\n Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r.
\n Bu kapsaml\u0131 rehber, ML projeleriniz i\u00e7in sa\u011flam ve tekrarlanabilir bir ML veri hatt\u0131 (data pipeline) olu\u015fturman\u0131n ad\u0131m ad\u0131m yollar\u0131n\u0131 a\u00e7\u0131kl\u0131yor.\n <\/p>\n
\n G\u00fcn\u00fcm\u00fczde veri, makine \u00f6\u011frenimi modellerinin can damar\u0131d\u0131r. Ancak ham verilerin anlaml\u0131 ve kullan\u0131labilir hale gelmesi me\u015fakkatli bir s\u00fcre\u00e7tir. Veri toplama, temizleme, d\u00f6n\u00fc\u015ft\u00fcrme ve nihayetinde model e\u011fitimine haz\u0131r hale getirme a\u015famalar\u0131, projenin ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir. Manuel y\u00fcr\u00fct\u00fclen bu s\u00fcre\u00e7ler, zaman kayb\u0131na, hatalara ve model tutars\u0131zl\u0131klar\u0131na yol a\u00e7abilir. \u0130\u015fte tam da bu noktada, iyi tasarlanm\u0131\u015f bir ML veri hatt\u0131, karma\u015fay\u0131 d\u00fczene \u00e7evirerek projelerinizi h\u0131zland\u0131r\u0131r ve modellerinizin performans\u0131n\u0131 art\u0131r\u0131r. Bu makalede, bir veri hatt\u0131n\u0131n temel kavramlar\u0131ndan ba\u015flayarak, pratik \u00f6rneklerle nas\u0131l in\u015fa edece\u011finizi, \u00f6l\u00e7eklenebilirlik ipu\u00e7lar\u0131n\u0131 ve hatta ger\u00e7ek d\u00fcnya vaka analizlerini ele alaca\u011f\u0131z. Amac\u0131m\u0131z, makine \u00f6\u011frenimi yolculu\u011funuzda veriyle ilgili engelleri a\u015fman\u0131z i\u00e7in size sa\u011flam bir yol haritas\u0131 sunmakt\u0131r.\n <\/p>\n
\n Makine \u00f6\u011frenimi (ML) modelleri ne kadar karma\u015f\u0131k veya geli\u015fmi\u015f olursa olsun, beslendi\u011fi verinin kalitesi kadar ba\u015far\u0131l\u0131 olabilirler. Genellikle, bir ML projesine ba\u015fland\u0131\u011f\u0131nda, veri farkl\u0131 kaynaklardan gelir: veritabanlar\u0131, API’ler, CSV dosyalar\u0131, hatta streaming (ak\u0131\u015f) verileri. Bu veriler \u00e7o\u011fu zaman eksik, tutars\u0131z, g\u00fcr\u00fclt\u00fcl\u00fc veya yanl\u0131\u015f formatta olabilir. Bu y\u00fczden, ham veriyi al\u0131p, onu modelin anlayabilece\u011fi temiz ve yap\u0131land\u0131r\u0131lm\u0131\u015f bir formata d\u00f6n\u00fc\u015ft\u00fcrmek, veri biliminin en zaman al\u0131c\u0131 ve zorlu k\u0131s\u0131mlar\u0131ndan biridir. Bu zorlu\u011fun \u00fcstesinden gelmek i\u00e7in ML veri hatlar\u0131 devreye girer. Peki, bir ML veri hatt\u0131 tam olarak nedir ve neden bu kadar \u00f6nemlidir?\n <\/p>\n
\n Bir ML veri hatt\u0131, ham verilerin bir dizi otomatikle\u015ftirilmi\u015f ad\u0131mdan ge\u00e7erek makine \u00f6\u011frenimi modelleri taraf\u0131ndan kullan\u0131lmaya haz\u0131r hale getirilmesini sa\u011flayan u\u00e7tan uca bir sistemdir. Bu s\u00fcre\u00e7 genellikle “ETL” (Extract, Transform, Load – \u00c7\u0131kar, D\u00f6n\u00fc\u015ft\u00fcr, Y\u00fckle) veya “ELT” (Extract, Load, Transform) prensipleriyle benzerlik g\u00f6sterir, ancak ML ba\u011flam\u0131nda modele \u00f6zg\u00fc \u00f6n i\u015fleme ve \u00f6zellik m\u00fchendisli\u011fi ad\u0131mlar\u0131n\u0131 da i\u00e7erir. Bu hatlar, verinin kayna\u011f\u0131ndan al\u0131nmas\u0131ndan ba\u015flay\u0131p, temizlenmesi, d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi, \u00f6zniteliklerin (feature) olu\u015fturulmas\u0131 ve nihayetinde bir veri deposuna veya do\u011frudan modelin e\u011fitim ortam\u0131na aktar\u0131lmas\u0131na kadar t\u00fcm a\u015famalar\u0131 kapsar.\n <\/p>\n
\n Peki, neden bir ML veri hatt\u0131 kurmak bu kadar \u00f6nemlidir? En ba\u015fta, tekrarlanabilirli\u011fi sa\u011flar. Veri bilimciler ve makine \u00f6\u011frenimi m\u00fchendisleri, veri i\u015fleme ad\u0131mlar\u0131n\u0131 bir kez tan\u0131mlay\u0131p otomatikle\u015ftirerek, ayn\u0131 sonu\u00e7lar\u0131 tekrar tekrar elde edebilirler. Bu, modelin g\u00fcvenilirli\u011fi ve s\u00fcrd\u00fcr\u00fclebilirli\u011fi a\u00e7\u0131s\u0131ndan hayati \u00f6neme sahiptir. Ayr\u0131ca, bu hatlar otomasyon sayesinde manuel hatalar\u0131 ortadan kald\u0131r\u0131r ve insan m\u00fcdahalesi gerektirmeden verilerin d\u00fczenli olarak g\u00fcncellenmesini sa\u011flar. Bu da, \u00f6zellikle dinamik ve s\u00fcrekli de\u011fi\u015fen veri k\u00fcmeleriyle \u00e7al\u0131\u015fan projelerde zaman ve kaynak tasarrufu demektir.\n <\/p>\n
\n Bir e-ticaret platformunda ki\u015fiselle\u015ftirilmi\u015f \u00fcr\u00fcn \u00f6nerileri sunan bir sistemi ele alal\u0131m. Bu sistem, kullan\u0131c\u0131lar\u0131n sat\u0131n alma ge\u00e7mi\u015fleri, g\u00f6r\u00fcnt\u00fcledikleri \u00fcr\u00fcnler, arama sorgular\u0131 ve demografik bilgileri gibi birden fazla veri kayna\u011f\u0131ndan beslenir. Manuel bir s\u00fcre\u00e7te, her g\u00fcn y\u00fczbinlerce yeni etkile\u015fim verisini temizlemek, birle\u015ftirmek ve \u00f6neri modeline haz\u0131r hale getirmek imkans\u0131z hale gelirdi. Ancak bir ML veri hatt\u0131 sayesinde:\n <\/p>\n
\n Bu otomatikle\u015ftirilmi\u015f s\u00fcre\u00e7, modelin her zaman g\u00fcncel verilerle \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar, \u00f6nerilerin alaka d\u00fczeyini art\u0131r\u0131r ve dolay\u0131s\u0131yla kullan\u0131c\u0131 deneyimini ve platformun gelirini do\u011frudan etkiler. Sonu\u00e7 olarak, ML veri hatlar\u0131, makine \u00f6\u011frenimi projelerinin sadece ba\u015far\u0131l\u0131 olmas\u0131 i\u00e7in de\u011fil, ayn\u0131 zamanda \u00f6l\u00e7eklenebilir ve s\u00fcrd\u00fcr\u00fclebilir olmas\u0131 i\u00e7in de vazge\u00e7ilmez bir ara\u00e7t\u0131r.\n <\/p>\n
\n Ba\u015far\u0131l\u0131 bir ML veri hatt\u0131 olu\u015fturmak, do\u011fru ara\u00e7 ve teknolojileri do\u011fru yerlerde kullanmay\u0131 gerektirir. Bir veri hatt\u0131, farkl\u0131 g\u00f6revler i\u00e7in \u00f6zelle\u015fmi\u015f \u00e7e\u015fitli bile\u015fenlerden olu\u015fur. Bu bile\u015fenler, verinin kayna\u011f\u0131ndan modelin t\u00fcketimine kadar olan yolculu\u011funu kesintisiz ve verimli hale getirmek i\u00e7in birlikte \u00e7al\u0131\u015f\u0131r. Gelin, bir ML veri hatt\u0131n\u0131n anahtar bile\u015fenlerini yak\u0131ndan inceleyelim.\n <\/p>\n
