Yapay zeka (AI) ve makine öğrenmesi modellerinizin başarısı, kullandığınız algoritmaların karmaşıklığından ziyade eğitim verilerinizin kalitesine bağlıdır
. Ham verilerin doğrudan modellere beslenmesi, "çöp içeri, çöp dışarı" (garbage in, garbage out) etkisini tetikleyerek aşırı öğrenmeye (overfitting) ve hatalı iş kararlarına yol açar
.
Bu videomuzda, karmaşık ve düzensiz verilerinizi güvenilir, yüksek nitelikli bilgi varlıklarına dönüştüren "Kurumsal Veri Kürasyonu" sürecini tüm detaylarıyla ele alıyoruz
!
📌 Bu Videoda Neler Öğreneceksiniz?
Veri Kürasyonunun Temel Adımları: Veri toplama, temizleme, dönüştürme ve entegrasyon gibi planlama, hazırlık ve kalite güvencesi (QA) süreçlerinin nasıl işlediği
.
Kötü Verinin Yapay Zekaya Etkisi: Düşük kaliteli, eksik veya yanlı verilerin modellerde nasıl kararsızlığa ve performans kayıplarına yol açtığı
.
Otomasyon ve Yazılım Çözümlerinin Gücü: Veri temizleme ve etiketleme süreçlerinde yapay zeka destekli otomasyonun rolü
.
Kurumsal Verimlilik Artışı: Otomasyonun, 50 günlük manuel veri işleme süreçlerini nasıl sadece birkaç saate indirebildiği ve verimliliği nasıl katladığı
.
Veri Yönetişimi ve Mevzuat Uyumluluğu: Avrupa Birliği Yapay Zeka Yasası (EU AI Act), GDPR ve HIPAA gibi katı düzenlemeler ışığında veri kürasyonunun neden stratejik bir zorunluluk olduğu
.
Meta Veri (Metadata) Yönetimi: Veri setlerinin bağlamını koruyarak şeffaflığı, bulabilirliği ve kurum içi yeniden kullanılabilirliği (reusability) artırmanın altın kuralları
.
Veri kürasyonu; verinin sadece temizlenmesi değil, uzun vadeli güven ve kullanım için baştan uca yönetilmesidir
. Siz de yapay zeka projelerinizde güvenilir veri altyapıları kurmak ve veri yönetimi stratejilerinizi geliştirmek istiyorsanız bu video tam size göre!
👇 Daha fazlası için: Kanalımıza abone olmayı, videoyu beğenmeyi ve aklınıza takılan soruları yorumlar kısmında bizimle paylaşmayı unutmayın!
#VeriKürasyonu #DataCuration #YapayZeka #MakineÖğrenmesi #VeriYönetişimi #DataGovernance #VeriKalitesi #MachineLearning #BigData #VeriBilimi
Bu videoda, devasa yapay zeka modellerini Arduino, ESP32 ve Jetson Nano gibi kısıtlı kaynaklara sahip donanımlara (Edge AI) nasıl sığdırabileceğimizi detaylarıyla inceliyoruz. Bir Neural Network'ün gömülü sistemlerde donanımsal olarak nasıl çalıştığını temelden ele alıyor;...
Bu videoda, devasa yapay zeka modellerini Arduino, ESP32 ve Jetson Nano gibi kısıtlı kaynaklara sahip donanımlara (Edge AI) nasıl sığdırabileceğimizi detaylarıyla inceliyoruz.
Bir Neural Network'ün gömülü sistemlerde donanımsal olarak nasıl çalıştığını temelden ele alıyor; modelin doğruluk ve başarı oranından taviz vermeden, cihazın kısıtlı hafızasına (RAM/Flash) uygun hale getirilmesi için kullanılan en kritik optimizasyon tekniklerini gösteriyorum.
Bu videoda yanıt bulacağınız temel konular:
Gömülü Sistemlerde Neural Network: Arduino, ESP32 ve Jetson Nano mimarilerinde yapay zeka modelleri donanımla nasıl etkileşime girer?
Model Pruning (Budama): Ağdaki gereksiz veya ağırlığı düşük nöron/bağlantıları keserek işlem yükünü nasıl hafifletiriz?
Bit-Level Adjustment (Quantization): 32-bit float değerleri 8-bit veya daha düşük seviyelere çekerek, modelin hafızada kapladığı alanı radikal bir şekilde nasıl düşürürüz?
Performans ve doğruluk (accuracy) arasındaki o hassas dengeyi nasıl kurarız?
