılar / Notlar
Projelerde öğrendiklerimi, veri temizleme notlarını ve makine öğrenimi denemelerimi burada topluyorum.
Büyük Dil Modellerini Küçük Donanımlarda Çalıştırmak: Quantization (GGUF, GPTQ, AWQ)
Model quantization ile 70B parametreli dev modelleri tüketici donanımında nasıl çalıştırıyoruz?
Makine Öğrenmesinde Veri Sızıntısı: Sessizce Yanlış Sonuç Üreten Hatalar
Train/test ayrımından zaman serilerine kadar veri sızıntısının kaynaklarını, teşhis yöntemlerini ve scikit-learn Pipeline ile güvenli model değerlendirmeyi anlatan uygulamalı rehber.
Dengesiz Veriyle Sınıflandırma: Accuracy Tuzağından Doğru Değerlendirmeye
Sınıf dengesizliğini doğru bölme, uygun metrikler, class weight, örnekleme ve veri sızıntısını önleyen pipeline ile ele alan uygulamalı rehber.
LLM Fine-Tuning Rehberi: Büyük Dil Modellerini Kendi Verinle Eğitmek
Full fine-tuning vs LoRA/QLoRA, veri hazırlama, Hugging Face Transformers ile pratik fine-tuning adımları ve kaynak yönetimi stratejileri.
Gradient Boosting Derinlemesine: XGBoost, LightGBM ve CatBoost Karşılaştırması
Gradient boosting algoritmasının temelleri, XGBoost/LightGBM/CatBoost farkları, benchmark sonuçları ve hangi durumda hangisini seçmelisiniz.
Doğal Dil İşleme'de Metin Ön İşleme: Temiz Veriden Güçlü Modellere
Tokenization'dan TF-IDF'e, stemming'den subword tokenization'a: NLP projelerinde metin ön işleme adımları ve Türkçe'ye özel zorluklar.
Veri Versiyonlama ve DVC: ML Projelerinde Veriyi Yönetmenin Doğru Yolu
Data Version Control (DVC) ile ML projelerinde veri ve model versiyonlama: pipeline tekrarlanabilirliği, uzak depolama entegrasyonu ve pratik DVC komutları.
Açıklanabilir Yapay Zeka (XAI): Model Kararlarını Anlamak
SHAP, LIME ve attention mekanizmalarıyla model kararlarını yorumlama: global ve lokal açıklamalar, regülasyon gereksinimleri ve pratik Python örnekleri.
AutoML Nedir? Makine Öğrenmesini Otomatikleştirmek Mümkün mü?
AutoML araçları, Neural Architecture Search, otomatik hiperparametre optimizasyonu ve feature engineering: ne zaman kullanılır, sınırları nelerdir?
MLOps Pipeline'ları: ML Modelini Canlıya Taşımanın Pratik Yol Haritası
Bir ML modelinin notebook'tan production ortamına taşınması: CI/CD, experiment tracking, model registry, containerization ve deployment pattern'leri.
Vektör Veritabanları ve Embedding Tabanlı Arama: Nasıl Çalışır, Ne Zaman Kullanılır?
Embedding nedir, vektör veritabanları nasıl çalışır, hangi senaryolarda kullanılır? Temel kavramlar, pratik örnekler ve yaygın hatalar.
Transfer Learning Nedir ve Nasıl Uygulanır?
Transfer learning kavramını temelinden açıklayarak fine-tuning, feature extraction ve domain adaptation stratejilerini PyTorch örnekleriyle uygulamalı anlatan kapsamlı rehber.
Hyperparameter Tuning Rehberi: Grid Search'ten Bayesian Optimization'a
Grid Search, Random Search ve Bayesian Optimization yöntemlerini karşılaştırarak hiperparametre optimizasyonunu Optuna ile uygulamalı anlatan kapsamlı rehber.
Feature Store Nedir, ML Projelerinde Ne Zaman Kullanılır?
Feature store kavramını eğitim-serving tutarlılığı, point-in-time doğruluk, yeniden kullanılabilir feature'lar ve pratik MLOps kararları üzerinden anlatan rehber.
Model Monitoring ve Veri Drift: Model Canlıya Çıktıktan Sonra Ne İzlenir?
Makine öğrenimi modelleri üretime alındıktan sonra veri drift, performans düşüşü, etiket gecikmesi ve alarm tasarımı üzerinden nasıl izlenir? Pratik MLOps rehberi.
ML Projelerinde Doğru Metrik Nasıl Seçilir?
Accuracy, precision, recall, F1, ROC-AUC ve PR-AUC metriklerini pratik örneklerle karşılaştıran; yanlış metrik seçiminin model kararlarını nasıl bozduğunu anlatan rehber.
GitHub'da Popüler Bir ML Reposu Nasıl Okunur?
Popüler ML repolarını sadece yıldız sayısına bakmadan değerlendirmek için pratik bir okuma rehberi: README, örnekler, testler, issue'lar ve mimari dosyalar.
Overfitting Nedir, Nasıl Anlaşılır ve Nasıl Önlenir?
Overfitting'i ezber tanımıyla değil, train/validation davranışı, veri sızıntısı, regularization ve doğru doğrulama stratejileriyle pratik şekilde anlatan rehber.
RAG Nedir ve Nasıl Çalışır?
Retrieval-Augmented Generation yaklaşımını veri hazırlama, embedding, vektör arama, context oluşturma ve değerlendirme adımlarıyla pratik şekilde anlatan rehber.