\n Her veri hatt\u0131n\u0131n ba\u015flang\u0131\u00e7 noktas\u0131, ham verinin geldi\u011fi kaynaklard\u0131r. Bu kaynaklar olduk\u00e7a \u00e7e\u015fitlidir ve genellikle farkl\u0131 formatlarda veri sunarlar.\n <\/p>\n
\n Veri kaynaklar\u0131ndan veriyi \u00e7ekmek ve bir sonraki a\u015famaya iletmek i\u00e7in kullan\u0131lan ara\u00e7lard\u0131r. Bu ara\u00e7lar genellikle farkl\u0131 protokolleri ve veri formatlar\u0131n\u0131 destekler.\n <\/p>\n
\n \u0130\u015flenmi\u015f veya ham verilerin kal\u0131c\u0131 olarak sakland\u0131\u011f\u0131 yerlerdir. Genellikle b\u00fcy\u00fck hacimli ve farkl\u0131 yap\u0131daki verileri bar\u0131nd\u0131rabilirler.\n <\/p>\n
\n Bu a\u015fama, ham veriyi temizleme, d\u00f6n\u00fc\u015ft\u00fcrme ve \u00f6zellik m\u00fchendisli\u011fi ad\u0131mlar\u0131n\u0131 i\u00e7erir. B\u00fcy\u00fck veri k\u00fcmeleri i\u00e7in da\u011f\u0131t\u0131k i\u015fleme yetenekleri sunan ara\u00e7lar tercih edilir.\n <\/p>\n
\n Veri hatt\u0131ndaki farkl\u0131 ad\u0131mlar\u0131n (g\u00f6revlerin) s\u0131ral\u0131 ve ba\u011f\u0131ml\u0131 bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayan ara\u00e7lard\u0131r. Hata y\u00f6netimi, zamanlama ve izleme gibi \u00f6zellikleri sunarlar.\n <\/p>\n
\n Bu bile\u015fenlerin do\u011fru bir \u015fekilde bir araya getirilmesi, sadece verimli bir ML veri hatt\u0131 olu\u015fturmakla kalmaz, ayn\u0131 zamanda makine \u00f6\u011frenimi modellerinizin s\u00fcrekli olarak en iyi performans\u0131 g\u00f6stermesi i\u00e7in sa\u011flam bir temel olu\u015fturur. Bir sonraki b\u00f6l\u00fcmde, bu bile\u015fenleri kullanarak nas\u0131l ad\u0131m ad\u0131m bir ML veri hatt\u0131 in\u015fa edece\u011finizi pratik bir \u00f6rnek \u00fczerinden g\u00f6rece\u011fiz.\n <\/p>\n
\n \u015eimdiye kadar ML veri hatlar\u0131n\u0131n teorik altyap\u0131s\u0131n\u0131 ve neden bu kadar \u00f6nemli oldu\u011funu konu\u015ftuk. Art\u0131k s\u0131ra, edindi\u011fimiz bilgileri prati\u011fe d\u00f6kmeye geldi. Bu b\u00f6l\u00fcmde, basit ama etkili bir m\u00fc\u015fteri churn tahmini projesi i\u00e7in ad\u0131m ad\u0131m bir ML veri hatt\u0131 nas\u0131l olu\u015fturulur, birlikte inceleyece\u011fiz. Bu \u00f6rnekte, Python ve birka\u00e7 pop\u00fcler k\u00fct\u00fcphaneyi kullanarak temel veri i\u015fleme ad\u0131mlar\u0131n\u0131 ger\u00e7ekle\u015ftirece\u011fiz ve ard\u0131ndan bu ad\u0131mlar\u0131 nas\u0131l otomatikle\u015ftirebilece\u011finizi g\u00f6sterece\u011fiz.\n <\/p>\n
\n Bir telekom\u00fcnikasyon \u015firketinin m\u00fc\u015fteri verilerini kullanarak, hangi m\u00fc\u015fterilerin aboneliklerini iptal etme olas\u0131l\u0131\u011f\u0131n\u0131n y\u00fcksek oldu\u011funu tahmin etmek istedi\u011fimizi varsayal\u0131m. Elimizde her m\u00fc\u015fteriye ait demografik bilgiler, kulland\u0131\u011f\u0131 servisler ve fatura bilgileri gibi veriler i\u00e7eren bir CSV dosyas\u0131 var. Amac\u0131m\u0131z, bu ham veriyi temizleyip, \u00f6n i\u015fleyerek ve \u00f6zellikler \u00e7\u0131kararak bir makine \u00f6\u011frenimi modelinin e\u011fitimine haz\u0131r hale getirmektir.\n <\/p>\n
\n \u0130lk ad\u0131m, veriyi kayna\u011f\u0131m\u0131zdan (bu \u00f6rnekte bir CSV dosyas\u0131) okumakt\u0131r. Python’\u0131n Pandas k\u00fct\u00fcphanesi bu i\u015f i\u00e7in bi\u00e7ilmi\u015f kaftand\u0131r.\n <\/p>\n
\nimport pandas as pd\n\ndef veri_topla(dosya_yolu):\n try:\n df = pd.read_csv(dosya_yolu)\n print(f\"{len(df)} sat\u0131r veri ba\u015far\u0131yla topland\u0131.\")\n return df\n except FileNotFoundError:\n print(f\"Hata: {dosya_yolu} bulunamad\u0131.\")\n return None\n except Exception as e:\n print(f\"Veri toplama s\u0131ras\u0131nda bir hata olu\u015ftu: {e}\")\n return None\n\n# \u00d6rnek kullan\u0131m:\n# 'telecom_churn.csv' ad\u0131nda bir dosyan\u0131z oldu\u011funu varsayal\u0131m.\n# E\u011fer bu dosyaya sahip de\u011filseniz, Kaggle gibi platformlardan 'Telco Customer Churn' datasetini indirebilirsiniz.\n# D\u00fc\u015f\u00fck boyutlu bir dummy CSV olu\u015fturarak da deneyebilirsiniz.\n# Ornek dummy CSV i\u00e7eri\u011fi:\n# customerID,gender,SeniorCitizen,Partner,Dependents,tenure,PhoneService,MultipleLines,InternetService,OnlineSecurity,OnlineBackup,DeviceProtection,TechSupport,StreamingTV,StreamingMovies,Contract,PaperlessBilling,PaymentMethod,MonthlyCharges,TotalCharges,Churn\n# 7590-VHVEG,Female,0,Yes,No,1,No,No phone service,DSL,No,Yes,No,No,No,No,Month-to-month,Yes,Electronic check,29.85,29.85,No\n# 5575-GNVDE,Male,0,No,No,34,Yes,No,DSL,Yes,No,Yes,No,No,No,One year,No,Mailed check,56.95,1889.5,No\n\n# df_raw = veri_topla('telecom_churn.csv')\n# if df_raw is not None:\n# print(df_raw.head())\n<\/pre>\n<\/code><\/p>\n
\n Bu kod blo\u011fu, belirtilen yoldaki CSV dosyas\u0131n\u0131 okuyarak bir Pandas DataFrame'ine d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Ayr\u0131ca dosya bulunamazsa veya ba\u015fka bir hata olu\u015fursa durumu y\u00f6netir.\n <\/p>\n
Ad\u0131m 2: Veri Temizleme ve \u00d6n \u0130\u015fleme<\/h3>\n
\n Ham veri genellikle eksik de\u011ferler, yanl\u0131\u015f formatlar veya ayk\u0131r\u0131 de\u011ferler i\u00e7erir. Bu a\u015famada, veriyi modelin kullanabilece\u011fi temiz ve tutarl\u0131 bir hale getirece\u011fiz.\n <\/p>\n