Gömülü sistemler, mikrodenetleyiciler ve yapay zeka sınırlarında dolaşmayı seviyorsanız, donanım limitlerini yazılım optimizasyonlarıyla aşacağımız bu rehber tam size göre.
Videoyu faydalı bulduysanız beğenmeyi ve bu tarz ileri seviye teknoloji içeriklerinden haberdar olmak için kanala abone olmayı unutmayın. Sorularınızı veya kendi optimizasyon deneyimlerinizi yorumlarda benimle paylaşabilirsiniz!
Github Linki:
https://github.com/burakyilmazrobotics/IOT_Pruning
IoT sistemlerinde her ham veriyi buluta göndermek ağın çökmesine neden olur! Bu videoda, cihazların kendi kararlarını alabildiği Uç Bilişim (Edge Computing) mimarisini interaktif simülasyonlar üzerinden uygulamalı olarak inceliyoruz. Videonun İçeriği: Sensörlerden gelen...
IoT sistemlerinde her ham veriyi buluta göndermek ağın çökmesine neden olur! Bu videoda, cihazların kendi kararlarını alabildiği Uç Bilişim (Edge Computing) mimarisini interaktif simülasyonlar üzerinden uygulamalı olarak inceliyoruz.
Videonun İçeriği:
Sensörlerden gelen devasa verilerin bulut sunucularını nasıl tıkadığını ve bu sorunun "Kenar Bilişim" ile nasıl çözüldüğünü anlamak için geliştirdiğimiz özel simülasyonları test ediyoruz. Videoda iki farklı endüstriyel senaryoyu ele aldık:
🩺 Senaryo 1: Biyomedikal Giyilebilir EKG Cihazı
Saniyede yüzlerce veri üreten bir EKG monitörünün, sürekli veri yüklemek yerine yerel bir Karar Destek Sistemi (Edge AI) kullanarak ağ yükünü nasıl megabaytlardan kilobaytlara düşürdüğünü inceliyoruz. Sadece "Aritmi/Anomali" durumlarında buluta bilgi aktaran akıllı sistemin gecikme (latency) avantajlarını konuşuyoruz.
🌾 Senaryo 2: Otonom Akıllı Tarım Sistemi
Tarlada çalışan sensör ağlarının (nem, sıcaklık, toprak durumu) bulut bağlantısı zayıf olsa dahi uçta otonom olarak nasıl karar alabildiğini simüle ediyoruz. Bu örnekte, donanımsal kaynakları verimli kullanan dağıtık bir ağ mimarisinin nasıl kurulması gerektiğini tartışıyoruz.
💡 Bu Videoda Neler Öğreneceksiniz?
Geleneksel Bulut Mimarisi ile Edge (Uç) Mimarisi arasındaki farklar
Nesnelerin İnterneti (IoT) ağlarında bant genişliği (bandwidth) optimizasyonu
Edge AI destekli Karar Destek Sistemlerinin temel çalışma mantığı
Çoklu sensör ağlarında sistemin ölçeklenebilirliği
🔗 Kaynaklar ve Materyaller:
Videonun içerisinde kullandığım, hiçbir kurulum gerektirmeyen (standalone) simülasyon dosyalarını indirip kendi tarayıcınızda test edebilir, kaynak kodlarını inceleyerek kendi projelerinize uyarlayabilirsiniz:
👉 [Simülasyon Dosyalarını İndirmek İçin Link (GitHub / Drive / Web Siteniz)]
👉 [Ders notları veya ilgili diğer sunum linkleri]
Bölümler (Timestamps):
00:00 - Giriş: IoT ve Veri Yükü Problemi
02:15 - Bulut vs. Edge Computing Kavramları
04:30 - Simülasyon 1: Biyomedikal EKG Cihazı (Ağ Yükü Testi)
08:45 - Simülasyon 2: Otonom Tarım ve Akıllı Sensör Ağı
12:20 - Öğrenciler İçin Kod İncelemesi ve Kapanış
Etiketler (Tags):
#IoT #EdgeComputing #Nesnelerinİnterneti #YazılımMühendisliği #EdgeAI #KararDestekSistemleri #BiyomedikalMühendisliği #AkıllıTarım #Simülasyon #Kodlama
Yapay zekanın sınıflandırma problemlerini nasıl çözdüğünü hiç merak ettiniz mi? Özünde tek bir geometrik soru yatıyor: Uzayda bir sınır nasıl çizilir? Bu videoda hiperdüzlem kavramından başlayarak, üç farklı makine öğrenmesi algoritmasının aynı araca bambaşka felsefelerle...