\ndef veri_temizle_ve_on_isle(df):\n if df is None:\n return None\n\n # 'TotalCharges' s\u00fctunundaki bo\u015f de\u011ferleri (bo\u015f string olarak gelebilir) NaN olarak i\u015faretle\n # ve ard\u0131ndan bu NaN de\u011ferleri ortalama ile doldur (veya sil)\n df['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce')\n df.dropna(inplace=True) # Bo\u015f TotalCharges olan sat\u0131rlar\u0131 siliyoruz. Alternatif olarak df['TotalCharges'].fillna(df['TotalCharges'].mean(), inplace=True) kullan\u0131labilir.\n\n # 'customerID' s\u00fctununu kald\u0131r, \u00e7\u00fcnk\u00fc model i\u00e7in bir \u00f6zellik de\u011fil.\n df = df.drop('customerID', axis=1)\n\n # Kategorik de\u011fi\u015fkenleri say\u0131sal hale getir (One-Hot Encoding)\n # \u00d6rne\u011fin, 'gender' s\u00fctunu 'Male' ve 'Female' de\u011ferleri i\u00e7erir.\n # Bu ad\u0131m\u0131 sadece belirli s\u00fctunlara uygulamak daha iyi olabilir.\n kategorik_sutunlar = df.select_dtypes(include='object').columns\n df = pd.get_dummies(df, columns=kategorik_sutunlar, drop_first=True) # drop_first ile multicollinearity \u00f6nlenir.\n\n print(f\"Veri temizleme ve \u00f6n i\u015fleme tamamland\u0131. Kalan sat\u0131r say\u0131s\u0131: {len(df)}\")\n return df\n\n# \u00d6rnek kullan\u0131m:\n# df_processed = veri_temizle_ve_on_isle(df_raw)\n# if df_processed is not None:\n# print(df_processed.head())\n# print(df_processed.dtypes)\n<\/pre>\n<\/code><\/p>\n
\n Bu fonksiyon, say\u0131sal bir s\u00fctundaki bo\u015f stringleri NaN'a d\u00f6n\u00fc\u015ft\u00fcr\u00fcr, eksik de\u011ferleri i\u00e7eren sat\u0131rlar\u0131 siler ve kategorik de\u011fi\u015fkenleri One-Hot Encoding y\u00f6ntemiyle say\u0131sal formata d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu, makine \u00f6\u011frenimi algoritmalar\u0131n\u0131n \u00e7o\u011fuyla uyumlu bir veri seti olu\u015fturur.\n <\/p>\n
Ad\u0131m 3: Veri D\u00f6n\u00fc\u015ft\u00fcrme ve Y\u00fckleme (Model E\u011fitimi \u0130\u00e7in Haz\u0131rl\u0131k)<\/h3>\n
\n Verimiz art\u0131k temiz ve \u00f6n i\u015flenmi\u015f durumda. \u015eimdi bu veriyi bir sonraki a\u015fama olan model e\u011fitimine haz\u0131r hale getirmeli ve kal\u0131c\u0131 olarak depolamal\u0131y\u0131z. Parquet format\u0131, b\u00fcy\u00fck veri setleri i\u00e7in s\u0131k\u0131\u015ft\u0131r\u0131lm\u0131\u015f ve s\u00fctunsal depolama sa\u011flad\u0131\u011f\u0131 i\u00e7in tercih edilebilir.\n <\/p>\n
\ndef veriyi_kaydet(df, hedef_yol):\n if df is None:\n print(\"Kay\u0131t edilecek i\u015flenmi\u015f veri bulunmuyor.\")\n return\n\n try:\n # Parquet format\u0131nda kaydedelim, bu b\u00fcy\u00fck veriler i\u00e7in daha verimli olabilir.\n df.to_parquet(hedef_yol, index=False)\n print(f\"\u0130\u015flenmi\u015f veri ba\u015far\u0131yla {hedef_yol} konumuna kaydedildi.\")\n except Exception as e:\n print(f\"Veri kaydetme s\u0131ras\u0131nda bir hata olu\u015ftu: {e}\")\n\n# T\u00fcm ad\u0131mlar\u0131 birle\u015ftiren ana fonksiyon:\ndef calistir_veri_hatti(kaynak_dosya, hedef_dosya):\n print(\"----- ML Veri Hatt\u0131 Ba\u015fl\u0131yor -----\")\n df_raw = veri_topla(kaynak_dosya)\n if df_raw is None:\n return\n\n df_processed = veri_temizle_ve_on_isle(df_raw)\n if df_processed is None:\n return\n\n veriyi_kaydet(df_processed, hedef_dosya)\n print(\"----- ML Veri Hatt\u0131 Tamamland\u0131 -----\")\n\n# \u00d6rnek kullan\u0131m:\n# calistir_veri_hatti('telecom_churn.csv', 'processed_churn_data.parquet')\n<\/pre>\n<\/code><\/p>\n
\n Bu fonksiyon, i\u015flenmi\u015f DataFrame'i belirtilen hedef yola Parquet format\u0131nda kaydeder. calistir_veri_hatti<\/code> fonksiyonu ise t\u00fcm ad\u0131mlar\u0131 tek bir ak\u0131\u015fta birle\u015ftirerek veri hatt\u0131m\u0131z\u0131n temelini olu\u015fturur.\n <\/p>\nAd\u0131m 4: Orkestrasyon Temelleri (Apache Airflow ile)<\/h3>\n
\n Yukar\u0131daki ad\u0131mlar tek seferlik manuel \u00e7al\u0131\u015ft\u0131rmak i\u00e7in iyi olsa da, ger\u00e7ek bir ML veri hatt\u0131nda bu i\u015flemlerin d\u00fczenli olarak (\u00f6rne\u011fin, her g\u00fcn veya her hafta) otomatik olarak \u00e7al\u0131\u015fmas\u0131 gerekir. Burada Apache Airflow gibi bir orkestrasyon arac\u0131 devreye girer. Airflow, bu ad\u0131mlar\u0131 tan\u0131mlayabilece\u011fimiz ve zamanlayabilece\u011fimiz DAG'ler (Directed Acyclic Graphs - Y\u00f6nlendirilmi\u015f D\u00f6ng\u00fcsel Olmayan Grafikler) olu\u015fturmam\u0131za olanak tan\u0131r.\n <\/p>\n
\n Basit bir Airflow DAG \u00f6rne\u011fi \u015f\u00f6yle g\u00f6r\u00fcnebilir (bir Python dosyas\u0131 olarak kaydedilir ve Airflow ortam\u0131na y\u00fcklenir):\n <\/p>\n
\n# from airflow import DAG\n# from airflow.operators.python import PythonOperator\n# from datetime import datetime, timedelta\n\n# # \u00d6nceki fonksiyonlar\u0131n Airflow ba\u011flam\u0131nda kullan\u0131labilmesi i\u00e7in buraya veya ayr\u0131 bir module'e ta\u015f\u0131nmas\u0131 gerekir.\n# # \u00d6rn: from my_data_pipeline_functions import veri_topla, veri_temizle_ve_on_isle, veriyi_kaydet\n\n# with DAG(\n# dag_id='ilk_ml_veri_hatti_dag',\n# start_date=datetime(2023, 1, 1),\n# schedule_interval=timedelta(days=7), # Her hafta \u00e7al\u0131\u015ft\u0131r\n# catchup=False,\n# tags=['ml', 'veri_hatti'],\n# doc_md=\"\"\"\n# # \u0130lk ML Veri Hatt\u0131 DAG'\u0131<\/strong>\n# Bu DAG, m\u00fc\u015fteri churn tahmini i\u00e7in veri toplama, temizleme ve kaydetme i\u015flemlerini otomatize eder.\n# \"\"\",\n# ) as dag:\n# t_veri_topla = PythonOperator(\n# task_id='veri_toplama',\n# python_callable=veri_topla,\n# op_kwargs={'dosya_yolu': 'opt\/airflow\/data\/telecom_churn.csv'}, # Airflow'un eri\u015febilece\u011fi bir yol\n# )\n\n# t_veri_temizle = PythonOperator(\n# task_id='veri_temizleme_ve_on_isleme',\n# python_callable=veri_temizle_ve_on_isle,\n# op_kwargs={'df': t_veri_topla.output}, # \u00d6nceki task'\u0131n \u00e7\u0131kt\u0131s\u0131n\u0131 al\u0131r\n# )\n\n# t_veriyi_kaydet = PythonOperator(\n# task_id='veriyi_hedefe_kaydet',\n# python_callable=veriyi_kaydet,\n# op_kwargs={'df': t_veri_temizle.output, 'hedef_yol': 'opt\/airflow\/data\/processed_churn_data.parquet'},\n# )\n\n# # G\u00f6rev ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 belirle\n# t_veri_topla >> t_veri_temizle >> t_veriyi_kaydet\n\n<\/pre>\n<\/code><\/p>\n
\n Bu Airflow DAG'\u0131, \u00fc\u00e7 PythonOperator g\u00f6revi tan\u0131mlar. Her g\u00f6rev, veri hatt\u0131m\u0131z\u0131n bir ad\u0131m\u0131na kar\u015f\u0131l\u0131k gelir ve bir Python fonksiyonunu \u00e7a\u011f\u0131r\u0131r. >><\/code> operat\u00f6r\u00fc ile g\u00f6revler aras\u0131ndaki ba\u011f\u0131ml\u0131l\u0131klar (veri topland\u0131ktan sonra temizle, temizlendikten sonra kaydet) belirtilir. Bu yap\u0131, veri hatt\u0131n\u0131z\u0131n her bir ad\u0131m\u0131n\u0131n do\u011fru s\u0131rayla ve otomatik olarak \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar, b\u00f6ylece modeliniz her zaman g\u00fcncel ve temiz verilerle e\u011fitilebilir. Unutulmamal\u0131d\u0131r ki, Airflow task'lar\u0131 aras\u0131nda veri ak\u0131\u015f\u0131 i\u00e7in XCom gibi mekanizmalar kullan\u0131l\u0131r. Yukar\u0131daki \u00f6rnek basitlik ad\u0131na PythonOperator'\u0131n output<\/code> \u00f6zelli\u011fini kullanm\u0131\u015ft\u0131r, ger\u00e7ek bir uygulamada bu veriler ge\u00e7ici bir depolama alan\u0131na (\u00f6rn: S3) yaz\u0131l\u0131p okunarak veya XCom ile k\u00fc\u00e7\u00fck metadata ge\u00e7irilerek yap\u0131l\u0131r.\n <\/p>\n\n Uzman \u0130pucu: Airflow'da g\u00f6revler aras\u0131nda veri ge\u00e7i\u015fi yaparken dikkatli olun. B\u00fcy\u00fck DataFrame'leri do\u011frudan XCom ile ge\u00e7irmek yerine, veriyi ge\u00e7ici bir depolama alan\u0131na (\u00f6rn. S3, MinIO) yaz\u0131p, sonraki g\u00f6revde oradan okumak daha performansl\u0131d\u0131r. XCom'lar genellikle sadece k\u00fc\u00e7\u00fck meta veriler (dosya yollar\u0131, ID'ler vb.) i\u00e7in kullan\u0131l\u0131r.\n <\/div>\n\n Bu pratik \u00f6rnekle, ilk ML veri hatt\u0131n\u0131z\u0131 olu\u015fturmak i\u00e7in gerekli temel ad\u0131mlar\u0131 ve bir orkestrasyon arac\u0131n\u0131n g\u00fcc\u00fcn\u00fc g\u00f6rd\u00fcn\u00fcz. Bir sonraki b\u00f6l\u00fcmde, bu hatt\u0131 daha b\u00fcy\u00fck veri k\u00fcmeleri ve karma\u015f\u0131k senaryolar i\u00e7in nas\u0131l \u00f6l\u00e7eklendirebilece\u011fimize ve hatalara kar\u015f\u0131 nas\u0131l dayan\u0131kl\u0131 hale getirebilece\u011fimize odaklanaca\u011f\u0131z.\n <\/p>\n
ML Veri Hatlar\u0131n\u0131zda \u00d6l\u00e7eklenebilirlik ve Hata Tolerans\u0131 Nas\u0131l Sa\u011flan\u0131r?<\/h2>\n
\n \u0130lk ML veri hatt\u0131n\u0131z\u0131 ba\u015far\u0131yla kurduktan sonra, projeleriniz b\u00fcy\u00fcd\u00fck\u00e7e veya veri hacminiz artt\u0131k\u00e7a yeni zorluklarla kar\u015f\u0131la\u015fman\u0131z ka\u00e7\u0131n\u0131lmazd\u0131r. Veri hatt\u0131n\u0131z\u0131n sadece \u00e7al\u0131\u015fmas\u0131 de\u011fil, ayn\u0131 zamanda b\u00fcy\u00fck veri hacimlerini etkili bir \u015fekilde i\u015fleyebilmesi (\u00f6l\u00e7eklenebilirlik) ve beklenmedik sorunlara kar\u015f\u0131 diren\u00e7li olmas\u0131 (hata tolerans\u0131) da kritik hale gelir. Bu b\u00f6l\u00fcmde, bu \u00f6nemli konulara odaklanaca\u011f\u0131z.\n <\/p>\n
1. B\u00fcy\u00fck Veri \u0130\u015fleme \u0130\u00e7in \u00d6l\u00e7eklenebilir \u00c7\u00f6z\u00fcmler<\/h3>\n
\n Pandas gibi k\u00fct\u00fcphaneler bellek i\u00e7i (in-memory) i\u015flemler i\u00e7in harikad\u0131r, ancak terabaytlarca veriyle u\u011fra\u015f\u0131rken yetersiz kalabilirler. Bu durumda, da\u011f\u0131t\u0131k i\u015fleme \u00e7er\u00e7eveleri devreye girer.\n <\/p>\n
\n- \n Apache Spark:<\/strong> B\u00fcy\u00fck veri i\u015fleme i\u00e7in de facto standart haline gelmi\u015ftir. Veriyi birden \u00e7ok makineye yayarak paralel i\u015flem yapma yetene\u011fine sahiptir. PySpark (Python API'si) ile Pandas benzeri operasyonlar\u0131, ancak \u00e7ok daha b\u00fcy\u00fck veri k\u00fcmelerinde ger\u00e7ekle\u015ftirebilirsiniz. Spark, veri temizleme, d\u00f6n\u00fc\u015ft\u00fcrme, \u00f6zellik m\u00fchendisli\u011fi ve hatta ML model e\u011fitimi i\u00e7in kullan\u0131labilir.<\/p>\n
\n# from pyspark.sql import SparkSession\n# from pyspark.sql.functions import col\n\n# spark = SparkSession.builder.appName(\"OlceklenebilirVeriHatti\").getOrCreate()\n\n# # Spark ile veri okuma\n# # df_spark = spark.read.csv(\"s3a:\/\/your-data-lake\/raw_churn_data.csv\", header=True, inferSchema=True)\n# # print(f\"Spark ile {df_spark.count()} sat\u0131r veri okundu.\")\n\n# # Spark ile basit bir d\u00f6n\u00fc\u015f\u00fcm\n# # df_spark_processed = df_spark.filter(col(\"tenure\") > 0)\n# # df_spark_processed.write.parquet(\"s3a:\/\/your-data-lake\/processed_churn_data.parquet\", mode=\"overwrite\")\n# # print(\"Spark ile i\u015flenmi\u015f veri S3'e kaydedildi.\")\n\n# # spark.stop()\n <\/pre>\n<\/code><\/p>\n
\n Bu \u00f6rnek, Spark kullanarak bir CSV dosyas\u0131n\u0131 okuma, filtreleme ve Parquet format\u0131nda kaydetme i\u015flemini g\u00f6sterir. \u00d6zellikle bulut ortamlar\u0131nda (AWS EMR, Google Cloud Dataproc, Azure Databricks) Spark k\u00fcmelerini kolayca \u00f6l\u00e7eklendirebilirsiniz.\n <\/p>\n<\/li>\n
- \n Dask:<\/strong> Pandas, NumPy ve Scikit-learn API'lerini koruyarak bu k\u00fct\u00fcphaneleri da\u011f\u0131t\u0131k bir ortamda \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131r. E\u011fer mevcut Pandas\/NumPy kod taban\u0131n\u0131z\u0131 minimum de\u011fi\u015fiklikle \u00f6l\u00e7eklendirmek istiyorsan\u0131z, Dask iyi bir alternatiftir.\n <\/li>\n<\/ul>\n
2. Ak\u0131\u015f Verileri \u0130\u00e7in \u00c7\u00f6z\u00fcmler<\/h3>\n
\n E\u011fer verileriniz s\u00fcrekli ve ger\u00e7ek zamanl\u0131 olarak geliyorsa (\u00f6rne\u011fin, sens\u00f6r verileri, finansal i\u015flemler, web t\u0131klamalar\u0131), geleneksel toplu i\u015fleme (batch processing) yakla\u015f\u0131mlar\u0131 yetersiz kal\u0131r.\n <\/p>\n
\n- \n Apache Kafka:<\/strong> Y\u00fcksek hacimli ak\u0131\u015f verilerini g\u00fcvenilir bir \u015fekilde al\u0131p da\u011f\u0131tmak i\u00e7in kullan\u0131l\u0131r. Veri al\u0131m\u0131 katman\u0131n\u0131n temelini olu\u015fturur.\n <\/li>\n