Yapay zekanın sınıflandırma problemlerini nasıl çözdüğünü hiç merak ettiniz mi? Özünde tek bir geometrik soru yatıyor: Uzayda bir sınır nasıl çizilir?
Bu videoda hiperdüzlem kavramından başlayarak, üç farklı makine öğrenmesi algoritmasının aynı araca bambaşka felsefelerle nasıl yaklaştığını görsel ve matematiksel olarak inceliyoruz.
🎯 Videoda neler var?
✔️ Hiperdüzlem nedir? Nokta → Doğru → Düzlem → p-1 Boyutlu yapıya boyutsal evrim
✔️ w (ağırlık vektörü) ve b (bias) parametrelerinin geometrik anlamı
✔️ Lojistik Regresyon — Olasılık odaklı yaklaşım, sigmoid fonksiyonu ve doğrusal olmayan sınıra adapte olma stratejisi
✔️ SVM (Destek Vektör Makineleri) — Marjin odaklı düşünce, destek vektörleri ve kernel trick ile uzay yansıtma
✔️ YSA (Yapay Sinir Ağları) — Çoklu hiperdüzlemlerin kesişimiyle oluşan esnek karar alanları
✔️ Üç modelin aykırı değer hassasiyeti, doğrusal olmayan strateji ve insan müdahalesi açısından karşılaştırmalı analizi
💡 Kimler için?
Makine öğrenmesinin matematiksel temellerini sezgisel ve görsel bir şekilde anlamak isteyen herkes için — ister öğrenci, ister meraklı, ister pratisyen.
🔖 Etiketler:
#MakineÖğrenmesi #YapayZeka #SVM #LojistikRegresyon #YapayZekaEğitim #Hiperdüzlem #DeepLearning #VeriБilimi #MachineLearning #AITürkçe
🔌 MQTT Protokolü Nedir? | IoT Cihazları İçin Eksiksiz Rehber Bu videoda MQTT protokolünü sıfırdan öğreniyoruz — sadece teori değil, interaktif simülasyon ve gerçek kod örnekleriyle! IoT projelerinde neden MQTT kullanılır, broker nasıl çalışır, topic yapısı nasıl tasarlanır ve...
🔌 MQTT Protokolü Nedir? | IoT Cihazları İçin Eksiksiz Rehber
Bu videoda MQTT protokolünü sıfırdan öğreniyoruz — sadece teori değil, interaktif simülasyon ve gerçek kod örnekleriyle!
IoT projelerinde neden MQTT kullanılır, broker nasıl çalışır, topic yapısı nasıl tasarlanır ve QoS seviyeleri arasındaki fark nedir? Hepsini bu videoda bulacaksın.
──────────────────────────
📌 İÇERİK
──────────────────────────
00:00 Giriş — MQTT nedir, neden önemli?
02:30 Pub/Sub mimarisi ve HTTP karşılaştırması
05:00 Canlı simülasyon — IoT mesaj akışı
09:00 Topic yapısı ve joker karakterler (+ / #)
13:00 QoS 0, 1 ve 2 — hangisini ne zaman kullanmalı?
16:30 Python, JavaScript ve Arduino kod örnekleri
19:00 Özet ve sonraki adımlar
──────────────────────────
🛠️ VİDEODA KULLANILAN ARAÇLAR
──────────────────────────
• Paho MQTT (Python): https://pypi.org/project/paho-mqtt
• MQTT.js (Node.js): https://github.com/mqttjs/MQTT.js
• PubSubClient (Arduino): https://github.com/knolleary/pubsubclient
• Ücretsiz test broker: broker.mqtt.org
──────────────────────────
🛠️ DEMO KODU REPOSU
──────────────────────────
https://github.com/burakyilmazrobotics/MQTT_Demo
──────────────────────────
🏷️ KİMLER İÇİN?