- \n Apache Flink \/ Spark Streaming:<\/strong> Kafka'dan gelen ak\u0131\u015f verilerini ger\u00e7ek zamanl\u0131 olarak i\u015flemek, d\u00f6n\u00fc\u015ft\u00fcrmek ve analiz etmek i\u00e7in tasarlanm\u0131\u015f da\u011f\u0131t\u0131k ak\u0131\u015f i\u015fleme motorlar\u0131d\u0131r. Bu sayede, modeliniz neredeyse an\u0131nda g\u00fcncel verilerle beslenebilir.\n <\/li>\n<\/ul>\n
3. Hata Y\u00f6netimi ve Dayan\u0131kl\u0131l\u0131k (Hata Tolerans\u0131)<\/h3>\n
\n Bir veri hatt\u0131 ne kadar iyi tasarlanm\u0131\u015f olursa olsun, hatalar ka\u00e7\u0131n\u0131lmazd\u0131r. A\u011f sorunlar\u0131, disk dolmas\u0131, beklenmedik veri formatlar\u0131 veya sistem ar\u0131zalar\u0131 gibi durumlar ortaya \u00e7\u0131kabilir. \u0130yi bir ML veri hatt\u0131, bu t\u00fcr durumlar\u0131 ele alabilecek mekanizmalara sahip olmal\u0131d\u0131r.\n <\/p>\n
\n- \n Yeniden Denemeler (Retries):<\/strong> Ge\u00e7ici hatalar (\u00f6rn. a\u011f sorunlar\u0131) i\u00e7in g\u00f6revleri otomatik olarak belirli say\u0131da yeniden deneyecek \u015fekilde yap\u0131land\u0131r\u0131n. Airflow, Prefect gibi orkestrasyon ara\u00e7lar\u0131 bu \u00f6zelli\u011fi yerle\u015fik olarak sunar.\n <\/li>\n
- \n \u0130zleme (Monitoring) ve Uyar\u0131lar (Alerting):<\/strong> Veri hatt\u0131n\u0131z\u0131n performans\u0131n\u0131, kaynak kullan\u0131m\u0131n\u0131 ve g\u00f6rev durumlar\u0131n\u0131 s\u00fcrekli izleyin. Hatalar veya anormallikler (\u00f6rn. g\u00f6revlerin beklenen s\u00fcreden uzun s\u00fcrmesi, veri kalitesinde d\u00fc\u015f\u00fc\u015f) tespit edildi\u011finde ilgili ki\u015filere otomatik uyar\u0131lar g\u00f6nderin (e-posta, Slack, PagerDuty). Prometheus, Grafana, ELK Stack bu ama\u00e7la kullan\u0131labilir.\n <\/li>\n
- \n \u0130\u015flem Kimli\u011fi (Idempotency):<\/strong> Veri i\u015fleme g\u00f6revlerinizi i\u015flem kimli\u011fine uygun hale getirin. Bu, ayn\u0131 i\u015flemi birden fazla kez \u00e7al\u0131\u015ft\u0131rman\u0131n ayn\u0131 sonucu vermesini sa\u011flar ve veri bozulmas\u0131n\u0131 \u00f6nler.\n <\/li>\n
- \n Geri Alma (Rollback) ve Kurtarma:<\/strong> Ciddi hatalarda, \u00f6nceki ba\u015far\u0131l\u0131 duruma geri d\u00f6nebilme yetene\u011fi \u00f6nemlidir. Veri versiyonlama ve anl\u0131k g\u00f6r\u00fcnt\u00fcler (snapshots) bu konuda yard\u0131mc\u0131 olabilir.\n <\/li>\n
- \n Karantina (Dead Letter Queues):<\/strong> \u0130\u015flenemeyen hatal\u0131 verileri ana ak\u0131\u015ftan ay\u0131r\u0131p ayr\u0131 bir kuyru\u011fa veya depolama alan\u0131na y\u00f6nlendirin. Bu, ana veri hatt\u0131n\u0131n \u00e7al\u0131\u015fmaya devam etmesini sa\u011flarken, hatal\u0131 verilerin daha sonra incelenmesine olanak tan\u0131r.\n <\/li>\n<\/ul>\n
4. Sunucusuz (Serverless) Yakla\u015f\u0131mlar<\/h3>\n
\n Bulut sa\u011flay\u0131c\u0131lar\u0131n sunucusuz hizmetleri, altyap\u0131 y\u00f6netimi y\u00fck\u00fcn\u00fc azaltarak \u00f6l\u00e7eklenebilirlik ve maliyet verimlili\u011fi sa\u011flar.\n <\/p>\n
\n- \n AWS Lambda, Google Cloud Functions, Azure Functions:<\/strong> Belirli olaylar (\u00f6rn. yeni dosya y\u00fcklemesi) tetiklendi\u011finde \u00e7al\u0131\u015fan k\u00fc\u00e7\u00fck kod par\u00e7ac\u0131klar\u0131 (fonksiyonlar) ile veri i\u015fleme ad\u0131mlar\u0131n\u0131 ger\u00e7ekle\u015ftirebilirsiniz. Bu, \u00f6zellikle k\u00fc\u00e7\u00fck ve orta \u00f6l\u00e7ekli g\u00f6revler i\u00e7in maliyet etkin bir \u00e7\u00f6z\u00fcmd\u00fcr.\n <\/li>\n
- \n Managed Spark Servisleri:<\/strong> AWS EMR Serverless, Google Cloud Dataproc Serverless gibi hizmetler, Spark k\u00fcmelerini manuel olarak y\u00f6netme ihtiyac\u0131n\u0131 ortadan kald\u0131r\u0131r.\n <\/li>\n<\/ul>\n
Mobil Uyumlu HTML \u0130\u00e7in K\u0131sa Bir Not<\/h3>\n
\n Bu teknik makale i\u00e7eri\u011fi do\u011frudan mobil uyumlu olsa da, bu t\u00fcr bir i\u00e7eri\u011fi bar\u0131nd\u0131ran web sayfalar\u0131n\u0131n mobil cihazlarda da d\u00fczg\u00fcn g\u00f6r\u00fcnmesi \u00f6nemlidir. HTML i\u00e7eri\u011finizin modern web tasar\u0131mlar\u0131yla uyumlu olmas\u0131 i\u00e7in CSS medya sorgular\u0131 (media queries) kullan\u0131l\u0131r. \u00d6rne\u011fin, a\u015fa\u011f\u0131daki CSS kod blo\u011fu, farkl\u0131 ekran boyutlar\u0131na g\u00f6re yaz\u0131 tipi boyutlar\u0131n\u0131 veya s\u00fctun d\u00fczenlerini ayarlayabilir:\n <\/p>\n
\n\/* Genel stil *\/\nbody {\n font-family: Arial, sans-serif;\n line-height: 1.6;\n margin: 0 auto;\n max-width: 1200px;\n padding: 20px;\n}\n\n\/* K\u00fc\u00e7\u00fck ekranlar i\u00e7in stil (\u00f6rn. telefonlar) *\/\n@media screen and (max-width: 600px) {\n body {\n padding: 10px;\n font-size: 14px;\n }\n h2 {\n font-size: 20px;\n }\n \/* Di\u011fer elemanlar\u0131n boyutlar\u0131n\u0131 da ayarlayabilirsiniz *\/\n}\n\n\/* Orta ekranlar i\u00e7in stil (\u00f6rn. tabletler) *\/\n@media screen and (min-width: 601px) and (max-width: 1024px) {\n body {\n font-size: 16px;\n }\n h2 {\n font-size: 24px;\n }\n}\n <\/pre>\n<\/code><\/p>\n
\n Yukar\u0131daki CSS, makale i\u00e7eri\u011finin bulundu\u011fu web sayfas\u0131n\u0131n farkl\u0131 cihazlarda daha okunabilir ve estetik g\u00f6r\u00fcnmesini sa\u011flar. ML veri hatlar\u0131n\u0131n teknik karma\u015f\u0131kl\u0131\u011f\u0131 ne olursa olsun, sunulan bilginin eri\u015filebilirli\u011fi de ayn\u0131 derecede \u00f6nemlidir. \u00d6l\u00e7eklenebilirlik ve hata tolerans\u0131, sadece veri hatt\u0131n\u0131n teknik performans\u0131n\u0131 de\u011fil, ayn\u0131 zamanda operasyonel g\u00fcvenilirli\u011fini de do\u011frudan etkileyen unsurlard\u0131r. Bu yakla\u015f\u0131mlar\u0131 benimseyerek, ML projelerinizin uzun vadeli ba\u015far\u0131s\u0131n\u0131 g\u00fcvence alt\u0131na alabilirsiniz.\n <\/p>\n
Vaka Analizi: B\u00fcy\u00fck \u00d6l\u00e7ekli Bir ML Veri Hatt\u0131n\u0131n Evrimi<\/h2>\n
\n Teorik bilgiler ve k\u00fc\u00e7\u00fck \u00f6rneklerle bir ML veri hatt\u0131n\u0131n nas\u0131l kurulaca\u011f\u0131n\u0131 \u00f6\u011frendik. \u015eimdi ise, bu kavramlar\u0131n ger\u00e7ek d\u00fcnyada, b\u00fcy\u00fck \u00f6l\u00e7ekli bir \u015firkette nas\u0131l uyguland\u0131\u011f\u0131n\u0131 ve zamanla nas\u0131l evrildi\u011fini bir vaka analiziyle peki\u015ftirelim. Bu senaryo, \"Y\u0131ld\u0131r\u0131m E-ticaret\" (hayali bir \u015firket) ad\u0131n\u0131 verdi\u011fimiz bir platformun, ki\u015fiselle\u015ftirilmi\u015f \u00fcr\u00fcn \u00f6nerileri ve dinamik fiyatland\u0131rma i\u00e7in veri hatt\u0131n\u0131 nas\u0131l geli\u015ftirdi\u011fini anlatmaktad\u0131r.\n <\/p>\n
Ba\u015flang\u0131\u00e7: Manuel ve Par\u00e7al\u0131 S\u00fcre\u00e7ler<\/h3>\n
\n Y\u0131ld\u0131r\u0131m E-ticaret ba\u015flang\u0131\u00e7ta, k\u00fc\u00e7\u00fck bir veri bilimci ekibiyle \u00e7al\u0131\u015f\u0131yordu. \u00dcr\u00fcn \u00f6nerileri ve fiyatland\u0131rma modelleri, genellikle manuel olarak indirilen CSV dosyalar\u0131, veritaban\u0131ndan \u00e7ekilen SQL sorgular\u0131 ve Python betikleriyle e\u011fitiliyordu. Veri temizleme ve \u00f6zellik m\u00fchendisli\u011fi ad\u0131mlar\u0131, her yeni model e\u011fitimi \u00f6ncesinde manuel olarak yap\u0131l\u0131yor, bu da haftalar s\u00fcren bir s\u00fcre\u00e7ti.\n <\/p>\n
Kar\u015f\u0131la\u015f\u0131lan Zorluklar:<\/h4>\n\n- \n Tutars\u0131zl\u0131k:<\/strong> Farkl\u0131 veri bilimcilerin farkl\u0131 \u00f6n i\u015fleme y\u00f6ntemleri kullanmas\u0131, model sonu\u00e7lar\u0131nda tutars\u0131zl\u0131klara yol a\u00e7\u0131yordu.\n <\/li>\n
- \n Zaman Kayb\u0131:<\/strong> Her model g\u00fcncellemesi veya yeni model denemesi i\u00e7in veri haz\u0131rl\u0131\u011f\u0131na harcanan a\u015f\u0131r\u0131 zaman.\n <\/li>\n
- \n \u00d6l\u00e7eklenemezlik:<\/strong> M\u00fc\u015fteri ve \u00fcr\u00fcn say\u0131s\u0131 artt\u0131k\u00e7a, manuel i\u015flemler imkans\u0131z hale geliyordu.\n <\/li>\n
- \n Hata Duyarl\u0131l\u0131\u011f\u0131:<\/strong> Manuel i\u015flemler, insan hatas\u0131na a\u00e7\u0131kt\u0131 ve veri kalitesini d\u00fc\u015f\u00fcr\u00fcyordu.\n <\/li>\n<\/ul>\n
Evrim 1: Otomasyonun \u0130lk Ad\u0131mlar\u0131<\/h3>\n
\n Bu zorluklar kar\u015f\u0131s\u0131nda, Y\u0131ld\u0131r\u0131m E-ticaret'in veri m\u00fchendisli\u011fi ekibi, s\u00fcre\u00e7leri otomatikle\u015ftirmeye karar verdi.\n <\/p>\n
Kullan\u0131lan Teknolojiler:<\/h4>\n\n- \n Veri Al\u0131m\u0131:<\/strong> Web sitesi ve uygulama olaylar\u0131n\u0131 (t\u0131klamalar, sat\u0131n almalar, sepet eklemeler) toplamak i\u00e7in Apache Kafka ve loglardan veri toplamak i\u00e7in Filebeat kullan\u0131ld\u0131.\n <\/li>\n
- \n Veri Depolama:<\/strong> Ham veriler Amazon S3 \u00fczerinde bir veri g\u00f6l\u00fcnde (data lake) saklanmaya ba\u015fland\u0131. \u0130\u015flenmi\u015f veriler i\u00e7in Amazon Redshift veri ambar\u0131 kullan\u0131ld\u0131.\n <\/li>\n
- \n Veri \u0130\u015fleme:<\/strong> Veri m\u00fchendisleri, Spark k\u00fcmeleri (AWS EMR \u00fczerinde) kullanarak S3'teki ham verileri i\u015fleyip Redshift'e y\u00fckleyen ETL (Extract, Transform, Load) i\u015fleri yazd\u0131lar.\n <\/li>\n
- \n Orkestrasyon:<\/strong> T\u00fcm Spark i\u015flerini ve veritaban\u0131 sorgular\u0131n\u0131 y\u00f6netmek i\u00e7in Apache Airflow devreye al\u0131nd\u0131. Haftal\u0131k olarak \u00e7al\u0131\u015fan DAG'ler (Directed Acyclic Graphs) tan\u0131mland\u0131.\n <\/li>\n<\/ul>\n
\n Bu a\u015famada, model e\u011fitimine haz\u0131r veri setleri haftal\u0131k olarak otomatik bir \u015fekilde \u00fcretilmeye ba\u015fland\u0131. Veri bilimciler, art\u0131k veri haz\u0131rl\u0131\u011f\u0131 i\u00e7in daha az zaman harcayarak model optimizasyonuna odaklanabildiler.\n <\/p>\n
Evrim 2: Ger\u00e7ek Zamanl\u0131 ve Daha Geli\u015fmi\u015f \u00d6zellikler<\/h3>\n
\n Platform b\u00fcy\u00fcd\u00fck\u00e7e ve rekabet artt\u0131k\u00e7a, Y\u0131ld\u0131r\u0131m E-ticaret daha dinamik ve ger\u00e7ek zamanl\u0131 \u00f6neriler sunmak istedi. Bu, veri hatt\u0131n\u0131n daha da geli\u015fmesini gerektirdi.\n <\/p>\n
Geli\u015fmeler:<\/h4>\n\n- \n Ak\u0131\u015f \u0130\u015fleme:<\/strong> Apache Flink, Kafka'dan gelen ger\u00e7ek zamanl\u0131 ak\u0131\u015f verilerini i\u015flemek i\u00e7in entegre edildi. Bu sayede, kullan\u0131c\u0131lar\u0131n anl\u0131k davran\u0131\u015flar\u0131na g\u00f6re \u00f6neriler saniyeler i\u00e7inde g\u00fcncellenebildi.\n <\/li>\n
- \n \u00d6zellik Ma\u011fazas\u0131 (Feature Store):<\/strong> Feast gibi bir \u00f6zellik ma\u011fazas\u0131 kuruldu. Bu, hem batch (toplu) hem de streaming (ak\u0131\u015f) verilerinden t\u00fcretilen \u00f6zelliklerin tutarl\u0131 bir \u015fekilde depolanmas\u0131n\u0131 ve hem model e\u011fitimi hem de ger\u00e7ek zamanl\u0131 \u00e7\u0131kar\u0131m (inference) i\u00e7in yeniden kullan\u0131lmas\u0131n\u0131 sa\u011flad\u0131. \u00d6rne\u011fin, \"son 5 dakika i\u00e7inde kullan\u0131c\u0131n\u0131n g\u00f6r\u00fcnt\u00fcledi\u011fi \u00fcr\u00fcn kategorileri\" gibi \u00f6zellikler Feast'te tutuldu.\n <\/li>\n
- \n Veri Kalitesi \u0130zleme:<\/strong> B\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken veri kalitesi sorunlar\u0131 daha da kritikle\u015fti. Great Expectations gibi k\u00fct\u00fcphanelerle veri kalitesi kontrolleri otomatikle\u015ftirildi ve Airflow DAG'lerine entegre edildi. Herhangi bir veri anormalli\u011fi tespit edildi\u011finde otomatik uyar\u0131lar g\u00f6nderildi.\n <\/li>\n
- \n Model S\u00fcr\u00fcmleme ve MLOps:<\/strong> Model e\u011fitim i\u015fleri Airflow ile otomatikle\u015ftirildi ve e\u011fitilen modeller MLflow gibi bir model kay\u0131t sistemine kaydedildi. Bu, modellerin versiyonlanmas\u0131n\u0131, y\u00f6netilmesini ve A\/B testlerinin yap\u0131lmas\u0131n\u0131 kolayla\u015ft\u0131rd\u0131.\n <\/li>\n<\/ul>\n