──────────────────────────
✅ Arduino / ESP32 / Raspberry Pi ile proje yapanlar
✅ Akıllı ev sistemi kurmak isteyenler
✅ Endüstriyel IoT (IIoT) ile ilgilenenler
✅ MQTT'yi hiç duymamış ama merak edenler
──────────────────────────
Videoyu faydalı bulduysan beğenmeyi ve kanala abone olmayı unutma! Sorularını yorumlara yaz, hepsini yanıtlıyorum. 👇
#MQTT #IoT #ESP32 #Arduino #RaspberryPi #GömülüSistem #Protokol #AkıllıEv #IoTProje #Yazılım
Yazılım projeleriniz büyüdükçe kodlarınızın yönetimi zorlaşıyor ve "teknik borç" (technical debt) altında mı eziliyorsunuz? Kontrolsüz büyüyen projelerde kod şişmesini (code bloat) engellemek ve değişime kapalı (rijit) yapılar yerine esnek mimariler kurmak için en etkili yol...
Yazılım projeleriniz büyüdükçe kodlarınızın yönetimi zorlaşıyor ve "teknik borç" (technical debt) altında mı eziliyorsunuz? Kontrolsüz büyüyen projelerde kod şişmesini (code bloat) engellemek ve değişime kapalı (rijit) yapılar yerine esnek mimariler kurmak için en etkili yol SOLID prensipleridir!
Bu videomuzda, Robert C. Martin (Uncle Bob) tarafından formüle edilen ve Nesne Yönelimli Programlamanın (OOP) temel direkleri olan 5 önemli tasarım ilkesini derinlemesine inceliyoruz. Hem teorik altyapıyı hem de pratik kodlama örneklerini bu videoda bulabilirsiniz.
Videoda Neler Öğreneceksiniz?
S - Tek Sorumluluk Prensibi (Single Responsibility - SRP): Sınıflarınızı her işi yapan "Tanrı Nesne" (God Object) olmaktan nasıl kurtarır ve modüler hale getirirsiniz?
O - Açık/Kapalı Prensibi (Open/Closed - OCP): Mevcut çalışan kodu bozmadan (değiştirmeye kapalı), sisteme yeni özellikleri güvenle nasıl eklersiniz (genişletmeye açık)?
L - Liskov'un Yerine Geçme İlkesi (Liskov Substitution - LSP): Alt sınıflar, üst sınıfların sözleşmelerini bozmadan onların yerine nasıl geçebilir? Meşhur "Kare-Dikdörtgen" ikilemi nedir ve nasıl çözülür?
I - Arayüz Ayrımı Prensibi (Interface Segregation - ISP): İstemcileri, hiç kullanmadıkları metotlara bağımlı kılan "şişmiş" (fat) arayüzlerden nasıl kurtarırız?
D - Bağımlılıkların Tersine Çevrilmesi (Dependency Inversion - DIP): Yüksek seviyeli iş mantığını, veri tabanı gibi düşük seviyeli detaylardan izole ederek sistemi nasıl bağımsız ve test edilebilir hale getiririz?
SOLID prensiplerini uygulayarak yazılım projelerinizde esnekliği ve ölçeklenebilirliği destekleyebilir, kodun bakımını ve test edilmesini çok daha kolay bir hale getirebilirsiniz.
💡 Videoyu faydalı bulduysanız beğenmeyi, düşüncelerinizi veya sorularınızı yorumlarda paylaşmayı ve yeni yazılım mimarisi içerikleri için kanalımıza abone olmayı unutmayın! İyi seyirler, temiz kodlamalar!
Etiketler (Tags): #SOLID #YazılımGeliştirme #TemizKod #CleanCode #OOP #YazılımMimarisi #Refactoring #YazılımMühendisliği #YazılımTasarımı #TeknikBorç
Bu derste yazılım geliştirmede tasarımın neden kritik bir rol oynadığını, teknik borcun nasıl biriktiğini ve kod kokularının (code smells) nasıl tespit edileceğini öğreniyoruz. Ayrıca tasarım örüntülerine (design patterns) giriş yaparak yaratımsal, yapısal ve davranışsal...
Bu derste yazılım geliştirmede tasarımın neden kritik bir rol oynadığını, teknik borcun nasıl biriktiğini ve kod kokularının (code smells) nasıl tespit edileceğini öğreniyoruz. Ayrıca tasarım örüntülerine (design patterns) giriş yaparak yaratımsal, yapısal ve davranışsal örüntü kategorilerini tanıyoruz.
📌 Bu videoda ele alınan konular:
Yazılım kalitesi ve önemi (ISO/IEC 25010)
Teknik borç nedir, nasıl yönetilir?
Kod kokuları: God Class, Spaghetti Kod, Shotgun Surgery
Tasarım örüntüsü nedir? Algoritma ve framework'ten farkı
Örüntü kategorileri: Creational, Structural, Behavioral, Mimari
Mini vaka: Ödeme sistemi ve Strategy Pattern uygulaması
📅 14 haftalık ders planı bu seriyle başlıyor. SOLID prensipleri, GoF örüntüleri, refactoring ve dönem projesiyle devam edecek.
🔔 Serinin devamını kaçırmamak için kanala abone olmayı unutma!
📚 Kaynaklar: GoF – Design Patterns, Refactoring.Guru, ISO/IEC 25010, Ward Cunningham – Technical Debt
Herkese merhaba! Üniversite düzeyindeki "Dijital Görüntü İşleme" dersimizin bu haftaki (3. Hafta) bölümünde, görüntü analizinin en kritik aşamalarından biri olan Görüntü Bölütleme (Image Segmentation) konusunu derinlemesine inceliyoruz. Geçen hafta gördüğümüz uzamsal...
Herkese merhaba! Üniversite düzeyindeki "Dijital Görüntü İşleme" dersimizin bu haftaki (3. Hafta) bölümünde, görüntü analizinin en kritik aşamalarından biri olan Görüntü Bölütleme (Image Segmentation) konusunu derinlemesine inceliyoruz.
Geçen hafta gördüğümüz uzamsal filtreler ve kenar algılama temellerinin üzerine inşa ettiğimiz bu derste, bir görüntüyü anlamlı bölgelere, nesnelere ve arka plana ayırmanın hem klasik hem de modern algoritmalarını ele alıyoruz. Dersin içeriği, temel referans kitabımız olan Gonzalez & Woods - Digital Image Processing (4. Baskı, 10. Bölüm) müfredatına bütünüyle uygun olarak hazırlanmıştır.
Bölütleme algoritmalarının arkasındaki matematiği anlamanın yanı sıra; tıbbi görüntülemede (MR, röntgen) anomali tespiti ve otonom araç navigasyonunda yaya/yol tanıma gibi gerçek dünya endüstriyel uygulamalarını da bu videoda tartışıyoruz.
📌 Bu Videoda Neler Öğreneceksiniz? (Zaman Çizelgesi)
Giriş ve Görüntü Bölütlemeye (Segmentation) Genel Bakış
Nokta, Çizgi ve Kenar Tespiti Temelleri
Eşikleme (Thresholding) Yöntemleri ve Otsu Metodu
Bölge Büyütme, Bölme ve Birleştirme (Region Growing & Splitting)
K-Means Kümeleme (Clustering) ve Süperpikseller (Superpixels) ile Bölütleme
Graf Kesitleri (Graph Cuts) ile Optimum Bölütleme
Morfolojik Havzalar (Watersheds) ile Bölütleme
Bölütlemede Hareket (Motion) Cues Kullanımı
Beynin Otoyollarını Haritalamak | DTI ile Beyaz Madde Bağlantıları Bu videoda beynin “otoyolları”nı—yani beyaz madde yollarını—Diffusion Tensor Imaging (DTI) ile nasıl haritaladığımızı, hangi metrikleri kullandığımızı ve psikiyatride klinik/araştırma uygulamalarını...
Beynin Otoyollarını Haritalamak | DTI ile Beyaz Madde Bağlantıları
Bu videoda beynin “otoyolları”nı—yani beyaz madde yollarını—Diffusion Tensor Imaging (DTI) ile nasıl haritaladığımızı, hangi metrikleri kullandığımızı ve psikiyatride klinik/araştırma uygulamalarını konuşuyoruz. Traktografi, TBSS, connectome analizi, araçlar (FSL, MRtrix, DIPY) ve yapay zekâ ile entegrasyon dahil, uçtan uca bir rehber seni bekliyor.
Neler öğreneceksin?
DTI nedir, nasıl çalışır? (izotropi/anizotropi, tensör, elipsoid)
FA, MD, AD, RD gibi metrikler ne anlatır?
Traktografi (deterministik vs olasılıksal) ile lif yolları nasıl çizilir?
TBSS ve yapısal bağlanırlık (connectome) ile grup karşılaştırmaları
Psikiyatride DTI: şizofreni, MDD, OCD, PTSD ve erken psikoz bağlamında örüntüler
Yapay zekâ ile tanı/öngörü, tedavi yanıtı tahmini (rTMS/ilaç/psikoterapi)
Önerilen iş akışı, kalite kontrol ve en iyi uygulamalar
Hangi araçları kullanmalı? (FSL, MRtrix3, DIPY, 3D Slicer, ANTs)