Elde Edilen Faydalar:<\/h3>\n\n- \n Artan Model Performans\u0131:<\/strong> Ger\u00e7ek zamanl\u0131 ve daha zengin \u00f6zellikler sayesinde \u00f6neri modellerinin do\u011frulu\u011fu %15 artt\u0131.\n <\/li>\n
- \n Operasyonel Verimlilik:<\/strong> Veri haz\u0131rl\u0131k s\u00fcreci haftalardan saatlere indi, veri bilimcilerin \u00fcretkenli\u011fi %40 artt\u0131.\n <\/li>\n
- \n Maliyet Tasarrufu:<\/strong> Bulut kaynaklar\u0131n\u0131n optimize edilmesi ve sunucusuz teknolojilerin kullan\u0131m\u0131yla altyap\u0131 maliyetlerinde %20 d\u00fc\u015f\u00fc\u015f sa\u011fland\u0131.\n <\/li>\n
- \n \u0130\u015f Kararlar\u0131:<\/strong> Dinamik fiyatland\u0131rma ve ki\u015fiselle\u015ftirilmi\u015f pazarlama kampanyalar\u0131, veri hatt\u0131n\u0131n sa\u011flad\u0131\u011f\u0131 g\u00fcncel bilgilerle daha isabetli hale geldi.\n <\/li>\n<\/ul>\n
\n Y\u0131ld\u0131r\u0131m E-ticaret'in hikayesi, bir ML veri hatt\u0131n\u0131n basit bir otomasyon ihtiyac\u0131ndan ba\u015flayarak, i\u015f gereksinimleri ve teknolojik geli\u015fmelerle nas\u0131l karma\u015f\u0131k, \u00f6l\u00e7eklenebilir ve i\u015fin merkezinde yer alan bir yap\u0131ya d\u00f6n\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Bu evrim, veri ve makine \u00f6\u011frenimi alan\u0131ndaki s\u00fcrekli \u00f6\u011frenme ve adaptasyonun \u00f6nemini vurgulamaktad\u0131r.\n <\/p>\n
Sonu\u00e7: Veri Hatt\u0131n\u0131zla ML Projelerinizde S\u0131n\u0131r Tan\u0131may\u0131n<\/h2>\n
\n Bu makale boyunca, makine \u00f6\u011frenimi projelerinin bel kemi\u011fini olu\u015fturan ML veri hatlar\u0131n\u0131n ne oldu\u011funu, neden bu kadar \u00f6nemli oldu\u011funu ve ad\u0131m ad\u0131m nas\u0131l in\u015fa edilece\u011fini kapsaml\u0131 bir \u015fekilde inceledik. Ham verilerin karma\u015fas\u0131ndan, model e\u011fitimine haz\u0131r, temiz ve tutarl\u0131 veri setlerine ula\u015fmak i\u00e7in veri toplama, temizleme, d\u00f6n\u00fc\u015ft\u00fcrme ve orkestrasyon gibi temel a\u015famalardan ge\u00e7tik. Pandas ile yerel veri i\u015flemeye ba\u015flad\u0131k, ard\u0131ndan Apache Airflow ile i\u015f ak\u0131\u015f\u0131 otomasyonunun temellerini att\u0131k.\n <\/p>\n
\n Ayr\u0131ca, veri hacminiz artt\u0131k\u00e7a kar\u015f\u0131la\u015faca\u011f\u0131n\u0131z \u00f6l\u00e7eklenebilirlik sorunlar\u0131na Spark ve Dask gibi da\u011f\u0131t\u0131k i\u015fleme \u00e7er\u00e7eveleriyle nas\u0131l \u00e7\u00f6z\u00fcm bulabilece\u011finizi, ger\u00e7ek zamanl\u0131 veriler i\u00e7in Kafka ve Flink'in g\u00fcc\u00fcn\u00fc ve olas\u0131 hatalara kar\u015f\u0131 veri hatt\u0131n\u0131z\u0131 nas\u0131l dayan\u0131kl\u0131 (fault-tolerant) hale getirebilece\u011finizi ele ald\u0131k. Y\u0131ld\u0131r\u0131m E-ticaret'in vaka analizi, bu teorik bilgilerin ger\u00e7ek bir i\u015f ortam\u0131nda nas\u0131l somut faydalar sa\u011flad\u0131\u011f\u0131n\u0131 g\u00f6zler \u00f6n\u00fcne serdi. Art\u0131k ilk ML veri hatt\u0131n\u0131z\u0131 olu\u015fturmak ve hatta onu gelecekteki b\u00fcy\u00fcme ve karma\u015f\u0131kl\u0131k i\u00e7in \u00f6l\u00e7eklendirmek ad\u0131na sa\u011flam bir bilgi birikimine sahipsiniz. Unutmay\u0131n, iyi bir veri hatt\u0131 sadece teknik bir gereklilik de\u011fil, ayn\u0131 zamanda makine \u00f6\u011frenimi projelerinizin kalbi ve s\u00fcrd\u00fcr\u00fclebilir ba\u015far\u0131n\u0131z\u0131n anahtar\u0131d\u0131r.\n <\/p>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n1. ML veri hatt\u0131 kurmak i\u00e7in hangi programlama dillerini bilmeliyim?<\/h4>\n
\n Genellikle Python, ML veri hatlar\u0131 i\u00e7in en pop\u00fcler dildir. Pandas, Spark (PySpark), Dask gibi g\u00fc\u00e7l\u00fc k\u00fct\u00fcphanelere eri\u015fimi sayesinde veri i\u015fleme ve orkestrasyon (Airflow gibi ara\u00e7larla) i\u00e7in yayg\u0131n olarak kullan\u0131l\u0131r. SQL bilgisi de veritabanlar\u0131yla etkile\u015fim i\u00e7in olduk\u00e7a \u00f6nemlidir. Java veya Scala ise Apache Spark gibi da\u011f\u0131t\u0131k sistemlerde derinlemesine \u00e7al\u0131\u015fma durumlar\u0131nda faydal\u0131 olabilir.\n <\/p>\n
2. Bulut platformlar\u0131 (AWS, GCP, Azure) ML veri hatt\u0131 olu\u015fturmada ne gibi avantajlar sunar?<\/h4>\n
\n Bulut platformlar\u0131, s\u0131n\u0131rs\u0131z depolama (S3, GCS), y\u00f6netilen veri tabanlar\u0131 (RDS, BigQuery), da\u011f\u0131t\u0131k i\u015fleme servisleri (EMR, Dataproc) ve orkestrasyon ara\u00e7lar\u0131 (Cloud Composer, Step Functions) gibi bir\u00e7ok hizmeti kolayca kullan\u0131ma sunar. Bu, altyap\u0131 kurulum ve y\u00f6netim y\u00fck\u00fcn\u00fc azalt\u0131r, \u00f6l\u00e7eklenebilirli\u011fi art\u0131r\u0131r ve maliyetleri kullan\u0131ma g\u00f6re optimize etme esnekli\u011fi sa\u011flar.\n <\/p>\n
3. Veri kalitesi ML veri hatt\u0131nda ne kadar \u00f6nemlidir? Nas\u0131l sa\u011flan\u0131r?<\/h4>\n
\n Veri kalitesi, ML modellerinin performans\u0131 i\u00e7in hayati \u00f6neme sahiptir. \"\u00c7\u00f6p girdi, \u00e7\u00f6p \u00e7\u0131kt\u0131\" (Garbage in, garbage out) prensibi ML i\u00e7in de ge\u00e7erlidir. Veri kalitesini sa\u011flamak i\u00e7in:\n <\/p>\n
\n- Veri al\u0131m\u0131 s\u0131ras\u0131nda do\u011frulama kontrolleri uygulay\u0131n.<\/li>\n
- Hatt\u0131n farkl\u0131 a\u015famalar\u0131nda (temizleme, d\u00f6n\u00fc\u015ft\u00fcrme) veri profilini \u00e7\u0131kar\u0131n ve anormallikleri tespit edin.<\/li>\n
- Great Expectations veya Deequ gibi veri kalitesi kontrol k\u00fct\u00fcphanelerini kullanarak otomatik testler ve beklentiler tan\u0131mlay\u0131n.<\/li>\n
- Veri izleme ve uyar\u0131 sistemleri kurarak veri kalitesindeki d\u00fc\u015f\u00fc\u015fleri an\u0131nda tespit edin.<\/li>\n<\/ul>\n
4. K\u00fc\u00e7\u00fck \u00f6l\u00e7ekli bir proje i\u00e7in de ML veri hatt\u0131na ihtiyac\u0131m var m\u0131?<\/h4>\n
\n Evet, kesinlikle! Projenin ba\u015flang\u0131c\u0131nda verileriniz az olsa bile, gelecekteki b\u00fcy\u00fcme ve projenin s\u00fcrd\u00fcr\u00fclebilirli\u011fi i\u00e7in temel bir veri hatt\u0131 kurmak iyi bir uygulamad\u0131r. Bu, ileride verileriniz b\u00fcy\u00fcd\u00fc\u011f\u00fcnde veya projenizi daha karma\u015f\u0131k hale getirmek istedi\u011finizde size \u00e7ok zaman kazand\u0131racakt\u0131r. Ba\u015flang\u0131\u00e7ta Airflow gibi a\u011f\u0131r bir ara\u00e7 kullanmak yerine, Python betikleri ve basit zamanlay\u0131c\u0131lar (cron job) ile ba\u015flayabilir, zamanla daha geli\u015fmi\u015f ara\u00e7lara ge\u00e7i\u015f yapabilirsiniz.\n <\/p>\n
5. \u00d6zellik ma\u011fazas\u0131 (Feature Store) nedir ve neden gereklidir?<\/h4>\n
\n \u00d6zellik ma\u011fazas\u0131, makine \u00f6\u011frenimi modelleri taraf\u0131ndan kullan\u0131lan \u00f6zelliklerin (feature) merkezi bir depolama ve y\u00f6netim sistemidir. Gerekli olmas\u0131n\u0131n nedenleri:\n <\/p>\n
\n- \n Tutarl\u0131l\u0131k:<\/strong> Model e\u011fitiminde ve ger\u00e7ek zamanl\u0131 \u00e7\u0131kar\u0131mda ayn\u0131 \u00f6zelliklerin, ayn\u0131 y\u00f6ntemlerle olu\u015fturulmas\u0131n\u0131 sa\u011flar.\n <\/li>\n
- \n Yeniden Kullan\u0131m:<\/strong> Birden fazla modelin ayn\u0131 \u00f6zellikleri yeniden kullanmas\u0131na olanak tan\u0131r, bu da veri m\u00fchendisli\u011fi \u00e7abalar\u0131n\u0131 azalt\u0131r.\n <\/li>\n
- \n Zaman B\u00fck\u00fclmesi (Time Travel):<\/strong> Belirli bir zamandaki \u00f6zellik de\u011ferlerine eri\u015fim sa\u011flayarak model testini ve hata ay\u0131klamay\u0131 kolayla\u015ft\u0131r\u0131r.\n <\/li>\n
- \n H\u0131z:<\/strong> Ger\u00e7ek zamanl\u0131 modeller i\u00e7in d\u00fc\u015f\u00fck gecikmeli \u00f6zellik eri\u015fimi sunar.\n <\/li>\n<\/ul>\n
\n B\u00fcy\u00fck \u00f6l\u00e7ekli ML operasyonlar\u0131nda (MLOps) giderek daha kritik bir bile\u015fen haline gelmektedir.\n <\/p>\n
<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r.…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-32454","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber<\/title>\n<meta name=\"description\" content=\"Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r. Bu kapsaml\u0131 rehber, ML projeleriniz i\u00e7in sa\u011flam ve tekrarlanabilir bir ML veri hatt\u0131 (data pipeline) olu\u015fturman\u0131n ad\u0131m ad\u0131m yollar\u0131n\u0131 a\u00e7\u0131kl\u0131yor.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber\" \/>\n<meta property=\"og:description\" content=\"Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r. Bu kapsaml\u0131 rehber, ML projeleriniz i\u00e7in sa\u011flam ve tekrarlanabilir bir ML veri hatt\u0131 (data pipeline) olu\u015fturman\u0131n ad\u0131m ad\u0131m yollar\u0131n\u0131 a\u00e7\u0131kl\u0131yor.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-10-21T22:31:24+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"31 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber\",\"datePublished\":\"2025-10-21T22:31:24+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/\"},\"wordCount\":5295,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/\",\"name\":\"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-10-21T22:31:24+00:00\",\"description\":\"Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r. Bu kapsaml\u0131 rehber, ML projeleriniz i\u00e7in sa\u011flam ve tekrarlanabilir bir ML veri hatt\u0131 (data pipeline) olu\u015fturman\u0131n ad\u0131m ad\u0131m yollar\u0131n\u0131 a\u00e7\u0131kl\u0131yor.\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber","description":"Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r. Bu kapsaml\u0131 rehber, ML projeleriniz i\u00e7in sa\u011flam ve tekrarlanabilir bir ML veri hatt\u0131 (data pipeline) olu\u015fturman\u0131n ad\u0131m ad\u0131m yollar\u0131n\u0131 a\u00e7\u0131kl\u0131yor.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/","og_locale":"tr_TR","og_type":"article","og_title":"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber","og_description":"Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r. Bu kapsaml\u0131 rehber, ML projeleriniz i\u00e7in sa\u011flam ve tekrarlanabilir bir ML veri hatt\u0131 (data pipeline) olu\u015fturman\u0131n ad\u0131m ad\u0131m yollar\u0131n\u0131 a\u00e7\u0131kl\u0131yor.","og_url":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-10-21T22:31:24+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"31 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber","datePublished":"2025-10-21T22:31:24+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/"},"wordCount":5295,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/","url":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/","name":"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-10-21T22:31:24+00:00","description":"Makine \u00f6\u011frenimi projeleri heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcd\u00fcr, ancak \u00e7o\u011fu zaman en b\u00fcy\u00fck zorluk veri y\u00f6netimi, temizli\u011fi ve tutarl\u0131l\u0131\u011f\u0131d\u0131r. Bu kapsaml\u0131 rehber, ML projeleriniz i\u00e7in sa\u011flam ve tekrarlanabilir bir ML veri hatt\u0131 (data pipeline) olu\u015fturman\u0131n ad\u0131m ad\u0131m yollar\u0131n\u0131 a\u00e7\u0131kl\u0131yor.","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/ilk-ml-veri-hattinizi-nasil-kurarsiniz-adim-adim-rehber\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"\u0130lk ML Veri Hatt\u0131n\u0131z\u0131 Nas\u0131l Kurars\u0131n\u0131z? Ad\u0131m Ad\u0131m Rehber"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/32454","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=32454"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/32454\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=32454"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=32454"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=32454"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}